基于RJMCMC的视觉多目标跟踪算法

研究了基于MCMC的多目标跟踪算法。针对MCMC迭代过程中抽样置信度低以及不能进行有效迭代的问题,提出一种新的基于RJMCMC的视觉多目标跟踪算法。给定观测量,将跟踪问题建模为状态量的最大后验估计(MAP)、关于MAP的先验与似然的估计。借助匹配阵给出了目标先验建议分布,设计了4种马氏链可逆运动方式;似然度量采用随空间加权的颜色直方图匹配衡量。MCMC抽样过程中的状态由MS迭代产生,而不是随机走生成。基于似然度量导出了MS迭代式。实验结果及定量分析评估结果说明了本算法的有效性。

基于RJMCMC方法的水下被动目标声源数和方位联合估计

针对传统的子空间类宽带信号处理方法需要较多的信号快拍数才能取得较好的估计效果这一问题,本文将一种基于时域宽带信号模型的贝叶斯高分辨估计方法用于水下被动目标的方位估计(DOA)。该方法使用宽带信号的时域模型,依据贝叶斯准则构建所需参数的后验概率密度函数,并采用可逆跳变马尔科夫链蒙特卡罗(RJMCMC)方法执行贝叶斯计算,对后验概率密度函数进行峰值搜索。由于其能够在不同维的参数空间中跳转,因此可以进行模型阶数(声源数)和目标方位的联合估计。与传统的子空间类方法相比,这一方法能直接在时域进行信号处理且仅需显著较少的信号快拍数。仿真结果表明,RJMCMC算法能较好地估计出声源数和目标方位。

可变类空间约束高斯混合模型遥感图像分割

针对传统高斯混合模型(GMM,Gaussian mixture model)难以自动获取类属数和对噪声敏感问题,提出了一种基于可变类空间约束GMM的遥感图像分割方法。首先在构建的GMM中,将像素类属性建模为马尔可夫随机场(MRF,Markov random field),并在此基础上定义其先验概率;结合邻域像素类属性的后验概率和先验概率,定义噪声平滑因子,以提高算法的抗噪性;在参数求解过程中,分别采用可逆跳变马尔可夫链蒙特卡罗(RJMCMC,reversible jump Markov chain Monte Carlo)方法和最大似然(ML,maximum likelihood)方法估计类属数和模型参数;最后以最小化噪声平滑因子为准则获取最终分割结果。为了验证提出的分割方法,分别对模拟图像和全色遥感图像进行了可变类分割实验。实验结果表明提出方法的可行性和有效性。

基于模拟退火的无监督核模糊聚类算法

提出一种新的核可能性聚类模型,该模型以核可能性Xie-Beni聚类有效性指标作为代价函数,基于可逆跳转马尔可夫链蒙特卡罗(RJMCMC)的模拟退火方法作为优化策略,聚类个数可以在给定的范围内进行变动,最优的聚类个数与聚类划分被自动获得.比普通的基于模拟退火的(核)可能性聚类具有更高的效率,且避免了普通(核)可能性聚类中易产生重合聚类的缺陷.人造数据集和真实数据集上的对比实验表明了算法的有效性.

一种无须预指定分割区域数的自适应多阈值图像分割方法

为解决多阈值图像分割中分割区域数较难确定的问题,提出一种基于可逆跳跃马尔可夫链蒙特卡罗(RJMCMC)的自适应多阈值图像分割方法.基于图像直方图的多阈值分割的本质是寻找直方图各峰间的谷底,但其个数较难确定且各局部峰并非都是高斯分布.因此文中用更具普适性的混合α稳定分布拟合直方图,建立包含局部峰个数及各分布元参数的分层贝叶斯概率模型.采用RJMCMC后验概率推理自适应确定混合α稳定分布的分布元个数及各自参数,从而获得分割区域数和多阈值参数.针对单晶炉拉晶图像、人脑核磁共振图像及国际标准测试图进行测试,结果表明该方法准确地建立图像分割模型,得到满意的多阈值分割结果.

