基于L1范数和最小软阈值均方的目标跟踪算法

基于传统稀疏表示的目标跟踪算法无法解决跟踪过程出现的遮挡及运动模糊等问题,提出一种基于L₁范数和最小软阈值均方的目标跟踪算法。首先用主成分分析(principal component analysis, PCA)基向量建模跟踪目标的表观变化,同时对表示系数进行L₁范数约束;其次对误差项采用最小软阈值方法进行显示求解,同时对观测模型的更新上考虑跟踪目标的遮挡因素;最后在贝叶斯框架下搭建目标跟踪算法。在14个具有挑战性的跟踪视频上的试验结果表明:与其他算法相比,本研究能够克服跟踪过程中遮挡、角度变化、尺度变化、光照变化等影响跟踪性能的因素,具有较高的平均覆盖率和较低的平均中心点误差。     

光照变化下基于低秩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,提出一种光照补偿和低秩稀疏表示联合优化的视觉跟踪方法。该方法首先基于模板与候选目标的平均亮度差异对模板光照补偿;而后利用候选目标逆向稀疏表示模板,并考虑候选目标间相似性以对稀疏编码矩阵实施低秩约束,且包含稀疏误差项以提高算法对局部遮挡的稳健性,从而获得光照补偿和低秩稀疏表示联合优化模型;最后,基于该模型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,本文方法可显著改善目标跟踪精度及鲁棒性。     

近邻样本协作表示的人脸识别算法

在Gabor特征空间,根据相关系数寻找测试图像的近邻样本,并用这些近邻样本构造完备的冗余字典,从而提出一种基于Gabor特征的近邻样本协作表示的人脸识别算法.在l2范数约束下,利用可变厚度的紧致字典对测试图像进行稀疏表示,根据稀疏系数逐类计算重构图像和测试图像之间的误差,并判断测试图像所属类别.该算法在FERET、ORL和AR数据上进行了无遮挡测试,在AR库上进行了有遮挡测试.实验结果表明,无论有无遮挡,识别速度和识别率都得到了明显改善.     

非凸稀疏低秩约束的高光谱解混方法

针对高光谱混合像元的丰度矩阵具有行稀疏特性,提出一种非凸稀疏低秩约束的高光谱解混方法．首先,建立高光谱图像非凸稀疏低秩约束模型,将丰度系数矩阵的非凸p范数作为稀疏约束,并将丰度系数矩阵奇异值的非凸p范数作为低秩约束;其次,构建联合低秩性先验与稀疏性先验的非凸极小化模型,并提出求解的增广拉格朗日交替极小化算法,将复合正则化问题分解成多个单一正则化问题,交替迭代求解．实验仿真结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于信噪比较高的高光谱数据．     

基于局部稀疏表示的模板匹配跟踪算法研究

在目标跟踪过程中,局部稀疏表示跟踪算法(LSRTA)在目标被遮挡面积过大、运动过快或形变量过大等情况下,跟踪过程中会发生目标偏移现象。针对这个问题,在LSRTA算法基础上,融入surf、flann和knn相结合的模板匹配算法,提出了基于局部稀疏表示模板匹配算法(LSRTMTA)以解决目标跟踪偏移问题。在LSRTA算法跟踪过程中,通过不断地计算新模板与当前模板的匹配值来判断是否发生偏移。当目标发生偏移时,停止LSRTA算法的跟踪,通过模板与帧图像之间匹配来重新确定目标位置;当确定目标位置后,再次进行LSRTA算法的跟踪。实验结果表明:该算法不仅保留了LSRTA算法的优点,还具有自动修正目标偏移的功能,改善了跟踪效果,增强了目标跟踪过程的容错性。     

拓展模板的视频跟踪技术

在视觉目标跟踪(video tracking)过程中,当跟踪图像存在背景杂波、图像噪声(如图像遮挡、图像快速移动)时,算法往往不能取得很好的图像追踪效果.为解决该问题,在经典L1-tracker追踪算法的基础上,针对目标遮挡、目标消失等严重影响跟踪效果的情况进行研究,提出加入拓展模板(固定模板和近况模板)的策略来提高跟踪精度和抗遮挡能力.固定模板保持追踪目标最初的图像特征,防止错误的追踪结果在模板更新时引入错误的特征,进而导致识别目标偏移.近况模板记录目标的最新跟踪结果,避免由于点模板的大量使用而造成遮挡的误识别.通过对多个标准数据集的实验测试,证明加入新策略的L1-tracker算法,在不破坏原有L1-tracker优势的基础上,显著地提升了L1-tracker算法应对遮挡问题的能力.     

