每天一分鐘，帶你讀遍機器人頂級會議文章 標題：Online Robust Image Alignment via Subspace Learning from Gradient Orientations 作者：Qingqing Zheng, Yi Wang , and Pheng Ann Heng 來源：International Conference on Computer Vision (ICCV 2017) 編譯：博主 歡迎個人轉發朋友圈；其他機構或自媒體如需轉載，後臺留言申請授權

摘要

高效魯邦的影象對齊一直以來都是學者們研究的熱點。因為例如圖片的數量、亮度變換、部分遮擋、部分畫素損壞等等原因都極大的提高了影象對齊的難度。

為解決此問題，本文提出了一種實時影象對齊方法，其核心思路在影象梯度方向IGO（image gradient orientations）上進行子空間學習。因此，本文演算法一共有三個關鍵技術：子空間學習、變形IGO重建以及影象對齊。

本文演算法是受PCA-IGO演算法啟發，他們的實驗證明與畫素強度相比，梯度方向能夠提供更加穩健的低維度子空間。因此，我們拋棄了傳統用畫素強度進行對齊的方法，轉而在IGO空間中進行對齊，這意味著新影象的對齊問題可以分解成IGO-PCA基（basis，來源於對齊過影像）的線性組合和殘差優化。該優化問題的解是通過迭代最小化殘差的L1-Norm。當然，隨著新的對齊影象的加入，還需要對IGO-PCA基進行迭代更新，本文使用的更新方法是SVD（詳細原理請看論文，其實就是求梯度的主分量）。

最後，本文在非常具有挑戰性的資料集上進行了圖片對齊和人臉識別，從而驗證了本文演算法的有效性。總之一句話，本文的演算法對亮度變換和遮擋具有更高的免疫程度，比其他演算法做的更好。

圖1 本文演算法流程，有興趣還是看論文吧，一句兩句話說不清楚。總之就是把對齊問題變成了一個在梯度方向域解線性方程的問題。

圖2 第一行是某人的大頭照，第二行是本文演算法從一個視訊流裡找到的可以對齊的幀。

圖3 本文演算法用於對齊前列腺MR照片，其中(a)是一些沒有對齊的不同主題前列腺MR照片，(b)是對齊前的融合照片，(c)是本文對齊的照片，(d)是SIFT，(e)是RASL,(f)是t-GRASTA。可以發現，本文演算法的對齊的特別好，尤其是藍色框框裡的區域。