融合L2范数最小化和压缩Haar-like特征匹配的快速目标跟踪

在贝叶斯推理框架下,基于PCA子空间和L2范数最小化的目标跟踪算法能较好地处理视频场景中多种复杂的外观变化,但在目标出现旋转或姿态变化时易发生跟踪漂移现象。针对这一问题,该文提出一种融合L2范数最小化和压缩Haar-like特征匹配的快速视觉跟踪方法。该方法通过去除规模庞大的方块模板集和简化观测似然度函数降低计算的复杂度;而压缩Haar-like特征匹配技术则增强了算法对目标姿态变化及旋转的鲁棒性。实验结果表明:与目前流行的跟踪方法相比,该方法对严重遮挡、光照突变、快速运动、姿态变化和旋转等干扰均具有较强的鲁棒性,且在多个测试视频上可以达到29帧/s的速度,能满足快速视频跟踪要求。

单轴压缩条件下单裂隙花岗岩力学特性及破坏特征

为研究含贯通单裂隙花岗岩的力学特性及破坏特征,以我国高放废物地质处置甘肃北山预选区完整花岗岩及含倾角30°、45°和60°贯通裂隙的花岗岩为研究对象,开展单轴压缩试验研究.结果表明:裂隙倾角越大,试样的单轴抗压强度、损伤应力以及弹性模量越低;与完整岩石相比,倾角30°、45°和60°裂隙花岗岩的抗压强度分别下降7.97%、29.17%和71.68%,损伤应力分别下降9.35%、24.26%和69.79%,弹性模量分别下降5.89%、23.32%和60.49%.裂隙倾角不同,试样的应力-应变曲线呈现出显著的差别;裂隙倾角越大,损伤应力至峰值应力之间的屈服阶段越明显,发生沿裂隙面滑移破坏特征越显著;裂隙倾角影响花岗岩的破坏模式,试样的破坏形式主要表现为穿裂隙面破坏(倾角30°)、穿裂隙面破坏和沿裂隙面滑移并存的复合破坏(倾角45°)以及沿裂隙面滑移破坏(倾角60°);倾角60°的裂隙花岗岩的抗压强度与试验前后裂隙面的分形维数差符合幂函数增长关系.

单轴压缩垃圾液污染黄土电阻率特征试验研究

为研究不同含水率、垃圾渗滤液浓度的原状污染黄土电阻率与压缩特征之间的关联,人工配置垃圾渗滤液对黄土进行预污染,制备了不同含水率、不同污染液浓度侵扰的黄土试样,并基于Fukue提出的固结仪-电阻率试验原理进行室内试验,分析了不同含水率和渗滤液浓度对电阻率的影响,进一步探讨了各含水率下不同污染试样压缩系数与电阻率特征值之间的定量关系。结果表明:污染液侵入后会导致土体电阻率急剧降低,不同污染浓度试样间电阻率的差值较小;低含水率时电阻率对水分的响应度更高,随含水率升高,响应度开始降低;在0~100 kPa应力下,电阻率出现骤降,当应力增加至100 kPa后,电阻率逐渐稳定;以垃圾渗滤液含水状态为中间变量,进一步拟合了压缩系数与电阻率特征值之间的关系,其呈现出指数递减趋势;最后提出不同孔隙水化学溶液下的利用电阻率特征值评价黄土受垃圾渗滤液污染程度影响的工程分级评价建议。

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络(即深度卷积测量网络)代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。

基于扩展的Haar-Like特征和LBP特征的人脸压缩跟踪算法

针对传统的压缩跟踪算法采用简单的Haar-Like特征而在遮挡、光照变化、物体形变及背景干扰等情况下易产生目标漂移而导致跟踪失败的问题,提出了一种基于扩展的Haar-Like特征和局部二值模式(LBP)特征相结合的改进压缩跟踪算法,并运用于特定目标即人脸的跟踪。利用扩展的Haar-Like特征搜索目标的粗略位置,应用LBP特征充分表征人脸并进行精确跟踪来定位人脸目标的最佳位置。与简单的Haar-Like特征相比,LBP可以构建更稳定的目标表观模型,并扩展原有的Haar-Like特征,使算法在不同环境干扰下更鲁棒,同时也提高了跟踪算法的精度。实验证明:改进后的人脸压缩跟踪算法比传统的算法性能更优越。

基于通道注意力的协作智能特征压缩算法

由于越来越多的视频开始使用机器视觉进行任务分析,以往面向人眼的视频压缩方法难以保障视频目标检测等任务性能。对此,提出一种基于通道注意力的协作智能特征压缩算法。首先,选择分裂点特征,将其作为特征压缩网络的输入;其次,使用通道注意力对特征进行通道冗余去除,使用卷积进行空间冗余去除;最后,运用广义除法归一化减少噪声,以确保重建特征的还原度。实验结果表明,该特征压缩算法可以有效缓解通信带宽压力,高质量重建特征,保障目标检测任务性能。

