基于ResNet50与卷积稀疏表达的红外与可见光图像融合算法

提出一种基于ResNet50神经网络与卷积稀疏表达的红外与可见光图像融合算法。通过低通滤波将红外与可见光图像分解成基础层和细节层;运用卷积稀疏表达对基础层进行处理得到新的基础层,使用ResNet50神经网络对细节层进行特征提取,对得到的特征图进行L1正则化和最大选择策略得到最大权重层,经过权重分配得到新的细节层;对新的基础层和细节层进行重建,得到融合图像。该算法针对基础层和细节层提出了新的融合策略,并且能较好地保留细节信息和结构信息。实验结果表明,该算法在主观和客观指标证明上优于对比算法。

基于低秩稀疏表达的弹性最小二乘回归学习

为了克服重定向最小二乘回归模型容易破坏回归目标的结构的缺点,提出了一种基于低秩稀疏表达的弹性最小二乘回归学习模型LRSR-eLSR。模型以最小二乘回归为基础,不使用严格的0-1标签矩阵作为目标矩阵,而是引入边距约束来直接从数据中学习回归目标,可以在保持回归目标低秩结构的同时,增加回归模型的灵活性。而且,为了捕获数据的结构信息,利用了数据的低秩表示来保持数据的结构。在计算的过程中,考虑问题求解的复杂性,使用了核范数正则化代替秩函数。除此之外,模型还引入了一个带有L 2,1范数的稀疏误差项来补偿回归误差,这有利于学习更灵活地变换。模型还对投影矩阵施加额外的正则化项,来避免过拟合问题。实验结果表明:在4个公开的数据集上,所提模型的识别准确率优于其他方法;在COIL-20数据集中,识别率可达到98%。

改进核空间对称稀疏表达用于高光谱波段选择

提出改进核空间对称稀疏表达(IKSSR)降维方法来解决高光谱影像(HSI)的波段选择问题.该方法利用核函数方法和稀疏系数的二值约束条件改进对称稀疏表达模型,在映射得到的核空间构建包含所有波段向量对应的数据点的凸包,通过寻找最小凸包的原型点实现波段子集的优化选择.改进核空间对称稀疏表达方法采用矢量量化策略初始化波段子集,利用块坐标下降方法将非凸问题转换为凸目标函数优化问题,实现目标波段子集选取.基于两个公开高光谱数据集,对该方法和4种主流的波段选择方法进行实验比较研究.实验结果表明,利用改进核空间的对称稀疏表达方法得到的总体分类精度优于对称稀疏表达模型和其他3种方法.

基于稀疏表达残差的自然场景运动目标检测

本文提出一种基于稀疏表达残差的非参数化运动目标检测算法,在假设前景变化相对静态背景可以视为稀疏残差的基础上,采用视频前n帧初始化稀疏表达字典;利用字典对后续视频帧进行重构,提取每帧的重构残差;结合基于光照强度的全局阈值矩阵,将残差图像二值化,提取图像前景;利用前景区域和边缘点关系剔除ghost区域;采用增量PCA(Principal Component Analysis)算法和保守更新的思想对背景模型进行更新.在changedetection.net提供的shadow数据集上实验表明,采用全局更新和残差计算的方法,可以有效的解决由于自然场景光线变化导致的阴影变化,并且对自然场景中背景的小幅度抖动和相机抖动等问题也具有一定的抵抗能力.

基于稀疏表达的超像素跟踪算法

该文针对真实场景下视频跟踪过程中可能出现的目标形变、运动和遮挡等问题,该文分别构建了基于超像素局部信息的判别式模型和基于颜色与梯度全局信息的产生式模型,通过两者的结合提升了目标表观特征描述的可区分性和不变性;此外,提出一种基于稀疏主成分分析的更新策略,在更新特征字典的同时减少其冗余度,在判别式模型的更新阶段分别对每帧图像获得的跟踪结果进行二次判别从而避免漂移现象的发生。实验结果表明,与其它跟踪算法相比,该算法在应对目标姿态变化、背景干扰以及遮挡等复杂情况时具有更好的稳定性和鲁棒性。

一种基于稠密SIFT特征对齐的稀疏表达人脸识别算法

该文针对人脸图像受到非刚性变化的影响,如旋转、姿态以及表情变化等,提出一种基于稠密尺度不变特征转换(SIFT)特征对齐(Dense SIFT Feature Alignment,DSFA)的稀疏表达人脸识别算法。整个算法包含两个步骤:首先利用DSFA方法对齐训练和测试样本;然后设计一种改进的稀疏表达模型进行人脸识别。为加快DSFA步骤的执行速度,还设计了一种由粗到精的层次化对齐机制。实验结果表明:在ORL,AR和LFW 3个典型数据集上,该文方法都获得了最高的识别精度。该文方法比传统稀疏表达方法在识别精度上平均提高了4.3%,同时提高了大约6倍的识别效率。

