图像去模糊的l0范数最小化方法

针对经典的图像去模糊问题,提出了一种基于l0-范数约束的图像去模糊算法。该算法结合图像稀疏性的特点,利用l0-范数作为正则项约束,保证了恢复图像的稀疏性要求。为了有效的求解l0-范数优化问题,引入两个辅助变量,将原问题分解为两个子优化问题,并采用交替方向法进行快速求解。实验结果表明,对于不同程度的高斯模糊和运动模糊,该算法都能够得到有效的恢复结果。     

基于近似l0范数的稳健稀疏重构算法

针对测量值受噪声污染的稀疏重构问题,本文提出了稳健近似l0范数最小化算法.该算法首先利用反正切函数近似l0范数,然后建立基于近似l0范数的含噪稀疏重构模型,最后通过拟牛顿法求解该模型,并分析了算法的收敛性.数值仿真表明,本文提出的算法重构稀疏向量时需要较少的测量值,且具有较高的计算精度.     

Gabor字典及l0范数快速稀疏表示的人脸识别算法

针对光照、遮挡、伪装情况下,识别率比较低,识别时间长的问题,本文提出了基于Gabor字典及l0范数快速稀疏表示的人脸识别算法。Gabor小波提取的特征能够克服遮挡、光照等干扰对人脸识别的影响,平滑l0算法通过平滑连续函数来近似 l0范数,只需较少测量值并且较快速度便能重构稀疏信号。本算法通过提取人脸的Gabor特征、主成分分析法（PCA）降低维度,l0范数快速稀疏分类完成识别。在伪装人脸情况下,分块计算Gabor人脸特征,提高Gabor字典的形成速度。基于AR人脸数据库的实验结果表明,本算法可在一定程度上提高识别速度和识别时间,即使在小样本情况下,依然具有较高的识别率。      

压缩感知中基于快速交替方向乘子法的l0-正则化信号重构

该文将压缩感知(CS)中信号的重构问题归结为求解l0-正则化问题,针对l0-正则化问题求解比较困难,提出了快速交替方向乘子法(FADMM)。该算法首先将信号的稀疏域的l0-正则化问题通过变量分裂技术转化为约束优化问题;然后引入乘子函数,采用一步Gauss-Seidel思想,对优化问题中的变量极小化;为了加快算法的收敛速度,对变量进行了二次更新,并更新了乘子;最后进行反正交变换,实现对原始信号的重构。将FADMM应用于含噪声图像的重构,进行了仿真实验及对实验结果进行了分析。实验结果表明:FADMM具有更高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更快速的收敛速度。     

复杂动态背景下基于群稀疏的运动目标检测方法

为提高复杂动态背景下运动目标检测精度,基于低秩及稀疏分解理论,本文提出一种基于群稀疏的运动目标检测方法.所提方法将观测视频分解为低秩静态背景,群稀疏前景及动态背景三部分.所提方法首先使用伽马范数近乎无偏近似矩阵秩函数,以解决核范数过度惩罚较大奇异值导致所得最小化问题无法获得最优解进而降低检测性能的问题;其次,为利用前景...     

l0-范数约束的稀疏多径信道分数间隔双模式盲均衡算法

针对深衰落稀疏多径信道下多进制相移键控（Multiple Phase Shift Keying,MPSK）信号的盲均衡问题,提出了一种l₀-范数约束的分数间隔稀疏自适应双模式盲均衡算法.该算法借鉴传统的分数间隔双模式盲均衡算法思想,结合稀疏自适应滤波理论,首先利用l₀-范数对均衡器抽头系数进行稀疏性约束,构造出一种l₀-范数约束的分数间隔双模式最小均方误差代价函数,然后依据梯度下降法推导出盲均衡器抽头系数更新公式,并对迭代步长进行归一化和比例系数化.理论分析和仿真实验表明,与基于门限稀疏化的盲均衡算法、基于分数阶范数的盲均衡算法及分数间隔双模式盲均衡算法相比,本文所提算法在保证较快收敛速度的前提下,能有效降低剩余符号间干扰.本文设计的盲均衡算法为水声通信系统中接收方恢复出发送信号,提供了一种快速有效的方法.     

基于最小l1稀疏图表学习分类的图像识别方法研究

利用信号的稀疏性建立图像分类处理模型是图像识别技术的新应用。通过分析最小l1范数稀疏性的原理,本文导出了一种最小l1范数稀疏性十字"花束"多面体实现模型,并在此基础上,构造了一种l1图表学习分类算法。通过与几种常用的图像分类算法比较,实验结果说明,本文提出的l1图表学习分类算法具有更高的分类精度和有效性。     

基于改进单模高斯模型的运动目标检测算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和背景差法的运动目标阴影检测方法.首先针对传统单模高斯模型提出了一种自适应学习率和选择性差值更新背景相结合的方法,加快了背景模型的初始化速度,同时结合背景差法对阴影部分进行检测与去除.实验结果表明,该方法能够较好地去除车辆的阴影,提高了检测的准确性.     

一种组稀疏高阶变分的图像复原模型

为了更好地利用图像的稀疏性以提高变分模型的图像复原性能,在自适应高阶变分模型中对图像的一阶梯度加以组稀疏限制,建立一种非凸的组稀疏高阶变分模型.为实现该非凸模型的优化求解,采用交替方向乘子法将模型的极小化问题分解成多变量的子问题,进而采用IRL1与MM算法分别求解高阶变分与组稀疏极小化问题,实现退化图像的复原处理.通过...     

