用于鲁棒图像对齐的迭代Grassmann优化
计算机视觉与模式识别
2015-04-21 v2 最优化与控制
机器学习
摘要
鲁棒高维数据处理近年来取得了令人振奋的发展，理论结果表明，通过凸规划可以将数据拟合优化为低秩成分加稀疏离群成分。该问题也称为鲁棒PCA，并在计算机视觉的许多领域得到应用。在图像和视频处理以及人脸识别中，随着人们以前所未有的规模在线上传照片和视频数据，处理海量图像数据库的机会正在涌现。然而，数据质量和一致性无法控制，数据的海量性带来了严峻的计算挑战。本文提出了t-GRASTA，即“变换后的GRASTA（Grassmann鲁棒自适应子空间跟踪算法）”。t-GRASTA迭代地执行受限于子空间Grassmann流形的增量梯度下降，以同时估计一组图像分解为低秩子空间、遮挡和前景物体的稀疏部分以及变换（如旋转或平移）。我们表明，t-GRASTA比最先进算法快4倍，内存需求减半，并且能够实现人脸图像以及抖动摄像机监控图像的对齐。
引用
@article{arxiv.1306.0404,
title = {Iterative Grassmannian Optimization for Robust Image Alignment},
author = {Jun He and Dejiao Zhang and Laura Balzano and Tao Tao},
journal= {arXiv preprint arXiv:1306.0404},
year = {2015}
}
备注
Preprint submitted to the special issue of the Image and Vision Computing Journal on the theme "The Best of Face and Gesture 2013"