基于稀疏表示的可变形部件模型目标检测

基于可变形部件模型DPM的目标检测算法采用方向梯度直方图HOG进行特征表示,由于HOG无法处理模糊的边界而且忽略了平滑的特征区域,从而影响了DPM算法的性能。为了提高DPM的性能,提出了一种基于稀疏表示的可变形部件模型目标检测的方法。该方法利用稀疏编码构建一种新的特征描述子来取代原可变形部件所使用的方向梯度直方图,新的特征描述子能够描述物体更多的信息,对图像中的噪声不敏感。实验结果表明,该方法在PASCAL VOC 2012数据集上提高了原可变形部件模型算法的精度。     

基于局部特征和稀疏表示的图像目标检测算法

传统的基于局部特征的图像目标检测算法具有对遮挡和旋转敏感、检测精度不高以及运算速度慢的特点,为了改进该算法的性能,提出了一种将图像局部特征应用于稀疏表示理论的图像目标检测算法。该算法利用随机树的方式有监督地学习样本图像的局部特征形成字典,通过学习好的字典和测试图像的子块来预测图像中目标的中心位置,以此寻求待检测图像稀疏的表示,从而实现对图像中感兴趣目标的检测。实验结果表明,该算法对目标的遮挡、旋转和复杂背景有很好的鲁棒性,而且检测精度和运算速度相对于同类经典算法均有提高。     

Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法

目的 红外弱小目标检测是红外图像处理领域中难度大且实际意义相当重要的一项研究热点问题,其在侦察预警系统、飞行器跟踪系统与导弹制导系统中都扮演了十分重要的角色。自然背景下的红外图像一般具有较低信噪比,其中背景占据着绝大部分面积,而目标尺寸很小且不具有明显形状和纹理信息,这为红外图像中弱小目标的检测增加了难度。本文提出一种将Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法。方法 首先利用Facet模型提取原红外图像在0°、90°、45°和-45° 4个方向上的一阶导数特征,然后通过稀疏表示方法,在方向导数信息基础上对图像进行分块逐一处理,利用求解出的稀疏系数和导数图像块的重建残差构建检测数值图,最后分割出小目标所在具体位置。结果 通过对4组不同红外图像序列进行实验验证,绘制了检测率与虚警率ROC曲线图。从结果可以看出,本文算法相较于对比算法在小目标检测中具有较高检测率。结论 本文算法将Facet方向导数特征与稀疏表示相结合,在红外弱小目标检测上具有较高检测精度和较强抗噪声干扰能力,相比于传统检测算法具有一定优势,同时可根据不同检测背景训练出相应背景字典,从而得到较好检测效果,在实际工程应用中具有良好针对性。     

基于稀疏表示的协同入侵检测算法

针对现有入侵检测算法误报率较高和鲁棒性较差的问题,提出一种基于稀疏表示的协同入侵检测算法。通过构建正常类和攻击类训练字典获取类别内在本质特征,结合子空间结构理论计算重构误差,从而判定测试样本类别。实验结果表明,该算法能保证较高的检测率和较低的误报率,对不平衡数据集有较好的鲁棒性,对正常行为和异常行为有较好的区分度。     

基于稀疏表示的相关滤波目标跟踪算法

针对相关滤波跟踪算法在目标形变、背景干扰等复杂场景下,易受干扰特征影响导致跟踪失败的问题,提出了基于稀疏表示的相关滤波目标跟踪算法。该算法将稀疏表示与相关滤波相结合,在目标函数中引入L1范数惩罚项,使训练出的相关滤波器只含有目标的关键特征,同时根据相关滤波系数的空间位置为其分配不同的惩罚参数,并采用交替方向乘子法（alternating direction method of multipliers,ADMM）求解相关滤波器。实验结果表明：该算法在三个常用数据集上,与五种相关滤波跟踪算法相比,具有最高的精确度和成功率,且对复杂场景中的干扰特征具有良好的鲁棒性,同时能够满足目标跟踪实时性的要求。     

基于稀疏表示的图像显著区域检测算法

针对图像的显著区域检测问题,提出一种基于稀疏表示的显著区域检测算法。该算法首先利用稀疏编码对图像进行特征描述,然后根据图像的稀疏编码进行视觉显著性的计算,而不是对原始图像直接进行处理,提高计算的效率。最后,根据视觉显著性的计算结果,进行显著性区域分割。在公开的测试图像集上进行实验,并和目前几种流行的算法进行实验对比。实验结果表明,该算法用于图像的显著区域检测是正确有效的。     

