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：博主
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。