改进的截断核范数及在视频前背景分离中的应用

截断核范数(Truncated Nuclear Norm, TNN)算法是一种经典的鲁棒主成分分析(Robust Principal Component Analysis, RPCA)算法,被广泛应用于视频前背景分离等领域。作为RPCA一种典型方法,TNN算法在一定程度上能准确地描述传统RPCA算法中的秩函数,但该模型中的核范数仍然是一种凸代理函数,逼近程度不高。为了进一步提高TNN算法对秩函数的逼近度,本文提出了一种改进的截断核范数(Improved Truncated Nuclear Norm, ITNN)算法,该算法采用非凸γ范数替代TNN模型中的核范数,并采用广义交替方向乘子法(Generalized Alternating Direction Method of Multipliers, GADMM)对该模型进行求解。最后,将提出的ITNN算法应用于视频前背景分离中,从视觉、量化和时间三个角度验证了本算法在视频前背景分离中的优势。     

基于加权l1范数稀疏信号表示的DOA估计

为了在小样本、低信噪比以及高信源相关性的条件下都能对波达方向(direction of arrival,DOA)进行精确估计,基于压缩感知理论,利用目标信号空间分布的稀疏性,提出了基于加权l_1范数稀疏信号表示的DOA估计算法.该算法对l_1-奇异值分解(singular value decomposition,SVD)算法进行改进,对接收矩阵进行预处理,根据子空间的正交性确定加权矩阵,以加权l_1范数作为最小化的目标函数进行优化得到稀疏信号,进而得到信号的DOA.仿真结果表明,通过加权处理的l_1范数下稀疏信号重构方法能有效抑制偏差,在低信噪比下能够准确稳定地估计出DOA,并且能够提高估计精度.     

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．     

一种新的稀疏重构的DOA估计算法

为提高低信噪比和较少快拍数条件下远场窄带信号波达方向的估计精度,提出一种新的基于加权l₁范数的稀疏重构波达方向的估计算法．该算法首先采用前后向空间平滑技术获得阵列输出数据协方差矩阵;其次构造出改进Capon算法空间谱函数中的倒谱系数矢量,设计得到符合加权l₁范数的权值矩阵;最后通过奇异值分解对接收数据进行降维处理,获得基于稀疏重构的加权l₁ 范数约束问题模型．仿真结果表明,在低信噪比或快拍数较少的情况下,该算法能够有效地抑制空间谱伪峰和保证较强的稳健性,且信源不需要进行相关处理,仍能获得很高的估计精度．     

提高工件表面缺陷提取鲁棒性的改进低秩矩阵恢复算法

针对传统的工件缺陷提取方法存在鲁棒性差的问题，提出一种基于同态滤波的改进低秩矩阵恢复算法。首先使用同态滤波方法增强光照分量、抑制工件反射分量，减小光照不均和工件强反光产生伪缺陷的影响；然后应用鲁棒主成分分析模型将工件表面缺陷提取问题转换为低秩背景矩阵和稀疏缺陷矩阵分离的低秩矩阵恢复问题；最后使用非精确拉格朗日乘子法对由鲁棒主成分分析模型转化的凸优化模型进行求解。以带有凹坑、划痕缺陷的轴类工件为样本，通过计算F-measure值完成方法验证，实验结果表明：在不同光照强度的实验条件下，离散傅里叶算法提取凹坑缺陷和划痕缺陷的平均F值分别为0.435 7和0.381 9；本文提出算法提取凹坑缺陷和划痕缺陷的平均F值分别为0.726 0和0.716 9，结果验证了所提算法的有效性和较高鲁棒性。     

基于高阶阈值算子与张量全变分的前景检测

基于鲁棒主成分分析（RPCA）的方法有一个潜在的假设，即场景中移动物体的像素是稀疏离群值，其往往忽略了物体的时间和空间结构，导致这些方法在动态背景、遮挡、光照变化等场景下检测效果降低。针对这一问题，提出了一种基于张量鲁棒主成分分析（TRPCA）的张量非凸稀疏模型。首先，利用三种常见收缩算子的优点，引入了二阶广义收缩阈值算子（GSTO），探索适用于高阶张量数据的高阶广义阈值收缩算子（HoGSTO），进而提升背景建模的鲁棒性；然后，为了表征视频前景中移动目标像素之间的相关性，在视频前景建模的过程中，利用张量全变分正则化（TTV）增强前景的时空连续性；接着，通过自适应l1范数对视频中的动态成分建模，避免了对前景建模产生干扰。多个视频帧的实验结果表明，该方法在移动目标检测任务中优于现有的方法，能够更好地分离前景和背景。     