采用非规则标识点过程的LiDAR点云数据目标提取

针对LiDAR点云数据目标投影几何的非规则性,提出非规则标识点过程的LiDAR点云数据目标提取方法。首先,在投影平面上定义随机点过程,利用其随机点定位该平面上的目标投影,对每一随机点生成一组节点集以建模该目标投影几何,作为目标标识;假设地物目标高程值服从独立同一高斯分布,从而得到LiDAR点云数据高程测度模型;在贝叶斯理论架构下建立目标几何提取模型,并结合可逆跳变马尔可夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo,RJMCMC)算法模拟后验分布以及估计各参数;最后根据最大后验概率准则,求解最优目标提取模型。采用提出方法对LiDAR点云数据进行目标提取,根据实验结果可以看出,算法得到的检测精度均达到80%以上,最高精度为99.43%,得到了较好的检测结果。本文将传统的规则标识点过程拓展到非规则标识点过程,可以有效拟合任意形状目标几何。定性和定量的实验结果表明了该方法的可行性、有效性和准确性。

基于标值点过程改进的遥感道路提取新算法

研究了标值点过程的道路提取算法,针对传统数据模型提取道路不够准确的缺点,改进了数据模型。提出了基于边缘检测的生灭转移核,避免了传统的生灭过程搜索的盲目性,大大加快了算法的收敛速度。针对传统转移核容易破坏线段的连接性的缺点,定义了多种新型的RJMCMC转移核,重新设计了基于邻域的生灭转移核及线段参数转移核。仿真结果表明,改进算法大大提高了收敛速度,并且提取的道路网络更准确,更连续。

基于本地图像块模型的人造目标提取方法

本文提出了本地图像块模型,该模型使用概率隐含语义分析pLSA(probabilistic Latent Semantic Analysis)作为数据项的点过程对人造目标进行建模,用可逆马尔科夫链蒙特卡洛算法(RJMCMC)配合模拟退火算法提取模型的参数。在提取模型参数的过程中使用了数据驱动生灭和统计扩散方法加快算法收敛速度。最后通过对实际遥感图像的实验验证了该方法的有效性。

可逆跳MCMC抽样在生物易感模式中的应用

在一些生物实验中,受试者对于一定处理的易感模式往往是不同的,需要对不同的易感模式进行确定.由于易感模式的个数和形式同时未知,我们利用可逆跳MCMC方法,对易感模式个数和参数联合起来建模,基于他们的后验概率进行推断.为了方便,一般假定不同易感模式的分散程度是相同的.本文对分散程度不同的情况作了分析.数据分析表明可逆跳MCMC方法在易感模式处理中是非常显著的.

基于标值点过程的遥感影像道路网络提取

针对高分辨率遥感影像道路网络的特点,采用基于贝叶斯理论的全自动方法从遥感影像中提取道路。根据道路的局部和全局特征,使用标值点过程对道路建模,采用结合可逆跳跃马尔可夫链蒙特卡罗算法的模拟退火算法优化求得全局最优解。提出新的预处理方法得到道路的位置和方向信息,提出基于预处理的生灭转移核以降低算法的搜索空间,提出基于连接的移动转移核以加快算法的收敛速度。实验结果表明,该方法可以快速、有效地从不同的遥感影像(光学、SAR)提取道路网络。

基于可逆跳跃马尔可夫链蒙特卡罗方法的空间邻近目标红外像平面分辨

空间邻近目标在红外像平面的成像相互交叠,形成簇状像斑,为实现对各目标的有效跟踪与识别,必须对其进行分辨。提出了基于可逆跳跃马尔可夫链蒙特卡罗(RJMCMC)的空间邻近目标红外像平面分辨方法。在对多点源目标的红外像平面成像建模基础上,建立了基于贝叶斯推理的空间邻近目标红外像平面分辨框架,以可逆跳跃马尔可夫链蒙特卡罗方法实现了待估参数后验分布的计算,联合检测和估计出目标个数、各目标像平面投影位置和辐射强度参数。以中段弹道空间邻近目标的天基红外监视为例进行了仿真分析,结果表明,该方法能有效地分辨空间邻近目标中的目标个数和各目标投影位置和辐射强度。