图像运动模糊不变量特征学习

Under complex environment, Images in many military and social surveillance applications is motion blur. It is very difficult to analyze and recognize the motion blur image. This project “Motion-blur invariant image feature learning” is proposed to address this problem which has practical and theoretical significance and engineering application value. Firstly, we will focus on regularized sparse representation by introducing a statistical information preserving term. As a result, motion-blur invariant can be obtained. Secondly, we will combine motion blur model into convolutional sparse representation model, then a new sparse representation model is construct to learn the motion blur invariant features which result in data-driven parameter setting. In the framework of deep learning, we will study nonlinear sparse representation, and then combined with linear sparse representation. Finally, deep sparse representation model is proposed to learn the motion blur invariant features.

在军、民用领域对相关目标监控和信息获取中，载体平台受复杂环境的影响，获取的视频图像信息存在各种运动模糊,这对目标的分析、理解带来不同程度的困难。因此开展图像运动模糊不变量特征学习是适应国民经济和社会发展的需要，具有现实的理论意义和工程应用价值。本课题围绕运动图像的模糊不变量特征学习这一主题，通过引入统计信息保持的正则项，构建适合运动模糊图像的稀疏学习模型，开展统计信息保持正则化稀疏表示模型与算法的研究，实现模糊不变量的提取；从运动模糊模型出发，结合稀疏表示理论，研究数据驱动的自适应卷积稀疏表示的模型与算法，在实现稀疏模糊图像不变量特征学习的同时达到图像自适应去模糊处理；在深度学习的框架下，研究线性稀疏表示和非线性稀疏表示的有机结合，建立深度稀疏表示模型与算法；实现运动模糊图像的不变性特征有效学习。

实际应用中常遇到低质图像，如运动模糊，给图像分析与理解造成了很大的困难，本项目针对传统的欧式距离不能很好地刻画图像的内在特性的缺点，项目研究了统计信息保持正则化稀疏表示模型与方法，通过研究分布保持的嵌入方法，利用正则化技术加入到稀疏表示模型中，实现了统计信息保持的正则化稀疏表示模型与方法，将分布保持理论与子空间学习理论有机结合， 实现了分布保持的子空间学习模型与方法。 针对基于运动模糊模型和稀疏表示模型，建立数据驱动的自适应卷积稀疏表示模型，为自适应去模糊化处理取得了良好效果。 基于深度学习框架，研究了稀疏非负嵌入网络，构建多层稀疏表示深度模型，取得了良好效果，课题也研究了多尺度时空残差网络，实现了对运动目标特征的有效提取。 针对图像运动模糊不变量学习，我们研究了面向单个图像的稀疏表示模型与算法，其具有拥有稀疏表示的优点，而且表示系数具有很强的几何含义， 刻画了物体的几何特性，对图像模糊、光照、遮挡具有很好的鲁棒性， 该稀疏表示系数对图像模糊区域有很好的鉴别能力。到目前为止，本项目共发表了10篇学术论文，其中在国际SCI期刊上发表论文7篇，申请了6项专利，其中授权1项