基于目标特征的数据压缩预处理方法

随着水下自动监测技术的不断发展,对于数据的实时传输效率和测量精度的要求也越来越高,而高质量无损数据压缩传输技术还存在严重不足。文章利用在广西西江航道上建立的侧扫声呐船舶吃水自动监测系统,提出了一种基于目标特征的数据压缩预处理方法。该方法根据散货船的船体结构和声图成像特点,在进行数据压缩前分别在时间和空间两个维度上实现对目标信号的识别和提取,完成对无关冗余数据的剔除。该预处理方法不仅可以大幅提高数据压缩的压缩比,提高传输效率,节省存储空间,还可以保证用于测量计算的目标关键特征信息不丢失,为进一步突破无损数据压缩的压缩比限制提供新思路。

中间主应力对花岗岩双轴压缩破坏过程的声发射演化特征影响

为了探究中间主应力对花岗岩双轴压缩破坏过程的声发射演化特征影响,对花岗岩于不同中间主应力下双轴压缩破坏过程的声发射信号开展了时域及频域多角度综合分析。试验结果表明:中间主应力对花岗岩双轴压缩破坏的声发射前兆有显著影响,即随着中间主应力增大,声发射累计振铃计数达到连续性急剧突变增长阶段的应力水平减小,b值的连续下降速率减小,优势频段(125~250 kHz)占比发生明显转变时的应力水平降低,但低频高幅值信号所占比例增加。得到了花岗岩双轴压缩破坏的多种声发射前兆特征,即在岩石失稳破坏前夕,声发射累计振铃计数呈现连续性急剧突变增长以及b值持续性显著下降,低频高幅值信号出现,优势频段(125~250 kHz)占比展现增加趋势。

轻度认知障碍分类中全脑功能连接的特征压缩分析

利用静息态功能磁共振成像技术获取脑区的功能连接(Functional connection,FC)被广泛地应用于轻度认知功能障碍(Mild cognitive impairment,MCI)的分类研究中。然而,全脑FC用于分类通常存在信息冗余和特征维度灾难问题,为此,提出一种“G-Lasso+特征压缩”的新方法来解决以上问题。首先,利用盲源分离技术获得全脑功能脑区的活跃信号时间序列,采用G-Lasso构建FC稀疏网络;其次,计算MCI患者、正常被试及所有被试在组平均上的稀疏FC,并结合欧氏距离进行簇Class 1~Class 3中心判决,获取簇间差异特征信息;最后,将每个被试的稀疏FC表达为簇中心的线性组合,获取压缩的FC作为关键特征完成分类。实验采用公开的数据库测试本文方法,结果表明,所提方法进行Class判决后获得簇间特征具有显著差异且提供了有效的标志信息,进一步压缩获取关键特征的分类准确率(89.8%)比仅使用稀疏方法提高了5%~10%。该结果表明,为了解决全脑FC存在的问题,需要考虑到特征选择和降维,但有诸多不确定因素信息,可以适当地将“稀疏+压缩”进行结合。

基于改进Haar-like特征的压缩跟踪算法

针对原始算法特征可能出现的特征无法准确表达目标特性的问题,提出一种改进Haar-like特征的压缩跟踪算法。原始算法利用正负样本训练构造分类器,利用分类器对候选样本判定,得到最高分类器响应样本就是目标。进行重采样以更新分类器为下一帧做准备,对出现的问题,使用了一种新的图像特征来表示目标特性,同时加入一系列策略处理样本,去除那些与目标差异较大的样本,并进行仿真。仿真结果表明:该算法不仅提高了分类器对于正负样本的判别性,也降低了算法的计算复杂度,提高了算法的实时性。

MCI的rs-fMRI功能性连接的特征选择与压缩

轻度认知障碍(mild cognitive impairment,MCI)的诊断和及时治疗对阿兹海默症(alzheimer’s disease,AD)患者提供早期预警信号具有临床意义.通过神经影像学技术和机器学习(machine learning,ML)对MCI进行辅助诊断的方法性能主要依赖于筛选可表达组间显著性差异的特征,而目前常用皮尔逊相关法表示脑区连通性并将其直接作为分类器的输入特征,通常这些特征包含冗余信息且易造成维度诅咒的问题.针对该问题,提出特征选择和特征压缩相结合的方法筛选重要特征,首先对rs-fMRI计算动态功能连接(dynamic functional connectivity,DFC),其次利用最小类内距离准则筛选重要的特征,然后对筛选后的特征进行最小二乘(least square,LS)线性拟合压缩数据,最后将得到的拟合系数作为分类器输入特征.实验结果表明,特征压缩与特征选择结合的算法获得的分类精度可达76%,比未经特征处理的分类准确率提高了大约8%,表明该方法能有效提高MCI分类准确率,具有一定的生物学意义.

