一种面向高斯差分图的压缩感知目标跟踪算法

针对压缩感知目标跟踪算法在目标纹理改变、比例缩放、光照变化剧烈时鲁棒性不足,提出一种面向高斯差分图的实时跟踪算法.首先,构建图像的多尺度空间及其对应的高斯差分图,实现高斯差分图的特征提取并获取压缩感知的输入信号;然后,通过压缩降维,目标邻域遍历,参数更新等过程,计算出面向高斯差分图的后续帧的目标最优跟踪窗;最后,将跟踪窗投影到对应的原始图像上,完成面向视频流的目标跟踪.高斯差分图像是单通道灰度图,具有灰度取值范围小、数值低、结构简单、维数少等特点,增强了特征对纹理改变、比例缩放和光照变化的稳健性,且继承了传统算法的实时性.实验证明,该算法能够快速准确地实现复杂环境下的移动目标跟踪任务.     

大小渐变目标检测与跟踪算法研究

针对快速压缩跟踪(FCT)算法难以适应复杂背景下大尺寸目标渐变成一个点目标的情况,提出一种改进的目标跟踪算法。首先采用FCT进行跟踪,并且计算当前帧跟踪框与初始跟踪框之间的余弦相似度。一旦余弦相似度小于设定的阈值,则立即切换到卡尔曼滤波器,并且采用基于最大连通域的方法检测目标位置及大小。当目标接近点目标,则将目标检测方法切换至基于高斯差分尺度空间的目标检测方法。实验结果表明该算法可以实现尺寸渐变目标的实时跟踪。     

目标尺寸自适应压缩感知跟踪算法

压缩感知近年来在目标跟踪领域得到了广泛应用,它对海量特征压缩降维,在贝叶斯分类器模型下能取得很好的分类效果,处理速度快,具有实时性。但尺寸固定不变的跟踪窗口不能有效跟踪存在明显尺度变化的目标。本文采用多尺度和级联分类器机制,选取最佳尺度下的窗口作为最终目标。实验结果表明,本算法不仅在目标形态变化、光线变化、多目标干扰、运动模糊等复杂场景下有较好跟踪效果,在目标尺度变化时也有较强鲁棒性。     

一种改进的长时间压缩感知跟踪算法

压缩感知跟踪(CT)算法具有简单、高效、实时的优点,但是却存在着跟踪窗口尺寸不能自适应变化,无法有效处理遮挡以及跟踪失败后的目标再发现等问题.为了解决上述问题,提出了一种改进的长时间压缩感知跟踪算法.所提出的算法采用多尺度的目标外观再匹配方法,使得跟踪窗口大小能够适应目标尺寸变化.此外,通过分析滑动窗口内跟踪窗口图像的整体特征变化来判定目标是否发生遮挡.为了解决跟踪器漂移问题,采用Haar特征在线生成检测器,实现目标的再发现.实验结果表明提出的算法相比原CT算法具有更好的鲁棒性和准确性.     

带权分块压缩感知的预测目标跟踪算法

针对矩形跟踪框在边缘处包含较多背景信息的问题,该文提出一种基于规范化梯度特征的带权分块压缩感知的目标特征提取方法。该方法将压缩感知测量矩阵转化为分块对角矩阵,且根据块的重要程度分配适当的权重,缩小测量矩阵规模,简化特征提取运算,弱化背景干扰。然后将提取的特征输入变先验概率的贝叶斯分类器,变先验概率的分类器充分利用已有的跟踪结果,从一定程度预测了目标的运动方向,减小候选目标的分类歧义性,使得每一帧的分类函数根据以往跟踪结果进行变化,提高了分类的准确度。实验在8个具有常见跟踪难度的序列中测试,并与目前较流行的4种目标跟踪算法在跟踪效果、成功率等方面进行比较,结果从多个角度表明,该文提出的目标跟踪算法具有较高的准确度和稳定性。     

基于高斯金字塔与差分法的多目标检测和跟踪算法

针对复杂背景下的多目标检测和跟踪问题,提出了将背景差分目标检测算法与高斯金字塔图像重采样相结合的运动目标检测算法．该算法采用高斯金字塔法对图像进行重采样,建立背景模型,使用背景差分法获得前景区域,并对前景区域进行阴影检测、去除,从而检测出完整目标．融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测．在目标阈值的确定过程中,采用动态阈值确定法,以提高目标检测的正确性．同时将目标的颜色特征和运动矢量引入到多目标跟踪算法中,提高目标跟踪的准确性．实验结果表明,该算法对于场景中存在目标频繁出现、消失、交叉运动和遮挡等情形均有较好的检测与跟踪效果．     

