时空RPCA在复杂场景下的运动目标检测

在复杂动态背景下,鲁棒主成分分析模型(RPCA)容易将背景中动态背景误判为前景运动目标,导致运动目标检测精度不高。为解决该问题,提出一种基于非凸加权核范数的时空低秩RPCA算法。使用非凸加权核范数替代传统的核范数进行低秩约束,在观测矩阵上通过拉普拉斯特征映射得到时空图拉普拉斯矩阵,将得到的时空图拉普拉斯矩阵嵌入低秩背景矩阵以保持背景对噪声和离群值的鲁棒性。实验结果表明,所提模型在复杂场景中能较准确检测出运动目标。

利用数据低秩性和稀疏性的位场分离

鲁棒主成分分析将低维信号秩最小的单目标函数优化问题扩展成低维信号秩最小且高维信号稀疏的双目标函数优化问题。针对传统位场分离方法(如匹配滤波等)易出现欠拟合或过拟合现象,本文分析了区域场的低秩特征和局部场的稀疏特征,采用鲁棒主成分分析对位场进行分离,使得位场分离更加稳健。理论模型计算结果表明,该方法是一种有效、易于实现、权系数λ取值宽松的空间域方法,能够避免傅里叶变换带来的误差。最后将该方法用于宁夏卫宁北山地区重磁异常的处理解释,分离的局部低重、高磁异常与已知隐伏岩体对应关系好,并圈定了6个可能赋存隐伏岩体的异常区。

基于随机化张量算法的红外弱小目标检测

为了降低基于张量低秩稀疏分解的红外弱小目标检测算法的计算复杂度,提升红外弱小目标的检测性能,将图像时空张量与随机化算法进行结合,提出了一种基于随机化张量算法的红外弱小目标检测算法。首先将红外图像序列构造成时空张量作为张量优化模型的输入,然后使用随机化张量算法求解张量优化模型,最后将计算得到的稀疏张量还原为图像,获得目标图像。结果表明,相比于传统基于低秩稀疏分解的算法,所提出的算法不仅计算速度快,而且具有较好的弱小目标检测性能。该研究为提升基于张量低秩稀疏分解的红外弱小目标检测算法的运算速度提供了参考。