一种基于压缩感知的高精度目标跟踪算法

为解决传统单目标跟踪方法精度低、稳定性差的问题,通过压缩感知的方法研究了扩展卡尔曼滤波,提出了一种基于压缩感知的扩展卡尔曼滤波算法。该算法基于压缩感知理论、采用阵列进行视场范围内的位置跟踪,即多传感器单目标跟踪。结果表明：在信噪比较低时该方法对目标跟踪的精度较高,并且对角度的估计使用的快拍数更少,降低了计算复杂度;并且所提算法在精确度和稳定性方面对目标的跟踪效果都要比传统算法好。     

自适应实时压缩感知跟踪算法

【目的】解决实时压缩感知跟踪算法分类器无法适应目标外观变化及过更新的问题。【方法】根据当前跟踪结果目标模型的哈希指纹与上一帧目标模型的哈希指纹之间的汉明距离(Hamming distance),在线实时调整分类器,以提高实时压缩感知目标跟踪算法的自适应能力。【结果】自适应实时压缩感知跟踪算法的跟踪成功率比实时压缩感知跟踪算法提高13%,在目标大小为40pixel×43pixel时,跟踪速率为37fps,满足实时性要求。【结论】本研究建立的方法在背景中存在与目标有一定相似性的物体,且目标姿态、纹理变化和光照变化较大等情况下,能快速获取跟踪目标,并且具有较强的鲁棒性和准确性。     

一种采用排名机制的分块在线压缩跟踪算法

基于分类学习的目标跟踪在面对环境中光照变化、目标姿态变化以及遮挡等复杂环境下容易出现漂移问题,为此提出一种基于分类器融合的压缩感知目标跟踪算法。使用压缩感知理论分块提取目标压缩特征,根据贝叶斯后验概率对特征进行筛选以构建目标模型,并提出一种二阶段样本搜索方法,通过粗搜索缩小样本的搜索范围,利用基于分类器排名的细搜索方法精确地找到目标的位置。实验表明,该算法与当前主要的算法相比具有较高的跟踪精度,以及良好的鲁棒性和实时性。     

基于卡尔曼滤波改进压缩感知算法的车辆目标跟踪

针对传统的基于压缩感知技术的目标跟踪算法存在的跟踪漂移问题,提出了一种采用改进压缩感知算法和卡尔曼滤波方法相结合的车辆目标跟踪算法. 首先,通过传统压缩感知目标跟踪算法识别出本帧目标存在概率最大的区域得到观测值; 其次,利用卡尔曼滤波预测本帧的跟踪轨迹得到预测值,通过卡尔曼滤波增益系数对预测值与观测值进行修正,获得最终目标跟踪结果; 最后,在修正后的目标区域周围进行正负样本采样以实现朴素贝叶斯分类器更新,进而实现目标跟踪轨迹的实时更新. 通过实验室试验以及野外实测验证了所提方法的可行性,相较于基于压缩感知技术的目标跟踪算法,本文所提方法的跟踪结果平均误差分别降低了48%和89%,跟踪轨迹更加趋近车辆真实运动轨迹.     

基于主元分析和压缩感知的人脸识别算法

针对压缩感知理论中的核心问题,即如何通过有限的测量值以较高的重建率重构稀疏信号,提出了基于主元分析和压缩感知的人脸识别方法（PSL0）.该算法利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩感知算法的超完备基,将每一幅待识别图像的特征向量作为测量值,用基于平滑l0范数快速稀疏表示（SL0）算法求解l0范数最小化问题,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别.实验结果表明,该算法在同类算法中获得了较高的人脸识别率及较好的重建效果.     

一种新的基于分块的视频压缩感知算法

提出了一种新的基于分块的视频压缩感知算法,可以将视频采集和压缩编码有机结合起来同时进行. 为利用视频时间轴上的冗余,对参考帧和非参考帧使用不同的采样策略:对于参考帧,先进行分块然后进行常规的压缩感知采样;对于非参考帧,将分块后和参考帧对应块作比较然后调整采样策略. 非参考帧的采样可以为参考帧提供更多的信息,使得在采样数目很少的情况下得到更高的视频质量. 同时算法可以根据视频帧内部的纹理复杂程度自适应地调整采样速率,优化资源配置. 实验结果表明,相对于一般的压缩采样算法,本算法使用比以往算法少20%以上的采样值,得到的结果既符合人眼观察又有最高的信噪比.      

