针对视频处理中运动目标的精确检测这一问题,提出了一种自适应的低秩稀疏分解算法。该算法首先用背景模型与待求解的帧向量构建增广矩阵,然后使用鲁棒的主成分分析(robust principal component analysis,RPCA)对降维后的增广矩阵进行低...针对视频处理中运动目标的精确检测这一问题,提出了一种自适应的低秩稀疏分解算法。该算法首先用背景模型与待求解的帧向量构建增广矩阵,然后使用鲁棒的主成分分析(robust principal component analysis,RPCA)对降维后的增广矩阵进行低秩稀疏分解,分离出的低秩部分和稀疏噪声分别对应于视频帧的背景和运动前景,然后使用增量奇异值分解方法用当前得到的背景向量更新背景模型。实验结果表明,该算法能更好地处理光线变化、背景运动等复杂场景,并有效降低算法的延迟和内存的占用。展开更多
针对传统低秩稀疏分解(low rank and sparse decomposition,LRSD)用于视频运动目标检测时检测精度较低的问题,提出了一种鲁棒非凸运动辅助LRSD(robust nonconvex motion-assisted LRSD,RNMALRSD)的运动目标检测算法。该算法首先考虑到...针对传统低秩稀疏分解(low rank and sparse decomposition,LRSD)用于视频运动目标检测时检测精度较低的问题,提出了一种鲁棒非凸运动辅助LRSD(robust nonconvex motion-assisted LRSD,RNMALRSD)的运动目标检测算法。该算法首先考虑到视频背景的低秩特性,采用非凸γ范数对秩函数进行逼近,考虑视频背景在变换域上仍然具有稀疏性,引入背景在变换域的稀疏先验。其次,引入运动辅助信息矩阵,使其融入前景的运动信息,表示每个像素属于背景的可能性,提高视频运动目标检测的准确度。然后,采用交替方向乘子法(alternating direction method of multipliers,ADMM)对提出的模型进行求解。最后,将提出的方法应用到视频运动目标检测上进行仿真实验。对实验结果的分析表明,提出的RNMALRSD方法比其他基于LRSD的运动目标检测方法具有更高的检测精度。展开更多
低秩稀疏分解(Low Rank and Sparse Decomposition,LRSD)是一种被广泛应用于计算机视觉等领域的数据表示技术,通过将已知矩阵分解为低秩成分和稀疏成分,实现视频前背景分离、图像去噪等的实际应用。分析了这一技术的研究现状,针对11种...低秩稀疏分解(Low Rank and Sparse Decomposition,LRSD)是一种被广泛应用于计算机视觉等领域的数据表示技术,通过将已知矩阵分解为低秩成分和稀疏成分,实现视频前背景分离、图像去噪等的实际应用。分析了这一技术的研究现状,针对11种经典低秩稀疏分解方法,给出了各种方法的模型及算法的优缺点。将各种算法应用于视频前背景分离和图像去噪实验中,视频前背景分离的实验结果包括使用各种算法提取的不同视频的前景效果图、视频前背景分离的F-measure值和运行时间,图像去噪实验结果展示了各种算法对不同图像的去噪效果图、PSNR值和FSIM值,从视觉效果和定量评价两个角度验证了各种算法在视频前背景分离和图像去噪这两个实际应用中的优缺点。展开更多
为进一步提高红外与可见光融合图像的细节信息和整体对比度,降低伪影和噪声,考虑了红外与可见光图像的相关性,提出了一种基于联合低秩稀疏分解的红外与可见光图像融合方法。首先,利用联合低秩稀疏分解方法将红外和可见光源图像分别分解...为进一步提高红外与可见光融合图像的细节信息和整体对比度,降低伪影和噪声,考虑了红外与可见光图像的相关性,提出了一种基于联合低秩稀疏分解的红外与可见光图像融合方法。首先,利用联合低秩稀疏分解方法将红外和可见光源图像分别分解成共同低秩分量、特有低秩分量和特有稀疏分量;其次,利用非下采样Shearlet变换方法对特有低秩分量进行融合;然后,采用区域能量融合策略实现特有稀疏分量融合;最后,共有低秩分量与融合后的特有低秩分量和特有稀疏分量相加得到最终融合图像。在Nato-camp、Bristol Eden Project和TNO公共测试数据集上进行的实验测试了所提算法性能。实验结果表明,与其他9种融合方法相比,所提方法能够有效地提取红外图像中的目标信息和保留可见光图像的背景信息,熵、互信息、标准差、视觉信息保真度、差异相关系数之和和Q Y客观评价指标明显优于对比方法。展开更多
