基于L1-范数最优化的主成分分析

鲁棒性不足是传统的基于L2-范数的主成分分析(L2-PCA)的主要问题。为此,提出了一种基于新的L1-范数优化技术的主成分分析(L1-PCA)方法。该方法使用了对异常值和旋转不太敏感的L1-范数。L1-范数优化技术是直观的、简单的和易于实现的,事实上,L1-范数优化技术也被证明是找到本地最大值的一种解决方法。在一些数据集上的实验验证了基于L1-范数优化技术的主成分分析算法的有效性。     

Lp范数约束下的最大化L1范数主成分分析

针对主成分分析在处理污染数据时的敏感性且其投影向量非稀疏的特性,提出一种鲁棒主成分分析的优化模型。该模型的目标函数采用L1范数且投影向量受Lp范数约束。范数约束下的主成分分析算法被用来求解该模型且其理论分析表明该算法可取得局部最优解。另外把核函数嵌入到线性模型并给出核方案。通过在UCI数据集和人脸库上的实验表明该算法的可行性和有效性。     

基于L1范数主成分分析的颅脑图像恢复

医学颅脑图像处理已成为脑部疾病诊断的重要途径,为去除颅脑图像的噪声和异物遮挡而又不损失正常组织信息,提出了一种基于L1范数鲁棒主成分分析降维的颅脑图像恢复方法。首先用L1范数代替传统主成分分析中的L2范数,构造对噪声更加鲁棒的Ll范数主成分分析;然后对其代价函数进行交替凸规划算法计算图像降维后的特征数据与投影矩阵;最后利用线性变换得到恢复后的医学颅脑图像。与传统图像压缩与恢复方法不同,该方法利用了L1范数的噪声鲁棒性,通过降维的方法来实现颅脑图像的恢复,同时实现去噪和异常检测的功能。在真实颅脑图像库中进行的比较实验证明了该方法对于颅脑图像恢复的有效性。     

基于低秩投影中稀疏误差矩阵分析的视觉跟踪

单目标跟踪是计算机视觉的重要组成部分,其鲁棒性一直受到目标遮挡、光照变化、目标尺度变化等因素的制约。针对这个问题,提出了基于低秩投影中稀疏误差矩阵分析的视觉跟踪算法。为了克服模板漂移对跟踪的影响,采用目标模板和候选目标的相似性关系动态选择目标模板的更新方式。在粒子滤波的框架下,利用鲁棒主成分分析和低秩投影原理求得候选目标的稀疏误差矩阵,根据稀疏误差矩阵的边缘信息和平滑度信息实现对下一帧目标的观测似然估计。在多个视频序列上的实验表明,算法具有较好的鲁棒性。     

图象视觉主分量的建模与提取

边缘是图象的重要视觉信息。此文提出了新的视觉主分量模型。采用具有快速算法的Ｂ样条小波变换。根据边缘的强度，长度，均匀性等特性，设计了有效的ＶＰＣ撮和编码算法，并给出了计算机模拟结果。     

基于多表观模型竞争的视觉跟踪算法

在视觉跟踪中,如何适时地更新目标模型是影响跟踪算法跟踪精度和鲁棒性的关键性因素,也是当前研究中面临的重点和难点问题。对此,提出了一种基于多表观模型竞争的模型更新策略,通过多表观模型中各子模型的贡献度大小确定竞争优势排序,当最优子模型的贡献度满足多表观模型更新阈值时,对各子模型及其对应的系数进行更新,否则,仅对部分子模型进行更新。在此基础上,以粒子滤波算法为跟踪框架,提出了基于多表观模型竞争的视觉跟踪算法。实验结果表明,所提算法能够较好地处理视觉跟踪中的模型更新问题,跟踪性能较无模型更新策略的粒子滤波算法有明显提高。     

视觉跟踪算法综述

随着信息技术与智能科学的迅速发展,计算机视觉已经成为IT产业和高新技术领域的前沿.视觉跟踪是当前计算机视觉领域的热点问题之一.阐述了视觉跟踪算法的研究现状,包括视觉跟踪算法的种类,常用数学方法,研究了基于区域的跟踪算法、基于模型的跟踪算法、基于特征的跟踪算法、基于主动轮廓的跟踪算法、参数估计方法和无参密度估计方法,并探讨了视觉跟踪算法的未来研究方向.     

基于Haar-like特征的实时L1-跟踪算法

稀疏表示技术已成功应用于视觉跟踪,但是仍然存在跟踪算法效率低的问题。提出一种基于Haar-like特征的视频跟踪算法,该算法是基于粒子滤波框架的L1-跟踪算法,其特点是运用Haar-like特征及特征块的思想对完备基进行重新构造。将正负小模板由单个像素改为像素块,降低稀疏表示中过完备基的维数,大幅减少稀疏矩阵的计算量;同时,在保证跟踪质量的前提下适当减少目标模板数量,减少稀疏计算的次数,并控制模板更新频率。实验结果表明,所提算法能大幅提高跟踪的实时性,同时很好地解决了跟踪问题中的短时间遮挡、目标物体的形变以及光照变化等问题。     