一种稀疏增强的压缩感知MIMO-OFDM信道估计算法

基于压缩感知(Compressed Sensing, CS)的信道估计可以达到减少导频的目的,但在频-时域信道矩阵到时延-多普勒域的稀疏变换中存在谱泄漏现象,影响了信道矩阵的稀疏性和估计的均方误差(MSE)性能。为此该文对信道的稀疏性进行研究,提出一种时域加窗的稀疏优化CS信道估计算法。通过对时域加窗,所提算法抑制了由离散截断导致的多普勒域泄漏,再据此设计出观测矩阵,以此方式增强信道在时延-多普勒域的稀疏性,并实现对稀疏的信道矩阵更为准确的重构,达到改善信道估计MSE性能的目的。仿真结果表明随信噪比的增大,加窗CS算法相比无窗CS算法有效改善了信道估计的性能。     

一种压缩感知重构算法

为提高压缩感知重构精度,该文提出一种分段弱阈值修正共轭梯度追踪算法。该算法修正了方向追踪算法的方向,明确给出了搜寻原子下标的停止迭代准则,利用搜寻所得下标集通过最小二乘法得到稀疏信号的估计值。仿真结果表明在同等稀疏的条件下实现精确重构,该算法与匹配追踪(MP)算法和分段正交匹配追踪FDR阈值算法(StOMP-FDR)相比,所需的观测值个数少20%;在处理2维图像信号时,其重构精度比分段正交匹配追踪FAR阈值算法(StOMP-FAR)和贝叶斯算法(BCS)高1%。     

基于压缩感知的变尺度目标跟踪技术

为解决变尺度目标的跟踪问题,本文基于压缩感知理论设计了一种具有目标尺度不变性的目标跟踪方法。该方法首先通过插值的方式将初始帧中要跟踪的目标扩展细化至设定的模板图像大小,提取其压缩感知变换后的低维Haar-like特征作为模板特征并初始化分类器,其次利用卡尔曼滤波对待跟踪的图像帧中目标所在位置和尺度变化趋势进行预测,然后在预测目标所在位置周围提取多个不同尺度的待测目标样本并提取其压缩感知变换后的低维Haar-like特征,最后将这些特征送入分类器进行分类得到真实目标并更新分类器。经过实验验证,本文所设计的跟踪方法的平均跟踪成功率为77%,平均中心位置误差为12像素。能够实现对运动过程中发生尺度变化的目标的有效跟踪。     

遮挡情况下多尺度压缩感知跟踪

针对现有在线学习跟踪算法中目标在线模型更新错误导致跟踪漂移的问题,提出一种在线模型自适应更新的目标跟踪算法：首先利用压缩感知技术的高效性,对多尺度图像特征进行降维,并提取多尺度样本来实现目标尺度自适应更新,再由提取的正负样本低维图像特征训练朴素贝叶斯分类器,利用分类器输出置信度最大处目标样本完成目标跟踪,并依据当前目标置信度来自适应在线模型更新速率,减少了遮挡带来的目标错误更新。实验表明：该方法在尺度变化、局部和全局遮挡、光照变化等情况下均能完成鲁棒跟踪,平均跟踪成功率较原始压缩感知跟踪算法提高了20.3%。     

基于压缩感知的实时目标追踪算法

提出了一种高效的基于压缩感知的实时目标追踪算法,该算法将空域数据转换到小波域,然后利用变密度采样矩阵对小波域数据进行压缩,从而极大地降低了数据量。在稀疏重建上,将St-OMP算法代替OMP算法以提高稀疏重建的速度。在多种具有挑战性的视频序列上进行实验,结果表明该算法提高了追踪准确度和速度。     

率失真优化的压缩感知图像编码

针对基于压缩感知的图像编码系统,分析了系统中编码参数和码率以及失真的关系,在此基础上提出了基于压缩感知的图像编码系统的码率-失真模型.根据所提模型设计了率失真优化的压缩感知图像编码算法.在给定码率的条件下,优化编码参数,使得编码器失真最小.算法在Matlab的编码平台上进行了仿真和实验,结果证明提出的码率-失真模型能够很好地拟合实际率失真曲线,并且基于该模型的率失真优化算法有效的提高了压缩感知图像编码系统的性能.     

