交通场景中的实时多目标自动跟踪算法

针对交通场景中多目标跟踪过程中实时性和鲁棒性的问题,提出一种基于混合高斯和稀疏光流的多目标自动跟踪算法。该算法利用自适应背景差分法提取前景目标,用特征点对目标进行表达,通过稀疏光流算法建立起前后帧间的数据关联,并通过模版更新机制来降低可能的较大形变带来的干扰。实验结果表明,该算法适用于多数交通场景,实时性较好,对光照和噪声都具有很强的鲁棒性,可以实现对多目标的准确而又稳定的跟踪。     

基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法

针对未知测量噪声协方差情况下的多扩展目标跟踪问题，利用扩展目标概率假设密度（ET-PHD）滤波器和变分贝叶斯（VB）近似理论，提出了一种标准ET-PHD滤波器的扩展方法及其解析的实现方法。首先，根据标准ET-PHD滤波器的目标状态方程和测量方程，定义了目标状态和测量噪声协方差的增广状态变量及二者的联合转移函数；然后，根据标准ET-PHD滤波器，构建了扩展的ET-PHD滤波器的预测和更新公式；最后，在线性高斯假设的条件下，利用高斯和逆伽马（IG）混合分布表示目标的联合后验强度函数，从而给出了扩展ET-PHD滤波器的解析实现。仿真结果表明：所提算法能提供可靠的跟踪结果，可有效地处理未知测量噪声协方差环境中的多扩展目标跟踪问题。     

基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法

针对未知测量噪声协方差情况下的多扩展目标跟踪问题,利用扩展目标概率假设密度（ET-PHD）滤波器和变分贝叶斯（VB）近似理论,提出了一种标准ET-PHD滤波器的扩展方法及其解析的实现方法。首先,根据标准ET-PHD滤波器的目标状态方程和测量方程,定义了目标状态和测量噪声协方差的增广状态变量及二者的联合转移函数;然后,根据标准ET-PHD滤波器,构建了扩展的ET-PHD滤波器的预测和更新公式;最后,在线性高斯假设的条件下,利用高斯和逆伽马（IG）混合分布表示目标的联合后验强度函数,从而给出了扩展ET-PHD滤波器的解析实现。仿真结果表明：所提算法能提供可靠的跟踪结果,可有效地处理未知测量噪声协方差环境中的多扩展目标跟踪问题。     

基于多伯努利滤波的厚尾噪声条件下多扩展目标跟踪

针对厚尾噪声条件下不规则星凸形多扩展目标跟踪(Multiple extended target tracking, METT)问题, 提出一种基于多伯努利滤波的厚尾噪声条件下多扩展目标跟踪方法. 首先, 采用学生t分布对厚尾过程噪声和量测噪声进行建模, 并基于有限集统计(Finite set statistics, FISST)理论利用随机超曲面模型(Random hypersurface model, RHM)建立不规则星凸形多扩展目标的跟踪滤波模型. 然后, 利用学生t混合(Student＇s t mixture, STM)模型来表征多伯努利密度, 提出学生t混合多扩展目标多伯努利(Student＇s t mixture multiple extended target multi-Bernoulli filter, STM-MET-CBMeMBer)滤波算法, 并进一步基于鲁棒学生t容积滤波算法提出了非线性鲁棒学生t混合星凸形多扩展目标多伯努利滤波算法. 最后, 通过构造厚尾噪声条件下星凸形多扩展目标和多群目标的跟踪仿真实验验证了所提方法的有效性.     

基于高斯混合模型联合CamShift的运动图像检测跟踪方法

CamShift算法是典型的运动图像跟踪方法,但是单纯CamShift准确率低,容易丢失目标。为提高准确略,本文提出将高斯混合模型运用到CamShift算法中进行目标跟踪操作。首先采用高斯混合模型标示出目标局部区域,并将其作为CamShift的初始搜索窗,提高效率;随后对目标进行跟踪时将CamShift算法的窗中心同差分法计算出的目标区域中心作对比,确定后续帧搜索窗,避免目标跟踪丢失。最后,实验证明了该方法可以对目标进行有效跟踪,且在目标颜色同背景色差异小的情况下依然具有非常高的准确率。     

一种WSN下的Mean Shift跟踪算法*

为有效地利用无线传感器网络跟踪移动目标,提出了一种基于高斯混合模型的Mean Shift跟踪算法。该算法运用高斯混合模型描述网络区域内目标信号分布的统计特征,利用Mean Shift区分目标信号与环境噪声,并对目标进行定位与跟踪。仿真实验结果表明,该算法在网络存在较大噪声,特别是网络存在大量异常传感器节点读数的情况下,定位精度高、受异常传感器节点读数影响较小。较之以往无线传感器网络目标跟踪算法,该算法具有更好的鲁棒性。     

基于区域纹理的运动目标检测方法*

针对混合高斯和多模态均值模型在阴影、噪声、扰动、计算量和存储空间等方面的优缺点,提出一种基于区域纹理的目标检测方法。该方法分析场景纹理分布,制定区域复杂度分类准则,对复杂区域采用混合高斯,对简单区域采用基于运动历史的多模态均值进行目标检测。实验表明,该方法能在多模态环境中克服噪声与扰动,实时转换前／背景,优化速度和存储量,准确检测出目标。     

