基于结构化低秩表示和低秩投影的人脸识别算法

在实际的人脸识别中,给定的训练图像往往存在遮挡和噪声,导致稀疏表示分类（SRC）算法的性能下降。针对上述问题,提出一种基于结构化低秩表示（SLR）和低秩投影的人脸识别方法--SLR_LRP。首先通过SLR对原始训练样本进行低秩分解得到干净的训练样本,根据原始训练样本和恢复得到的干净训练样本得到一个低秩投影矩阵;然后将测试样本投影到该低秩投影矩阵;最后使用SRC对恢复后的测试样本进行分类。在AR人脸库和Extended Yale B人脸库上的实验结果表明,SLR_LRP可以有效处理样本中存在的遮挡和像素破坏。     

具有融合罚约束的低秩结构化稀疏表示目标跟踪算法

现有的低秩稀疏表示目标跟踪算法在目标突然运动和严重遮挡等情况下,经常出现跟踪漂移现象.为此,提出一种具有融合罚约束的低秩结构化稀疏表示目标跟踪算法.首先,利用混合${L_{1,2     

基于低秩表示动态更新投影的在线运动目标检测

视频图像中运动目标检测是机器视觉领域的重要研究内容,旨在将序列图像中的背景和前景进行有效分离。在研究几种典型运动目标检测算法的基础上,提出了一种基于低秩表示动态更新投影的在线运动目标检测算法。采用低秩表示方法对若干连续视频帧进行低秩分解,并将分解所获得的低秩部分对应的左奇异值矩阵的正交补引为投影矩阵;再构建投影模型,拟合出数据的稀疏前景;最后采用视频分段分析法则对投影矩阵进行动态更新,从而保证所分离的背景以及前景的有效性。在Curtain等多个视频数据库上与其他算法进行了对比实验,实验结果表明所提算法具有很好的检测效果,对复杂的运动前景和动态背景的处理表现出很强的鲁棒性。     

低秩矩阵恢复算法综述

将鲁棒主成分分析、矩阵补全和低秩表示统称为低秩矩阵恢复,并对近年来出现的低秩矩阵恢复算法进行了简要的综述。讨论了鲁棒主成分分析的各种优化模型及相应的迭代算法,分析了矩阵补全问题及求解它的不精确增广拉格朗日乘子算法,介绍了低秩表示的优化模型及求解算法。最后指出了有待进一步研究的问题。     

基于判别低秩矩阵恢复和协同表示的遮挡人脸识别

针对训练样本和测试样本均受到严重的噪声污染的人脸识别问题,传统的子空间学习方法和经典的基于稀疏表示的分类(SRC)方法的识别性能都将急剧下降。另外,基于稀疏表示的方法也存在算法复杂度较高的问题。为了在一定程度上缓解上述问题,提出一种基于判别低秩矩阵恢复和协同表示的遮挡人脸识别方法。首先,低秩矩阵恢复可以有效地从被污损的训练样本中恢复出干净的、具备低秩结构的训练样本,而结构非相关性约束的引入可以有效提高恢复数据的鉴别能力。然后,通过学习原始污损数据与恢复出的低秩数据之间的低秩投影矩阵,将受污损的测试样本投影到相应的低维子空间,以修正污损测试样本。最后,利用协同表示的分类方法(CRC)对修正后的测试样本进行分类,获取最终的识别结果。在Extended Yale B和AR数据库上的实验结果表明,本文方法对遮挡人脸识别具有更好的识别性能。     

基于低秩表示与矩阵填充的人脸识别方法

基于回归分析的人脸识别方法在处理不完备数据矩阵时,先对矩阵进行填充,再使用人脸识别方法,因此会降低分类性能.为了更有效地执行关于不完备数据的识别,文中将低秩矩阵填充和低秩表示学习整合在同一个模型,提出基于低秩表示和低秩矩阵填充的人脸识别方法.通过最小化表示系数和矩阵秩交替计算样本低秩表示系数矩阵和恢复矩阵缺失项,再使用最近邻分类器实现分类.在一些公开人脸数据集上的实验表明,在训练样本矩阵元素随机缺失时,文中方法可以有效提高识别精度及降低填充误差.     

