面向强噪声场景的低秩稀疏学习视觉目标跟踪方法

　　本书研究面向强噪声场景的低秩稀疏学习视觉目标跟踪方法。基于变分法和分数阶微积分理论改善强噪声场景下的视觉信息质量问题；基于低秩表示和稀疏表示理论解决目标外观多样性情况下的表观建模问题；基于融合LASSO、变分法和分数阶微积分理论解决复杂环境遮挡带来的目标特征丢失问题和目标快速运动带来的跟踪漂移问题；基于反向稀疏表示描述解决跟踪模型在线学习的计算效率问题。本书可供高等院校自动化、计算机、电子信息等相关专业的本科生和研究生，以及从事计算机视觉和数字图像处理领域的工程技术人员和研究人员参考阅读。

暂缺《面向强噪声场景的低秩稀疏学习视觉目标跟踪方法》作者简介

前  言
第1章  绪  论 1
1.1  强噪声场景下视觉目标跟踪的研究意义 1
1.2  研究现状分析 2
1.2.1  变分图像去噪方法研究现状 3
1.2.2  分数阶微积分理论在图像处理应用中的研究现状 7
1.2.3  低秩稀疏学习目标跟踪方法研究现状 8
1.3  本书的主要工作 11
第2章  变分问题的基本计算方法 15
2.1  引言 15
2.2  正则化参数的调整算法 16
2.2.1  广义交叉验证法 16
2.2.2  L曲线方法 17
2.2.3  全局方差估计法 18
2.2.4  局部方差估计法 19
2.3  典型的变分数值算法 21
2.3.1  梯度下降法 21
2.3.2  投影法 22
2.3.3  快速阈值收缩迭代法 24
2.3.4  加权范数迭代法 26
2.3.5  MM算法 27
第3章  基于变分理论的自适应原始对偶去噪算法 30
3.1  引言 30
3.2  ROF模型及其变换形式 31
3.2.1  ROF模型 31
3.2.2  ROF原始对偶模型 32
3.3 　数值算法 33
3.3.1　基于预解式的原始对偶算法 33
3.3.2  几种相似算法的关系性分析 34
3.3.3 　自适应原始对偶去噪算法的描述 36
3.3.4  收敛性分析 37
3.3.5　参数选择 38
3.4　数值实验与分析 40
3.4.1  算法性能的分析与比较 41
3.4.2  正则化参数调整策略的分析与比较 42
3.5  本章小结 46
第4章  基于分数阶变分理论的加性噪声去除算法 48
4.1  引言 48
4.2  分数阶微积分的定义 49
4.2.1  Grünwald-Letnikov分数阶微积分 49
4.2.2  Riemann-Liouville分数阶微积分 50
4.2.3  Caputo分数阶微积分 51
4.2.4  Fourier变换域的分数阶微积分 52
4.3  分数阶去噪模型的提出 53
4.4  数值算法 55
4.4.1  算法描述 55
4.4.2  收敛性分析 57
4.4.3  参数选择 57
4.5  数值实验与分析 59
4.5.1  正则化参数选取策略的分析与比较 59
4.5.2  算法性能的分析与比较 64
4.5.3  去噪性能的分析与比较 65
4.6  本章小结 73
第5章  基于分数阶变分理论的乘性噪声去除算法 75
5.1  引言 75
5.2  几种乘性变分去噪模型及其相关性分析 76
5.2.1  SO模型 76
5.2.2  I-divergence模型 77
5.2.3  Weberized模型 77
5.2.4  模型的相关性分析 77
5.3  分数阶I-divergence模型的提出 78
5.4  数值算法 80
5.4.1  算法描述 80
5.4.2  收敛性分析 82
5.4.3  参数选择 82
5.5  数值实验与分析 84
5.5.1  正则化参数的选取 84
5.5.2  算法的性能分析与比较 87
5.5.3  模型的性能分析与比较 89
5.6  本章小结 96
第6章  基于分数阶边缘检测的目标分割算法 97
6.1  引言 97
6.2  整数阶边缘检测算子 98
6.2.1  Sobel算子 98
6.2.2  Laplacian算子 99
6.3  分数阶边缘检测算子的提出 100
6.3.1  分数阶Sobel算子 100
6.3.2  分数阶Laplacian算子 102
6.4  阈值选取 103
……