基于稀疏编码的车型图像分类研究

实现车型分类是智能交通系统中的重要技术,为了克服传统车型分类方法测量困难的弱点,研究基于车型图像的车型分类方法.图像特征采用了基于图像局部特征稀疏编码的直方图表示,稀疏编码量化误差较小,更能精确地捕捉图像最突出的信息,使用了支持向量机(SVM)作为分类器对车型图像进行分类.实验结果表明本算法能使6类车型图像分类正确率达到90％以上,相对于现有方法有一定的提升.     

基于局部敏感核稀疏表示的视频跟踪

为了解决l1范数约束下的稀疏表示判别信息不足的问题,该文提出基于局部敏感核稀疏表示的视频目标跟踪算法。为了提高目标的线性可分性,首先将候选目标的SIFT特征通过高斯核函数映射到高维核空间,然后在高维核空间中求解局部敏感约束下的核稀疏表示,将核稀疏表示经过多尺度最大值池化得到候选目标的表示,最后将候选目标的表示代入在线的SVMs,选择分类器得分最大的候选目标作为目标的跟踪位置。实验结果表明,由于利用了核稀疏表示下数据的局部性信息,使得算法的鲁棒性得到一定程度的提高。     

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。     

基于稀疏度约束与动态组结构稀疏编码的鲁棒视觉跟踪

目标编码系数的稀疏性使得L1跟踪成为解决遮挡目标跟踪的有效方法之一,但是现有稀疏编码算法没有利用L1跟踪中编码系数的特殊稀疏结构.本文基于目标模板系数稀疏度约束要求和小模板系数的空间连续性结构,利用块坐标优化原理提出一种两阶段稀疏编码算法用于视觉跟踪.在第一阶段,该算法利用正交匹配追踪求解具有约束稀疏度的目标模板系数,在第二阶段,该算法利用动态组稀疏编码求解具有空间连续性的小模板系数.在粒子滤波框架下,利用提出的稀疏编码算法实现了鲁棒的视觉跟踪.实验结果表明本文提出的跟踪方法比现有跟踪方法具有更强的鲁棒性和较高的跟踪精度.     

基于树形原子字典的匹配跟踪算法

为了降低匹配跟踪视频编码算法的运算复杂度,提出了一种原子字典的树形组织方法,并相应地提出了一种改进的树形字典搜索策略。此算法通过在树中寻找最优路径来搜索最佳原子,并在第一级搜索中引入了一种改进的全搜索策略,进一步降低了计算量。为了有效地捕捉预测误差帧中的曲线特征,冗余原子字典通过对各向异性的生成函数进行真正二维意义上的几何变换来构造,并尽可能地去除了性能不佳的原于以减小字典尺寸。实验结果表明,本文算法具有较高的搜索正确性及较快的收敛速度,而其计算量明显降低。     

基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪

L1跟踪对适度的遮挡具有鲁棒性,但是存在速度慢和易产生模型漂移的不足。为了解决上述两个问题,该文首先提出一种基于稀疏稠密结构的鲁棒表示模型。该模型对目标模板系数和小模板系数分别进行L2范数和L1范数正则化增强了对离群模板的鲁棒性。为了提高目标跟踪速度,基于块坐标优化原理,用岭回归和软阈值操作建立了该模型的快速算法。其次,为降低模型漂移的发生,该文提出一种在线鲁棒的字典学习算法用于模板更新。在粒子滤波框架下,用该表示模型和字典学习算法实现了鲁棒快速的跟踪方法。在多个具有挑战性的图像序列上的实验结果表明：与现有跟踪方法相比,所提跟踪方法具有较优的跟踪性能。     

基于自适应深度稀疏网络的在线跟踪算法

视觉跟踪中,高效鲁棒的特征表达是解决复杂环境下跟踪漂移问题的关键。该文针对深层网络预训练复杂费时及单网络跟踪易漂移的问题,在粒子滤波框架下,提出一种基于自适应深度稀疏网络的在线跟踪算法。该算法利用ReLU激活函数,针对不同类型目标构建了一种具有自适应选择性的深度稀疏网络结构,仅通过有限标签样本的在线训练,就可得到鲁棒的跟踪网络。实验数据表明：与当前主流的跟踪算法相比,该算法的平均跟踪成功率和精度均为最好,且与同样基于深度学习的DLT算法相比分别提高了20.64%和17.72%。在光照变化、相似背景等复杂环境下,该算法表现出了良好的鲁棒性,能够有效地解决跟踪漂移问题。     

光照变化下基于稀疏表示的视觉跟踪算法研究

为提高光照变化下目标跟踪算法的精度和鲁棒性,基于稀疏表示理论,提出一种光照补偿和多任务稀疏表示联合优化算法。该算法首先根据目标模板与候选目标的平均亮度差异对目标模板光照补偿,而后利用候选目标构建过完备字典以稀疏表示光照补偿后的目标模板,并将所得问题转化为一个多任务优化问题,然后利用所得稀疏编码矩阵快速剔除无关候选目标,最后基于重构误差对剩余候选目标进行局部结构化评估,进而实现目标的精确跟踪。实验结果表明,与现有主流算法相比,剧烈光照变化情况下,所提方法可显著改善目标跟踪精度及鲁棒性。     

基于全变分和梯度域卷积稀疏编码的稀疏角度CT重建算法

对于不完全的扫描数据,传统算法无法保证医学电子计算机断层扫描(CT)重建图像满足诊断要求.根据压缩感知理论,可以从不完全的扫描数据中重建出具有稀疏表示的医学CT图像,这可为诊断提供可靠的信息.从重建的角度出发,提出了一种基于全变分和梯度域卷积稀疏编码的图像重建算法.梯度域卷积稀疏编码是对特征图施加梯度约束,采用梯度正则...     

