推荐星级:
- 1
- 2
- 3
- 4
- 5
投影约束的遮挡点恢复方法
资料介绍
为了恢复图像中的遮挡点,本文在相机为正投影模型下,提出了一种投影约束的遮挡点恢复方法.该方法利用图像矩阵的行空间和列空间都是三维子空间的特性,通过用矩阵奇异值分解分别得到图像矩阵行和列投影满足的约束条件,将遮挡点的求解转化为迭代求解二次型的极值问题.仿真实验和真实实验结果表明,本文方法具有收敛速度快,恢复精度高等优点.
部分文件列表
文件名 | 大小 |
投影约束的遮挡点恢复方法.pdf | 1M |
部分页面预览
(完整内容请下载后查看)第 11 期
电ꢀ
ꢀ
子ꢀ
ꢀ
学ꢀ
ꢀ
报
Vol.45ꢀ No.11
Nov.ꢀ 2017
2017 年 11 月
ACTA ELECTRONICA SINICA
投影约束的
遮挡点恢复方法
刘侍刚1,2,3,彭亚丽1,2
(1.现代教学技术教育部重点实验室,陕西西安 710062;2.陕西省教学信息技术工程实验室,陕西西安 710119;
3.陕西师范大学计算机科学学院,陕西西安 710119)
ꢀ ꢀ 摘ꢀ 要:ꢀ 为了恢复图像中的遮挡点,本文在相机为正投影模型下,提出了一种投影约束的遮挡点恢复方法.该方
法利用图像矩阵的行空间和列空间都是三维子空间的特性,通过用矩阵奇异值分解分别得到图像矩阵行和列投影满
足的约束条件,将遮挡点的求解转化为迭代求解二次型的极值问题.仿真实验和真实实验结果表明,本文方法具有收
敛速度快,恢复精度高等优点.
关键词: ꢀ 遮挡点; 三维子空间; 奇异值分解; 二次函数
中图分类号: ꢀ TP391ư 41; P232ꢀ ꢀ ꢀ 文献标识码: ꢀ Aꢀ ꢀ ꢀ 文章编号: ꢀ 0372⁃2112 (2017)11⁃2611⁃06
电子学报 URL: http:/ / www.ejournal.org.cnꢀ
DOI: 10.3969/ j.issn.0372⁃2112.2017.11.006
Occlusion Recovery Method Based on
Projective Constraints
LIU Shi⁃gang1,2,3 ,PENG Ya⁃li1,2
( 1.Key Laboratory of Modern Teaching Technology,Ministry of Education,Xi’an,Shaanxi 710062;
2.Engineering Laboratory of Teaching Information Technology of Shaanxi Province,Xi’an,Shaanxi 710119;
3.School of Computer Science,Shaanxi Normal University,Xi’an,Shaanxi 710119)
Abstract:ꢀ To recover the position of occlusion,an occlusion recovery method based on projective constraints under
orthographic projection is presented.Utilizing the property that both the row and the column space of image matrix are pro⁃
jective subspaces,the method applies Singular Value Decomposition(SVD) to get the image matrix’s row and column met⁃
ric constraints,and replaces occlusion solution by iteratively solving the minimum of a quadratic function.The experiments
with both simulated and real data show that the proposed method has the advantages of fast convergence speed and small er⁃
ror.
Key words:ꢀ occlusion;projective;singular value decomposition;quadratic function
的情况下其秩最大为 3,这意味着图像矩阵本身含有大
1ꢀ 引言
量的冗 余 信 息, 因 此 可 以 用 于 遮 挡 点 的 恢 复. Jacobs
等[6] 基于图像矩阵为一个低秩矩阵的特性,利用子矩
阵法对遮挡点进行恢复,但是该方法的结果依赖所选
择的子矩阵.为了克服该方法的缺点,有些学者利用图
像矩阵为投影矩阵和空间点矩阵相乘的特性,进行循
环迭代求解.在该类方法中,最具有代表性的是 Wiberg
方法[7] ,目前它已经成为遮挡点恢复的标准算法之
ꢀ ꢀ 计算机视觉研究领域的一个重要问题是运动恢复
结构,而特征点跟踪又是其中的一个重要环节[1,2] .在实
际场景中,遮挡现象经常出现,这导致部分图像信息丢
失.如何利用图像矩阵的冗余信息恢复这些遮挡的特征
点,是计算机视觉的研究热点问题之一[3,4]
为了恢复图像中的遮挡点,Tomasi 和 Kanade[5]
.
于
一
[8~10] .但是该类方法在遮挡率比较高时,算法无法收
1992 年证明了特征点对应的图像矩阵在没有任何误差
收稿日期:2016⁃11⁃01;修回日期:2017⁃05⁃09;责任编辑:马兰英
基金项目:国家自然科学基金(No.61672333,No.61402274);陕西省工业科技攻关项目( No.2016GY⁃081);陕西省科学研究发展计划项目( No.
2016NY⁃176);陕西省重点科技创新团队(No.2014KTS⁃18);现代教学技术教育部重点实验室学习科学交叉学科培育计划资助
电ꢀ ꢀ 子ꢀ ꢀ 学ꢀ ꢀ 报
2017 年
2612
敛.同时,部分学者利用重投影误差构造目标函数[11,12]
,
的标准正交基.
本文利用该特性,实现遮挡点的恢复.
采用非线性优化方法进行迭代求解,但由于该目标函
数是一个非凸函数.
