摘要：为了准确有效的重构多视角图像中的三维人体姿态,该文提出一种基于多核稀疏编码的人体姿态估计算法.首先,针对连续帧姿态估计的歧义问题,该文设计了一种用于表达多视角图像的HA-SIFT描述子,其中,人体局部拓扑、肢体相对位置及外观信息被同时编码;然后,在多核学习框架下建立同时考虑特征空间内在流形结构与姿态空间几何信息的目标函数,并在希尔伯特空间优化目标函数以更新稀疏编码、过完备字典与多核权值;最后,利用姿态字典原子的线性组合来估计对应未知输入的三维人体姿态.实验结果表明,与核稀疏编码、Laplace稀疏编码及Bayesian稀疏编码相比,文本方法具有更高的估计精度.

摘要：稀疏编码视频目标跟踪算法对目标遮挡问题有一定的适应性,但当目标受背景杂波、光照变化等干扰时,跟踪结果将会出现漂移现象.为此,提出一种基于字典学习和模板更新的视频目标跟踪算法.该算法在构造字典时加入背景模板集,利用标签一致K-SVD方法进行字典学习,同时训练出低维字典和目标背景分类器;在稀疏编码过程中,借助粒子滤波技术,采用分类器分类结果和候选目标直方图构建整体似然模型;最后通过字典学习更新字典、分类器及目标直方图.采用标准数据库中具有挑战性的视频数据进行算法测试实验,结果表明,对于存在遮挡、背景杂波、光照变化、目标旋转和尺度变化等复杂跟踪环境下的目标跟踪,文中算法都能有效地降低跟踪结果存在的漂移现象,且具有较好的稳定性.

摘要：基于自然图像中灰度纹理与颜色信息的正相关性,提出一种基于局部稀疏编码的自然灰度图像着色方法.首先依据参考彩色图像训练得到"亮度-纹理-颜色"联合字典;然后利用纹理特征子空间和相邻像素的双重局部性求解目标灰度图像块的颜色系数,对图像块进行着色;最后通过金字塔方法逐层优化避免颜色突变.实验结果表明,文中方法可以获得颜色真实度高且整体过渡平滑的目标彩色图像,着色过程也更加自动化.

摘要：针对复数图像系统所获取的图像具有噪声的问题,将稀疏编码理论扩展到复数域中,并且运用该理论提出一种复数据的降噪算法.该算法采用复数域的正交匹配追赶算法对图像进行稀疏编码,利用自适应方式从待训练含噪图像样本中获取表示词典,并指出最终图像的降噪效果与表示的稀疏度有关.实验结果表明,文中算法对于复数图像取得了很好的降噪效果,尤其是可以有效地提高复数相位的降噪信噪比.

摘要：针对传统的三维模型单一特征识别精度低问题,提出一种自适应稀疏编码融合的非刚性三维模型分类算法.首先提取模型的平均测地线特征、热核特征、形状直径函数特征,以构造互补的多特征形状描述;其次利用特征袋模型构造AGD-BoF, HKS-BoF, SDF-BoF特征向量,通过随机样本建立特征权值矩阵;最后利用特征权值矩阵与稀疏优化编码自适应融合,并采用Softmax分类算法实现非刚性模型的有效分类.通过在非刚性数据集SHREC10与SHREC11上的综合实验表明,自适应稀疏编码融合的分类算法具有更高的识别准确率及较强的鲁棒性.

摘要：相较于一般物体的图像,农作物害虫图像因具有复杂的农田环境背景,分类与识别更加困难。为提高害虫图像识别的准确率,该文提出一种基于图像稀疏编码与空间金字塔模型相结合的害虫图像表示与识别方法。该方法利用大量非标注的自然图像块构造过完备学习字典,并运用该学习字典实现对害虫图像的多空间稀疏表示。与此同时,结合多核学习,该文设计了一种害虫图像识别算法。通过对35种害虫的识别,试验结果表明:在相同方法下,该文所提特征提取方法可使平均识别精度提高9.5百分点;此外,进一步通过对221种昆虫及20种蝴蝶的识别,试验结果表明:与传统方法相比较,该文所提方法使得平均识别精度提高14.1百分点。

摘要：针对农业机械液压系统故障诊断问题,提出一种基于专家系统和稀疏编码的故障诊断模型。分析农业机械液压系统的元件故障和系统故障,构建故障诊断专家系统,并设计适合于农业机械液压系统故障诊断的知识库和推理机。为进一步提高故障诊断专家系统的诊断准确性,设计基于稀疏编码的故障诊断,将稀疏编码故障诊断结果与专家系统进行融合,提高诊断准确性。试验结果表明,农机液压系统故障诊断专家系统准确性可达85%以上,经过稀疏编码融合后,故障诊断准确率可以提升至91%以上。该模型符合故障诊断要求,为农机液压系统的故障诊断提出新的思路。

摘要：为了提高稀疏编码算法的处理速度,设计了一种通过System Generator在FPGA上实现的正交匹配追踪算法。算法由矩阵数据并行输出模块、矩阵乘法运算模块、最匹配原子与列索引选择模块、Cholesky分解模块与求逆算法模块、残差更新模块5个模块组成。通过对模块内部算法并行化设计,提高了正交匹配追踪算法的运行速率。仿真结果表明:设计的系统可以有效实现正交匹配追踪算法,算法的处理速度比软件处理有了明显的提升,处理结果精度较好,证明该设计可行且有效。

摘要：卷积稀疏编码网络模型(convolutional sparse coding network,CSCNet)虽然能够有效解决去噪问题,但是该算法并没有考虑到迭代求解近似编码向量过程中卷积层、反卷积层之间的叠加会改变原始数据分布方式。为解决该问题,借鉴深度学习领域常用方法对原始模型进行改进。讨论了在CSCNet模型中加入以及不加入批处理标准化(batch normalization,BN)、非线性激活函数、残差学习(residual learning,RL)对模型图像去噪效果的影响,然后再此基础上分别设计了两个不同的网络模型结构。为使输入数据分布方式不因模型层与层之间传播而改变,模型1是在原始CSCNet网络的每一层加入非线性激活函数以及BN层。CSCNet模型中所训练的卷积核都是同样大小,为增加图像特征的多样性,模型2在模型1基础之上加入了简单残差块结构改变了原始模型参数传播方式,并将其通过Shortcut Connections结构与原始输入联结起来。从实验结果可以看出,在不降低原始模型计算效率的前提下,使用文中设计的模型所得去噪后的结果相比原卷积稀疏编码网络略有提升。

摘要：最近几年,信号的稀疏表示在图像处理、人脸识别、纹理分类等领域得到了广泛的应用.在粒子滤波框架下,视频跟踪问题被看作是使用若干个目标模板来稀疏化线性表示候选区域的过程,并使用"小模板"来处理目标物在视频场景中出现的各种复杂变化,这种算法过程简单,但效率很低.提出一种改进方法,使用下采样方式降低稀疏编码的复杂度,并设计了性能良好的稀疏系数向量融合方法.实验表明,该算法在对跟踪精度几乎没有影响的前提下,大大提升了算法的效率.