稀疏表示人脸识别的关键问题分析

稀疏表示是一种高效的图像表示方法,且稀疏系数具有很好的稀疏性和可扩展性。基于稀疏表示的人脸识别能够提高识别率,增强鲁棒性。针对人脸识别在实际应用中遇到的问题,对稀疏表示人脸识别的方法、识别中遇到的关键问题及其解决办法进行综述。结果表明:稀疏表示人脸识别中,光照变化,可以通过增加不同光照的人脸图像训练样本解决;遮挡腐蚀,可以通过用加入误差字典来扩展过完备字典解决;姿势变化或未对准,可以通过对输入图像进行线性结构迭代变换解决;利用稀疏集中指数可以实现图像是否有效的判断。指出采用稀疏表示同时处理对准和连续遮挡的人脸图像识别,及识别准确性与实时性的提高是需进一步研究的方向。     

基于低秩表示投影的无监督人脸特征提取

为了构造数据之间的自适应邻接图,同时克服稀疏表示系数和协同表示系数互相独立、提取全局信息弱的缺陷,提出采用低秩表示(low-rank representation, LRR)系数构造权重矩阵的流形学习算法,即低秩表示投影(low-rank representation projections, LRRP)和判别低秩表示投影(discriminative low-rank representation projections, DLRRP)。在新算法中,将低秩表示系数表征的样本之间的邻接关系保留在特征空间;同时利用低秩系数的聚类性质,在优化目标中加入类内散度最小化项,计算出具有判别性的投影矩阵。试验结果表明,在真实人脸图像库上与其他几种流形学习算法相比,LRRP和DLRRP能够取得更好的识别率。提出的新算法是有效的特征提取算法,能够丰富流形学习框架。     

基于局部敏感直方图的稀疏表达跟踪算法

为解决目标跟踪过程中光照变化、姿态变化等问题,提出了一种基于局部敏感直方图特征的稀疏表达跟踪方法。对粒子滤波获取的多个候选目标提取局部敏感直方图特征,并根据模板字典,采用改进的L1范数模型求取每个候选目标的稀疏表示系数;然后计算每个候选目标的权重,选取权重最大的候选目标作为跟踪结果。实验结果表明,本算法能很好实现对目标的跟踪,在解决光照变化、姿态变化等问题方面有较好的效果。     

非局部稀疏表示正则化的磁共振图像重建

传统的基于稀疏性先验和全变分正则项约束的图像重建算法不能有效重建图像中的各种结构。为了提高重建质量,在采用传统重建算法中基于稀疏性的先验约束的同时,将重建图像的稀疏系数应逼近原始图像稀疏系数这一先验约束引入图像重建模型。通过图像子块之间的非局部相似性估计原始图像,得到非局部稀疏表示正则化的磁共振图像重建模型,并利用快速混合分裂算法求解模型。实验结果表明,算法能够对磁共振图像进行较好的重建。     

稀疏投影在目标跟踪中的应用

探讨了稀疏投影表示法在目标检测跟踪系统中的应用.通过一范数(L1)正则化最小二乘算法实现目标特征在模板矩阵的稀疏投影,并根据投影差值最小的目标特征找到最优跟踪状态估计,最后更新模板矩阵以适应目标变化.该方法将基于贝叶斯框架的状态预测和视频采集模板相结合得到最优跟踪轨迹.实验结果表明,该方法能够达到很好的跟踪效果.     

结合双注意力与特征融合的孪生网络目标跟踪

基于孪生网络视觉跟踪的进化和深层网络目标跟踪算法在目标被遮挡和外观形变时的跟踪成功率不高,鲁棒性不强,对此,提出了一种结合双注意力与特征融合的孪生网络目标跟踪算法。首先,采用通道和空间注意力模块增强目标信息,抑制图像中的干扰信息,提高模型的准确度;然后,对注意力层输出的浅层和深层特征信息进行多层特征融合,得到表现力更好的目标特征,提高跟踪成功率;最后,引入在线模板更新机制,减少了跟踪漂移,提高了跟踪鲁棒性。使用OTB100测试集进行实验,实验结果表明,改进后算法的跟踪成功率比改进前算法的跟踪成功率提高了1.3%;在具有遮挡和形变属性的4个测试序列下,改进后算法的平均重叠率提高了3%,中心位置的平均误差降低了0.37个像素点,针对遮挡和外观形变时的鲁棒性更好。     