3ꢀ 投影约束的遮挡点恢复方法
为了解决这个问题,Martinec 等人利用三线性约束
恢复遮挡点[13] ,但该方法的缺点是三线性约束关系中
所有的图像并不是平等的,因此必然导致误差较大.刘
等人将图像两两组合,利用删除遮挡点后的图像矩阵
的行空间等于原子空间的特性,提出了一种线性求解
遮挡点的方法[14] ,但该方法对噪声极其敏感. 同时,
Noguer 等人利用图像矩阵的行向量生成的行空间和空
间结构矩阵的行空间是同一三维子空间的特性[15] ,对
遮挡点进行恢复,但该方法仅考虑了图像矩阵在行上
的约束,同时该方法的目标函数也是个非凸函数.
近年来,许多学者研究并提出了许多有效的低秩
矩阵恢复方法[16~18] ,但大部分方法没有利用图像矩阵
的行空间和列空间都是三维子空间的特性,导致恢复
精度较低.且这些方法一般都需要事先设定一个权值,
以平衡误差和秩,但该权值的设定,目前还缺乏理论
指导.
ꢀ ꢀ 由于各种原因,导致图像矩阵部分元素缺失,因此
本文首先假设所有的遮挡点都有一个初值,分别利用
图像矩阵的行和列约束,恢复遮挡点的真实值.
3ư 1ꢀ 行投影
由于将 M2m n 的任一行向量 rj 投影到 D3 n 行空间的
×
×
正交补空间的投影矩阵为:
-
T
Pnr⊥ In D3 D3 n D3T
1 D3
(4)
=
-
(
)
×
×
×
×
×
×
n
n
n
n
n
rj 到 D3 n 行空间的正交补子空间的投影为:
×
rj Pnr⊥ 01
(5)
=
×
×
n
n
由于图像点中含有噪声,因此可以将式(5)转化为
求下式的极值,即:
T
ejr rj Prn⊥ (r Pr⊥
×
n n
rj Pnr⊥n rTj
(6)
(7)
=
=
)
×
×
n
j
假设 rj 仅含有两个未知分量,即:
୰
୰
rl
=
rj
r
(
r2
…
rk
…
…
rn
)
1
୰
式中 r 表示为遮挡点.
为了克服上述缺点,本文提出了一种投影约束的
遮挡点恢复方法,该方法利用图像矩阵的行空间和列
空间都是三维子空间的特性,对图像矩阵进行奇异值
分解,得到两个投影矩阵,分别推导出图像矩阵的行和
列投影所满足的约束条件,将遮挡点的求解转化为半
正定二次型的迭代求解.为了验证方法的有效性,本文
分别进行了仿真和真实图像实验,并分别与 Wiberg 方
法[9] 和 Noguer 方法[15] 进行了对比,结果表明,本文算法
具有更高的收敛速度和恢复精度.
将式(7)代入式(6)中,得到:
T
T
ejr xj Aj xj 2aj xj εj
(8)
=
+
+
T
r⊥
×
୰
୰
=
式中 xj (rk ꢀ rl ) 为未知向量,Aj 为矩阵 Pn n 的子矩
阵,aj 为由 Pnr⊥n 元素构成的向量,εj 为常数项.
×
式(8)的极值为:
-
1
=
xj Aj aj
(9)
在上述推导过程中,仅假设 rj 含有两个未知分量,
若含有 w 个未知分量,则 Aj 为一个 Pnr⊥n 的 w w 子矩阵;
×
×
×
aj 为一个 w 1 的向量.
2ꢀ 相机模型和图像矩阵
=
=
若 w n,即第 j 行所有的元素都未知,则有 aj 0,
ꢀ ꢀ 在正投影相机模型下,设有 m 幅图像及 n 个三维
空间特征点,则有:
=
由式(9)可得 xj 0,此时算法失效,这和文献[19]一致.
3ư 2ꢀ 列投影
=
mi,j Pi xj
(1)
类似 3ư 1 节,可得 M2m n 的任一列向量 ci 投影到
×
式中 mi,j 表示第 i 幅图像中第 j 个特征点的图像二维坐
标,xj 表示第 j 个特征点的三维坐标,Pi 为第 i 幅图像
的投影矩阵.
S2m 3 列空间正交补空间上的投影为:
×
c⊥
T
=
-
=
(
)
P
2m ci I2m
S2m 3 S2m ci 02m
×
1
(10)
×
×
×
×
2m
2m
3
同样,式(10)的求解可转化为求下式的极小值,即:
将所有图像及投影矩阵按如下的方式整合在一
起,则有:
T
c⊥
×
eci ci P2m 2m ci
(11)
(12)
(13)
=
假设 ci 仅含有两个未知分量,即:
=
M2m
P2m 3 X3
×
n
(2)
×
×
n
T
୰
ck
୰
cl
=
ci
c
(
c2
…
…
…
c2m
)
1
×
式中 M2m n 由 m n 个图像点 mi,j 组成,P2m 3 由所有投影
×
×
୰
式中 c 表示为遮挡点.则有:
矩阵 Pi 组成,X3 n 由 n 个三维空间点 xj 组成.
×
T
T
eic yi Bi yi 2bi yi ηi
从式(2)可以看出,矩阵 M2m n 的秩为 3[5] .从而矩
=
+
+
×
T
c⊥
阵 M2m n 的行空间和列空间分别是 Rn 和 R2m 的三维子
୰ ୰
=
式中 yi (ck ꢀ cl ) 为未知向量,Bi 为矩阵 P2m 2m 的子矩
×
×
阵,bi 和 ηi 的意义同行约束的情形.
式(13)的最优解为:
空间.对 M2m n 进行奇异值分解,则有:
×
=
M2m
S2m 3 V3 3 D3
×
n
(3)
×
×
×
n
-
1
=
yi Bi bi
(14)
式中 S2m 3 和 D3 n 分别为图像矩阵 M2m n 行空间和列空间
×
×
×
全部评论(0)