基于截断奇异值低秩矩阵恢复的Canny边缘检测算法

针对Canny算法在处理噪声图像时存在的不足,为提高其准确性和鲁棒性,提出一种基于截断奇异值的低秩矩阵恢复方法,以及一种更加准确的双噪声凸优化模型和求解方法。使用经典Canny边缘检测算法作用于分解后去除冗余信息的主成分上,将图像的边缘检测转化为对主成分的边缘检测,可以在有效地去除脉冲噪声和高斯噪声干扰的同时,更好地保留边缘信息。为验证其有效性,在不同噪声浓度以及混合噪声情况下进行实验,结果分析表明,基于低秩矩阵恢复的边缘检测算法可以更好地保留完整的边缘信息,提高边缘检测的准确性及鲁棒性。     

基于高斯混合PHD滤波的多目标跟踪

多目标的跟踪的主要目的是通过一个存在关联不确定性、检测不确定性以及噪声和虚警的观测序列集,联合估计目标数目和目标状态.传统的多目标跟踪算法中的数据关联算法计算量大不易实现,而基于随机集的PHD滤波算法可避免数据数据关联问题,直接估计目标状态.本文针对目前PHD递推算法难以获得闭和解的问题,阐明了在目标运动模型和新生强度都是线性高斯模型的情况下,每一时刻的后验强度都是高斯混合的.进而推导出表示后验强度的高斯成分的均值,方差和权值的递推方程.由仿真结果可以看出在非线性高斯情况下,本算法对多目标有良好的跟踪性能.     

基于FastICA的雷达弱目标检测前跟踪方法研究

研究了强噪声干扰下的雷达弱目标检测及跟踪问题。针对信号与噪声干扰之间的相互独立性,提出了一种基于FastICA的弱目标检测前跟踪(TBD)算法。该算法的关键为对分离后的信号进行能量分配,以及求解所构建的一个多目标规划问题,进而实现匹配回波信号的能量积累。仿真实验结果表明,在负信噪比的情况下,无论是高斯噪声还是非高斯噪声,该方法均可以实现检测前跟踪的目的;用能量积累过程中记录的目标状态信息为观测值,则可以通过滤波估计的方法最终实现对目标的稳健跟踪。该方法为弱小目标的跟踪检测技术提供了一种新的思路。     

改进SA-SP算法的路面不平度信号压缩感知采集研究

为大幅度减少采集路面不平度信号的存储空间,提高采集速度,基于压缩感知理论针对标准路面的不平度信号进行压缩采样和重构。首先验证了B级路面不定度信号在频域下的近似稀疏性,并进行了信号的压缩采样。针对现阶段凸优化方法和常用的三种贪婪算法的不足,提出一种改进的模拟退火算法与子空间追踪算法相结合的稀疏度自适应匹配追踪算法,利用改进的模拟退火算法快速搜索匹配最优的稀疏度,并采用子空间追踪算法快速重构信号。仿真实验对比五种重构方法,结果表明,凸优化方法精度较高,耗时过长;OMP算法和SP算法耗时极短,但需要预先进行实验来估测信号的稀疏度,实用性低;SAMP算法能实现稀疏度的自适应匹配,但匹配的误差较大,且耗时较长;提的新方法具有良好的精度和较快的执行速度,R-squares和耗时的均值分别为0.9837和2.77 s,稀疏度估测效果较好,且采样点数的增加不影响算法重构信号的速度。     

自适应梯度下降观测矩阵优化算法

基于可以通过减小压缩感知中观测矩阵与稀疏矩阵之间的互相关性来提高信号的重构质量,结合无约束凸优化问题中梯度下降的思想,提出了一种自适应梯度下降算法（Adaptive Gradient Descent, AGD）。首先利用等角紧框架（Equiangular Tight Frame, ETF）收缩传感矩阵的Gram矩阵,然后通过收缩得到的Gram矩阵建立一个无约束凸优化问题,最后通过梯度下降方法求解无约束凸优化问题进而得到优化后的观测矩阵。AGD算法通过每次更新梯度下降的方向,使Gram矩阵能够在最短时间内逼近ETF。仿真实验表明,该算法不仅迭代次数少,且优化后的观测矩阵与稀疏矩阵之间的互相关性大大降低。与传统的优化算法相比,信号恢复效果更好。     

An improved robust ADMM algorithm for quantum state tomography

In this paper, an improved adaptive weights alternating direction method of multipliers algorithm is developed to implement the optimization scheme for recovering the quantum state in nearly pure states. The proposed approach is superior to many existing methods because it exploits the low-rank property of density matrices, and it can deal with unexpected sparse outliers as well. The numerical experiments are provided to verify our statements by comparing the results to three different optimization algorithms, using both adaptive and fixed weights in the algorithm, in the cases of with and without external noise, respectively. The results indicate that the improved algorithm has better performances in both estimation accuracy and robustness to external noise. The further simulation results show that the successful recovery rate increases when more qubits are estimated, which in fact satisfies the compressive sensing theory and makes the proposed approach more promising.     

