基于上下文和稀疏表示的异常行为识别

提出了一种基于上下文和稀疏编码框架的无监督异常行为识别方法。首先对图像进行稠密采样,获得稠密轨迹,并提取轨迹中心周围图像块的形状特征、R–HOG、HOF特征作为特征描述符,加强了对运动信息的描述。其次,将人体行为区域和上下文区域分割开来建立2个独立字典。再将它们组成联合字典最大化字典信息,避免了单独识别人体异常行为而忽略上下文信息所导致的漏报。最后,利用稀疏重构的方法进行异常检测,分别计算测试样本中上下文区域和行为区域的重构误差,相对重构误差为负表示为正常行为,否则判断为异常行为。在KTH行为数据集上进行对比实验,实验结果表明本文算法在不同背景下均能有效识别异常行为。     

基于快速稀疏编码与惊奇计算的视频异常检测方法

提出一种可用于视频中群体异常和个体异常检测的方法,即先用快速稀疏编码算法生成字典,再用字典表示测试特征样本,并以重构误差作为目标函数进行异常判别;对于群体异常,用块匹配运动估计代替耗时的整帧光流计算,生成多尺度运动直方图,有效地减少了计算复杂度;对于个体异常,提取HNF特征,若稀疏表达的重构误差超过阈值,则用惊奇计算进行二次检测,判断其是否为噪声导致的虚警,计算字典中已包含和未包含的不同特征描述子之间的差别,若判别出虚警,则更新字典减少后续检测中噪声干扰的虚警数.实验表明,算法有效地提高了检测率,降低了计算复杂度,且易于实现.     

基于GMM超向量和Fisher-稀疏表示分类的说话人确认

针对说话人确认识别率低且易受到信道干扰的问题,提出一种基于GMM超向量和Fisher判别准则的稀疏分类算法。该算法首先采用GMM通用背景模型生成说话人的GMM超向量,在超向量集上利用类内协方差归一化方法抑制信道的干扰信息,通过计算GMM超向量与整体训练样本集的Fisher判别比来选择更具区分度的语音特征向量,构建高判别性的稀疏性过完备字典。最后,在过完备字典上对语音GMM超向量进行重构,选择重构误差最小的类别作为目标说话人。仿真实验结果表明:Fisher判别准则在稀疏性过完备字典的构建过程中具有较好的特征选择优势,可以提高稀疏分类的准确性。     

基于稀疏表示的步态识别

提出一种基于稀疏表示的方法,采用CASIA-B和CUSD步态数据库进行步态识别.首先对步态序列中心化及归一化处理,之后提取了步态的主动能量图像(AEI),AEI很好地表达了步态中的动态信息,以此作为步态的特征图像,并对特征AEI采用两种方式稀疏表示:一是采用基于重构误差的方法建立字典、更新字典及分解系数;二是采用基于区分辨别字典的方式建立字典、更新字典及分解系数.系数分解采用的是正交匹配追踪算法.实验证明提出的方法识别准确性高,识别速度快,适合实时性要求高的场合.     

分布式视频压缩感知中基于边信息及其支撑集的稀疏重构

文中提出了一种基于边信息及其支撑集的分布式视频压缩感知重构方案,它是建立在压缩感知和分布式视频编码理论的基础上,具有终端简单、采样/编码复杂度极低的特点.在该重构方案中,首先利用边信息构造当前（非关键）帧的冗余字典,为压缩感知重构提供稀疏表示方法;然后利用边信息估计的信号像素值和支撑集,辅助当前帧稀疏重构,提出了一种基于交替方向乘子的迭代算法以实现该重构优化问题的求解.实验结果表明,该重构方案能够获得较好的采样率和失真性能,主观图像质量也有所提高.     

基于多层分块的异常行为检测算法

为了快速高效地实现复杂场景下的异常行为检测,提出了一种基于多层分块的异常行为检测算法。首先对训练集中的图片进行多层分块处理;然后对图片中的各个分块进行多维光流特征提取,经过特征融合生成相应的描述向量,用于构建正常字典;最后基于正常字典对测试样本进行稀疏重建代价(SRC)的计算来分析数据的异常度。实验是在两个标准视频集上进行的,实验结果证实了提出算法的有效性。与当前流行算法PSO-SFM相比识别效果有提升,针对数据集PETS 2009的异常检测结果提升了1%。     

基于稀疏表示和低秩逼近的自适应异常事件检测算法

针对传统异常事件检测算法没有考虑视频数据低秩特性的问题,提出了基于低秩稀疏编码模型的字典学习算法。对提取的多尺度三维时空梯度特征进行K-均值聚类。利用低秩稀疏编码模型进行每一个特征聚类的字典学习。通过迭代聚类和字典学习获取所有的正常行为模式。采用公共数据集UCSD Ped1和Avenue检测该算法的性能。与社会力(SF)、混合概率主成分分析(MPPCA)、社会力-混合概率主成分分析(SF-MPPCA)、混合动态纹理(MDT),Adam、子空间(Suspace)、稀疏组合学习框架(SCLF)7种方法对比,该文算法具有较高的正确率和较强的实时性。     

联合局部和全局稀疏表示的磁共振图像重建方法

针对在压缩传感中独立使用全局或局部稀疏字典所分别导致的图像细节或整体图像结构信息的丢失,提出了一种联合利用局部和全局稀疏约束来捕捉磁共振图像细节和整体结构信息的磁共振图像重建算法。该算法首先从特定的磁共振图像中训练出稀疏字典,然后利用该字典进行局部稀疏编码。其次,利用预定义的全局字典来加强磁共振图像的全局稀疏性。最后,在局部和全局稀疏的共同约束下,利用非线性共轭梯度算法来对重建模型进行求解。整个重建过程可以重复迭代以逐步改善重建质量。实验结果表明:当下采样因子达到10时,相比于字典学习算法(dictionary learning MRI,DLMRI),提出的算法在重建质量上可以提高1-6dB。     

贝叶斯压缩感知稀疏信号重构方法研究

讨论了贝叶斯框架下压缩感知稀疏信号重构的方法,描述了基于非参数方法构建压缩感知字典的过程.实验结果表明:基于贝叶斯方法的压缩感知算法能够对单元脉冲信号进行较好重构,且与其他算法相比具有更小的重构误差.最后对贝叶斯压缩感知的发展进行展望.     

局部保持的稀疏表示字典学习

稀疏表示分类中的字典选择至关重要,为了用较少的字典原子更好地表示原始训练样本的局部信息,并且使学习出的字典更加具有判别信息,提出了一种基于局部保持准则的稀疏表示字典学习方法.该方法将局部保持准则强加在编码系数上,使得学习出的字典具有相近数据点的编码系数也保持近邻关系的特性,从而保持原始训练样本的局部信息.在扩展YaleB、AR和COIL20数据库上的实验结果表明,文中方法的分类识别结果优于其他方法,说明该方法是有效的.