基于上下文感知的自适应目标跟踪算法

为了更好地在复杂环境下跟踪到目标的运动轨迹,提出一种基于上下文感知的自适应目标跟踪算法.在满足实时性和精度的情况下,利用相关滤波联合全局上下文进行背景训练,利用目标及其上下文区域,实现协同跟踪.通过卡尔曼滤波估计出目标的运动方向,并在训练滤波器时将目标运动方向上的背景信息作为先验信息,降低非运动方向上背景样本的权重,增...     

人脸识别方法综述

追随人脸识别技术发展的历史,从人脸检测、人脸特征提取和人脸识别验证这三个关键步骤,颇为细致地阐述人脸识别已经取得的方法和研究成果;并展望了人脸识别的研究发展趋势,给出了人脸识别中需要解决的关键问题.     

基于分布式压缩感知的伪装人脸识别

提出了一种基于分布式压缩感知(DCS)的算法,并应用于伪装人脸识别.该算法从一个人脸图像集中提取共同特征和独有特征,这些特征在表达原人脸集的不同类型的信息具有各自的物理意义,因此能提高人脸识别的性能,同时采用了主成分分析(PCA)法进行降维.在AR人脸数据库的实验结果显示,相比于稀疏表示算法(SRC),该算法能提高识别率和识别速度,即使在较少训练图像的情况下也能取得好的识别效果.     

基于运动对齐预测模型的分布式视频压缩感知重构

为了提高分布式视频压缩感知（Distributed Video Compressive Sensing,DVCS）的率失真性能,文中提出根据视频非关键帧图像的时间相关性将帧内各块分为静止块与运动块两类,并对它们设定不同的测量率以提高压缩感知（Compressive Sensing,CS）捕获信息的效率.在重构过程中,提出运动对齐多假设预测模型进行重构,该预测模型在测量域内实现运动估计,并根据运动信息在参考帧内寻找到待重构块的若干候选匹配块,利用它们的线性加权和残差重构得到非关键帧图像的重构结果.仿真实验结果表明,文中所提出的DVCS重构算法能有效提升系统的率失真性能,与现有方法相比,在重构时间基本不变的情况下,获得更好的主客观视频重构质量.     

视频序列中动目标快速跟踪新算法的研究

准确性和实时性是视频序列图像中运动目标跟踪算法研究的重要内容。为了克服传统的模板匹配跟踪算法运算量大、跟踪速度慢的缺点,提出了一种基于多分辨率的Kalman滤波快速跟踪算法。首先利用Kalman滤波的预测功能,预先估计出目标中心点坐标,然后在该坐标为中心的区域内进行多分辨率相关匹配,最终找到最佳匹配位置。该算法具有运算量小、跟踪速度快的优点。同时还采用了自适应更新记忆滤波算法解决发散问题,提高了跟踪精度。     

一种视频中基于检测的快速人脸跟踪方法

针对背景复杂多变的视频人脸实时跟踪问题,从检测率、漏检率与错检率3个指标出发,通过改进样本选取的方式对训练样本的比例进行优化,得到一种快速人脸检测方法.在对卡尔曼的初始状态进行选取后,运用具有通过调整参数就能对被跟踪的人脸区域进行放大或者缩小功能的卡尔曼滤波方法来选取候选人脸区域,从而减少搜索时间,提高脸部区域检测速度...     

