基于核稀疏分类与多尺度分块旋转扩展的鲁棒图像识别

针对在图像旋转或局部扭曲变形等复杂情况下的图像识别问题,提出一种基于核稀疏分类与多尺度分块旋转扩展的鲁棒图像识别算法.该算法首先对图像进行多尺度分块与旋转扩展,使得字典能近似测试图像局部的旋转扭曲与各种排列组合.为了增加字典类间稀疏度,改善系统效率,提出一种字典降维策略.通过核随机坐标下降方法高效求解核稀疏分类的凸优化问题,进而通过对比不同类对测试图像的重构误差完成图像识别.实验表明,与经典方法相比,文中方法具有更好的识别效果,对图像旋转或局部扭曲变形等复杂情况具有较好的鲁棒性.

结合标准对冲与核函数稀疏分类的目标跟踪

针对经典稀疏分类目标跟踪算法在噪声,遮挡等恶劣环境下精度不高的问题,提出了一种新的目标跟踪算法。该算法在标准对冲框架下结合了核函数稀疏分类方法以及自适应字典更新方法,能够较好地适应类间相似度较高与目标外形变化较大等恶劣情况。核函数技巧能够增强分类器性能,但通用方法求解凸优化问题的效率较低,不能满足目标跟踪问题的实时性要求,故提出用核函数随机坐标下降(KRCD)算法来高效求解稀疏系数,并使用核函数稀疏分类方法(KRCD-SRC)来计算各个粒子的代价值。为了避免模板漂移问题,解释了目标字典和背景字典的在线更新方法。最后,结合标准对冲算法估算目标的状态信息。在使用50个粒子进行跟踪时,本文算法的处理帧率能够达到14frame/s。相比其它几种经典目标跟踪算法,本文算法具有更好的精确性和鲁棒性。

联合核稀疏表示和增强字典的SAR目标识别方法

为提高合成孔径雷达(SAR)图像目标识别性能,以传统稀疏表示分类(SRC)为基础,提出联合核稀疏表示分类(KSRC)和增强字典的方法。KSRC在SRC的基础上引入非线性核函数,从而提升分类器对于非线性数据关系的表征能力。增强字典在原始训练样本的基础上,通过噪声添加和部分遮挡扩展原始字典,提升其对典型扩展操作条件的适应能力。同时,增强字典在KSRC的作用下,可以进一步提升对其他相关扩展操作条件的覆盖程度,从而提升识别方法对于多类扩展操作条件的有效性。以MSTAR数据集为基础开展实验,设置了标准操作条件以及噪声干扰、部分遮挡、型号差异等扩展操作条件,实验结果显示了本文方法的优势性能。