基于纹理特征的分布式视频压缩感知自适应重构方法

面对大规模视频数据带来的全新挑战,具备硬件友好特性的分布式视频压缩感知应运而生。由于传统基于分析模型的分布式视频压缩感知重构方法计算复杂度高,难以满足实时应用的要求,因此深度学习技术被逐渐引入。然而,现有基于深度学习的重构方法忽略了帧的纹理特征,限制了重构性能。由于同图像组中的视频帧具有较高的相似性,因此可以选择相邻视频帧作为当前视频帧纹理特征的参考。为了解决这个问题,提出一种基于纹理特征的分布式视频压缩感知自适应重构网络,命名为TF-DCVSNet。具体来说,TF-DCVSNet利用已重构的相邻帧纹理特征,激活当前重构帧的重构网络模块,进行自适应重构。大量实验验证了TF-DCVSNet的有效性。

腰椎压缩性骨折MRI信号特征及临床应用价值

目的:观察腰椎压缩性骨折患者行磁共振成像检查(MRI)时的信号特征变化情况。方法:选择2020年1月至2022年1月台州市中医院收治的50例腰椎压缩性骨折患者作为研究对象,根据患者术后病理诊断结果分组(腰椎良性压缩性骨折者32例为良性组、腰椎恶性压缩性骨折者18例为恶性组)。两组患者均采用MRI常规序列扫描及磁共振弥散加权成像(DWI)序列扫描,对两组患者骨折椎体的征象结果及信号改变情况进行比较分析。结果:良性组患者与恶性组患者在骨折椎体的病灶位置、软组织受累情况、椎体压缩后状态、椎弓根形态以及增强检查结果上比较,差异均有统计学意义(P<0.05);良性组患者与恶性组患者在骨折椎体MRI信号特征结果上比较,差异有统计学意义(P<0.05);良性组患者ADC值低于恶性组,差异有统计学意义(P<0.05)。结论:腰椎压缩性骨折患者行MRI扫描时能根据骨折椎体征象结果及信号特征改变情况有效鉴别其良性及恶性,对腰椎压缩性骨折患者的鉴别诊断及治疗均有价值。

基于多层次特征聚合的图像压缩伪影去除方法

压缩图像伪影去除作为一个图像恢复的子任务,目的是从有损压缩图像中恢复出高质量图像。现有基于Transformer的方法在计算自注意力时杂度过高,不适用于高分辨图像。有多种方法都被提出用来减小Transformer的计算量,但都会造成恢复效果下降。对此,提出一个CNN和Transformer结合的高效多层次特征聚合网络EMFANet。图像中在整体、部分和细小范围内存在全局、区域和局部特征,对于全局特征建模采用具有线性复杂度的自注意力,对于区域特征建模采用具有随机移位的窗口自注意力,对于局部特征建模采用基于通道注意力的轻量级卷积。经过实验验证,所提出的方法在JPEG压缩伪影去除任务上实现了较为先进的性能。

油页岩单轴压缩声发射演化规律及其破坏前兆特征

为研究油页岩受载破坏过程中有效前兆特征,利用TP耦合气体逸出试验系统对油页岩开展单轴压缩声发射试验,采集岩样破坏全过程产生的声发射信号,分析岩样变形破坏声发射随时间变化规律,对岩样加载破坏过程中声发射特征方差与自相关系数进行深入分析。试验结果表明:试验过程中有明显声发射现象产生,声发射特征变化与岩样变形破坏过程有着良好的对应关系;通过分析声发射RA(上升时间/峰值幅度)与AF(平均频率)特征,岩样在试验过程中以张拉破裂为主,后期剪切破裂逐渐增多;声发射特征在临近峰值强度时快速增大,表现出明显的临界慢化现象,方差与自相关系数的突然增大可以作为岩石破坏的前兆特征,且方差的前兆特征信息的捕捉相较于自相关系数更加容易且更为可靠;将声发射b值与声发射特征参数方差结合分析,可以有效剔除试验过程产生的伪信号,方差斜率快速上升阶段出现的b值突降点,可以确定为岩石破坏前兆特征点。研究成果可为岩土工程灾害预警提供可靠依据。

