迭代在线子空间学习实现稳健的图像对齐

近年来,稳健的高维数据处理取得了令人振奋的发展,因为理论结果表明,可以使用凸编程来优化适合低阶成分和稀疏离群成分的数据。这个问题也被称为Robust PCA,已经在计算机视觉的许多领域中得到了应用。在图像和视频处理以及人脸识别方面,随着人们在线上传空前大量的照片和视频数据,正在出现处理海量图像数据库的令人兴奋的机会。但是,数据质量和一致性不受任何方式的控制,并且数据的庞大性带来了严重的计算挑战。在本文中,我们介绍了t-GRASTA,或“变换后的GRASTA(格拉斯曼鲁棒自适应子空间跟踪算法)”。 t-GRASTA执行受限于子空间的Grassmann流形的增量梯度下降,以便同时估计将图像集合分解为低秩子空间,遮挡和前景对象的稀疏部分以及诸如旋转或平移之类的变换图片。我们证明,t-GRASTA比最新算法快4倍,具有一半的内存需求,并且可以实现面部图像以及抖动的摄像机监视图像的对齐。