利用巴氏系数判定模型更新的视觉跟踪算法

在视频跟踪时,传统的粒子滤波算法在目标区域出现遮挡、光照变化等情况下通常存在鲁棒性较差的问题,因此提出一种采用巴氏(Bhattacharyya)系数判断模型更新时机的鲁棒视觉跟踪算法。本算法以粒子滤波算法为框架,每隔一定帧数抽样检测目标变化,利用当前模型与候选模型之间的巴氏系数统计特征的相似性,从而判断更新时机。仅当目标逐渐姿态改变且无背景干扰时更新目标模型;在发生遮挡或光照改变较大时则不更新,保持当前模型继续跟踪。本算法判断是否出现影响目标匹配因素,从而适时采取模型更新策略。实验结果表明,本算法通过选择性更新模型,在未考虑尺度变化的情况下,能够更加有效抑制背景干扰和避免模型漂移,在诸多复杂场景中具有一定的鲁棒性。     

基于核主元投影的视觉跟踪算法

视觉跟踪优化问题,在应用领域得到广泛研究.为了适应视觉场景中目标表观的无规律变化,提出了一种核主元投影的视觉跟踪算法.在初始跟踪阶段,采用粒子滤波相关跟踪算法获取场景中目标的先验表观图像数据,根据目标表观图像颜色与梯度方向联合直方图定义核函数,计算核矩阵,利用核主元分析得到图像样本在核空间的投影矩阵,最后通过贝叶斯滤波获得目标状态的最佳估计,并进行对比实验.实验结果说明了改进算法在真实的视频监控场景且遮挡环境下具有鲁棒性,对目标尺度变化具有自适应性.     

基于主元神经网络的非结构化道路跟踪

在概率的框架内,基于主元神经网络,提出了一种新的蒙特卡罗道路跟踪技术,用于自主陆地车辆在非结构化道路上的导航．使用直线道路模型表示道路边缘,并对其状态利用二阶自回归模型进行预测;在HSV彩色空间将颜色信息和局部空间特征相结合,利用主元神经网络提取主成分;根据道路边缘窗的统计特性,利用粒子滤波器进行道路状态的估计．实验结果表明,该方法能够鲁棒地进行非结构化道路跟踪．     

一种结合时空上下文的在线卷积网络跟踪算法

基于卷积神经网络提取抽象特征缺乏时空信息的问题,结合时空上下文模型作为卷积神经网络的各阶滤波器,提出一种在线卷积神经网络的视觉跟踪算法.首先对初始目标进行归一化处理并提取目标置信图,跟踪过程中结合时空信息更新得到时空上下文模型,第1层使用更新后的模型对输入进行卷积,并对卷积结果进行滑动窗口取片,第2层再使用时空模型分别对取片结果进行卷积,提取目标简单抽象特征,然后叠加简单层的卷积结果得到目标的深层次表达,最后结合粒子滤波跟踪框架实现目标跟踪.实验表明:结合时空上下文模型的在线卷积网络结构提取的深度抽象特征,保留相关时空信息,提高复杂背景下的跟踪效率.     

主曲线成分分析

广泛应用的第一主成分是对数据集的一维线性最优描述，主曲线是第一主成分的非线性推广。线性主成分分析是一种线性分析方法，而数据通常是非线性的。用线性方法分析非线性数据在分析能力上常常是受限的。为此在对线性主成分分析非线性数据研究的基础上，提出了一种新的非线性成分分析方法，即主曲线成分分析。该方法从数据本身出发进行非线性分析，强调非参数特性，能有效地建模非线性数据。实现主曲线成分分析时，采用了改进的神经网络建模方法，该建模方法以其较强的近似性能很好地表达了非线性关系。仿真实验结果表明，主曲线成分分析能很好地解决非线性主成分问题，应用前景广阔。     

视觉词汇的主成分线性编码方法

针对视觉物体分类中视觉词汇局部线性编码缺少显著性检验和共线性分析的问题,提出了主成分线性编码方法,选择与特征点具有最强线性相关性的K近邻视觉单词,采用主成分多元线性回归方法以解决视觉单词的共线性问题,从而减小编码系数的偏差和不稳定,提高视觉物体分类的精度.依据图像量化结果的稀疏性是影响分类精度的重要因素,进一步对主成分线性编码得到的量化结果做稀疏性分析并进行能量正则化处理,提高分类效率.实验结果表明,与已有方法相比,平均分类正确率提高了1%以上.     

基于PCA优化的PSO-FCM聚类算法

为解决PSO-FCM聚类算法针对多聚类问题,性能不足,容易陷入局部最优解,影响多聚类结果的准确度.提出一种基于PCA优化的PSO-FCM聚类算法,通过引入PCA分析方法,在粒子的各维度上设定不同的移动权重,降低粒子的敏感度,合理的控制粒子各维度上移动的速度,有效的降低粒子各维度上粒子无约束,位于多个聚类群交界处的粒子过分敏感,移动到错误的聚类的可能性增加.本文简要介绍了PSO-FCM算法的相关情况,详细介绍了本文的优化算法,最后通过实验证明,本文提出的优化算法在多个数据集上结果总体优于其他算法.     

一种稀疏可控的主成分分析方法

主成分分析(Principal Component Analysis,PCA)是一种用线性变换选出少数重要变量(降维)的多元统计分析方法。虽然传统PCA被广泛应用于科学研究与工程领域中,但是其结果有时很难解释。因此,一些研究人员引入稀疏约束项(lasso、fused lasso以及adaptive lasso等),以得到可解释的结果。由于传统稀疏项的稀疏度不容易控制,为此引入一种新的约束项,即稀疏可控惩罚项(Sparse Controllable penalty,SCP),来控制主成分的稀疏程度。与传统的约束项相比,SCP具有长度不敏感、维度不敏感和约束项的取值范围在0到1之间的优点。这些优点极大地降低了调节稀疏度的难度。实验表明,稀疏可控主成分分析(Sparse Controllable Principal component Analysis,SCPCA)是高效的。