文摘针对视频处理中运动目标的精确检测这一问题,提出了一种自适应的低秩稀疏分解算法。该算法首先用背景模型与待求解的帧向量构建增广矩阵,然后使用鲁棒的主成分分析(robust principal component analysis,RPCA)对降维后的增广矩阵进行低秩稀疏分解,分离出的低秩部分和稀疏噪声分别对应于视频帧的背景和运动前景,然后使用增量奇异值分解方法用当前得到的背景向量更新背景模型。实验结果表明,该算法能更好地处理光线变化、背景运动等复杂场景,并有效降低算法的延迟和内存的占用。
文摘针对传统低秩稀疏分解(low rank and sparse decomposition,LRSD)用于视频运动目标检测时检测精度较低的问题,提出了一种鲁棒非凸运动辅助LRSD(robust nonconvex motion-assisted LRSD,RNMALRSD)的运动目标检测算法。该算法首先考虑到视频背景的低秩特性,采用非凸γ范数对秩函数进行逼近,考虑视频背景在变换域上仍然具有稀疏性,引入背景在变换域的稀疏先验。其次,引入运动辅助信息矩阵,使其融入前景的运动信息,表示每个像素属于背景的可能性,提高视频运动目标检测的准确度。然后,采用交替方向乘子法(alternating direction method of multipliers,ADMM)对提出的模型进行求解。最后,将提出的方法应用到视频运动目标检测上进行仿真实验。对实验结果的分析表明,提出的RNMALRSD方法比其他基于LRSD的运动目标检测方法具有更高的检测精度。
文摘针对探地雷达应用于地雷探测时的强杂波干扰问题,提出一种基于低秩稀疏分解的杂波抑制方法。该方法将加权核范数(weighted nuclear norm,WNN)引入稳健主成分分析(robust principle component analysis,RPCA)方法,结合随机奇异值分解(randomized singular value decomposition,RSVD)与交替方向乘子(alternating direction method of multipliers,ADMM)法来求解表征杂波的低秩矩阵及表征目标的稀疏成分,提高了算法的精度与效率。从实验结果来看,所提方法能够有效改善成像结果的信杂比,且运算效率优于RPCA方法5倍以上,表明该方法能精确划分目标与杂波,有效实现杂波抑制。
文摘低秩稀疏分解(Low Rank and Sparse Decomposition,LRSD)是一种被广泛应用于计算机视觉等领域的数据表示技术,通过将已知矩阵分解为低秩成分和稀疏成分,实现视频前背景分离、图像去噪等的实际应用。分析了这一技术的研究现状,针对11种经典低秩稀疏分解方法,给出了各种方法的模型及算法的优缺点。将各种算法应用于视频前背景分离和图像去噪实验中,视频前背景分离的实验结果包括使用各种算法提取的不同视频的前景效果图、视频前背景分离的F-measure值和运行时间,图像去噪实验结果展示了各种算法对不同图像的去噪效果图、PSNR值和FSIM值,从视觉效果和定量评价两个角度验证了各种算法在视频前背景分离和图像去噪这两个实际应用中的优缺点。
文摘为进一步提高红外与可见光融合图像的细节信息和整体对比度,降低伪影和噪声,考虑了红外与可见光图像的相关性,提出了一种基于联合低秩稀疏分解的红外与可见光图像融合方法。首先,利用联合低秩稀疏分解方法将红外和可见光源图像分别分解成共同低秩分量、特有低秩分量和特有稀疏分量;其次,利用非下采样Shearlet变换方法对特有低秩分量进行融合;然后,采用区域能量融合策略实现特有稀疏分量融合;最后,共有低秩分量与融合后的特有低秩分量和特有稀疏分量相加得到最终融合图像。在Nato-camp、Bristol Eden Project和TNO公共测试数据集上进行的实验测试了所提算法性能。实验结果表明,与其他9种融合方法相比,所提方法能够有效地提取红外图像中的目标信息和保留可见光图像的背景信息,熵、互信息、标准差、视觉信息保真度、差异相关系数之和和Q Y客观评价指标明显优于对比方法。
