动态群稀疏约束场景知识建模的感兴趣监控目标超分辨率重建

Its a hot and difficult topic to gain super-resolution target of interest from images in surveillance research. Sparse modeling is the hotspot of super-resolution reconstruction. Sparse constraint super-resolution technique based on consistency of manifolds is not suitable for the actual monitoring. The goal of this study is to reconstruct target of interest in actual surveillance video, and explore the therory and Key technologies of super-resolution reconstruction of interest object based on dynamic group and sparse scenario knowledge model. Scene extraction modeling will be done firstly, according to consistency assumption of sparse representation of the background image in video, to separate the scene and the target of interest from surveillance images. Then the degradation process will be simulated via approximation of the scene of surveillance images. Manifold inconsistencies sparse coefficients for the actual monitoring of high and low resolution images, we will study the degraded model of sparse coefficient between them. A coupling semi-structured dictionary and degrade function learning model coupling sparse constraints and dynamic group will be established. Finally, we research the target super-resolution reconstruction based on the principal component of sparse and dynamic group interested in self-similar structure, according to the coupling semi-structured dictionary and degrade functions, considering the affect of actual noise.

如何得到高分辨率的视频监控感兴趣目标图像是视频监控领域的热点与难点。稀疏模型是当前超分辨率重建的热点。基于流形一致性理论的稀疏约束超分辨率技术，并不适合实际监控图像的超分辨率重建。本项目以实际监控视频感兴趣目标的超分辨率重建为研究目标，探索基于动态群稀疏约束场景知识建模的感兴趣监控目标超分辨率重建理论与关键技术。首先，依据视频背景图像的稀疏表示一致性假设，建立基于动态群稀疏模型的视频监控图像场景提取模型，实现监控图像中场景和感兴趣目标的分离；其次，利用监控图像场景的近似性模拟实际的降质过程，针对实际监控图像高低分辨率稀疏系数流形不一致性问题，研究高低分辨率场景图像稀疏系数的映射关系和降质模型，建立动态群稀疏约束的半耦合结构化字典和降质映射函数学习模型；最后，根据半耦合结构化字典和降质函数，针对实际噪声的影响，研究基于主成份动态群稀疏和结构自相似的感兴趣目标超分辨率重构。

本项目以稀疏表示为理论依据，针对实际监控视频感兴趣目标的超分辨率重建理论问题与技术难点，研究了视频监控目标图像超分辨率重建、场景与目标分割、以及稀疏性约束问题的数值求解等方面的内容，具体如下：1、基于半耦合冗余字典的图像超分辨率重建。该算法在字典学习模型中引入了高低分辨率图像的映射关系，在学习字典的同时，获得高低分辨率图像稀疏系数之间的映射关系。2、局部约束群稀疏图像超分辨率重建。根据原子系数的群结构稀疏性,联合局部约束群稀疏表示模型和K-SVD方法, 训练出群结构字典去重建图像。3、基于背景知识学习的目标图像超分辨率重建。该算法利用视频监控图像中历史不变成份的先验知识来学习到一个能够提升图像质量的映射函数，再利用该映射函数对感兴趣目标进行图像恢复，可以较好地恢复目标图像的结构和纹理细节。4、基于背景字典的移动目标检测算法。将背景图像分解成若干小块，然后为每个图像小块学习一个背景字典，最后利用字典分割出移动目标。能够很好地减少噪声干扰，提高了目标检测的效果，同时能够降低算法的复杂度。5、L1-L2范数目标表示的视频跟踪方法。使用L1 范数进行残差的计算，这样可以更好地处理局部遮挡和噪声点。同时，使用L2范数进行编码系数的正则化,可以防止单个目标模板在进行候选块的表示时的作用太突出，从而获得更加稳定的目标表示。6、交通视频中车辆的快速检测方法。针对交通视频，首先计算出视频中阴影亮度降幅范围，再利用该范围快速检测出车辆目标图像。该方法具有更低的算法复杂度和更好的实时性，同时提高了阴影检测的准确性。7、利用拉格朗日方法,研究稀疏性约束问题的数值求解，提出了一种新的线性化增广拉格朗日方法求解欧拉弹性去噪模型。首先将原问题转化为约束最小值问题，然后计算相应增广拉格朗日泛函的鞍点。在交替计算子问题时，其中的两个子问题采用线性化技术，从而具有闭形式解，简化了计算。8、针对基于代数和基于条件熵的属性重要性约简算法存在的局限性，提出了一种基于分辨矩阵的属性重要性约简算法。.在该项目的资助下，共发表论文19篇，其中SCI收录4篇，EI收录10篇，中文核心期刊2篇。授权国家发明专利2项，申请国家发明专利3项，获得软件著作权7项。参加各类学术会议共11次，邀请国内专家交流7次，1名成员获得国家公派留学资助。培养硕士研究生6人。