基于全局和局部短期稀疏表示的显著性检测

显著性检测是计算机视觉研究的一个重要问题。提出了一种由底向上的基于稀疏表示的显著性检测新算法。一般显著性检测主要包含两个部分,即图像特征提取和显著性度量。对于一幅给定的图像,首先利用独立成分分析(ICA)方法提取图像特征,然后用一个局部和全局模型对图像进行显著性度量。其中,利用一种低秩表示方法提取全局显著性,以及利用一种稀疏编码方法提取局部显著性。最后融合局部和全局显著图得到最终的显著图。在一个人眼关注数据库上与目前几种流行的方法进行了对比实验,实验结果显示所提出的方法能够得到更高的视觉关注预测准确率。     

结构稀疏表示分类目标跟踪算法

为提高目标跟踪算法在复杂条件下的鲁棒性和准确性,研究了一种基于贝叶斯分类的结构稀疏表示目标跟踪算法。首先通过首帧图像获得含有目标与背景模板的稀疏字典和正负样本;然后采用结构稀疏表示的思想对样本进行线性重构,获得其稀疏系数;进而设计一款贝叶斯分类器,分类器通过正负样本的稀疏系数进行训练,并对每个候选目标进行分类,获得其相似度信息;最后采用稀疏表示与增量学习结合的方法对稀疏字典进行更新。将该算法与其他4种先进算法在6组测试视频中进行比较,实验证明了该算法具有更好的性能。     

基于稀疏表示的目标跟踪方法

提出了一个新的基于稀疏表示的目标跟踪方法.在粒子滤波框架下,将目标模板线性表示为所有目标候选的线性组合.当假设目标候选中存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,可以通过(L)1范式最小化求解.每一个目标候选在线性表示中的系数反映了该候选与目标模板的相似程度,因此可以将系数作为目标候选的权重.目标跟踪的结果为权重最大的候选.实验结果表明本文提出的算法比文献中现有的基于(L)1范式最小化的跟踪方法性能更稳定、计算效率更高.     

基于时空约束和稀疏表示分类的目标跟踪算法

针对经典稀疏分类目标跟踪算法中目标模板和目标基的建模及更新方式效率低,跟踪性能不可靠等问题,提出一种新的目标跟踪算法,解释了时空约束原理,目标基、背景基、时序特征池的创建方法以及选择与抛弃两种基更新机制;该算法采用时序循环更新方式解决模板更新问题,结合稀疏表示分类和标准对冲实时计算目标坐标。相比其他几种经典目标跟踪算法,有效提高了在复杂背景下的目标跟踪性能。     

基于稀疏表达的遮挡目标跟踪算法

针对视觉跟踪中的目标遮挡问题,提出一种基于稀疏表达的视觉跟踪算法。采用稀疏表达方法描述跟踪目标,构造基于Gabor特征的目标词典和遮挡词典,通过l1范数最优化求解稀疏表达系数。在粒子滤波框架下跟踪目标,根据稀疏表达系数判断遮挡,并利用重构残差更新遮挡情况下的粒子权重。在目标模板更新时,通过引入可靠性评价来抑制模板漂移。实验结果表明,该算法能够有效地跟踪处于遮挡状态下的运动目标,并对目标姿态变化以及光照变化具有较好的鲁棒性。     

基于稀疏表达的视频文字检测方法

针对传统视频文字检测方法存在效率较低、计算复杂、精确度不高的不足,提出一种视频文字检测方法,通过基于边缘密度和连通域分析的文字粗检测得到候选文本行,利用稀疏表达分类产生的过完备词典进行文字行验证。实验结果表明,该方法具有较好的检测性能,可以应用于视频检索系统。     

基于稀疏表达的图像超分辨率算法实现*

基于学习的超分辨率算法利用样本先验信息重建高分辨率图像,在遥感、刑侦和医学图像领域有着广泛应用。论文分析了前沿的基于稀疏表达的图像超分辨率算法,实现了该算法功能,为了便于基于稀疏表达超分辨率算法的应用,论文设计并实现了基于对话框和参数调节控件的图像超分辨率算法框架,实验结果表明论文实现的算法框架具有良好的可用性和拓展性。     