基于平行坐标下降法的图像修复

以压缩传感和稀疏表示为理论依据,提出了一种基于平行坐标下降法的图像修复 模型。该模型用小波变换作为图像的稀疏表示,以稀疏性作为正则化项;同时基于松弛阈值来 标记函数实现全局优化,并采用该模型算法得到全局最优解。从峰值信噪比、收敛速度和视觉 效果等3 个方面验证了算法的有效性。结果表明新的模型无论是在客观还是视觉主观上都有更 好的效果,同时算法具有更快的收敛速度。     

A comparative study of multi-objective optimization algorithms for sparse signal reconstruction

The development of the efficient sparse signal recovery algorithm is one of the important problems of the compressive sensing theory. There exist many types of sparse signal recovery methods in compressive sensing theory. These algorithms are classified into several categories like convex optimization, non-convex optimization, and greedy methods. Lately, intelligent optimization techniques like multi-objective approaches have been used in compressed sensing. Firstly, in this paper, the basic principles of the compressive sensing theory are summarized. And then, brief information about multi-objective algorithms, local search methods, and knee point selection methods are given. Afterward, multi-objective sparse recovery methods in the literature are reviewed and investigated in accordance with their multi-objective optimization algorithm, the local search method, and the knee point selection method. Also in this study, examples of multi-objective sparse reconstruction methods are designed according to the existing studies. Finally, the designed algorithms are tested and compared by using various types of sparse reconstruction test problems.

     

基于稀疏表示的信号DOA估计

将信号DOA的估计问题转换为一个联合稀疏表示的求解问题.通过对接收数据矩阵的奇异值分解实现各时间和频率快拍数据的联合;然后通过求解一个平滑l0范数稀疏约束的联合优化问题实现信号源DOA的估计.基于稀疏表示的信号DOA估计方法不仅能够有效地减少数据量,而且具有以下优点:更好的抗噪声性能、更高的计算效率、适用于相关和非相关信号.通过与其他DOA估计方法的比较,表明了该方法的有效性和优越性.     

基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法

针对现有梯度算子在图像边缘检测中存在的对噪声比较敏感的问题,提出了一种基于改进高斯-拉普拉斯算子的图像边缘检测方法。噪声图像中的边缘检测是一项关键任务,然而目前常用的几种梯度算子,包括已经提出的高斯-拉普拉斯算子都没能取得理想效果。提出的方法对传统的拉普拉斯边缘检测算子做了改进,并与高斯滤波器相结合。首先,应用高斯滤波器来平滑图像,抑制噪声。然后基于拉普拉斯梯度边缘检测器进行边缘检测。最后在标准图像上进行评估,评估结果显示,提出的边缘检测方法所获得的峰值信噪比(PSNR)和均方误差(MSE)均优于其他几种对比方法。     

基于MOPSO与凸优化算法的稀布圆阵列方向图优化

为了降低稀布阵列的峰值旁瓣电平并抑制稀布阵列的栅瓣,提出了一种多目标粒子群与凸优化相结合的方向图综合算法。该算法将多目标粒子群优化(Multi-objective particles swarm optimization,MOPSO)作为全局搜索器,凸优化算法作为局部搜索器来搜索最优解,优化的变量不仅是阵元的权值,而且还加入了阵元位置这一参数,从而能够提供更多的自由度来控制稀布阵列的性能。基于30阵元的稀布圆形阵列的仿真结果表明：与单纯使用MOPSO算法相比,本文提出的用MOPSO算法优化阵元位置,凸优化算法优化阵元权值的联合优化算法,得到的栅瓣和峰值旁瓣电平都小于-19.3　dB。     

基于分组字典与变分模型的图像去噪算法

针对加性高斯噪声去除问题，在现有传统的K均值奇异值分解（K-SVD）字典学习算法的基础上，提出一种将字典学习与变分模型相融合的改进算法。首先，根据图像的几何和光度信息将图像进行聚类分组，再将图像组按照边缘和纹理类别进行分类，根据噪声水平和图像组类别训练一个自适应字典；其次，将通过所学字典得到的稀疏表示先验与图像本身的非局部相似先验进行融合来构建变分模型；最后，通过求解变分模型得到去噪后图像。实验结果表明，与同类去噪算法相比，当噪声比率较高时，所提算法可以解决前期算法准确性较差、纹理丢失较为严重、产生视觉伪影等问题，在视觉效果上要更为理想；同时该算法结构相似性指数有明显提高，峰值信噪比（PSNR）的值更是平均提高了10%以上。     

稀疏优化算法综述

压缩感知是近年来发展起来的关于信息获取与处理的全新理论框架。主要介绍压缩感知的基本理论,侧重于稀疏优化算法的综述。将稀疏优化算法分为活动集方法、投影算子法和经典凸规划法。介绍了每种方法的基本思想、研究进展和适用的优化问题。最后,探讨了稀疏优化算法目前存在的问题以及可能的研究方向。