鲁棒低秩稀疏表示的在线目标跟踪

为提高目标跟踪的准确性,针对当前目标跟踪算法因光照、遮挡以及姿态变化等因素引起的漂移问题,提出一种鲁棒低秩稀疏表示的在线目标跟踪算法(LRSP)。以粒子滤波作为目标跟踪的基本框架,通过联合采用低秩矩阵恢复和稀疏表示,发现连续帧和密集粒子之间潜在结构信息,降低数据维度,减少计算复杂度,提高目标跟踪的准确性。实验结果表明,相对于其它目标跟踪算法,LRSP算法可以更准确地跟踪目标,对光照和姿态变化具有良好的鲁棒性,对于严重遮挡目标跟踪问题具有明显优势。     

变分调整约束下的反向低秩稀疏学习目标跟踪

目的 低秩稀疏学习目标跟踪算法在目标快速运动和严重遮挡等情况下容易出现跟踪漂移现象,为此提出一种变分调整约束下的反向低秩稀疏学习目标跟踪算法。方法 采用核范数凸近似低秩约束描述候选粒子间的时域相关性,去除不相关粒子,适应目标外观变化。通过反向稀疏表示描述目标表观,用候选粒子稀疏表示目标模板,减少在线跟踪中L₁优化问题的数目,提高跟踪效率。在有界变差空间利用变分调整对稀疏系数差分建模,约束目标表观在相邻帧间具有较小变化,但允许连续帧间差异存在跳跃不连续性,以适应目标快速运动。结果 实验利用OTB（object tracking benchmark）数据集中的4组涵盖了严重遮挡、快速运动、光照和尺度变化等挑战因素的标准视频序列进行测试,定性和定量对比了本文算法与5种热点算法的跟踪效果。定性分析基于视频序列的主要挑战因素进行比较,定量分析通过中心点位置误差（central pixel error,CPE）比较跟踪算法的精度。与CNT（convolutional networks training）、SCM（sparse collaborative model）、IST（inverse sparse tracker）、DDL（discriminative dictionary learning）和LLR（locally low-rank representation）算法相比,平均CPE值分别提高了2.80、4.16、13.37、35.94和41.59。实验结果表明,本文算法达到了较高的跟踪精度,对上述挑战因素更具鲁棒性。结论 本文提出的跟踪算法,综合了低秩稀疏学习和变分优化调整的优势,在复杂场景下具有较高的跟踪精度,特别是对严重遮挡和快速运动情况的有效跟踪更具鲁棒性。     

多矩阵低秩分解的鲁棒特征提取

由于传统的人脸识别算法效果容易受制于光照、表情、遮挡以及稀疏大噪声等外界因素的影响,如何有效提取数据特征、进一步提升算法的鲁棒性,是传统人脸识别方法发展的关键所在.本文将多矩阵低秩分解应用在人脸特征提取中,充分利用多张人脸之间的结构相似性,探索人脸图像集的低秩子空间,进而结合低秩矩阵恢复模型来提取测试样本的低秩特征.最...     

改进稀疏表示模型的目标跟踪

针对受到光照、遮挡及姿态变化等引起的目标外观发生变化时,目标跟踪的鲁棒性和准确性较差的问题,将稀疏表示引入到粒子滤波框架进行目标跟踪,提出一种稀疏协同模型。首先,在目标运动定位模型中,使用灰度强度值表示目标对象;其次,判别模型通过训练正负模板集获得最优分类特征,并在生成模型中对目标直方图加权以提高目标生成效率;然后,将分类判别模型和生成模型集成在协同模型中,利用重构误差确定目标;最后,通过各模块独立更新,减少目标外观变化对目标跟踪的影响。实验结果表明,所提方法的平均中心误差仅为7.5像素,且具备良好的抗噪性和实时性。     

基于低秩矩阵恢复与协同表征的人脸识别算法

针对人脸图像不完备的问题和人脸图像在不同视角、光照和噪声下所造成训练样本污损的问题,提出了一种快速的人脸识别算法--RPCA_CRC。首先,将人脸训练样本对应的矩阵D₀分解为类间低秩矩阵D和稀疏误差矩阵E;其次,以低秩矩阵D为基础,得到测试样本的协同表征;最后,通过重构误差进行分类。相对于基于稀疏表征的分类(SRC)方法,所提算法运行速度平均提高25倍;且在训练样本数不完备的情况下,识别率平均提升30%。实验证明该算法快速有效,识别率高。     

