【泡泡一分钟】实时图像对齐：基于图像梯度方向的子空间学习

每天一分钟，带你读遍机器人顶级会议文章

标题：Online Robust Image Alignment via
Subspace Learning from Gradient Orientations

作者：Qingqing Zheng, Yi Wang , and Pheng Ann Heng

来源：International Conference on Computer Vision (ICCV 2017)

编译：颜青松

审核：陈世浪

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

高效鲁邦的图像对齐一直以来都是学者们研究的热点。因为例如图片的数量、亮度变换、部分遮挡、部分像素损坏等等原因都极大的提高了图像对齐的难度。

为解决此问题，本文提出了一种实时图像对齐方法，其核心思路在图像梯度方向IGO（image gradient orientations）上进行子空间学习。因此，本文算法一共有三个关键技术：子空间学习、变形IGO重建以及图像对齐。

本文算法是受PCA-IGO算法启发，他们的实验证明与像素强度相比，梯度方向能够提供更加稳健的低维度子空间。因此，我们抛弃了传统用像素强度进行对齐的方法，转而在IGO空间中进行对齐，这意味着新图像的对齐问题可以分解成IGO-PCA基（basis，来源于对齐过影像）的线性组合和残差优化。该优化问题的解是通过迭代最小化残差的L1-Norm。当然，随着新的对齐图像的加入，还需要对IGO-PCA基进行迭代更新，本文使用的更新方法是SVD（详细原理请看论文，其实就是求梯度的主分量）。

最后，本文在非常具有挑战性的数据集上进行了图片对齐和人脸识别，从而验证了本文算法的有效性。总之一句话，本文的算法对亮度变换和遮挡具有更高的免疫程度，比其他算法做的更好。

图1 本文算法流程，有兴趣还是看论文吧，一句两句话说不清楚。总之就是把对齐问题变成了一个在梯度方向域解线性方程的问题。

图2 第一行是某人的大头照，第二行是本文算法从一个视频流里找到的可以对齐的帧。

图3 本文算法用于对齐前列腺MR照片，其中(a)是一些没有对齐的不同主题前列腺MR照片，(b)是对齐前的融合照片，(c)是本文对齐的照片，(d)是SIFT，(e)是RASL,(f)是t-GRASTA。可以发现，本文算法的对齐的特别好，尤其是蓝色框框里的区域。

Abstract    

Robust and efficient image alignment remains a challenging task, due to the massiveness of images, great illumination variations between images, partial occlusion and corruption. To address these challenges, we propose an online image alignment method via subspace learning from image gradient orientations (IGO). The proposed method integrates the subspace learning, transformed IGO reconstruction and image alignment into a unified online framework, which is robust for aligning images with severe intensity distortions. Our method is motivated by principal component analysis (PCA) from gradient orientations provides more reliable low-dimensional subspace than that from pixel intensities. Instead of processing in the intensity domain like conventional methods, we seek alignment in the IGO domain such that the aligned IGO of the newly arrived image can be decomposed as the sum of a sparse error and a linear composition of the IGO-PCA basis learned from previously well-aligned ones. The optimization problem is accomplished by an iterative linearization that minimizes the ℓ1-norm of the sparse error. Furthermore, the IGO-PCA basis is adaptively updated based on incremental thin singular value decomposition (SVD) which takes the shift of IGO mean into consideration. The efficacy of
the proposed method is validated on extensive challenging datasets through image alignment and face recognition. Experimental results demonstrate that our algorithm provides more illumination- and occlusion-robust image alignment than state-of-the-art methods do.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/forums/

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

商业合作及转载请联系liufuqiang_robot@hotmail.com