1 陆军军官学院偏振光成像探测技术安徽省重点实验室, 安徽 合肥 230031
2 陆军军官学院十一系, 安徽 合肥 230031
L1跟踪对局部遮挡具有较好的稳健性, 但存在对模板中的离群信息比较敏感和计算速度慢的问题。针对这两个问题, 提出了两阶段稀疏表示模型, 并基于块坐标优化原理设计了相应的快速求解算法。在第一阶段, 该算法利用局部约束线性编码, 求解目标模板表示系数, 在第二阶段, 该算法利用软阈值操作, 求解小模板表示系数。以粒子滤波为跟踪方法, 结合提出的模型和算法实现了稳健快速的视觉跟踪。利用标准图像序列对提出的方法进行了验证, 实验结果表明, 提出的跟踪方法在稳健性和跟踪速度方面均优于现有跟踪方法。
机器视觉 目标跟踪 两阶段稀疏表示 粒子滤波 光学学报
2016, 36(12): 1215001
1 解放军陆军军官学院，合肥 230031
2 合肥工业大学计算机信息学院，合肥 230009
提出一种基于岭回归协助稀疏表示的红外小目标检测方法。该方法分别采用二维高斯模型和正态分布随机矩阵生成红外小目标样本和背景样本，继而建立超完备字典。红外小目标检测包括两个阶段，在第一阶段利用岭回归表示快速计算所有测试样本的岭回归重建误差; 在第二阶段，根据岭回归重建误差自适应选择候选目标，并计算其稀疏表示重建误差实现目标检测。对提出的方法进行了实验验证，结果表明: 提出的方法具有较快的速度和较强的鲁棒性。
红外小目标检测 稀疏表示 岭回归 重建误差 infrared small target detection sparse representation ridge regression reconstruction error
1 合肥工业大学计算机与信息学院，合肥 230009
2 陆军军官学院 a.计算中心
3 陆军军官学院 b. 光电技术与系统实验室 , 合肥 230031
在基于稀疏表示的超分辨率重建过程中，当对图像进行稀疏编码时由于其分解残差并不是简单的符合高斯分布或拉普拉斯分布，针对这一问题提出混合高斯稀疏编码模型。模型基于最大似然估计准则，首先定义目标函数为加权 l2范数逼近问题，根据分解残差定义其权值，采用迭代重加权稀疏编码算法进行求解。然后基于此模型建立超分辨率重建模型和算法，利用此方法学习训练出同构的高 /低分辨率过完备字典并求得图像的稀疏表示，最后对重建过程进行改进以提高算法对噪声的鲁棒性。实验结果验证了本文方法的有效性。
超分辨率 混合高斯 稀疏表示 过完备字典 super-resolution mixture Gaussian sparse representation over-complete dictionary
为了实现对红外视频图像中人脸的自动检测与跟踪，提出了一种基于Adaboost算法的红外图像自动检测方法。该方法通 过用Haar-Like特征和积分图概念描述人脸的基本特征和采用Adaboost学习算法和Cascade算法，提高了红外图像中人脸自动检 测的准确性和快速性。其检测速度为每秒15帧，检测精度达到了98.4%。通过大量实验证明，Adaboost算法在对红-2mm外图像中 人脸的自动检测方面具有优势。
自动检测 Adaboost算法 Haar型特征 automatic detection Adaboost algorithm Haar-Like character
