基于子空间的鲁棒射影重建方法.docxVIP

基于子空间的鲁棒射影重建方法 1 射影重建因子化方法 3d欧构是对未标准图像序列的恢复场景的3d结构，主要用于场景几何结构的重建和虚拟场景的整合。这一直是计算机视觉领域的研究重点。在这个问题上，研究人员提出了几种方法，直接使用测量约束来估计摄像机的数量和场景的欧状结构。 近几年来, 使用因子化方法求解射影重建问题得到了重视.射影重建因子化方法可以同时考虑所有图像, 且不需要指定参考图像, 其形式化为将一个由未知射影深度值缩放的测量矩阵因式分解为投影矩阵和结构矩阵的乘积.因此, 射影深度的估计是射影重建因子化方法中待解决的关键问题之一.现有方法主要有使用对极几何关系估计射影深度的非迭代方法, 其需要估计多视点几何关系, 例如:基本矩阵、三焦张量或四焦张量等, 该类方法对噪声是敏感的 在本文中, 将以文献[9, 13]提出的方法为基础, 对其进行扩展, 使得新方法可以处理丢失数据项和局外点.为了确保其收敛, 本文将因子化方法形式化为一个极小化问题序列, 在不同步骤上, 针对所关注的子问题, 对同一个目标函数关于不同参量进行极小化. 由于在场景中可能存在遮挡现象, 测量矩阵中仅含有有效数据项的假定条件不能得到满足.因此, 对于一个实用的因子化方法, 必须处理丢失数据项的问题.另外, 由于特征跟踪算法的局限性, 使得在测量矩阵中存在一定比例的局外点, 消除局外点对因子化方法的影响是需要解决的问题. 当测量矩阵中都是有效数据项时, 射影结构和投影矩阵可使用SVD关于一个未知的4×4变换矩阵求得.但由于丢失数据项和局外点的存在, 不能直接使用SVD.因此, 在本文算法中, 需要一个鲁棒的PCA算法.本文使用广义Lagrange乘子法 (ALM) 极小化一个由核范数和L 本文第2节给出子空间的包含性度量;第3节给出消除局外点和丢失数据项影响的秩约束RPCA方法;第4节给出能够处理丢失数据项和局外点数据的基于子空间的射影重建因子化方法;第5节给出本文算法的详细分析, 使用人工合成数据、恐龙网格数据和真实图像数据以验证本文算法的有效性和鲁棒性;第6节给出结论及将来的工作方向. 2 结构矩阵s的行向量张成空间与pans的相关定义 场景中n个3D点S 其中W 由式 (2) 可知, W 其中span (S) 表示由S的行向量张成的子空间. 由式 (1) 可知, 结构矩阵S的行向量张成的4D子空间与缩放测量矩阵W的行向量张成的空间之间存在式 (4) 所示的关系. 2.1 qp/ws转换方程 不失一般性, 假定结构矩阵S是行满秩的, 规范化其行向量, 使其是span (S) 的正交基, 并构造满足式 (5) 的正交矩阵[S 如果W 很明显, 要使式 (3) 是满足的, 当且仅当O (W 2.2 问题的形式 给定图像坐标x 3 鲁棒主成分分析 由于丢失数据项和局外点的存在, 式 (1) 不再满足.为了鲁棒地估计出由正确射影深度缩放的测量矩阵 其中, 其中权数λ是一个正值.在矩阵中存在丢失数据项和局外点的情况下, 由观测数据准确地恢复本质上的低维线性子空间被称为鲁棒主成分分析 (RPCA) 在本小节算法中使用广义Lagrange乘子技术 (ALM) 求解式 (10) , 用于消除局外点和丢失数据项的影响.ALM方法已经被证明具有令人满意的Q-线性收敛速度 3.1 求解rpca的广义lagrange乘子法 对于式 (10) 表示的RPCA问题, 其相应的广义Lagrange函数如式 (11) 所示. 在算法1中描述了求解RPCA问题的广义Lagrange乘子法, 下标k表示迭代次数. 3.2 估计主异化空间的维度 在求解RPCA问题 (式 (11) ) 的算法1中, 由于仅需要大于指定阈值的奇异值及相应的奇异向量, 所以需要估计主奇异空间的维度且计算完整的奇异值分解 (SVD) 是没有必要的.在算法1中, 外层循环的预测规则是sv 其中, d=min (m, n) ;sv 4 鲁棒射影重建算法 极小化问题 (8) 的一次迭代内嵌2个极小化问题, 分别对应交替估计结构矩阵S和射影深度λ 算法2.基于子空间的鲁棒射影重建方法. 1.设k=0, 丢失数据项{x 2.k=k+1, 固定M 3.对每个i (=1, …, m) , 固定M 本步计算的误差如 4.1 结构矩阵子矩阵 在本文算法2的步2中, 需要估计秩为4的结构矩阵S.假定矩阵M 上式中奇异值沿Σ的对角线降序排列, 通过设S是V的前4个列向量组成的子矩阵和S 4.2 辐射的深度 假定M 为了极大化f (Λ 如式 (18) 所示, ue003 由本文算法2的实验证实, 一般经过5次迭代式 (19) , 射影深度λ 5 实验数据的实验配置 在本节, 将算法2与Tang子空间方法进行比较, 使用3类不同数据检