一种运用显著性检测的行为识别方法

针对传统稠密轨迹行为识别法不能很好地区分行为区域和背景的问题,提出一种运用显著性检测的行为识别方法。考虑到视频显著性在较小的时空范围内变化不大,将视频在时域分割为多个短子视频,并将子视频在空域划分成小块,再以块为基础运用一种两阶段显著性检测方法获取每个子视频的行为区域。在检测的第一阶段,将低秩矩阵恢复算法应用于子视频的运动信息计算其初始显著性,并据此将其内所有块划分为候选前景集合和绝对背景集合;在第二阶段,为了将真正的行为区域从候选前景集合中分离出来,利用绝对背景集合中块的运动信息构建字典,通过加权稀疏表示算法计算候选前景集合中每个块的细化显著性,再通过阈值化获取二值显著图用以指示行为区域;最后,将显著图融入稠密跟踪过程以获取行为区域轨迹用于行为识别。基准数据集上的实验结果表明,该方法能够较好地检测视频中的行为区域,获得的识别率高于传统稠密轨迹法2.5%~4.5%。     

相机抖动场景下的运动前景检测算法

前景检测是视频监控中信息提取的关键,而相机抖动造成背景边缘的像素极易误检为前景像素,降低前景检测的精确度.为此,提出相机抖动场景下一种基于运动信息的前景检测算法:分析二值图像中候选前景点的运动信息,构建非参数的背景运动信息分布模型;计算候选前景的运动信息与背景模型的概率似然性,由自适应的阈值控制来确定真实前景,该自适应阈值由Mean-shift及信息熵算法共同确定,可以克服单个的全局阈值对场景变化适应能力差问题;针对检测到的前景点和背景点的运动信息,采用首进首出的策略更新背景运动信息分布模型,提高模型对场景实时变化的适应性.实验结果表明,该算法具有良好的鲁棒性,能有效地检测相机抖动场景下的运动前景.     

L_(3/2)正则化图非负矩阵分解算法

基于图正则化非负矩阵分解算法(GNMF),提出一种基于凸光滑的L3/2范数正则化图非负矩阵分解算法.该算法用非负矩阵分解算法对数据进行低维非负分解时,根据流形学习的图框架理论,构建邻接矩阵保持数据局部几何结构,并对数据的低维表示特征进行凸光滑的L3/2范数稀疏性约束,在给出算法更新迭代规则的同时,从理论上证明了所给算法的收敛性.通过人脸数据库ORL、手写体数据库USPS和图像库COIL20的仿真实验表明,相对于非负矩阵分解算法及其基于稀疏表示的改进算法,所给算法均具有更高的聚类精度.     

基于加权核范数最小化的红外弱小目标检测

提出一种基于加权核范数最小化的红外弱小目标检测方法.该方法将原始红外图像转化为新的红外块图像模式,在红外块图像上,以鲁棒主成分分析(RPCA)为基础,将图像数据矩阵分解为一个低秩矩阵和一个稀疏矩阵;针对RPCA模型对复杂背景描述能力弱的不足,引入了加权核范数来更好地描述背景的低秩特性,并给出了相应的优化求解算法;同时,给出了一种自适应阈值分割方法,准确地从稀疏目标图像中提取出弱小目标.基于天空、海洋、山地、沙漠4种不同场景进行红外弱小目标检测,并比较了该算法和已有算法的性能,结果表明:该算法能有效地降低复杂背景边缘产生的虚警,提高目标检测准确率.     

基于运动背景的自适应视频对象分割算法

为解决运动背景中视频对象的准确提取,提出一种基于全局运动的自适应视频对象分割算法。基于特征点计算帧间运动,利用最小二乘法计算摄像机仿射参数进行运动补偿,通过二值开闭重建滤波器进行预处理消除噪声;采用改进的分水岭算法将图像标记成不同的灰度区域,以自适应的光流法对分割的对象信息进行评判,从运动背景中分割出前景对象。实验表明,该算法能准确地从运动背景中分割出视频对象,显著地减少了动态前景对象的分割误差,提高了分割质量,可应用于运动目标检测与跟踪。     

一种改进的稀疏子空间聚类算法

在现有的稀疏子空间聚类算法基础上提出了一个改进的稀疏子空间聚类算法。首先,利用高维数据可以通过同一子空间的低维数据稀疏地表示这一理论,建立一个稀疏最优化模型,获得稀疏矩阵。然后把稀疏矩阵应用到一个正则化谱聚类算法中,从而有效地把数据聚类到子空间中。最后,该算法应用到一个视频序列中,对每个视频帧里的运动物体进行识别,并与现有的子空间聚类算法相比较。实验结果表明,该算法能够有效地识别运动物体,具有良好的实时性和有效性。     

基于图像熵分块的压缩感知字典学习算法

针对传统字典学习算法预处理阶段未考虑图像内外部特征的问题,提出一种基于灰度梯度矩阵的图像熵字典学习算法.该算法通过灰度梯度矩阵计算图像块熵值,并对各图像块进行分类,每类数据组合成训练数据集,再利用基于系数矩阵的奇异值分解算法更新各类子字典.对测试图像的稀疏表示系数进行重建实验,仿真结果表明,该算法可高效训练出自适应稀疏字典,显著提高图像重建精度.      

用于步态识别的行人轮廓提取

采用针对静态背景下的基于Surendra背景更新算法的背景减除法对运动人体进行检测.为视频场景建立自适应的背景模型,通过原始图像和背景模型差分获得前景图像,再对检测出来的图像进行了二值化、数学形态学分析、连通分析、尺度归一等一系列图像预处理工作,为跟踪与识别奠定了基础.重点讨论了二值化自适应阈值选择的多种方法,总结出Kapur熵阈值选取法的优越性.     

基于VMD的瓦斯信号自适应压缩感知算法

将压缩感知算法和变分模态分解相结合,应用于煤矿瓦斯数据的处理。考虑到现有的压缩感知算法在对瓦斯处理的过程中存在着重构精度低,重构过程复杂和需要较多的样本观测值等问题,因此提出一种基于VMD和自适应观测矩阵的压缩感知算法,有效解决了以较少的样本观测值数据实现信号高精度重构的问题,同时自适应地选择观测矩阵,避免了对稀疏信号的同类化投影选择。首先将瓦斯信号经过VMD进行分离,得到一系列瓦斯信号的本征模态函数分量,通过设定阈值保留有效信息,使得信号更加稀疏化;其次通过自适应地观测矩阵对稀疏信号进行投影变换,从而降低观测矩阵和稀疏字典的不相关性。实验以煤矿瓦斯数据为研究对象,将瓦斯数据经过VMD分解进行稀疏化处理和使用构造的自适应观测矩阵进行投影选择,MATLAB仿真实验证明,文中的算法有更高的信噪比和更好的重构质量。     

基于低秩和全变差正则化的图像压缩感知重构

为了解决基于低秩正则化的图像压缩感知重构算法不能充分利用图像局部梯度稀疏特性的问题,提出了一种基于低秩与全变差正则化的图像压缩感知重构算法.首先,通过图像块匹配法寻找结构相似的图像块,组成非局部相似块组;其次,联合相似块矩阵低秩与图像梯度稀疏先验组成正则化项,结合传统的压缩感知模型形成新模型;最后,采用交替方向乘子法实现图像的重构.测试图像为自然灰度图像,为了验证算法的有效性,从主观视觉和峰值信噪比两方面进行对比.试验结果表明,和基于低秩正则化的图像压缩感知算法相比,该算法在准确描述图像非局部自相似性结构特征的前提下提高了重构质量,重构的图像在峰值信噪比上平均提升1 d B.