基于粒子滤波与稀疏表达的目标跟踪方法

针对视频序列图像目标跟踪中的光照变化问题,提出一种在粒子滤波器框架内,基于目标的局部二元模式(LBP)纹理特征,使用稀疏表达进行目标跟踪的方法.当前帧的跟踪粒子由前一帧的跟踪结果按高斯分布来生成.通过解l1正则化最小二乘方问题,获得每个粒子对应于模板子空间的稀疏表达,确定当前帧图像中的跟踪目标.然后使用粒子滤波器生成下一帧跟踪的粒子分布.在跟踪过程中采用新的动态模板更新策略更新模板空间中的模板.实验结果证明该方法的有效性和先进性.

基于稀疏表达的多示例学习目标追踪算法

追踪目标在经历较大姿势变化时,会导致追踪目标偏移甚至丢失。为此,提出一种基于稀疏表达的多示例学习目标追踪算法。联合多示例学习与稀疏表达方法,将目标物体的局部稀疏编码作为多示例学习的训练数据,通过学习正负样本的局部稀疏编码获得一个多示例学习的分类器,分类的结果与粒子滤波框架相结合,估计目标在整个视频序列中的运动状态。实验结果表明,该算法稳定性较好,与增量学习追踪算法、范式学习追踪算法和多示例学习追踪算法相比,其中心位置误差率减少30%以上。

基于稀疏表达的遮挡目标跟踪算法

针对视觉跟踪中的目标遮挡问题,提出一种基于稀疏表达的视觉跟踪算法。采用稀疏表达方法描述跟踪目标,构造基于Gabor特征的目标词典和遮挡词典,通过l1范数最优化求解稀疏表达系数。在粒子滤波框架下跟踪目标,根据稀疏表达系数判断遮挡,并利用重构残差更新遮挡情况下的粒子权重。在目标模板更新时,通过引入可靠性评价来抑制模板漂移。实验结果表明,该算法能够有效地跟踪处于遮挡状态下的运动目标,并对目标姿态变化以及光照变化具有较好的鲁棒性。

基于随机矩阵的高光谱影像非负稀疏表达分类

考虑到常规的高光谱影像稀疏表达分类模型的不足,提出随机矩阵-非负稀疏表达分类模型来提高高光谱影像的分类精度.通过引入随机矩阵来改善传统稀疏表达分类模型中测量矩阵以更好满足限制等距特性条件,同时限定系数向量的非负性以提高重构系数的可解释性.基于两个不同的高光谱数据集,对随机矩阵-非负稀疏表达分类模型采用三种方法进行系数重构,并对比常规稀疏表达分类模型的分类结果.实验证明,所提的模型能够明显提高常规稀疏表达分类模型的分类结果.同时,随机矩阵的投影维数对分类精度的影响研究实验表明,较大的投影维数能够保证该模型用以提高高光谱影像的分类精度.

基于稀疏表达的微弱信号提取及检测方法

首先简要介绍了稀疏表达模型以及其常用的求解方法;然后讨论了一种基于稀疏表达的微弱信号提取及检测方法;在此基础上,为了减少时间与空间复杂度,开发了一种快速求解算法;最后给出信号的提取结果以及定性与定量分析,并用大量的实验结果证明讨论的基于稀疏表达的微弱信号提取及检测方法的顽健性与自适应能力。

利用稀疏表达检测多幅图像协同显著性目标

提出了一种利用稀疏表达检测多幅图像中协同显著目标的方法。首先用独立变量分析方法训练得到自然图像一组稀疏基,接着求出检测图像的稀疏表达,然后定义了多变量K-L散度度量它们之间的相似性,最后,根据K-L散度性质找出散度下降明显的地方,检测出多幅图像的共同显著性目标。实验结果表明,该方法正确有效,具有和人类视觉特性相符合的显著性目标检测效果。

稀疏表达的自适应遥感图像融合算法

本文提出一种基于稀疏表达的图像融合算法。该算法利用稀疏系数中的非零元素所对应的基向量作为图像特征,首先分离相同基向量和相异基向量,然后采用加权求和算法合并相对应的稀疏系数,并重构得到融合图像。该算法对相同特征和相异特征分别进行融合,克服了融合图像中相异特征清晰度下降的问题。并且由于稀疏表达具有很好的去噪功能,本文算法也可以同时进行图像融合和去噪。通过与4种流行的融合算法比较,本文算法得到较好的视觉效果。

