近年來,隨著計算機視覺和模式識別技術(shù)的發(fā)展,圖像恢復(fù)、目標檢測以及追蹤等相關(guān)技術(shù)已經(jīng)被廣泛應(yīng)用于科研和工業(yè)生產(chǎn)。圖像的質(zhì)量直接影響圖像的進一步使用,只有更加清晰的圖像才能更好的進行識別,進而更好的進行目標的檢測以及追蹤。本文研究了基于稀疏表示的圖像恢復(fù)、圖像檢測以及目標跟蹤技術(shù),并在原來稀疏模型的基礎(chǔ)上對其進行改進與創(chuàng)新,本文所提的方法可以獲得更好的效果。本文主要工作和創(chuàng)新點如下:第一,針對圖像恢復(fù)問題,提出了基于截斷核范數(shù)和F范數(shù)的圖像恢復(fù)模型。利用截斷核范數(shù)更好的逼近矩陣的秩,用F范數(shù)的平方來防止解過于稀疏。由于該模型既可以保證解的稀疏性又可以保證解的穩(wěn)定性,從而提高圖像恢復(fù)的精度。利用交替方向乘子法對模型進行推導(dǎo)并得出相應(yīng)的求解方法。仿真結(jié)果表明提出的方法既提高了圖像恢復(fù)的峰值信噪比(Peak Signal to Noise Ratio,PSNR)值,又降低了圖像恢復(fù)的錯誤率,取得了很好的恢復(fù)效果。第二,針對圖像檢測問題,提出了一種基于聯(lián)合正則稀疏組Lasso的圖像檢測模型。該模型充分利用組與組之間的相關(guān)性這一輔助信息來提高圖像檢測成功率。首先,組與組之間的相關(guān)性通過調(diào)整聯(lián)合正則...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1自行車某些部件位置的檢測示例

圖1.1自行車某些部件位置的檢測示例，當前的稀疏表示被廣泛應(yīng)用于圖像檢測中。2012年，臉識別中，該方法在處理大型照明、遮擋、以及表達變[2]還提出了基于稀疏表示的目標檢測模型，該模型針對高分辨率的傳統(tǒng)判別特征通常會在低分辨率下消失，而將每個過濾器表示為共享字典元素的稀疏線....

圖4.5含不同噪聲的圖像

種先增加后減少的趨勢，在某一個點時出現(xiàn)峰值，也就是在這個點時效果最好。經(jīng)證，參數(shù)=0.1和=0.5時識別效果最好，所以和分別設(shè)置為0.1和0.5。目標識別與檢測由于圖像在獲取的過程中難免會因為各種外界因素而夾雜噪聲。所以為了使算法能于實際場景....

圖4.8火災(zāi)識別與檢測

4.3出示了在同一數(shù)據(jù)集下L、GL、SGL和CRSGL四0幀圖像，其中1000幀是有煙圖像。從表4.3可以看出CRSGL可以成功地使用輔助信息來增強識別效果。表4.3四種算法的識別結(jié)果對比數(shù)據(jù)集總數(shù)有煙圖片數(shù)識別率1500100084.2%....

本文編號：3964722