光照变化下基于逆向稀疏表示的视觉跟踪方法

针对光照变化引起目标跟踪性能显著下降的问题,该文提出一种联合优化光照补偿和多任务逆向稀疏表示的视觉跟踪方法。首先基于模板与候选目标的平均亮度差异对模板实施光照补偿,并利用候选目标逆向稀疏表示光照补偿后的模板。而后将所得多个关于单模板的优化问题转化为一个关于多模板的多任务优化问题,并利用交替迭代方法求解此多任务优化问题以获得最优光照补偿系数矩阵以及稀疏编码矩阵。最后利用所得稀疏编码矩阵快速剔除无关候选目标,并采用局部结构化评估方法实现目标精确跟踪。仿真结果表明,与现有主流算法相比,剧烈光照变化情况下,所提方法可显著改善目标跟踪精度及稳健性。

     

基于典型相关性分析的稀疏表示目标追踪

传统稀疏表示目标追踪算法首先通过粒子滤波方法对状态粒子进行采样,然后利用灰度特征表征采样粒子观测向量,最后构造基于观测向量的稀疏表示模型来进行目标追踪。与传统稀疏表示模型不同,该文提出一个基于典型相关性分析的稀疏表示模型,此模型首先使用两种特征来表征粒子观测向量,然后对两种观测向量的子空间投影结果进行稀疏建模。所构建的模型可通过在子空间中探究特征间的相关性来实现不同特征的互补融合,提升稀疏表示模型在复杂监控环境下的鲁棒性。     

基于随机投影和稀疏表示的跟踪算法

针对目标跟踪过程中存在的诸多技术问题,该文提出一种鲁棒的目标跟踪方法。首先,该文采用基于稀疏表示的全局模板描述目标的表观状态,通过构造正负模板以区分目标和背景;然后采用随机投影法对表示模板和候选目标进行降维,以降低算法的时间复杂度;采用粒子滤波法作为目标的运动模型,通过多项式重采样方法进行粒子重采样,以保持粒子的多样性;设计了正负模板更新策略,将正模板分为固定集和更新集,对这两部分在相似度计算和正模板更新时采取不同的处理方法,并且在其中加入目标遮挡的判决机制,从而可以有效避免遮挡的影响;实验结果表明,该算法能够准确跟踪受遮挡、运动模糊等多种复杂场景的目标,与现有跟踪方法相比,所提算法具有更好的准确性和稳定性。     

L2范数正则化鲁棒编码视觉跟踪

针对基于稀疏表示的视觉跟踪计算效率低和易于产生模型漂移的不足,该文提出一种基于L2范数正则化鲁棒编码的视觉跟踪方法。该方法利用L2范数正则化鲁棒编码求解候选目标的编码系数,以粒子滤波为框架,利用候选目标的加权重建误差建立似然模型跟踪目标。为了适应目标的变化并克服模型漂移问题,利用L2范数正则化鲁棒编码估计当前目标的加权矩阵用于遮挡检测,根据遮挡检测结果实现模型更新。对提出的跟踪方法进行实验的结果表明：与现有跟踪方法相比,该方法具有较优的跟踪性能。     

基于视觉误差准则的矢量量化编码

传统矢量量化编码一般采用绝对误差为误差度量准则，并不符合人类视知觉的特性，本文根据人的视觉感知规律，定义了一种可广泛用于图象编码的视觉误差准则，由此导出了一种新的矢量量化编码方法，实验表明，采用这种方法得到的解码图象在视觉效果比传统方法有较大改善。     

局部感知下的稀疏优化目标跟踪方法

针对传统稀疏表示跟踪算法在复杂背景中易出现跟踪漂移问题,该文提出一种局部感知下的稀疏优化目标跟踪方法。首先,将首帧确定的目标区域进行非重叠均匀分割,并利用目标的全局特征和局部特征联合建模。然后,提出一种局部感知校验方法约束稀疏优化匹配过程,从而确定最优匹配样本。最后,在模板更新中提出一种决策方法对遮挡进行检测,并针对不同遮挡情况采取相应的更新策略,使得更新后的模板集更加完善。实验在10个标准库视频序列中测试,并与目前较流行的目标跟踪算法在跟踪效果、成功率等方面进行比较,实验结果表明,提出的跟踪方法在局部遮挡、目标形变、复杂背景等条件下跟踪准确、适应性强。