基于l0正则化的增量低秩特征学习目标跟踪

为了提高生成型目标跟踪算法在遮挡、背景干扰 等复杂条件下的性能,在稀疏编码模型中引入l₀范数正 则化约束,以减少冗余编码信息并改善目标表观重构效果。同时提出一种新的基于非凸近端 加速梯度的快速迭代算法, 解决由此产生的非凸非光滑优化问题。设计了一种增量低秩学习策略,和传统方法需 要将目标观测数据作为 一个整体进行低秩学习不同,本文方法通过l₀正则化稀疏编码能够有效地对目标低秩特 征子空间进行在线学习和更 新。在多个视频序列上的实验表明:基于l₀正则化的增量低秩学习方法能有效提高目标 跟踪算法的准确率和鲁棒性; 和8种优秀的跟踪算法相比,本文算法在中心误差稳健性和重叠率稳健性两个指标上都取得 了最好结果。     

一种基于高斯混合模型的运动目标检测改进算法

在运动目标检测方法的研究中提出一种基于高斯混合模型的运动目标检测的改进算法。首先利用颜色信息对背景建立高斯混合模型;其次在模型更新阶段．为了模型的自适应性和尽量逼近真实信号量,在传统学习率基础上提出一种加权思想,即对均值与方差分别给出一个不同的加权值。最后应用中值滤波及物体空间连通性进行后处理。实验结果表明,与传统高斯混合模型方法相比,改进的方法能更加有效地检测出运动目标,具有较好的鲁棒性。     

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。     

运动目标智能检测算法研究

随着视频监控系统的普及化和庞大化,传统的运动目标检测技术难以适应检测场景的各种变化,局限性越来越突出,且实时性和准确性难以平衡。为有效解决传统的运动目标检测技术中出现的问题,以固定摄像机视频监控系统为研究背景,使用一种基于的运动目标检测方法,提高了运动目标检测准确性,降低了对光照的敏感性,并保证了实时性。     

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.     

运动目标检测方法的对比分析和仿真实现

研究了目前运动目标检测常用的两种方法：三帧差分法及混合高斯模型背景差分法,并对两种运动目标检测方法作了简述,且辅以典型的视频运动目标检测实例,给出了两种方法的实验结果,指出其适用范围及优缺点     

l0-范数约束的稀疏多径信道RLS常模盲均衡算法

针对稀疏多径信道下MPSK信号的快速盲均衡问题,提出了一种l0-范数约束的递归最小二乘常模盲均衡算法.该算法借鉴传统的递归最小二乘常模盲均衡算法思想,结合稀疏自适应滤波理论,首先利用l0-范数对均衡器抽头系数进行稀疏性约束,构造出一种l0-范数约束的加权最小二乘误差代价函数,然后依据递归最小二乘算法推导出均衡器抽头系数更新公式.该算法发挥递归最小二乘常模算法收敛速度快的优势,并对幅度极小系数附加零点吸引调整,从而实现不同幅度抽头系数的快速收敛.理论分析与仿真结果表明,与现有算法相比,该算法在保证较低剩余符号间干扰的前提下,能有效提高均衡器的收敛速度.     

大孔径超稀疏阵列综合算法研究与应用

超稀疏阵列大孔径场景下最优布阵求解问题是在满足特定副瓣电平要求下,通过对布阵位置和阵元权值的优化获得最稀疏解。该问题属于NP-HARD问题,求解时存在搜索空间大、搜索时间长以及难以求得全局最优解等问题。为了解决上述问题,本文基于交替寻优的思想提出了一种针对大孔径场景下超稀疏阵列方向图综合的快速算法。该算法通过对求解空间进行划分后交替优化快速得出一个初始解,在初始解基础上构建相邻域形成新的求解空间,通过二次搜索寻优得到最优解。本算法通过对初始解空间进行划分和相邻域的构建,可大幅缩短每次优化的时间。本文通过对超稀疏线阵若干场景进行了仿真验证,仿真结果证明了该算法的有效性。     

基于码书和纹理特征的运动目标检测

复杂环境下如何进行鲁棒的运动目标检测是计算机视觉领域热门研究课题。本文提出了一种新的码书和高斯局部二值模式(GLBP)的纹理描述的运动物体检测方法,在线学习构建码书纹理背景模型。首先用码书以类似聚类的方式构建每个像素的码书模型,根据码字的颜色和亮度相似性,将背景像素分布用聚类码字的形式表示出来,同时在模型初始化和运动检测阶段不断更新码字以反映背景变化。然后用单高斯模型来学习背景像素变化的概率,生成GLBP纹理算子,同时在线更新GLBP反映图像空间纹理信息变化。最后融合三个特征将当前帧分割为前景背景两部分。通过实验视频表明本方法在实际视频中取得了较好的鲁棒的效果。      

基于RGB三通道分离的运动目标检测方法

背景图像的提取和更新是背景差分的关键。传统的背景差分法是对灰度图像进行处理,在检测前要对彩色图像进行颜色空间的转换,必然会丢失许多信息。对时间中值获取背景模型的不足加以改进,设计并实现了一种基于RGB三通道分离的运动目标检测方法。用形态学处理和连通性分析消除噪声,用区域填充技术填充目标区域内部空洞,在HSV空间去除阴影部分,得到比较准确的运动目标。实验结果表明,该算法在运动目标存在的情况下也能获得较准确的背景模型,当目标灰度值和背景灰度相近的时候,也可以检测到较完整的运动对象。