稳健pca在计算机视觉中的应用.docxVIP

稳健pca在计算机视觉中的应用 0 基于快速交替方向乘子法的mr凸规划 当前压缩感知。 其中, f:R 压缩感知中信号恢复是用l 其中, ρ 0, 那么当 稳健PCA问题 其中, ρ 0, M∈R 凸规划 为了有效解决大规模的稳健PCA应用问题, 本文研究快速交替方向乘子法 ( Fast Alternating Direction Methods of Multipliers, FADMM ) 。本方法先用Nesterov平滑方法 1 快速交替乘数法 1.1 增广拉格朗日乘子法 增广拉格朗日乘子法 在ALM的基础上, 首先加入辅助变量, 使变量x分裂为两个变量, 表示为x, y, 则式 ( 1) 可写为: 设惩罚参数为1 /μ, 则增广拉格朗日乘子法的目标函数为: 关于x, y的子问题如下: 对应的拉格朗日乘子更新准则: 重复这两个步骤直到满足终止条件, 得到的解即为约束优化问题式 ( 5) 的最优解。 1.2 交替更新思想下的x、y 交替方向乘子法 ( ADMM) 是增广拉格朗日乘子法 ( ALM) 的变种, 在引入ALM中乘子函数的同时, 针对极小化x, y的困难, 引入交替更新思想, 固定其它变量, 交替最小化变量x, y。 那么式 ( 7) 就可以改写为: 拉格朗日乘子更新准则不变, 具体算法如下: 1.3 求解近似平滑思想 在解决形如式 ( 1) 的优化问题时, 往往f ( x) 和g ( x) 都是非平滑的, 对于此类问题, 常规的ALM、ADMM是无法解决的。所以本文引入Nesterov近似平滑思想 如压缩感知中l 其中, z 所以g g ( x) 平滑后, 可求解如下的近似平滑函数: 为了求解式 ( 2) 问题, 引入如下有关 ε 最优解的定理 定理1假设 证毕 由定理1, 通过求解式 ( 13) 的 ε/2 最优解, 来得到式 ( 2) 的最优解。 在函数近似平滑后, 针对ALM、ADMM收敛速度慢的特点, 为了提高收敛速度, 引入FISTA 第二次更新 λ: 并在两次更新之间加入快速算子 FADMM不仅利用当前点的信息 α 2 fadm算法求解形如式 将FADMM应用于稳健PCA问题时, 需要函数都是凸函数, 且是平滑函数。所以, 首先平滑式 ( 2) 中的f ( X) ∶=‖X‖*和g ( Y) 同理, f ( X) ∶= ‖X‖ 其中, W f ( X) 和g ( Y ) 函数平滑处理后, 就可以应用FADMM法解决形如式 ( 20) 的问题: 两个子问题的迭代公式如下: 式 ( 21) 的一阶优化条件是: 那么: X ∶= UDiag ( γ) V 令B ∶= μW 因此式 ( 22) 的一阶优化条件是: 则两个子问题X, Y就很容易通过本文方法求解。 3 合成数据的稳健pca仿真 本节实验的运行平台为matlab7. 8, CPU为Intel Core 2, 2GB内存, Windows7 系统的笔记本。3. 1 节介绍合成数据的稳健PCA仿真; 3. 2 节给出稳健PCA的视频背景建模实验。 3.1 算法的恢复性检验 本节利用合成数据, 比较ADMM和FADMM两种算法对稳健PCA求解的有效性。考虑到视频背景建模应用, 所有矩阵维数取得较大, 本次仿真实验分别考虑m = n = 500 和1 000 两种情况, 且对于稀疏性, 只考虑脉冲稀疏矩阵。 令M = ( X 用r和spr分别表示低秩矩阵的秩和稀疏矩阵的稀疏率。实验表明, 无论两者中任何一个相对较小, 算法都能恢复精确的低秩矩阵。 算法中参数t和 μ 的选择: ( 1) 参数t选取: 考虑分解矩阵要有好的稀疏性和低秩性, t选取范围为0. 03 至0. 06, 就能保证恢复低秩矩阵的正确率, 所以设置参数t = 0. 05。 ( 2) 参数 μ 选取: 当 μ 选择偏大或偏小时, 算法需要更多次迭代, 所以设 μ = ‖sign ( M) ‖/1. 25。 算法的迭代终止规则为: 定义低秩矩阵相对误差Err LR和稀疏矩阵相对误差Err SP如下: 仿真结果如表1 所示。表1 中FADMM的低秩矩阵相对误差, 稀疏矩阵相对误差和实际相对误差都稳定在数量级10 因此, 可以证明本文提出的FADMM明显优越于ADMM算法。 3.2 基于时分复用的svp 本节实验研究从视频监控中提取视频背景。虽然视频中的前景是运动变化的, 但是此类问题仍旧可以归结为求解稳健PCA的问题。通过把视频中每一帧列向量化, 得到一个矩阵M。这个矩阵可以被分解成两个矩阵的和: 本节分别使用经典的ALM、ADMM和本文提出的FADMM来解决视频背景建模问题, 并对3 种方法的优劣性进行对比分析。 测试视频序列为机场监控视频: Hall_airport, 数据为2