为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法。首先,对原始HSI进行最优分数阶傅里叶变换。然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量。最后,构建背景协方差矩阵,通过马氏距离检测异常目标。实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能。

针对雨雪天气条件下的运动目标检测受到天气的影响较大,提出一种融合全变分(TV)正则化和Rank-1约束鲁棒主成分分析(RPCA)模型的视频序列运动目标检测算法。利用RPCA这一工具,在低秩稀疏分解框架下,采用Rank-1约束描述背景层的强低秩性,利用TV正则化结合L1范数对前景目标的稀疏性和空间连续性进行约束,从而弥补现有RPCA模型的不足。针对所提模型,采用交替迭代乘子法的思想结合增广拉格朗日乘子法对目标函数进行优化求解。实验结果表明,所提算法不仅能够准确检测出运动目标,而且具有较短的运行时间,这为视频的实时检测提供参考。与其他同类算法相比,所提算法不仅检测效果更佳,而且在F测度值、召回率和准确率的定量评价中均有优越性。

复杂环境中的目标检测受到很多因素的影响,传统的鲁棒主成分分析(RPCA)无法从受干扰的数据中获得最低秩表示,为此,提出了一种融合l1-全变分(TV)正则化约束RPCA模型的视频去噪和目标检测算法。以RPCA为基础,在低秩稀疏分解框架下,使用核范数的低秩性对背景进行建模,利用三维TV正则化结合l1正则化对前景目标的稀疏性和空间连续性进行约束,再结合l2范数正则化约束噪声部分,从而弥补现有RPCA模型的不足。采用交替迭代的思想,利用增广拉格朗日乘子法对目标函数进行优化求解,实现了复杂环境下的去噪和目标检测。实验结果表明,本文算法不仅能准确检测出噪声干扰下的运动目标,而且保持了较快的运行速度,为视频的实时检测提供了参考。与其他同类算法相比,不仅检测效果更佳,而且在定量评价的三项指标中均具有优越性。