2DPCA与稀疏表示模型的运动目标跟踪法

为了提高目标跟踪的准确性,针对当前目标跟踪算法的光照、遮挡以及姿态变化鲁棒性差等问题,提出了一种二维主成分分析和稀疏表示的目标跟踪算法。采用二维主成分分析和稀疏表示降低数据维数,减少计算复杂度,采用粒子滤波算法跟踪序列图像中的运动目标,采用仿真实验测试算法的性能。仿真结果表明,相对于其他运动目标跟踪算法,该算法可以更准确跟踪视频图像中的运动目标,并对光照和姿态变化具有良好的鲁棒性,对于严重遮挡目标跟踪问题,具有明显的优势。     

基于超像素和判别稀疏的运动目标跟踪算法

针对目标遮挡、非刚性变换、光照变换等因素干扰产生的漂移问题,提出基于超像素和判别稀疏的运动目标跟踪算法。算法首先利用SLIC方法对运动目标的观测区域进行超像素分割,然后通过K-Means算法构建包含目标和背景的超像素字典,再基于判别稀疏表示和[?1]范数最小化框架求解候选目标的稀疏系数,同时结合粒子滤波框架和在线字典更新策略完成目标跟踪。实验结果表明,该算法在多种因素干扰的环境中具有较强的鲁棒性,能够准确稳定地进行在线目标跟踪。     

基于低秩评分的非监督特征选择算法

为将数据的全局结构信息引入特征选择中,提升特征评分机制的有效性,提出一种基于低秩评分的非监督特征选择算法。利用“干净”字典约束的低秩表示模型,获得权值矩阵,该权值矩阵能够揭示数据全局结构信息,具有一定的鉴别能力,将其引入拉普拉斯评分机制,构建低秩评分机制,用于数据的特征选择。在不同的数据库上进行聚类和分类实验,实验结果表明,同传统的特征选择算法相比,该算法的性能更优。     

基于相关滤波与颜色概率模型的目标跟踪算法

针对地面战场环境下相似背景对目标跟踪器产生的干扰，提出了一种基于相关滤波与改进颜色概率模型的目标跟踪算法。首先，在传统颜色概率模型的基础上，利用前景目标直方图与背景直方图的差异性提出了一种突出前景的颜色概率模型；然后，根据相关滤波器响应置信度和最大响应位置生成空间惩罚矩阵，用该矩阵惩罚相关滤波器判定的背景像素的似然概率，利用积分图的方法得到颜色概率模型响应图；最后，将相关滤波器和颜色概率模型得到的响应图进行融合，融合响应图的最大响应位置即为目标的中心位置。与核循环结构滤波器(CSK)、核相关滤波器(KCF)、判别式尺度空间跟踪（DSST）、SAMF、Staple等5种算法在跟踪性能上进行比较，在OTB-100标准数据集上的结果表明，所提算法的整体精度提高了3.06%至55.98%，成功率提高了2.24%至54.97%；在相似背景干扰下，其精度提高了10.28%至43.9%，成功率提高了8.3%至48.29%。在36段战场视频序列上的结果表明，所提算法的整体精度提高了2.2%至45.98%，成功率提高了3.01%至58.27%。该算法能够更好地应对地面战场环境下相似背景的干扰，为武器平台提供更精确的位置信息。     

基于非局部自相似性和低秩矩阵逼近的补全算法

针对传统矩阵补全算法在图像重建方面的不足,提出了一种基于非局部自相似性和低秩矩阵逼近（NL-LRMA）的补全算法。首先,通过相似性度量找到图像中局部块所对应的非局部相似块,并将相应灰度信息进行向量化,从而构建出非局部相似块矩阵;然后,针对所得相似矩阵的低秩性,对其进行低秩补全操作（LRMA）;最后,对补全结果进行重新组合,以达到恢复原始图像的目的。在灰度图像以及RGB图像上进行重建实验,结果表明：在经典数据集上,NL-LRMA算法要比原LRMA算法在平均峰值信噪比（PSNR）上高出4~7 dB;同时,新算法在视觉效果与PSNR值方面也明显优于迭代重加权核范数（IRNN）、加权核范数（WNNM）、LRMA等传统算法。总之,所提算法对传统算法在自然图像重建方面的不足进行了有效弥补,从而为图像重建提供了一种行之有效的解决方案。