基于三层稀疏表示的图像修复算法

利用单一字典修复包含多种结构成分的复杂图像的效果不太理想,针对该问题,提出一种基于三层稀疏表示的图像修复算法。该算法利用离散平稳小波、曲波和波原子稀疏来表示图像的光滑、边缘和纹理部分,采用块坐标松弛算法求解对应的稀疏优化问题实现图像修复。实验结果表明,该算法可以修复包含多种结构成分的图像,有效提高图像的修复质量。     

基于小波表征的遥感影像的目标检测

指出了基于像素灰度值的影像表征方法在表达检测目标信息上的不足,提出了运用小波变换的方法对遥感影像进行信息提取和表达。为了增强表达检测目标信息的能力,采用H aar母小波作为影像小波变换的小波基。实验表明:基于小波变换的表征方法在遥感影像目标检测的诸多性能指标上都优于基于影像像素灰度值的表征方法。     

基于稀疏表达的多示例学习目标追踪算法

追踪目标在经历较大姿势变化时,会导致追踪目标偏移甚至丢失。为此,提出一种基于稀疏表达的多示例学习目标追踪算法。联合多示例学习与稀疏表达方法,将目标物体的局部稀疏编码作为多示例学习的训练数据,通过学习正负样本的局部稀疏编码获得一个多示例学习的分类器,分类的结果与粒子滤波框架相结合,估计目标在整个视频序列中的运动状态。实验结果表明,该算法稳定性较好,与增量学习追踪算法、范式学习追踪算法和多示例学习追踪算法相比,其中心位置误差率减少30%以上。     

基于几何证据收集的物体检测

人造物体通常具有非常稳定的形状特征,这种几何上较为持久和稳定的属性为物体识别提供了证据,并且它们相对于外观特征、颜色特征或灰度梯度特征等更具有稳定性和分辨力。基于形状特征对物体进行识别的难点在于物体的颜色、光照、尺寸、位置、姿态和背景干扰总是在不断变化的,且不可能事先预测到所有可能的环境。这种物体本身和环境的多样性使得基于几何形状的物体识别成为一个非常具有挑战性的难题。通过定义一种基于形状模板、对边缘线段化之后的图像进行几何证据筛选、收集和组合判断的方法,实现从背景环境中精确找到目标物体,并能够指出组成物体的线段的语义属性。该方法的实质是解一个全局最优的组合优化问题。虽然全局最优组合优化问题看似复杂度很高,但它无需定义复杂的特征向量,无需高代价的样本训练过程,具有非常好的泛化能力和环境适应性,并且能够使用几何特征来提高组合效率,具有更可靠的认知心理学依据。此外,几何证据收集过程简洁明了及具有普适性的特点使其表现出极大的应用前景。实验结果证明该方法在应对环境变化、不变性识别、精确指出物体的几何构造、搜索效率与计算量等方面表现出显著的优势。这一尝试有助于理清发生在物体识别过程中的一些带有普遍性的加工环节。     

基于稀疏Transformer的雷达点云三维目标检测

随着计算机视觉技术的发展,基于点云的三维目标检测算法被广泛应用于自动驾驶、机器人控制等领域。针对点云稀疏条件下基于点云三维目标检测算法鲁棒性较差、检测精度低的问题,提出基于稀疏Transformer的三维目标检测算法。在注意力矩阵生成阶段,通过稀疏Transformer模块显式选择Top-t个权重元素,以保留有利于特征提取的权重元素,在降低环境噪点对鲁棒性影响的同时加快Transformer模块的运行速度。在回归阶段,将基于空间特征粗回归模块生成的边界框作为检测头模块的初始锚框,用于后续边界框的精细回归操作。设计基于体素的三维目标检测算法的损失函数,以精确地衡量类别损失、位置回归损失和方向损失。在KITTI数据集上的实验结果表明,相比PointPillars算法,该算法的平均精度均值提高3.46%,能有效提高点云三维目标的检测精度且具有较优的鲁棒性。相比原始Transformer模块,所提稀疏Transformer模块在点云图像上的平均运行速度加快了约0.54 frame/s。     

刚体在软体对象环境中的碰撞检测的研究

刚体在软体对象环境中的碰撞检测在虚拟现实的研究领域具有很大的普遍性 ,但以往的研究较少 .文中给出了一种基于固定方向凸包 (FDH)包围盒树的碰撞检测方法 ,并着重论述了利用线性规划的思想以解决刚体自由运动后包围盒树的更新以及通过一种自底向上的方法解决软体对象变形后包围盒树的更新 .实验表明 ,该方法不仅能较好地解决刚体间的碰撞检测 ,而且能有效地解决刚体与软体间的碰撞检测