压缩感知图像融合

目前图像融合的方法大多数都是基于小波变换的图像融合方法,通过对小渡变换之后的低频系数和高频系数分别采用不同的融合准则,来达到所需要的图像以进行下一步处理,这些方法需要知道原始图像,也就是对硬件要求较高。采用压缩感知图像融合,即,将压缩感知用于图像融合,使得只知道原始图像在某个变换下的投影值的情况下,通过对已知的投影值使用融合规则得到融合后的投影值,然后用重构算法重构出图像,大大降低了对硬件的要求。在此给出了压缩感知融合方法与基于小波变换的图像融合方法的实验结果,融合结果表明,在不降低融合效果和视觉效果的基础上,该方法能够极大地降低硬件成本。采用熵作为衡量融合效果的指标,并对用两种方法融合的结果图像做了对比,研究结果表明,CS融合方法要优于基于小渡变换的图像融合方法。     

基于压缩感知的数字全息成像技术

提出一种基于压缩感知理论和数字全息术的数字全息压缩成像技术。通过传统相移数字全息技术获取干涉图样,将干涉同样投影到测量矩阵上,通过计算內积直接获取全息压缩数据。这些数据经过传统通信信道传输后,利用压缩感知重构算法获得原始全息数据,然后经过菲涅尔逆变换得到原始图像。实验仿真结果证明了这种压缩全息成像方法的可行性。     

基于压缩传感的光子计数成像系统

提出了一种基于压缩传感理论的光子计数成像系统。该系统以单光子计数器作为探测元件,以期在面元探测技术不甚成熟的现状下用点探测器进行极弱光探测。通过计算机模拟计算,验证了压缩传感理论结合单光子计数器应用于极弱光成像的可行性,讨论了单光子计数器的暗计数率、量子效率和测量噪声对成像质量的影响。介绍了压缩传感理论,为了获得更好的图像质量和更快的计算速度,提出了SpaRSA-DWT稀疏重建算法,并与传统的IWT算法进行对比。给出了两种算法下,迭代次数、测量数、噪声功率分别与获得图像信噪比的关系曲线,证明了SpaRSA-DWT算法的优越性。     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,直到恢复该波段原始图像。仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果。     

基于压缩感知的数字图像水印算法

压缩感知理论作为新一代信息处理理论基础,在很多领域得到了应用,但在数字水印方面的应用还有待发展。利用压缩感知理论,在图像稀疏化后的观测域中实现水印嵌入过程。用小波变换将原图像稀疏化,选择一个固定高斯随机矩阵对其进行观测,在观测压缩域中嵌入与提取水印,用匹配追踪算法恢复稀疏信号。实验结果表明,该算法满足透明性、鲁棒性和安全性要求;同时抗提取实验表明,该算法能有效抵御非法提取水印信息,增加了安全性。     

基于压缩感知的空间谱估计

以多重信号分类（Multrple Signal Classification,MUSIC）算法为代表的现代空间谱估计方法,估计的信源数受限于阵列形式,并且需要的采样数据量巨大.文章从压缩感知的基础理论出发,利用目标信号空间分布的稀疏性,建立了基于压缩感知的阵列信号空间谱估计模型.利用压缩感知方法,可以使用较少的阵元数对空间信号进行采样测量,并准确重构信号.相比传统的MUSIC空间谱估计算法,该方法所需阵元数少,采样数据量小,并且能同时进行信号强度和角度的估计.所提方法对推动压缩感知理论在阵列信号空间谱估计中的应用具有一定意义.     

Denoising recovery for compressive sensing based on selective measure

In order to reduce the effect of noise folding (NF) phenomenon on the performance of sparse signal recon-struction,a new denoising recovery algorithm based on selective measure was proposed.Firstly,the NF phenomenon in compressive sensing (CS) was explained in theory.Secondly,a new statistic based on compressive measurement data was proposed,and its probability density function (PDF) was deduced and analyzed.Then a noise filter matrix was constructed based on the PDF to guide the optimization of measurement matrix.The optimized measurement matrix can selectively sense the sparse signal and suppress the noise to improve the SNR of the measurement data,resulting in the improvement of sparse reconstruction performance.Finally,it was pointed out that increasing the measurement times can further enhance the performance of denoising reconstruction.Simulation results show that the proposed denoising recon-struction algorithm has a better improvement in the performance of reconstruction of noisy signal,especially under low SNR.