一种加速的PCA-L1 增量子空间学习跟踪方法

为解决PCA-L1增量子空间学习跟踪方法运算量大、实时性不强的不足,分析了PCA-L1的目标跟踪算法的运算瓶颈,应用、改进了边界误差重采样(bounded particle resampling,BPR)算法,引进了加速近似梯度法(accelerated proximal gradient,APG),并测试、比较了该方法与其他经典方法的跟踪效果及运算速度.实验结果表明:该方法加速效果明显,能提高跟踪的实时性,有较强的工程应用价值.     

基于改进混合范数的图像重构算法

压缩感知理论利用图像稀疏表示的先验知识,通过少量的测量值精确地恢复出原始图像信号。DTCWT凭借其更好表达图像边缘特征的特点,结合贪婪算法和凸优化算法的优点,在双树复数小波变换为稀疏基,局部哈达玛矩阵为观测矩阵的基础上提出改进的快速二步迭代混合范数算法。该算法的图像重构质量优于FIST算法以及IST算法,实验表明改进的混合范数的图像重构算法具有更好的图像重构质量和重构速度。     

基于SL0的高分辨率Radon变换及数据重建

L₀范数是度量数据稀疏度的最优方法,但它具有的非凸性造成求解困难。本文将光滑L₀范数（Smoothed L₀ Norm,SL₀）稀疏约束引入Radon变换中,降低了其求解难度,并进一步提高了Radon变换的分辨率。即通过构建平滑的连续函数逼近L₀范数,以此作为抛物线Radon变换的目标函数,采用最速下降法和梯度投影原理获得最优解。理论模型和实际地震数据重建试验结果表明,该方法进一步提高了Radon变换分辨率,较好地恢复了缺失地震数据的连续性和AVO特性。     

基于S1/2范数的非局部视频去噪

为了去除视频中的高斯噪声及脉冲噪声,提出了 一种基于S1/2矩阵范数的非局部视频去噪算法。 首先,在视频数据中利用非局部块匹配的钻石搜索算法搜寻与参考图像块最相似的图像块组 ;然后,将搜 寻到的相似图像块组列向量化后组合成的矩阵进行基于S1/2范数的低秩和稀疏分解,分解后 的低秩成分视 为原视频场景信息,稀疏成分视为视频中存在的随机值脉冲噪声及异常值数据;最后,由低 秩矩阵恢复的 各图像块数据经过加权平均后作为参考图像块的去噪估计值,进而求得视频各帧图像的去噪 估计值。实 验结果表明,本文方法能够有效去除视频中的高斯噪声和脉冲噪声,相比同类 算法,去噪后的视频无论 在视觉质量上还是客观评价指标上都有明显的优势。     

基于Lawson范数的通用lncosh稀疏自适应算法

该文提出一种通用稀疏系统识别Lawson-lncosh自适应滤波算法,该算法采用系数向量的Lawson范数和误差的lncosh函数构建代价函数。Lawson范数约束引入参数p,实现稀疏约束滤波动态调整,所提算法可以提高稀疏系统识别时的收敛速度,减小了稳态误差。误差的lncosh函数具有良好的抗脉冲噪声性能。然后,算法分析了步长参数的取值范围和参数p对算法性能的影响。计算机仿真结果表明,在高斯信号输入和色信号输入情况下,所提算法的性能要明显优于其他现存算法,且具备稀疏约束可控特性。     

具有双重稀疏机制的在线学习算法

针对大数据背景下数据分类问题,已有的在线学习算法通常引入L₁范数正则化增强预测模型的稀疏性,但单一的正则化约束不能高效的获取稀疏模型.基于此,提出了一种具有双重稀疏机制的在线学习算法（an online learning algorithm with dual sparse mechanisms,DSOL）.在DSOL算法中,一方面利用L_1/2正则化项约束目标函数以增强预测模型的稀疏性,提高算法的泛化性能.另一方面用改进的梯度截取法对数据特征进行选择,有效稀疏化预测模型.通过L_1/2正则化与改进的梯度截取策略的有机融合,有效利用了历史数据信息,提高了算法分类数据的性能.通过与另4种代表性稀疏在线学习算法在9个公开数据集的实验对比表明DSOL算法对数据分类的准确性更高.     

基于BTV正则项的图像超分辨率重建改进算法

文章在最大后验概率(MAP)随机正则化理论框架下,采用L1范数来构造数据保真项,同时为了更好的保持重建图像边缘,在结合双边滤波(BTV)正则项的基础上,提出了一种能有效利用图像梯度大小和方向信息的正则化模型.实验结果表明,此方法与L1范数结合BTV正则项经典算法相比,能更好的抑制噪声和保持边缘,且在视觉效果和客观评价两...     

基于局部结构变换域稀疏外观模型的目标跟踪

[目的]为了降低稀疏表示目标跟踪算法的计算复杂度,[方法]在粒子滤波框架下提出了基于局部结构变换域稀疏外观模型的视觉目标跟踪算法.[结果]该算法在目标区域附近提取重叠的局部图像块,并计算出所有局部图像块的二维离散余弦变换,获得图像块的变换域系数.变换域的能量集中特性被采用来降低字典的维度与候选样本的数量,并且对系数压缩一定的自由度可以抑制噪声与遮挡影响.采用被裁剪的样本与字典获得局部图像块的稀疏编码,然后将当前目标区域中所有小图像块的稀疏向量加权融合得到目标区域的稀疏表示值,并通过决策模型获取最优跟踪结果.与现有三种最新的跟踪算法比较的实验结果表明,[结论]所提算法的跟踪性能接近或超过对比算法,同时大大减小了f1范数最小化的计算复杂度.