基于张量低秩恢复和块稀疏表示的运动显著性目标提取

针对视频的高维结构特性,采用张量表征并将运动显著性目标提取转化为基于低秩张量恢复和块稀疏表示问题.首先根据背景张量的低秩性和运动目标的稀疏性,利用加速近端梯度张量恢复方法分别重建出RGB颜色通道中三维视频张量的低秩部分与稀疏部分,初步实现背景与运动目标的粗略分离;其次组合三颜色通道稀疏张量并转化为按照帧数展开的二维矩阵,进一步通过矩阵恢复的方法去除动态背景产生的小稀疏块干扰;最后通过自适应阈值法选择运动目标稀疏块掩模并对存在的空洞进行填充补偿,以达到重构出完整前景运动目标的目的.相对于常用方法,该方法从张量模型角度解决运动目标提取问题,较大程度地保护了视频序列的原始空间结构,不仅能够降低运动目标提取区域出现的漏检问题,而且可以很好地去除动态背景所带来的干扰.实验结果表明,该方法对运动目标提取的准确度较高,鲁棒性较强.

基于局部字典块稀疏表示的SAR图像目标识别方法

本文提出了基于局部字典块稀疏表示的合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别算法。采用各个训练类别分别对待识别样本进行重构。通过对比各个类别对于待识别样本的绝对描述能力,即重构误差的大小,确定目标类别。考虑到SAR图像方位角的敏感性,当训练样本按照方位角次序排列时,基于局部字典求解的稀疏表示系数具有块结构。为此,本文采用块稀疏算法求解局部字典上的线性表示系数从而获得更高的精度。为了验证提出算法的有效性,基于MSTAR数据集分别在标准操作条件和多种扩展操作条件下进行了目标识别实验。

基于块非负稀疏重构嵌入的高光谱数据降维

为了在充分利用高光谱信息的同时减少因数据冗余带来的分类精度降低,提出一种块非负稀疏重构嵌入降维算法.首先,将传统超完备字典转化成超完备块字典;然后,通过计算每个超完备块字典对应样本的最小重构误差,得到块非负稀疏重构权重矩阵;最后,在低维嵌入时,通过同时最小化局部和最大化非局部高光谱数据的非负稀疏信息,得到全局最优的低维子空间高光谱数据.通过3组高光谱数据的实验结果验证了所提出方法的可行性和有效性.