基于稀疏表示的圖像超分辨率與目標(biāo)跟蹤方法研究.pdf

1、近年來，計(jì)算機(jī)視覺飛速發(fā)展，在農(nóng)業(yè)、工業(yè)及軍事等領(lǐng)域都得到了廣泛應(yīng)用，在一些危險(xiǎn)或不適合人類作業(yè)的環(huán)境下可以代替人類視覺。圖像處理、圖像目標(biāo)檢測、識(shí)別及跟蹤是計(jì)算機(jī)視覺研究的關(guān)鍵內(nèi)容。圖像的質(zhì)量直接影響圖像的進(jìn)一步使用，超分辨率方法可以幫助照相機(jī)提高圖像分辨率，提供更多的圖像細(xì)節(jié)。目標(biāo)檢測、識(shí)別、跟蹤是指對圖像或視頻中特定目標(biāo)進(jìn)行標(biāo)記辨識(shí)，從而為進(jìn)一步?jīng)Q策提供信息。
　　稀疏表示方法在進(jìn)行圖像表示時(shí)具有優(yōu)越的性能，在圖像超分辨率、

2、目標(biāo)檢測識(shí)別及跟蹤等方面都可以發(fā)揮重要作用，已經(jīng)引起了國內(nèi)外研究人員的廣泛關(guān)注。本文以基于稀疏表示的圖像超分辨率與目標(biāo)跟蹤為課題展開了研究工作，主要內(nèi)容包括以下幾方面：
　　第一，結(jié)合圖像結(jié)構(gòu)特征，提出了一種基于組稀疏表示的圖像超分辨率方法。首先，聯(lián)合組正交追蹤和K-SVD提出了一種同時(shí)訓(xùn)練高分辨率字典和低分辨率字典的方法，經(jīng)過字典訓(xùn)練，對應(yīng)的低分辨率圖像和高分辨率圖像具有相同的組稀疏表示系數(shù)。之后，基于訓(xùn)練后的低分辨率字典和高分

3、辨率字典，求解出低分辨率圖像的組稀疏表示系數(shù)并用于重構(gòu)高分辨率圖像。經(jīng)過不同的圖像樣本訓(xùn)練，本文的方法可以對紅外圖像和普通光學(xué)圖像進(jìn)行超分辨率，在圖像超分辨率結(jié)果中不僅提供更多的圖像細(xì)節(jié)信息，并且對圖像噪聲具有抑制作用。
　　第二，利用圖像目標(biāo)元素特征與結(jié)構(gòu)特征，提出了一種基于圖像聯(lián)合特征稀疏表示的目標(biāo)檢測方法。首先將圖像分塊，提取每一塊圖像的SIFT特征作為元素特征，再計(jì)算圖像中塊與塊之間的相關(guān)性作為結(jié)構(gòu)特征。元素特征是一種局部

4、特征，結(jié)構(gòu)特征是一種全局特征，聯(lián)合兩種特征能更準(zhǔn)確的表示圖像。之后對聯(lián)合特征進(jìn)行稀疏編碼，并建立基于稀疏編碼的金字塔式特征柱狀圖作為圖像特征。再將特征柱狀圖輸入到提前訓(xùn)練過的SVM分類器中進(jìn)行分類，對圖像進(jìn)行二值分類后形成目標(biāo)可信度圖像。最后在目標(biāo)可信度圖像中通過非極大值抑制方法對目標(biāo)進(jìn)行標(biāo)記。本文的方法對單尺度目標(biāo)和多尺度目標(biāo)都具有良好的檢測性能，在高召回率的情況下依然可以達(dá)到較高的準(zhǔn)確率，對目標(biāo)遮擋和目標(biāo)重疊具有較強(qiáng)的魯棒性。

5、>　　第三，融合稀疏表示與支持向量機(jī)，提出了一種基于貝葉斯決策級(jí)融合的圖像目標(biāo)識(shí)別方法。首先，提出了一種基于匹配追蹤的快速稀疏表示分類器。在快速稀疏表示分類器中，字典由訓(xùn)練圖像構(gòu)成。在求解測試圖像的稀疏編碼時(shí)，通過匹配追蹤方法在稀疏系數(shù)中只求出一個(gè)非零元素，測試圖像通過這個(gè)非零元素在稀疏系數(shù)中的位置進(jìn)行分類。同時(shí)，采用了支持向量機(jī)分類器對圖像目標(biāo)進(jìn)行分類。在支持向量機(jī)分類器中，首先提取圖像的主成分分析特征，之后選擇了徑向基核函數(shù)確定超平

6、面。最后，通過混淆矩陣分別計(jì)算兩個(gè)分類器的可信度，快速稀疏表示分類器的分類結(jié)果和支持向量機(jī)分類器的分類結(jié)果進(jìn)行基于貝葉斯規(guī)則的決策級(jí)融合，融合后可信度最大的結(jié)果即為最終分類結(jié)果。對SAR圖像和人臉圖像識(shí)別實(shí)驗(yàn)證明，本文的方法比單一目標(biāo)識(shí)別方法在識(shí)別率和穩(wěn)定性方面都有較大的提升，速度仍然較快。
　　第四，針對主成分分析跟蹤方法對目標(biāo)遮擋較為敏感的問題，提出了一種基于主成分分析和局部稀疏表示融合的魯棒性目標(biāo)跟蹤方法。首先，候選目標(biāo)通過

7、主成分分析子空間模型進(jìn)行重構(gòu)，為了處理遮擋，在主成分分析子空間模型中提出了一種基于塊的相似性估計(jì)策略。之后引入了局部稀疏表示模型，通過稀疏編碼的表示誤差檢測遮擋塊并估計(jì)候選目標(biāo)與真實(shí)目標(biāo)的相似性。最后，對分別通過主成分分析子空間模型和局部稀疏表示模型獲得的候選目標(biāo)的兩個(gè)相似性進(jìn)行融合并預(yù)測最終跟蹤結(jié)果。在八個(gè)挑戰(zhàn)性圖像序列中與多種流行跟蹤方法比較發(fā)現(xiàn)，本文的方法對跟蹤中較為常見的目標(biāo)遮擋、光照變化、運(yùn)動(dòng)模糊和背景復(fù)雜等情況都具有較強(qiáng)的魯