一种视频中基于检测的快速人脸跟踪方法

针对背景复杂多变的视频人脸实时跟踪问题,从检测率、漏检率与错检率3个指标出发,通过改进样本选取的方式对训练样本的比例进行优化,得到一种快速人脸检测方法。在对卡尔曼的初始状态进行选取后,运用具有通过调整参数就能对被跟踪的人脸区域进行放大或者缩小功能的卡尔曼滤波方法来选取候选人脸区域,从而减少搜索时间,提高脸部区域检测速度,使基于检测的跟踪能得以实现。通过对2段视频中的人脸进行有效跟踪实验,验证了该方法的可行性。     

Turbo-Based DNW Algorithm for Compressed Video in VLC Domain

In order to improve the robustness of the differential number watermarking (DNW) algorithm proposed by us before, we proposed turbo-based DNW (TDNW) in which the turbo code was employed in the DNW algorithm. The turbo code was used to encode the message prior to watermark embedding and decode the watermark posterior to watermark detection. From the analysis and experiments, the following conclusion could be drawn. The T-DNW algorithm has little higher computational complexity than DNW. And both algorithms have the same performance ;,n terms of watermark visual quality impact. Furthermore, the TDNW algorithm is much more robust against some common attack than DNW. Ahhough the TDNW algorithm sacrifices a half payload, we think the achievements are encouraging.     

基于压缩感知的实时在线目标追踪

在正负样本区域随机抽取了不同尺度下图像的局部二值模式(LBP)特征,将高维的特征信息投射到低秩的压缩域,并据此建立了表观模型.使用一个随机稀疏测量矩阵来压缩前景和背景目标.将追踪问题转化成为了一个使用朴素贝叶斯分类器的二元分类问题.所提方法可以较快速、实时地在线追踪目标,同时解决了目标尺度变化、遮挡问题.     

一种新的分块压缩传感图像重建算法

针对传统压缩传感一次性随机测量整幅图像所导致的存储量大、重建时间长等问题,提出了一种新的分块压缩传感重建算法.首先,将图像分割成一系列子块,分别将每个子块的所有列向量首尾连接起来构成原始信号;其次,将该信号经过稀疏变换后投影到观测矩阵上得到对应的观测值,再利用优化方法从这些观测中重建出信号;然后,分类每个重构子块的活动...     

基于压缩传感的灰度图像水印算法

将水印图像采用压缩传感OMP算法进行一维小波逐行观测,生成观测矩阵,以观测矩阵做为嵌入水印,将原始载体灰度图像进行DCT变换后,选取低频信息段作为水印嵌入位置,然后将水印信息进行变换图像置乱处理,并采用基于奇异值的分解算法嵌入到原始载体灰度图像中.实验结果表明,此算法能够抵抗一定的几何攻击,对JPEG压缩、噪声攻击的抵抗能力有待进一步提高.     

一种新的模糊稀疏表示人脸识别算法

稀疏表示人脸识别算法的主要思想是:一个未知的测试图像可以近似表示为所有与其隶属同类的训练样本的一个线性组合.然而,人脸之间存在着极大的相似性,同时易受到外部环境的影响,人脸分类的本身存在着一定的不确定性.针对这种不确定性,结合模糊集合理论,提出了一种新的模糊稀疏表示人脸识别算法.首先,引入一个非线性函数描述人脸的相似性程度.然后,基于该相似性度量以及最近邻分类器思想,定义一个自适应的模糊隶属度函数来分配人脸对类的隶属程度.而这一过程恰使得这些隶属度是稀疏化的.最后,将稀疏化的模糊隶属度作为训练样本表示测试样本的权值系数,进而重构测试图像.采用MATLAB在ORL和Yale人脸数据库上进行仿真实验,验证了该算法的有效性和稳定性.     

基于压缩感知的脉冲星轮廓构建算法

利用有限的观测时间获得高精度的累积脉冲轮廓,对于X射线脉冲星导航具有重要意义.提出一种基于压缩感知的脉冲星累积脉冲轮廓重构算法.首先,研究脉冲轮廓,获取先验知识,在此基础上构建波形匹配冗余词典,得到脉冲轮廓的稀疏表示;然后,设计观测矩阵,利用原始观测数据得到具有较少点数的非自适应随机测量值;最后,采用匹配追踪方法从随机测量值中恢复脉冲轮廓.利用罗希X射线探测器的实测脉冲星数据进行实验,结果表明：利用相同时段的观测数据,该算法得到的累积脉冲轮廓的信噪比远高于周期叠加方法得到的累积脉冲轮廓.