基于低秩稀疏表达的弹性最小二乘回归学习

为了克服重定向最小二乘回归模型容易破坏回归目标的结构的缺点,提出了一种基于低秩稀疏表达的弹性最小二乘回归学习模型LRSR-eLSR。模型以最小二乘回归为基础,不使用严格的0-1标签矩阵作为目标矩阵,而是引入边距约束来直接从数据中学习回归目标,可以在保持回归目标低秩结构的同时,增加回归模型的灵活性。而且,为了捕获数据的结构信息,利用了数据的低秩表示来保持数据的结构。在计算的过程中,考虑问题求解的复杂性,使用了核范数正则化代替秩函数。除此之外,模型还引入了一个带有L_2,1范数的稀疏误差项来补偿回归误差,这有利于学习更灵活地变换。模型还对投影矩阵施加额外的正则化项,来避免过拟合问题。实验结果表明：在4个公开的数据集上,所提模型的识别准确率优于其他方法;在COIL-20数据集中,识别率可达到98%。     

基于阵列协方差矩阵列向量稀疏表示的高分辨波达方向估计

提出了两种基于稀疏重构的高分辨波达方向(DOA)估计方法。对空间进行粗、细两步网格划分,并在相应的过完备基下获得阵列协方差矩阵列向量的稀疏表示,分别基于剔除及差分处理抑制噪声干扰影响。采用lp范数约束正则化迭代加权最小范数(FOCUSS)算法进行稀疏重构,在重构过程中,对过完备基进行奇异值分解并剔除奇异值小于阈值项以减小计算量,并解决过完备基条件数过大带来的病态问题。仿真结果验证了所提算法的有效性和鲁棒性。     

一种稀疏度自适应的网络流量矩阵测量方法

为提高网络流量矩阵测量的精度,在压缩感知框架下提出一种稀疏度自适应的网络流量矩阵测量方法.通过对网络流量矩阵的主成分分析及奇异值归一化处理寻找信号支撑集选择的判定阈值,利用网络流量矩阵重构过程中的残差L2范数匹配计算各测量时间点上网络流量矩阵的稀疏度,减小由于网络流量矩阵近似稀疏表示以及稀疏度选择不准确造成的测量误差.仿真实验结果表明:所提出的方法与现有方法相比能够获得更小的空间相对误差和时间相对误差.通过稀疏度自适应选择方法,能够有效提高网络流量矩阵的测量精度.     

高噪声图像的结构性缺失低秩矩阵重建算法

为了提高图像信噪比和结构性缺失低秩矩阵重建精度,本文提出基于重加权的高噪声图像的结构性缺失低秩矩阵重建算法.利用中值滤波、阈值处理以及小波系数法对高频子带图像中的脉冲噪声进行处理.利用小波逆变换获取恢复图像,实现高噪声图像初步处理,构建低秩与稀疏先验下结构性缺失矩阵重建模型.根据低秩先验和稀疏先验对重建矩阵进行约束,并...     

多摄像机下动态前景分离的视频拼接算法

针对多摄相机固定拍摄的条件,提出一种新的动态前景分离的视频拼接算法,该算法主要解决了视频中运动物体所导致的匹配错误以及可能产生的拼接鬼影现象.首先提取视频的背景图像并分离前景,利用一套自动配准的算法对背景图像进行配准得到匹配关系,进而建立大场景背景视频;提取动态前景并计算在视频重叠区域中的前景目标的匹配度以判断2视频中目标是否为同一物体,重新取舍并补回背景视频中,从而避免了直接拼接所引发的鬼影现象.实验结果表明,该视频拼接算法匹配精度高、鲁棒性强、视频流畅、计算效率高并基本达到实时拼接的效果.     

复杂背景及复杂运动前景下的指尖检测方法

人手指尖空间位置的检测是基于视觉的人机交互中的关键问题,该文提出了一种在复杂背景以及复杂运动前景的情况下也能快速、准确、鲁棒得检测指尖的方法。针对传统方法必须对背景、前景设定约束的问题,该文提出了感兴趣运动前景提取算法,即仅提取包含运动人手的前景图像。针对传统方法造成指尖误检测的问题,提出了结合多种人手轮廓关键几何特征来有效得检测指尖的算法,当采集的图像中未包含有伸出的手指时,该算法也能及时作出无指尖判断。实验结果表明该方法对指尖位置检测及无指尖的判断均有较高准确率。     

交通流视频检测中背景初始化算法

为了获取具有运动前景物体的初始背景,提出一种基于聚类识别的背景初始化算法。首先利用滑动可变窗口检测每个像素的所有不重叠平滑子序列,获取可能背景;然后选择每个平滑子序列的中值样本点构建分类序列集,根据未知类别的无监督聚类识别思想获取背景子集,实现背景初始化。选取不同交通状态的视频训练序列,将本文方法同中值法、一致性检测法进行了对比实验。结果表明,本文方法具有良好的适应性,可克服缓慢运动大型前景物体造成的影响,实现覆盖率大于50%的背景初始化。     