基于码率-准确率优化的图像特征压缩

在智慧城市、智慧巡检、智慧交通等场景中,摄像头等终端设备会产生大量的图像视频数据,并在云端由智能处理算法进行图形分析。然而传统的源端图像视频压缩传输,后端特征提取与分析识别的处理框架易造成视觉特征受损,影响分析识别精度。因此,源端提取图像特征,压缩后传输到后端的处理框架成为新的热点。文中提出了一种基于码率-准确率优化的图像特征压缩方法。首先,提取图像特征,分析划分特征图重要性的标准,将特征图分为重要性和非重要性特征两部分,并分别进行量化。在此基础上,建立码率-准确率的模型,在给定码率条件下,求解最优的准确率,确定相应的量化参数。以图像分类作为智能分析任务开展了实验。实验结果表明,所提出方法可以优化选择不同区域的量化参数,获得更好的编码性能。在低码率的条件下,相较JPEG算法准确率提高9.73%。

融合多尺度特征卷积神经网络的多光谱图像压缩方法

不同于普通图像压缩,多光谱图像压缩除了需要去除空间冗余同时还需要去除光谱间冗余,近年来研究表明端到端的卷积神经网络模型在图像压缩方面具有很好的性能,但对于多光谱图像压缩其编解码器并不能有效解决同时高效提取到多光谱图像空间和光谱间特征的问题,同时也会忽略图像局部特征信息。针对以上问题,本文提出了一种融合多尺度特征卷积神经网络的多光谱图像压缩方法。所提出网络在压缩模型的编解码器中嵌入了可以提取出不同尺度下空间和光谱间特征信息的多尺度特征提取模块,以及可以用来捕捉局部空间信息和光谱信息的空间光谱间非对称卷积模块。实验表明,与传统算法如JPEG2000和3D-SPIHT以及深度学习方法相比,在Landsat-8的7波段和Sentinel-2的8波段数据集上所提出模型的峰值信噪比(PSNR)指标高于传统算法1-2dB。在平均光谱角度(MSA)指标的衡量下,所提出的模型在Landsat-8数据集上优于传统算法约8×10^(-3)rad,在Sentinel-2数据集上优于传统算法约2×10^(-3)rad。满足了多光谱图像压缩对空间和光谱间特征提取以及局部特征提取的要求。

面向协作智能应用的深度特征压缩方法

协作智能是一种实现深度神经网络(Deep Neural Network,DNN)分布式部署的新范式,广泛适用于物联网系统视觉场景感知应用。在该范式中,DNN模型被划分为边缘子模型和云端子模型两部分,分别部署在移动边缘设备和云服务器上,由两者协作完成推理任务。协作推理过程中需要对边缘子模型生成的深度特征进行压缩,通过无线信道传输给云端子模型,以降低传输延迟和传输能耗。为了提高深度特征的压缩率,提出了一种基于轻量级卷积神经网络的深度特征压缩方法(LCFC)。该方法设计了一种简单高效的深度特征压缩器,它利用轻量级卷积神经网络和均匀量化器对深度特征进行通道维度压缩、空间维度压缩和量化,能显著提升深度特征的压缩率,减少用于传输深度特征所需的比特数。所提出的方法在CIFAR-100图像分类任务上进行了充分实验,实验结果表明,在保证推理精度退化小于1%的情况下,与基线方法相比,该方法将深度特征压缩率最高提升了31.5%。

基于Y通道Haar-like特征的压缩跟踪

针对压缩跟踪(CT)算法中存在特征单一,发生遮挡情况时易丢失目标的问题,提出基于Y通道Haar-like特征的压缩跟踪算法.为了更好地表示目标,该算法基于YUV格式图像的Y通道随机生成位置、大小的Haar-like特征;然后在预测点附近搜索目标位置,最后提出一种遮挡控制策略来缓解短暂遮挡,用卡方统计法去判断是否存在遮挡以及是否需要更新模板参数.对不同视频的测试结表明,该方法在目标存在光照变化、位置移动、遮挡的情况下,均能取得良好的跟踪效果.与原始压缩感知算法相比,本算法降低了目标中心位置的平均误差,减少了因遮挡而导致目标丢失的情况.

基于多尺度特征融合的图像压缩感知重构

图像压缩感知(CS)重构方法旨在将采样过后的图像恢复为高质量图像。目前,基于深度学习的CS重构算法在重构质量及速度上性能优越,但在较低采样率时存在图像重构质量较差的问题。为此,提出一种基于多尺度注意力融合的图像CS重构网络,在网络中引入多个多尺度残差块提取图像不同尺寸的信息,并融合每个多尺度残差块的空间注意力与密集残差块的通道注意力,自适应地将局部特征与全局依赖性集成,从而提升图像重构质量。实验表明,所提算法在图像的PSNR、SSIM上均优于其他经典方法,重构性能更好。