文献类型：期刊文献

中文题名：秩约束的快速鲁棒主成分分析算法及应用

英文题名：Fast Robust Component Analysis with Rank Constraint and Applications

作者：何锐[1];徐正勤[2];伍世虔[1];贾蒙[3]

第一作者：何锐

机构：[1]武汉科技大学信息科学与工程学院,湖北武汉430081;[2]武汉科技大学机械自动化学院,湖北武汉430081;[3]新乡学院机电工程学院,河南新乡453003

第一机构：武汉科技大学信息科学与工程学院,湖北武汉430081

年份：2023

卷号：51

期号：6

起止页码：1448-1457

中文期刊名：电子学报

外文期刊名：Acta Electronica Sinica

收录：CSTPCD;;EI(收录号：20233814772151);Scopus;北大核心:【北大核心2020】；CSCD:【CSCD2023_2024】；

基金：国家自然科学基金(No.61775172,No.61371190);河南省高校科技创新人才支持计划(No.21HASTIT021)。

语种：中文

中文关键词：鲁棒主成分分析;计算机视觉;黎曼优化

外文关键词：Robust principal component analysis;computer vision;Riemannian optimization

摘要：鲁棒主成分分析被广泛应用于计算机视觉领域,然而现有鲁棒主成分分析方法难以针对各种场景准确分离出低秩信息,而且计算成本高导致算法的实时性不足.针对这两个问题,本文提出了一种新型鲁棒主成分分析算法.一方面基于先验秩信息提出了低秩约束改进模型,提高算法在不同场景中的泛化性能;另一方面引入了黎曼优化理论,将目标矩阵投影到低维子空间上求解,减少算法的运算复杂度.各种实验结果表明,与现有算法相比,改进算法在速度上有非常大的优势,同时能够保证稳定的恢复能力.
Robust principal component analysis(RPCA)is widely used in the field of computer vision.The current RPCA method is facing the issue of difficulty to accurately separate low-rank information,as well as low efficiency due to high computational cost.To solve both problems,a novel RPCA optimization is proposed.Specifically,a low-rank con?straint model is presented based on the prior rank information to improve the recovery performance.On the other hand,Rie?mannian optimization,which projects the matrix into a low-dimensional subspace to reduce the complexity,is employed.Various experiments show that the proposed algorithm has significant advantages in terms of efficiency and recovery accu?racy in comparison to the existing algorithms.