基于步态高斯图及稀疏表示的步态识别

为了突出步态特征的差异性,解决单一视角及跨视角下识别率低的问题,分析了步态高斯图及稀疏表示的原理,提出在步态高斯图的基础上,应用稀疏表示的方法来进行分类。提取的步态高斯图增加了不同人步态的差异性进而提高了步态识别率。该方法首先获取步态高斯图,其次获取测试阶段所需的过完备字典,最后通过测试样本的重构误差进而分类。实验结果表明:该方法显著提高了跨视角下的步态识别率,对穿大衣、携带背包下的步态识别具有很强的鲁棒性。     

分组训练卷积字典的图像去噪算法

卷积稀疏编码(convolutional sparse coding,CSC)这一全局模型因字典的特殊结构而受到广泛关注,其中卷积字典学习算法(slice-based dictionary learning,S-BCSC)是最为有效的CSC模型优化算法.虽然S-BCSC算法非常有效,但算法在应用中对整幅图像只使用一个固定大小的字典,然而这并不利于图像信息的准确描述.为克服这一缺陷,讨论如何根据图像大小确定卷积字典大小,结合稀疏表示字典学习算法,提出分组训练卷积字典的图像去噪算法.新算法首先将过冗余图像块按照平滑、纹理、边缘分为三类;然后为每一类分别确定所要训练的卷积字典大小;最后依据S-BCSC算法完成字典学习以及图像去噪过程.从实验结果可以看出,所提算法在图像质量、清晰度上相比原S-BCSC算法都有所提升.     

基于稀疏重构的海杂波抑制和目标提取算法

在杂波较强的环境下,雷达目标回波往往淹没在杂波中难以被检测,尤其在海杂波背景下,目标的多普勒频率有可能会落在杂波频率范围中,此时传统的杂波抑制方法就产生了一定的局限性.针对此问题,依据杂波、目标信号的稀疏特性和二者在多普勒频率分布特性上的不同,设计了对应的时频域过完备字典;再通过形态成分分析算法求出目标和杂波分量的稀疏...     

稀疏信息处理中的迭代分式阈值算法

在稀疏信息处理中, l₀范数优化问题通常转化为l₁范数优化问题来求解。 但l₁ 范数优化问题存在一些不足。 为寻找一种更有效的求稀疏解的算法, 首先构造一个新的收缩算子, 其次证明该收缩算子是某非凸函数的邻近算子。 然后用该非凸函数替代l₀-范数, 对新的优化问题用向前-向后分裂方法得到对应的迭代阈值算法-迭代分式阈值算法(IFTA)。 仿真实验表明该算法(IFTA)在稀疏信号重构和高维变量选择中均有良好的表现。     

时域加权稀疏约束的空时自适应处理算法

1DT是典型的时空级联的后单多普勒空时自适应处理的方法,能够显著降低对独立同分布样本的需求量和空时自适应处理时的运算量,但是进行时域处理时对主瓣杂波的抑制效果较差。针对此问题,提出一种利用时域滤波器频率响应的稀疏特性进行加权稀疏约束的自适应滤波器设计算法。在时域自适应滤波器的模型中加入对旁瓣的稀疏约束,并构造加权矩阵对稀疏约束加权。仿真实验表明：此方法在有效抑制主瓣杂波的前提下能够降低副瓣,并且当存在天线幅相误差时具有较好的稳健性。     

基于NSCT与压缩感知的红外影像融合

针对红外和可见光图像在融合过程中存在质量低下、信息缺失、边缘细节不突出等问题,提出一种基于非下采样轮廓波变换(non-subsampled contourlet transform,NSCT)与稀疏表示的压缩感知图像融合重构算法.首先利用NSCT进行源图像分解,得到相应的高频子带和低频子带图像;然后针对高频子带部分,利...     

基于稀疏表示的平行互素阵二维测向方法

针对传统平行阵二维测向自由度低问题,提出一种改进型平行互素阵,基于稀疏表示方法和最小二乘法来估计目标方位。该方法首先利用改进型互素阵构建双平行稀疏阵列,计算平行互素阵的互协方差矩阵。然后通过矢量化处理,利用重排,去冗余处理生成较大孔径的虚拟阵列,将二维波达方向(direction of arrival,DOA)估计问题降维为一维DOA估计问题。进一步将一维DOA估计问题转为复数信号稀疏重构问题,并利用二阶锥规划来进行求解,通过峰值搜索得到方位角信息。最后利用方位角来构建方向矩阵,通过最小二乘方法求解俯仰角。该方法可以在没有目标先验信息的条件下,能够准确估计目标方位,且能够实现自动配对。相比传统的平行均匀线阵以及平行互素阵,该方法扩展了阵列虚拟孔径,提高了估计精度,能够辨识更多的目标源。实验仿真验证了该方法的有效性。     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于CNN(Convolutional Neural Networks)和改进SDAE(Stacked Denoising Autoencoders)的混合网络模型,根据改进的D-S证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明,利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。     

基于特征显著性的均值漂移鲁棒目标跟踪

在均值漂移算法框架下,提出基于目标显著性的特征融合与在线模板更新策略,实现复杂动态环境下的鲁棒跟踪.通过目标区域与背景区域的特征对比定义了特征显著性测度.提出了基于特征显著性的色彩空间选择以及基于Gabor小波稀疏编码的纹理特征提取算法.通过特征显著性加权实现参考直方图模板的初始化,并在此基础上针对遮挡现象与目标自身形变的区别设计了在线模板更新策略.实验结果表明,本文方法与其他跟踪算法相比具有较强的鲁棒性和较高的准确性.