基于ICA子空间的目标运动变化检测方法

针对实时场景下复杂背景动态变化的特点,在子空间图像差分模型的基础上,提出了一种基于ICA子空间的目标运动变化检测方法,该算法能够检测出两帧图像之间目标运动变化而不是背景变化部分,克服了目前大多数基于简单差分模型的变化检测算法对图像配准精度要求很高的问题．实验结果表明,这种方法能够准确地提取出实时场景中目标的运动变化区域,并具有很强的鲁棒性．     

基于ICA-R的复值信号抽取方法

参考独立分量分析( independent component analysis with reference, ICA-R )通过引入参考信号而实现期望实值源信号的抽取,具有消除传统ICA输出顺序不确定性和显著降低运算量等优点.为此将ICA-R的优势拓展到期望复值源信号抽取.首先,将N维复值ICA问题转化为由其实部和虚部组成的2N维实值ICA问题;然后,利用期望源信号的实部参考信号或虚部参考信号进行ICA-R;最后,根据转换混合矩阵的结构特点,消除ICA-R抽取信号实部与虚部间的幅值不确定性,进而得到无附加相移的期望复值信号.计算机仿真和性能分析结果表明了所提方法的有效性.     

基于Bessel函数展开的语音信号ICA-R算法

为了解决语音信号参考独立分量分析(ICA with Reference,ICA-R)算法中参考信号选取难的问题.依据语音信号传播机理和Bessel函数展开系数对语音信号的表征能力,提出了基于Bessel函数展开的语音信号建模方法,利用Bessel函数展开系数作为变换系数,用少量的系数构建ICA-R中的参考信号来实现对期望语音信号的提取,并将该方法运用到语音信号隐藏技术中.仿真实验结果表明该方法能够较好地从混合语音信号中提取期望语音信号,并能有效地实现语音信号的隐藏与恢复.     

基于独立分量分析的运动目标检测

针对阈值比较法对环境适应能力弱,基于独立分量分析(ICA)原理提出了一种新的检测方法.首先将图像作为观测矢量,根据主次分量组合关系修改观测矢量,然后利用矩阵分离运算分割出运动区域.观测矢量的修改是在相邻两帧间进行重组和拓展,以达到突显运动和抑制噪声的目的.该方法的优势在于无阈值限制,自适应地分割运动区域,能适应较为复杂的背景环境,且处理速度满足实时性要求.实验结果验证了方法的有效性与鲁棒性.     

基于分块变化检测的人体肢体运动跟踪

人体运动跟踪是基于视频的人体运动分析的关键技术之一.提出了一种新的人体肢体运动的跟踪方法,通过基于分块的帧间变化检测和二维人体块模型检测出人体运动区域,利用背景统计的技术从累积的帧差信息中构建出完整的背景区域,进而从运动区域中提取出头部和四肢的区域,通过区域形状分析确定各肢体区域的位置信息,从而判断出关节点的位置.实验证明,该方法可以对人体肢体的大幅度运动进行跟踪.     

基于视频监控的运动目标检测

运动目标检测是计算机视觉、视频信息处理等应用领域的重要研究内容。本文采用基于减背景技术的运动目标实时检测:首先利用统计的方法得到背景模型,并实时的对背景更新以适应光线和场景本身的变化,然后用当前帧和背景差分,得到运动目标,利用形态学方法和检测连通域面积消除噪声和背景扰动带来的影响,得到较为准确的运动目标。     

基于目标匹配的遥感图像变化检测方法

针对传统的像素级遥感图像变化检测方法中检测精度严重依赖于图像配准、辐射校正和差异图像阈值选取的问题,提出了一种基于目标匹配的目标级遥感图像变化检测方法。该方法直接作用于2幅未经配准和辐射校正的不同时相遥感图像,利用目标的区域不变矩与目标之间的角度关系对目标进行匹配,将不能匹配的目标作为变化目标,利用匹配目标对2幅图进行配准,以同时实现图像的配准与变化检测,并用配准结果对变化检测结果进行修正。实验结果表明,该方法具有较好的定性检测性能。     

基于实时序列图像复杂背景下运动目标的提取

通过对实时序列图像中运动目标的运动规律的分析,提出一种在复杂背景下运动目标的提取方法,详细讨论了这种目标提取方法和原理,给出了具体的实现方法和该方法应用于实际工作的实验结果数据。通过实验证明,该方法对于克服复杂背景的干扰和有效地提取运动目标具有较好的效果。     

改进的参考独立分量分析算法

鉴于参考独立分量分析定义了所谓的接近性度量函数和与之相关的小等式,并把它作为约束项引入到负熵对比度甬数中,取得了很好的分离效果,但存在若阈值选取不当则算法不收敛的问题.提出一个改进算法,算法的优化函数为负熵对比度甬数和参考独立分量分析算法中的接近性度量甬数之积,巧妙地避开了这个难以确定的阈值参数.针对合成数据和实际ECG数据的仿真实验表明,改进算法收敛快、提取效果好.     

运动目标检测技术研究

运动目标检测算法的目标是去掉静止的部分,检测出发生变化的部分,在这个过程中尽量的抑制相应噪声,从而能够得到更精确的运动目标。目前国内外相对常用的运动目标检测方法层出不穷,本文对其中的一种常用的追踪算法进行了深入研究,即背景差分法,并以Matlab为平台,通过实验测试检测效果。     

基于独立成分分析和支持向量机的入侵检测方法

提出了一种入侵检测方法,该方法采用独立成分分析方法获取入侵行为模式的高阶统计信息,并将输入模式空间映射到相应的独立成分空间,然后利用支持向量机对小样本、高维数据泛化能力强的特点,在独立成分空间中用支持向量机原理构造广义最优分类超平面.数值实验表明,所提方法可大大降低特征空间维数,具有较好的分类正确性.特别是当高斯核参数σ值在1~3之间时,利用该方法的漏检数仅为标准支持向量机算法的1/9,这说明它能有效地获取入侵行为的本质特征,对新的入侵行为有比较好的识别能力.     

