基于稀疏表示的图像检测与目标跟踪技术的研究

发布时间：2024-04-26 04:38

　　近年来,随着计算机视觉和模式识别技术的发展,图像恢复、目标检测以及追踪等相关技术已经被广泛应用于科研和工业生产。图像的质量直接影响图像的进一步使用,只有更加清晰的图像才能更好的进行识别,进而更好的进行目标的检测以及追踪。本文研究了基于稀疏表示的图像恢复、图像检测以及目标跟踪技术,并在原来稀疏模型的基础上对其进行改进与创新,本文所提的方法可以获得更好的效果。本文主要工作和创新点如下:第一,针对图像恢复问题,提出了基于截断核范数和F范数的图像恢复模型。利用截断核范数更好的逼近矩阵的秩,用F范数的平方来防止解过于稀疏。由于该模型既可以保证解的稀疏性又可以保证解的稳定性,从而提高图像恢复的精度。利用交替方向乘子法对模型进行推导并得出相应的求解方法。仿真结果表明提出的方法既提高了图像恢复的峰值信噪比(Peak Signal to Noise Ratio,PSNR)值,又降低了图像恢复的错误率,取得了很好的恢复效果。第二,针对图像检测问题,提出了一种基于联合正则稀疏组Lasso的图像检测模型。该模型充分利用组与组之间的相关性这一辅助信息来提高图像检测成功率。首先,组与组之间的相关性通过调整联合正则...

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图1.1自行车某些部件位置的检测示例

图1.1自行车某些部件位置的检测示例，当前的稀疏表示被广泛应用于图像检测中。2012年，脸识别中，该方法在处理大型照明、遮挡、以及表达变[2]还提出了基于稀疏表示的目标检测模型，该模型针对高分辨率的传统判别特征通常会在低分辨率下消失，而将每个过滤器表示为共享字典元素的稀疏线....

图4.5含不同噪声的图像

种先增加后减少的趋势，在某一个点时出现峰值，也就是在这个点时效果最好。经证，参数=0.1和=0.5时识别效果最好，所以和分别设置为0.1和0.5。目标识别与检测由于图像在获取的过程中难免会因为各种外界因素而夹杂噪声。所以为了使算法能于实际场景....

图4.8火灾识别与检测

4.3出示了在同一数据集下L、GL、SGL和CRSGL四0帧图像，其中1000帧是有烟图像。从表4.3可以看出CRSGL可以成功地使用辅助信息来增强识别效果。表4.3四种算法的识别结果对比数据集总数有烟图片数识别率1500100084.2%....

本文编号：3964722