基于改进加权核范数的红外弱小目标检测

针对传统基于鲁棒主成分分析(RPCA)的红外弱小目标检测算法对噪声不敏感,算法运行时间长,鲁棒性不强的问题,提出一种重加权红外小目标图像模型,并用非精确增广拉格朗日乘子法(AIALM)求解。该方法首先将原始红外图像转化为红外块图像模型,然后采用重加权核范数对背景块图像进行约束,较好地保留了背景边缘。针对单纯使用l1范数不能抑制某些噪声或杂波的问题,引入了加权l1范数,进一步增强了目标图像的稀疏性。最后,将红外块图像模型转化为重加权RPCA问题,并用AIALM求解。通过大量实验表明:该算法在抑制背景杂波以及目标检测性能方面要优于其他传统算法。     

秩约束的快速鲁棒主成分分析算法及应用

鲁棒主成分分析被广泛应用于计算机视觉领域，然而现有鲁棒主成分分析方法难以针对各种场景准确分离出低秩信息，而且计算成本高导致算法的实时性不足.针对这两个问题，本文提出了一种新型鲁棒主成分分析算法.一方面基于先验秩信息提出了低秩约束改进模型，提高算法在不同场景中的泛化性能；另一方面引入了黎曼优化理论，将目标矩阵投影到低维子空间上求解，减少算法的运算复杂度.各种实验结果表明，与现有算法相比，改进算法在速度上有非常大的优势，同时能够保证稳定的恢复能力.     

基于局部熵参考预处理的RPCA红外小目标检测

以图像非局部相似性为基础,利用图像分块重组以获得低秩块图像,是将鲁棒主成分分析算法（robust principal component analysis,RPCA）应用到单帧图像红外小目标检测的基本方法。本文介绍了RPCA算法在单帧图像红外小目标检测的应用流程,分析了不同图像背景下各种分块方法的影响。为解决复杂背景下图像分块窗口和滑动步长难以选择的问题,提出了以图像分块最小局部熵的较大值为参考的选择方法。实验结果表明,通过计算图像的分块局部熵,以最小局部熵的较大值为参考,选择RPCA算法预处理方案,能使单帧红外图像小目标检测达到更好的效果,弥补了工程人员缺少RPCA算法应用经验的不足。     

基于鲁棒主成分分析的运动目标检测优化算法

针对鲁棒主成分分析(Robust Principal Component Analysis, RPCA)算法中将动态背景误检为运动目标的问题,该文提出一种运动目标检测优化算法。在RPCA算法初步检测出运动目标后,利用动态背景在时间域上满足高斯分布的特性,以及动态背景和运动目标在整个视频流上检出点均值和方差的差异特性,进一步将动态背景和运动目标分离开来。实验结果表明,所提算法能够有效地处理动态背景的问题,并在一定程度上完整检测出运动目标。     

一种基于小波分解及鲁棒估计的ICA算法及其在人脸识别中的应用

鲁棒主分量分析(RPCA)模型在选取幅度参数时,忽略了各变量独有的统计特性.为克服RPCA模型的这一不足,本文提出了通用鲁棒主分量分析(GRPCA)模型,采用M估计器(M-Estimator)为每个变量估计符合其自身统计特性的幅度参数,以提高模型的鲁棒性和通用性,并在此基础上提出了一种集成小波分解、鲁棒估计及独立分量分析的WR-ICA人脸识别算法.WR-ICA对人脸识别中的多种外部干扰(残缺人脸图像、化妆及遮挡等)都表现出很好的鲁棒性.理论分析和实验结果证实了WR-ICA的有效性,采用Cos距离作相似性度量时,WR-ICA的平均识别率达到99.44%.     

