近年來(lái),隨著計(jì)算機(jī)視覺(jué)和模式識(shí)別技術(shù)的發(fā)展,圖像恢復(fù)、目標(biāo)檢測(cè)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(jìn)一步使用,只有更加清晰的圖像才能更好的進(jìn)行識(shí)別,進(jìn)而更好的進(jìn)行目標(biāo)的檢測(cè)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(cè)以及目標(biāo)跟蹤技術(shù),并在原來(lái)稀疏模型的基礎(chǔ)上對(duì)其進(jìn)行改進(jìn)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(diǎn)如下:第一,針對(duì)圖像恢復(fù)問(wèn)題,提出了基于截?cái)嗪朔稊?shù)和F范數(shù)的圖像恢復(fù)模型。利用截?cái)嗪朔稊?shù)更好的逼近矩陣的秩,用F范數(shù)的平方來(lái)防止解過(guò)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(duì)模型進(jìn)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(cuò)誤率,取得了很好的恢復(fù)效果。第二,針對(duì)圖像檢測(cè)問(wèn)題,提出了一種基于聯(lián)合正則稀疏組Lasso的圖像檢測(cè)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(lái)提高圖像檢測(cè)成功率。首先,組與組之間的相關(guān)性通過(guò)調(diào)整聯(lián)合正則...

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1自行車(chē)某些部件位置的檢測(cè)示例

圖1.1自行車(chē)某些部件位置的檢測(cè)示例，當(dāng)前的稀疏表示被廣泛應(yīng)用于圖像檢測(cè)中。2012年，臉識(shí)別中，該方法在處理大型照明、遮擋、以及表達(dá)變[2]還提出了基于稀疏表示的目標(biāo)檢測(cè)模型，該模型針對(duì)高分辨率的傳統(tǒng)判別特征通常會(huì)在低分辨率下消失，而將每個(gè)過(guò)濾器表示為共享字典元素的稀疏線(xiàn)....

圖4.5含不同噪聲的圖像

種先增加后減少的趨勢(shì)，在某一個(gè)點(diǎn)時(shí)出現(xiàn)峰值，也就是在這個(gè)點(diǎn)時(shí)效果最好。經(jīng)證，參數(shù)=0.1和=0.5時(shí)識(shí)別效果最好，所以和分別設(shè)置為0.1和0.5。目標(biāo)識(shí)別與檢測(cè)由于圖像在獲取的過(guò)程中難免會(huì)因?yàn)楦鞣N外界因素而夾雜噪聲。所以為了使算法能于實(shí)際場(chǎng)景....

圖4.8火災(zāi)識(shí)別與檢測(cè)

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(lái)增強(qiáng)識(shí)別效果。表4.3四種算法的識(shí)別結(jié)果對(duì)比數(shù)據(jù)集總數(shù)有煙圖片數(shù)識(shí)別率1500100084.2%....

本文編號(hào)：3964722