提出了一种基于核密度估计的核偏鲁棒M-回归(kernel partial robust M-regression based on kernel density estimation,KDE-KPRM)方法。以核密度估计加权策略代替原来的M估计加权策略,利用主成分分析技术和核密度函数识别高杠杆点(输...提出了一种基于核密度估计的核偏鲁棒M-回归(kernel partial robust M-regression based on kernel density estimation,KDE-KPRM)方法。以核密度估计加权策略代替原来的M估计加权策略,利用主成分分析技术和核密度函数识别高杠杆点(输入变量空间异常点),利用残差和核密度函数识别高残差点(输出变量空间异常点),无需反复迭代便可以为样本赋予合适权重,有效地提高了建模速率。通过函数仿真和实际工业仿真,证明了所提出的方法比标准的核偏鲁棒M-回归算法有更好的鲁棒性和更高的建模效率。展开更多
近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归...近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归的RPCA运动目标检测方法.该方法以RPCA为基础,利用3维全变分模型增强前景的时空连续性,去除动态背景干扰,得到清晰完整的前景.同时,利用基于扩散张量的核回归对背景的时空相关性建模,去除噪声干扰,从而精确恢复背景.在多组公开数据集上的实验结果表明,该方法在动态背景、光照变化等复杂场景中能够较为精确地检测出运动目标和恢复背景.展开更多
文摘提出了一种基于核密度估计的核偏鲁棒M-回归(kernel partial robust M-regression based on kernel density estimation,KDE-KPRM)方法。以核密度估计加权策略代替原来的M估计加权策略,利用主成分分析技术和核密度函数识别高杠杆点(输入变量空间异常点),利用残差和核密度函数识别高残差点(输出变量空间异常点),无需反复迭代便可以为样本赋予合适权重,有效地提高了建模速率。通过函数仿真和实际工业仿真,证明了所提出的方法比标准的核偏鲁棒M-回归算法有更好的鲁棒性和更高的建模效率。
文摘近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归的RPCA运动目标检测方法.该方法以RPCA为基础,利用3维全变分模型增强前景的时空连续性,去除动态背景干扰,得到清晰完整的前景.同时,利用基于扩散张量的核回归对背景的时空相关性建模,去除噪声干扰,从而精确恢复背景.在多组公开数据集上的实验结果表明,该方法在动态背景、光照变化等复杂场景中能够较为精确地检测出运动目标和恢复背景.