色噪声下基于白化频谱重排鲁棒主成分分析的语音增强算法

基于鲁棒主成分分析(RPCA)的单通道语音增强算法是高斯白噪声环境下语音增强的一种重要处理手段,但其对低秩语音分量处理效果欠佳且无法较好地抑制色噪声。针对此问题,该文提出一种基于白化频谱重排RPCA的改进语音增强算法(WSRRPCA),通过优化噪声白化模型,将色噪声语音增强转换成白噪声语音信号处理,利用频谱重排改进RPCA语音增强处理算法,从而获得色噪声环境下语音信号处理性能的整体提升。仿真实验表明,该算法能够较好地实现色噪声环境下的语音增强,且相对于其他算法具有更佳的噪声抑制和语音质量提升能力。     

基于改进鲁棒DEA模型的电力系统评价研究

针对传统DEA模型在不确定环境下评价结果不稳定的缺陷,提出了一种改进的鲁棒DEA评价方法,为电网建设和投资规划提供有效的经济指导。该方法采用鲁棒模糊核主成分分析,确定电力系统评价的投入产出指标;考虑投入产出不确定性,利用不确定信息一般化思想和对偶理论构建鲁棒DEA模型。为验证模型效果,采用我国部分省级电力系统的投入产出数据,研究不确定环境下电力系统评价的稳定性,实验表明,鲁棒DEA模型会在效率最优性和求解可靠性之间权衡,当投入产出数据同时面临不确定扰动时,模型仍能保证评价的准确稳定性。     

基于KPCA-SIFT描述符的图像配准

SIFT描述符是一种鲁棒的局部特征描述符,利用核主成分分析的特征提取方法,对每个特征点的SIFT特征进行降维处理.核主成分分析采用非线性方法提取主成分,是主成分分析的改进算法.本文描述了一种基于KPCA-SIFT描述符的高精度图像配准算法,通过对KPCA-SIFT特征的相似性度量得到匹配点对,再根据这些匹配点对对图像进行配准.实验结果表明,KPCA-SIFT特征精确、稳定、可靠,可以得到高精度的配准.     

基于鲁棒主成分分析的混沌穿墙成像雷达杂波抑制方法

针对混沌穿墙成像雷达的杂波抑制问题,提出一种基于鲁棒主成分分析的杂波抑制方法。该方法首先通过互相关计算得到原始数据,并利用后向投影法聚焦目标能量,提高数据的稀疏性,然后利用鲁棒主成分分析法对聚焦后的数据进行低秩稀疏矩阵分解,从而抑制杂波。实验结果表明,该方法得到的图像信杂比高达20.69 dB,能有效去除杂波干扰,并实现人体目标的精确定位。与传统方法相比,该方法能大幅度提高图像的信杂比,改善成像质量。     

一种改进的全卷积神经网络多聚焦图像融合研究

针对目前多聚焦图像领域算法研究的不足,提出改进的全卷积神经网络多聚焦图像融合算法.和以往的全卷积神经网络模型相比,改进的网络模型更加轻便、网络层级更少.将传统算法鲁棒主成分分析法运用于图像特征提取,在网络特征提取部分采用更小的网络结构,在达到提取更多特征信息的目的的同时减少了网络层级;全连接层与全卷积层的转换通过softmax层对图像进行分类,最后通过设置分类器防止像素点样本偏移,大大提升了运算速率.经过多组实验的彩色灰色数据集验证,改进的融合算法与目前多聚焦图像融合的卷积神经网络算法相比,融合速度大大提升,更具有实际应用率,融合质量也有相应提升,说明此算法相比其他算法更具运用价值.     

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别.首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;最后计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库...     

基于快速稀疏低秩和鲁棒主成分分析的图像处理算法

实际的稀疏低秩处理图像过程中，在视觉显示效果没有很大的差异的情况下，CPU的处理时间是唯一一个的评价指标。我们发现快速交替极小化(FAST PCP)和鲁棒主成分分析(RPCA)的结合是最快速、最有效的利用CPU的高效稀疏低秩处理图像的方法，并且在无法保证计算机配置的情况下，其运算速度也是最快的。在课题中，将Steffensen迭代法用于改进FAST PCP，由此得到的结果较普通版本的FAST PCP和RPCA更加好。      

采用低秩与加权稀疏分解的视频前景检测算法

传统的鲁棒主成分分析模型能较好地解决视频前景检测问题.但是,若该模型的假设条件不能满足,算法性能会变差.针对此问题,本文提出了一种低秩与加权稀疏分解模型,通过对前景矩阵加权以增强其稀疏性.在建立加权矩阵的过程中,采用光流法获取每帧的运动矢量,以区分真实运动区域.其次,进一步提出一种增强模型,通过将加权矩阵作用于观测矩阵及背景矩阵,防止前景与背景的错误分离.实验结果表明,在无噪和有噪的情况下,提出的算法均能有效地分离监控视频中的前景和背景.     

