基于列约束低秩矩阵恢复方法.docVIP

基于列约束低秩矩阵恢复方法 　　摘 要：由于在成像过程中出现遮挡现象，图像矩阵的元素有缺失。在正投影相机模型下，提出一种基于列约束的低秩矩阵恢复方法。该方法利用图像矩阵是一个低秩矩阵从而图像序列具有冗余性的特性，利用奇异值分解由图像矩阵的列空间构造出一个投影矩阵，得到图像矩阵的列所满足的约束条件，将缺失元素的恢复转化为迭代求解二次型的极值问题，利用它恢复出图像矩阵的缺失元素。该方法从理论上能够保证收敛到全局最小值。仿真实验表明，此方法具有收敛速度快，恢复精度高等优点。 　　关键词：遮挡点；低秩矩阵；奇异值分解；列约束 　　中图分类号：TP391 文献标志码：A 　　Low-rank Matrix Recovery Method Based on Column Metric Constraints 　　QIU Guo-yong，ZHANG Li 　　（School of Computer Science，Shaanxi Normal University，Xi’an，Shaanxi 710119，China） 　　Abstract：To recover the position of occlusion，the image matrix has some missing elements because of occluding in the imaging process.An low-rank matrix recovery method based on column metric constraints under orthographic projection is presented.Utilizing the property that the image matrix is of low rank and the redundancy that exists in an image sequence，a projective matrix is constructed via singular value decomposition to get the image matrix’s column metric constraints.The method iteratively solves the minimum of a quadratic function to recover the missing elements of the image matrix.The method can guarantee to converge to the global optimal solution theoretically.The simulated experiments show that the proposed method has the advantages of fast convergence speed and small error. 　　Key words：occlusion；low-rank matrix；singular value decomposition；column metric constraints 　　1 引 言 　　特征点跟踪是计算机视觉研究领域中三维重建、运动分析等深度研究的前提和基础[1]。由于在摄像机成像过程中视场改变、遮挡出现、光照变化等诸多原因，在特征点的跟踪过程中，必然会导致部分特征点跟踪丢失，从而图像矩阵的相应位置没有值。如何恢复这些缺失的矩阵元素，是计算机视觉的热门研究问题之一[2-3]。 　　由于图像矩阵构造的特殊性，图像矩阵在没有任何误差的情形下是一个秩不超过3的低秩矩阵[4]，这也表明图像序列具有冗余性，且图像矩阵的列向量组是线性相关的，列空间可以用不同的列向量部分组生成。利用图像矩阵的低秩性，有的学者利用子矩阵法对低秩矩阵进行恢复[4-5]，但是该方法的结果和所选择的子矩阵有关。为了克服该方法的缺点，不少研究人员利用图像矩阵可以分解为两个矩阵相乘的特性，其中一个表示相机的旋转，一个表示目标物的形状，交替固定一个求另外一个，进行循环迭代求解[6-9]。但是该类方法适用于遮挡率比较低的情形，当遮挡率较高时，算法就无法收敛。同时，也有研究人员通过重投影误差构造出目标函数，采用非线性优化 　　方法进行迭代求解[10-11]，但由于该目标函数是一个非凸函数，导致若初始值远离真实解时，不能求到全局最优解。为了解决这个问题，在假设相机为针孔模型下，Martinec等利用三线性约束来求解遮挡点的真实位置[12]，但该方法的缺点是要求三线性约束关系，而在求三线性约束关系过程中，不能把所有的图像平等看待，因此必然导致误差较大。 　　为了