Image super-pixels segmentation method based on the non-convex low-rank and sparse constraints

Image super-pixels segmentation is considered as the subspace clustering problem. A new constraint condition is presented to be equivalent to using the clean data as the dictionary. The non-convex proximal p-norm of the coefficients matrix is used for the sparse constraint, and, the non-convex proximal p-norm of the singular values of the coefficients matrix is used for the low-rank constraint. Then a non-convex minimization model is proposed. The augmented Lagrangian method and the AM (alternating minimization) method are applied for solving the unknown matrices. The results of numerical experiments show that the constraint condition presented in this paper is better than using the original data as the dictionary, and that the non-convex proximal p-norm has a better segmentation result than the convex nuclear norm and l₁ norm.     

区间离散时滞广义系统的状态反馈鲁棒H_∞控制

讨论一类区间离散时滞广义系统的状态反馈鲁棒H∞控制问题。在给出区间离散时滞广义系统的等价描述后,基于系统参数不等式,得到问题可解的充分条件,并给出状态反馈控制器显式表示。所得的控制器保证闭环系统正则,具有因果关系,稳定并且满足给定的H∞性能指标。数值例子说明了该方法的正确性.     

具有饱和因子的时滞广义系统的鲁棒H∞控制

研究了一类带有饱和因子的时滞广义系统的鲁棒H∞控制问题．通过构造广义Lyapunov函数和线性矩阵不等式（LMI）方法,给出了系统具有H∞范数约束γ的一个充分条件,进而给出了一种H∞控制器的设计方法．     

集成多特征信息的运动阴影检测

为实现监控场景中运动目标和阴影的准确分割,提出了一种基于GMM和MRF的运动阴影检测与消除算法.首先,利用GMM的学习能力建立背景统计模型并得到前景区域像素集合.其次,将前景区域与对应背景区域间的颜色、边界、纹理和时空一致性等特征信息集成到马尔可夫随机场能量函数中,并利用图割算法实现马尔科夫随机场能量函数的最小化,得到...     

二维时空熵运动检测中的自适应门限技术

针对图像序列中运动检测门限的选取问题,提出一种基于二维时空熵准则自适应确定检测门限的新方法．将运动检测归结为两个二值划分问题,无需已知背景分布的具体形式和参数,利用二维熵准则自适应确定门限矢量(S,T)．并提出一种二维熵门限快速计算方法,利用积分和迭代操作避免二维熵门限求解过程中点的重复计算,将灰度级为N的图像的运算量从O(N4)降低到O(N2)．实验结果表明,该方法在目标和背景对比度较低的情况下也可提取出完整的运动目标信息,可实现实时处理．     

一种基于空间信息的运动目标检测方法

针对现实生活中由于光照变化、背景噪声干扰、摄像机抖动等因素对运动目标的检测与识别存在巨大挑战的问题,提出了一种基于空间信息的运动目标检测算法。通过对像素点及其区域的亮度和角度差分等信息提取特征,建立背景模型,去除光照因素的干扰,比较当前帧和背景模型的相似系数确定前景区域,并且采用了自适应阈值的方法二值化前景图。实验证明,该方法能克服光照突变等复杂背景的干扰,实现对运动目标实时准确检测。     

Low tensor-train rank with total variation for magnetic resonance imaging reconstruction

The model by imposing the low-rank minimization has been proved to be effective for magnetic resonance imaging(MRI) completion. Recent studies have also shown that imposing tensor train(TT) and total variation(TV) constraint on tensor completion can produce impressive performance, and the lower TT-rank minimization constraint can be represented as the guarantee for global constraint, while the total variation as the guarantee for regional constraint. In our solution, a new approach is utilized to solve TT-TV model. In contrast with imposing the alternating linear scheme, nuclear norm regularization on TT-ranks is introduced in our method as it is an effective surrogate for rank optimization and our solution does not need to initialize and update tensor cores. By applying the alternating direction method of multipliers(ADMM), the optimization model is disassembled into some sub-problems, singular value thresholding can be used as the solution to the first sub-problem and soft thresholding can be used as the solution to the second sub-problem. The new optimization algorithm ensures the effectiveness of data recovery. In addition, a new method is introduced to reshape the MRI data to a higher-dimensional tensor, so as to enhance the performance of data completion. Furthermore, the method is compared with some other methods including tensor reconstruction methods and a matrix reconstruction method. It is concluded that the proposed method has a better recovery accuracy than others in MRI data according to the experiment results.