基于多任务稀疏表达的二元麦克风小阵列话音增强算法

针对常规二元麦克风小阵列话音增强算法通常需要话音活动检测技术支持,并且难以有效抑制第一帧含目标信号的噪声。提出了一种基于多任务稀疏表达的二元麦克风小阵列话音增强算法,首先利用字典学习方法分别获得目标信号和噪声信号的过完备字典,然后利用2 1???混合范数对信号在其字典上的表示系数进行正则化稀疏约束,使得2个阵元接收到信号中的噪声信号被抑制,而话音信号尽量保持不变,从而达到话音增强的目标。仿真和实验数据表明,无论开始位置是否含有目标话音信号,所提出的非话音活动检测支持的二元麦克风小阵列话音增强算法均能有效实现话音增强的目标。

基于曲线波和稀疏表达的卡通—纹理模型

CT图像去噪恢复是医学影像图像处理的基础环节。为解决卡通—纹理模型在医学图像去噪应用中计算困难和精度低的问题,对卡通—纹理模型分解方法进行了扩展。首先,以曲线波变换描述图像卡通—纹理模型中的结构部分;其次,以更稀疏的对偶树复小波变换描述图像卡通—纹理模型中的纹理部分;最后,建立了结合曲线波和稀疏表达的图像卡通—纹理分解模型,并讨论了模型的分解算法。仿真实验结果表明,新方法可有效地解决医学影像图像去噪算法中迭代计算量大的问题,并可提高处理后图像的质量。

基于多观测向量的高光谱影像稀疏表达分类

针对传统的高光谱影像稀疏表达分类模型忽略像元间的内部结构关系且运算效率较低,提出多观测向量的稀疏表达模型来研究高光谱影像分类.该模型引入平衡参数来控制各权重系数向量的稀疏度,通过最小化L2范数约束的重构误差来求解所有测试像元的稀疏系数向量.基于两个高光谱数据集,对比5种常规分类器的分类结果来验证提出的方法.实验结果表明,多观测向量的稀疏表达分类模型在计算效率第二的同时能够得到最高分类精度.

基于半耦合稀疏表达的极低分辨率人脸识别

现有基于学习的人脸超分辨率算法假设高低分辨率特征具有流形一致性(耦合字典学习),然而低分辨率图像的降质过程使得高低分辨率特征产生了"一对多"的映射关系偏差,减少了极低分辨率图像特征的判决信息,降低了超分辨率重建图像的识别率。针对这一问题,引入了半耦合稀疏字典学习模型,松弛高低分辨率流形一致性假设,同时学习稀疏表达字典和稀疏表达系数之间的映射函数,提升高低分辨率判决特征的一致性,在此基础上,引入协同分类模型,实现半耦合特征的高效分类。实验表明:相比于传统稀疏表达分类算法,算法不仅提高了识别率,并且还大幅度降低了时间开销,验证了半耦合稀疏学习字典在人脸识别中的有效性。

基于稀疏表达的人脸遮挡物去除

人脸识别技术是目前最具发展潜力的生物特征识别技术之一。眼镜、围巾等遮挡物的存在对人脸识别系统的识别率影响很大,为了提高有遮挡的正面人脸图像的识别率,文章提出了基于稀疏表达分类的去除遮挡的方法。该方法对于有遮挡的人脸图像先求出其在无遮挡人脸图像训练集上的稀疏系数,再根据求得的稀疏系数进行恢复重建,得到去遮挡的人脸图像。实验表明该方法能有效地去除遮挡和提高识别率。

基于稀疏表达和机器学习的行人检测技术研究

针对行人检测技术在智能交通系统中的应用,为了提高行人检测方法的有效性、实时性和准确性,将稀疏表达应用到图像的特征压缩中,提出一种基于HOG和LTP特征训练SVM分类器进行行人检测的方法。基于HOG和LTP特征训练SVM分类器进行行人检测的方法有效地结合了图像的梯度特征和纹理特征,利用稀疏表达进行特征数据的压缩可以有效地加速算法。实验结果表明,提出的算法具有精度高、速度快等优点。

基于L0范数稀疏表达的图像盲超分辨率重建

由于大部分超分辨率图像重建方法都是建立在图像的点扩散函数为已知或假设点扩散函数为高斯模糊核的条件下,但真实的低分辨率图像中的点扩散函数并不是高斯函数,而是由随机的相机抖动造成的。为了提高重建的超分辨率图像质量并使其更接近真实场景,提出了一种基于L0范数稀疏表达的图像盲超分辨率重建方法。首先利用了基于L0范数的梯度最小化方法估计出超分辨率图像中的点扩散函数,再通过点扩散函数的估计在超分辨率重建的过程中有效地去除图片的模糊效应,最后利用反向传播算法,使重建的超分辨率图像更接近真实。通过实验结果表明,提出的方法相对于双三次插值法和基于多字典学习的图像超分辨率重建算法可以得到更清晰的重建效果,峰值信噪比和平均结构相似度均有提高,最后在真实图片重建测试效果中也得到了更好的验证。