收藏本站
收藏 | 论文排版

智能机器人视觉图像最稀疏分解研究

李育亮  
【摘要】:机器人图像具有背景复杂、数据量大、实时变化、要求运算速度快的特点,若采用传统的Shannon采样方式对图像进行获取则会产生巨量的采样数据对后续的图像处理造成巨大压力。近年来,压缩采样或称压缩感知理论的提出使其得到有效的解决。对机器人视觉来说,图像处理的只是为了得到有用的特征信息,不需要完整的原始图像,因此只须在压缩域对低维数据进行处理并获取其特征信息,进而提高机器人的反应和运行速度。压缩感知理论把数据采样步骤与压缩步骤有效地结合起来。其理论方法以观测矩阵采样代替传统采样,其得到的测量值包含有丰富的足以恢复原图像信号的重要信息。实现压缩采样算法实现的首要前提是图像信号在变换基或者说字典上具有稀疏性,图像在所选择稀疏字典上越稀疏,测量采集的点数就变的更低,后期处理就越快,只有在合适的稀疏矩阵之上,信号的恢复精度和稀疏性才能得到保障。针对最佳稀疏分解的研究本文所做主要工作如下:(1)在对各种稀疏分解方法进行研究之后,本文认为通过学习获得的冗余字典具有更好的自适应重构图像的能力,能有效表达图像局部结构特点,使得信号在字典上有更稀疏的表示。但目前字典学习过程中存在计算复杂度较大耗时较多的问题。针对这一问题,我们分析了各种字典学习算法的原理,在字典更新阶段,本文方法以求近似解的方式替代了K-SVD算法中消耗时间最多的SVD分解,提出了一种近似K-SVD算法的简化方法,舍弃了K-SVD和近似K-SVD算法中字典更新阶段重复更新稀疏系数矩阵的过程。经实验对比认为简化的近似算法在不降低图像质量的前提下,一定程度上减少了字典学习所消耗的时间。(2)上述方法对字典更新速度上提高有限,计算复杂度较大,不能适用于机器人图像的稀疏表示。最近,一种被称作SGK的字典学习算法被作为经典K-SVD算法的有效替代,相比于K-SVD它具有更快的执行速度和与之相媲美的字典训练效果。但SGK算法仅通过单列字典的更新,计算复杂度仍有改善的空间。正是基于这一点,本文对SGK算法进行改进,提出了多列原子更新的字典学习算法,将SGK算法中的残差项变形为r列原子同时更新进而利用最小二乘法更新字典中的r个原子。实验仿真与计算时间复杂度分析结果显示本算法有效减少了单次迭代的计算量和字典学习的时间,提高了稀疏分解的效率。(3)针对机器人图像复杂度高、场景随机性大的特点,提出了一种适合于机器人图像的在线字典学习算法。在稀疏编码阶段采用上一帧图像字典学习得到的冗余字典,更新稀疏系数矩阵,使字典在学习过程中可以继承上一帧图像学习得到的有用信息并且不断地加入新的有效成分,使字典适应渐变的环境;字典更新阶段运用最小二乘法将字典的部分原子按次分批更新。较离线字典而言运用本文在线算法得到的字典进行稀疏表示和重构,图像质量有所提高,并且随着机器人场景图像的逐渐变化,其优势将更加明显。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 茅正冲;黄舒伟;;基于结构化判别稀疏表示的目标跟踪[J];南京理工大学学报;2018年03期
2 Fang LI;Jia SHENG;San-yuan ZHANG;;基于稀疏表示的拉普拉斯稀疏字典图像分类(英文)[J];Frontiers of Information Technology & Electronic Engineering;2017年11期
3 陈素素;谢宏;;基于稀疏表示的联合多通道肌电信号手势识别[J];微型机与应用;2017年17期
4 余庆辉;朱晗琰;吴海霞;戈晓玲;潘逸炜;;基于类内稀疏表示的人脸识别[J];科技展望;2015年32期
5 滕升华;商胜楠;王芳;赵增顺;;一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J];生物医学工程研究;2016年01期
6 黄宏图;毕笃彦;高山;查宇飞;侯志强;;基于局部敏感核稀疏表示的视频跟踪[J];电子与信息学报;2016年04期
7 张保庆;穆志纯;曾慧;;基于非负稀疏表示的遮挡人耳识别[J];计算机辅助设计与图形学学报;2014年08期
8 张石清;赵小明;楼宋江;闯跃龙;郭文平;陈盈;;一种局部敏感的核稀疏表示分类算法[J];光电子.激光;2014年09期
9 陈思宝;许立仙;罗斌;;基于多重核的稀疏表示分类[J];电子学报;2014年09期
10 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期
11 康彬;曹雯雯;颜俊;张索非;;基于典型相关性分析的稀疏表示目标追踪[J];电子与信息学报;2018年07期
12 王威;朱宗玖;陆俊;;基于字典学习和局部约束的稀疏表示人脸识别[J];电脑知识与技术;2018年05期
13 韦道知;黄树彩;赵岩;庞策;;非负谱稀疏表示的高光谱成像中的异常检测[J];红外与激光工程;2016年S2期