基于独立成分分析的脑电伪迹消除方法

独立成分分析(ICA)是统计信号处理中的一项新技术，用来从混合信号中提取具有统计独立性的成分，基于固定点快速算法，从脑电(EEG)信号中消除眼电(EOG)伪迹信号，并给出了实验结果。实验结果表明该算法具有较好的性能和实用性。     

基于核独立分量分析的盲多用户检测算法

针对DS-CDMA通信系统中的盲多用户检测问题,提出了一种改进的核独立分量分析(KICA)算法.该算法首先将五阶收敛的牛顿迭代公式引入到传统的FastICA算法中,同时还引入了一种新的核函数——混合核函数来解决非线性混合信号的分离问题,从而实现了多用户信号检测.最后将所提出的算法与传统的FastICA算法和KICA算法进行仿真比较.结果表明:所提出的算法不仅收敛速度较快,而且具有较小的误码率.     

独立分量与因子旋转关系分析

解析独立分量分析和因子分析的基本原理,指出独立分量分析的本质是因子旋转,从理论上证实了Varimax和Onhomax等因子旋转与基于峭度的独立分量估计目标函数条件等价。考虑多种类型源信号的情况,提出了基于Varimax的独立分量估计方法。实验表明,在混合矩阵满足稀疏条件下该方法简单有效。     

基于独立成分分析的运动车辆检测算法

根据独立成分分析原理,提出了一种基于固定点算法的运动车辆检测方法,并使用光谱冗余方法解决了独立成分分析检测结果通道不确定的问题。该方法将交通图像序列看作是由背景图像和运动车辆图像混合而成的观测信号,采用独立成分分析方法分离背景图像和前景运动车辆图像。独立成分分析方法能够分离出大量的背景信息如道路2边的树木和建筑物等,但分离出的前景图像仍包含有少量的路面信息,又一次结合光谱冗余方法去除了少量的路面信息,最终实现了运动车辆的检测。通过实验证明基于固定点算法的运动车辆检测方法有较强的抵抗图像背景灰度变化的能力,即使在外界天气、光照明显变化的情况下,依然可以准确、清晰地检测出运动的车辆,是一种具有较好鲁棒性的运动车辆检测方法。     

基于噪声独立分量分析的多用户检测

针对独立分量分析算法忽略噪声这一缺点,引入基于噪声模型的噪声独立分量分析,得到基于噪声独立分量分析的多用户检测方法.并与基于无噪模型的算法进行仿真比较,结果表明本文引入的方法性能更优,稳健性更好,对实际信道的适应性更强.     

基于核独立成分分析的盲多用户检测算法

针对部分多用户检测算法需要对信道参数进行估计的缺点，提出了一种基于核独立成分分析的盲多用户检测算法．该算法根据源信号的不同分布情况，在重建核希尔伯特空间内选取不同的非线性函数作为对比函数，将信号从低维空间映射到高维空间．在高维空间，接收端利用已知信息，将目标用户扩频码作为解混矩阵的初始值，利用自适应方法进行迭代，有效地解决了盲信号分离的无序性，实现了目标用户信号的提取．仿真实验表明，该算法的误码率性能在用户数量增大和远近效应严重的情况下都远优于基于匹配滤波器的单用户检测器，与传统独立成分分析方法相比更具灵活性和鲁棒性．     

基于独立成分分析的强背景噪声去噪方法

由于许多传统的去噪方法在强背景噪声情况下提取声音信号的能力变弱甚至失效，提出应用独立成分分析(ICA)方法对声音信号进行特征提取，并证明了这种ICA变换能增强语音和音乐信号的超高斯性．在此基础上，应用ICA基函数作为滤波器，通过阈值化的去噪方法对含有强高斯背景噪声的声音信号进行去噪仿真实验．结果表明，本方法明显优于传统的均值滤波和小波去噪方法，为强背景噪声下弱信号的检测提供了新的途径．     

基于小波包和独立分量分析的微弱多源故障声发射信号分离

针对旋转机械设备中同时存在的裂纹、摩擦等多故障源信号难以检测和分离的问题,提出了一种基于小波包分析(WPA)与独立分量分析(ICA)的多源故障信号提取方法,即首先用WPA对含噪线性混合信号降噪预处理,由db2小波基函数进行5层分解后保留62.5~187.5kHz频段信号,然后采用ICA中的FastICA算法对降噪后的混合信号分离,最后对各通道分离出的信号用收缩函数进行频段内去噪处理.对不同输入信噪比的含噪微弱裂纹和摩擦信号进行提取和分析的结果表明,该方法能有效提取出输入信噪比大于-15dB的裂纹和摩擦信号.当混合信号信噪比为-15dB时,裂纹和摩擦信号的输出信噪比分别为-1.31和-1.36dB,相关系数分别为0.62和0.63,提取效果好于结合小波包和FastICA分离方法(信噪比分别为-1.74和-2.06dB,相关系数分别为0.59和0.59)以及单独采用FastICA算法(信噪比分别为-4.57和-4.31dB,相关系数分别为0.17和0.19).因此,所提出的综合WPA和ICA的方法是一种较好的多源微弱信号提取方法.