基于线性和非线性算法的高效人脸识别系统

文中提出了一种基于外观的线性和非线性人脸识别方法,所用的线性算法有主成分分析(PCA)和线性判别分析(LDA)。两种非线性方法分别是核主成分分析(KPCA)及核费希尔分析(KFA),线性降维投影方法基于二阶相依性编码模式信息,非线性方法用于处理三个或更多像素之间的关系。首先通过Gabor对图片进行预处理,然后采用线性、非线性分析进行降维。通过马哈利诺比斯-余弦(Mahcos)度量用于定义两幅图像通过相应的降维技术后的相似性度量。实验表明,当与Gabor小波一同使用时,LDA和KFA的性能最高,分别为CMC和ROC结果的93.33%。通过对AT&T数据库400幅图像的综合分析,发现线性和非线性算法的性能受图像分类数目、图像预处理及识别测试集的人脸图像数目的影响。     

High-Order Supervised Discriminant Analysis for Visual Data

In practical applications, we often have to deal with high-order data, for example, a grayscale image and a video clip are intrinsically a 2nd-order tensor and a 3rd-order tensor, respectively. In order to satisty these high-order data, it is conventional to vectorize these data in advance, which often destroys the intrinsic structures of the data and includes the curse of dimensionality. For this reason, we consider the problem of high-order data representation and classification, and propose a tensor based fisher discriminant analysis (FDA), which is a generalized version of FDA, named as GFDA. Experimental results show our GFDA outperforms the existing methods, such as 2-directional 2-dimensional principal component analysis ((2D)2PCA), 2-directional 2-dimensional linear discriminant analysis ((2D)2LDA), and multilinear discriminant analysis (MDA), in high-order data classification under lower compression ratio.     

基于概率PCA模型的压印字符集本征维数确定方法

提出了一种基于概率主成分分析模型(PPCA)的压印字符图像子空间维数的确定方法。首先,建立观测数据的PPCA模型;然后采用仿真数据进行仿真,对影响维数判别的各种因素进行了分析并给出了3种准则的适用范围;最后对压印字符数据集协方差矩阵的特征值曲线得到本征维数的大致区间范围,通过AIC、BIC和CAIC模型选择准则分别进行最优维数确定。实验表明,该方法可以提高算法的鲁棒性,有效地降低算法的运行时间。     

Speech Denoising via Low‐Rank and Sparse Matrix Decomposition

In this letter, we propose an unsupervised framework for speech noise reduction based on the recent development of low‐rank and sparse matrix decomposition. The proposed framework directly separates the speech signal from noisy speech by decomposing the noisy speech spectrogram into three submatrices: the noise structure matrix, the clean speech structure matrix, and the residual noise matrix. Evaluations on the Noisex‐92 dataset show that the proposed method achieves a signal‐to‐distortion ratio approximately 2.48 dB and 3.23 dB higher than that of the robust principal component analysis method and the non‐negative matrix factorization method, respectively, when the input SNR is ?5 dB.     

基于混合核函数的快速KPCA人脸识别算法

为提高人脸识别的速率和识别率,文中提出一种基于混合核函数的快速核主成分分析算法用于进行人脸识别,首先构造两种混合核函数,利用均值矢量的方法构建核矩阵,并利用文中提出的核主成分分析算法计算核矩阵的特征向量。分别在ORL和AR人脸数据库中做了相关实验,并且与传统的核主成分分析方法在识别率和算法运行时间上进行了比较,结果表明,文中所提核主成分分析方法具有较高的识别率和更短的运行时间,从而为实时地具有大数据的人脸识别系统提供技术支持。