14 王科平;杨赞亚;恩德;;基于分类冗余字典稀疏表示的图像压缩方法[J];计算机工程;2017年09期
15 王学军;王文剑;曹飞龙;;基于自步学习的加权稀疏表示人脸识别方法[J];计算机应用;2017年11期
16 黄少煌;黄立勤;;改进的两阶段协作稀疏表示分类器[J];南阳理工学院学报;2016年02期
17 胡正平;高红霄;赵淑欢;;基于低秩分解的联合动态稀疏表示多观测样本分类算法[J];电子学报;2015年03期
18 王瑞;王康晏;冯玉田;张海燕;金彦亮;张有正;;复杂场景下声频传感器网络核稀疏表示车辆识别[J];西安电子科技大学学报;2015年04期
19 夏建明;杨俊安;康凯;;基于局部稀疏表示和线性鉴别分析的典型相关分析[J];控制与决策;2014年07期
20 朱明旱;李树涛;叶华;;稀疏表示分类中遮挡字典构造方法的改进[J];计算机辅助设计与图形学学报;2014年11期
中国重要会议论文全文数据库 前10条
1 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集(第五分册)[C];2013年
2 杨宝;朱启兵;黄敏;;基于非负矩阵分解一稀疏表示分类的玻璃缺陷图像识别[A];第24届中国控制与决策会议论文集[C];2012年
3 田野;张立新;严涛;杨志梅;张茁;;基于稀疏表示的北斗导航卫星预失真滤波器设计方法[A];第九届中国卫星导航学术年会论文集——S08 测试评估技术[C];2018年
4 肖琼;黄永言;;稀疏表示在脑电信号处理中的应用研究现状[A];人-机-环境系统工程创立30周年纪念大会暨第十一届人-机-环境系统工程大会论文集[C];2011年
5 赵雪峰;孙成禹;;基于稀疏表示的地震多属性融合[A];2016中国地球科学联合学术年会论文集(十九)——专题40:油气田与煤田地球物理勘探[C];2016年
6 廖佳俊;刘志刚;蔡尚;姜江军;;基于非负—平滑约束的高光谱稀疏表示目标检测算法研究[A];国家安全地球物理丛书(十二)——地球物理与信息感知[C];2016年
7 蒙红英;柴昱洲;韩宇;;一种基于稀疏表示的JPEG-LS改进算法[A];第四届高分辨率对地观测学术年会论文集[C];2017年
8 柴汉超;郭翌;汪源源;曹万里;孙福康;;基于多尺度稀疏表示分割肾上腺肿瘤CT图像[A];仪器仪表学报(2015(增刊)第36卷)[C];2015年
9 余力;郭翌;汪源源;陈萍;;基于超声心动图序列的胎儿左心室分割[A];仪器仪表学报(2015(增刊)第36卷)[C];2015年
10 林哲;闫敬文;袁野;;基于稀疏表示和PCNN的多模态图像融合[A];创新驱动与转型发展,推动汕头腾飞——汕头市科协第七届学术年会优秀论文集[C];2014年
中国博士学位论文全文数据库 前10条
1 张海燕;基于稀疏表示的低剂量CT成像研究[D];天津大学;2017年
2 王伟;基于帧级和段级稀疏表示的说话人识别研究[D];哈尔滨工业大学;2016年
3 涂淑琴;基于稀疏表示的RGB-D图像特征学习研究与应用[D];华南农业大学;2016年
4 李窦哲;基于L-DACS1数据链的航空电信网协同传输关键技术研究[D];天津大学;2017年
5 石保顺;基于自适应稀疏表示的压缩感知及相位恢复算法研究[D];燕山大学;2017年
6 刘梓;基于稀疏表示与鉴别分析算法的人脸图像分类研究[D];南京理工大学;2016年
7 邵晓晨;基于稀疏表示的混合属性数据聚类关键技术研究[D];北京科技大学;2018年
8 张国庆;基于稀疏表示的特征提取与分类方法研究[D];南京理工大学;2017年
9 项凤涛;基于稀疏表示与优化的图像信息处理方法及应用[D];国防科学技术大学;2014年
10 刘婵梓;基于稀疏表示与压缩感知的高效信号处理技术及其应用[D];西南交通大学;2017年
中国硕士学位论文全文数据库 前10条
1 袁玫瑰;基于共同—特别字典的稀疏表示人脸识别研究[D];安徽大学;2018年
2 姚翠;基于稀疏表示的视频超分辨率技术研究[D];电子科技大学;2018年
3 刘苗;基于结构化稀疏表示模型的多模态目标跟踪方法研究[D];安徽大学;2018年
4 朱华;稀疏表示算法研究及其在人物视频中的应用[D];鲁东大学;2018年
5 李育亮;智能机器人视觉图像最稀疏分解研究[D];兰州理工大学;2018年
6 赵威;基于稀疏表示的高光谱图像分类方法研究[D];湖南大学;2017年
7 刘衍波;基于系数重利用正交匹配追踪稀疏表示算法及去噪研究[D];湖南大学;2017年
8 陈硕暄;基于权重稀疏表示的人脸识别算法研究[D];湖南大学;2017年
9 洪佩珊;基于稀疏表示的人脸识别模型的研究[D];湖南大学;2017年
10 王健;基于稀疏表观模型的目标跟踪算法研究[D];合肥工业大学;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978