一种无人机航拍目标的长期跟踪算法

针对无人机在航拍目标跟踪的复杂场景过程中,运动目标可能会被遮挡或不确定跟踪,导致视觉模型出现逐渐损坏、漂移和不可逆转失败等问题,提出了一种无人机航拍目标的长期跟踪算法.首先,进行互补分类器多特征自适应融合设计,在贝叶斯分类器中采用颜色直方图特征,在相关滤波器中采用方向梯度直方图、灰度以及颜色名特征;结合多种特征的优点,...     

基于自适应同时稀疏表示的鲁棒性目标追踪

综合考虑高斯噪声和拉普拉斯噪声,并通过拉普拉斯噪声的能量大小自适应的选择稀疏模型,该文提出了基于同时稀疏表示的自适应追踪算法。该算法可以更好的解决目标遮挡、姿势改变、光照变化和背景混杂等追踪问题,且具有更强的鲁棒性。其次提出一种基于子空间学习和无监督学习（K-means）相结合的模板更新方法,该方法一方面可以及时有效地反应目标的状态,另一方面也可以避免模板更新过快而引入较大的误差。然后,利用LASSO算法对该模型做了进一步的改进,并将目前较好的9种追踪算法与该文提出的算法进行比较,实验结果表明该算法在鲁棒性、精确性和实时性方面都得到了较好的改善。     

基于FrFT变换和全变分正则化的异常检测算法

针对低秩稀疏表示的高光谱异常检测算法中背景字典易被污染、空间信息利用不足的问题,提出基于分数阶傅里叶变换（FrFT）和全变分正则化约束的高光谱图像异常检测算法. 通过聚类算法,将图像高维数据映射至多个子空间;构造FrFT-RX算子,增大背景和异常的可分性,得到较纯净的背景字典. 为了表示FrFT变换后中间域内背景与异常的空间特征,在低秩稀疏表示模型中引入全变分正则化项约束. 采用交替方向乘子法对模型进行优化求解,得到异常检测的结果. 在3个真实高光谱数据上开展目标检测实验,实验结果表明,与其他5种异常检测算法相比,本文算法具有更高的检测率和较低的虚警率.     

Cross-camera moving target tracking algorithm based on sparse representation

Cross-camera target tracking is very challenging,mainly because of the difference in the background area under different cameras and the randomness of the target movement behavior trajectory,which will accumulate interference errors very easily,and affect the matching accuracy,thus leading to the tracking failure.Aiming at this problem,a model of moving target tracking based on sparse representation is proposed in this paper.The model uses the difference in background brightness between different cameras to compensate the illumination of the target,so as to obtain a stable template matrix.At the stage of model solution,to solve the problem that the traditional greedy algorithm has a single atom matching pattern,ignoring the relationship between inner atoms and leading to a low reconstruction accuracy,the model adopts the band exclusion(BE) method in the band exclusion local optimization orthogonal matching pursuit(BLOOMP) algorithm to reduce the interatomic coherence.In addition,combining the local optimization(LO) technique with the new coherence discrimination mechanism,we obtain a more compact correlation band to update the support set,leading to improving the reconstruction accuracy.At the stage of template updating,in order to enhance the real time performance of the template matrix,the model uses correlation band and different weight coefficients as the template replacement mechanism.Simulation results show that the proposed method can track the interested target stably and robustly compared with the traditional algorithm under the condition of indoor and outdoor scenes.     

矩阵的低秩稀疏表达在视频目标分割中的研究

提出了一种视频目标跟踪与分割的在线算法。该算法将每帧图像中的超级像素作为一个数据点,根据已知的目标和背景建立模板,当前帧中待分割的目标可以看成已知模板的稀疏线性表达。根据此线性表达的系数可以建立描述当前帧与模板的相似性矩阵,即表达子。由于视频图像的连续性,表达子具有低秩和稀疏的特征。因此通过求解矩阵的低秩稀疏的优化问题可以得到当前帧中所有数据点属于目标的概率分布。为了获得基于像素级的分割结果,通过能量最小框架,并利用图分割的方法最终实现目标的分割。实验结果表明该算法具有良好的分割效果。