This is an old revision of the document!
以下是对课件的补充和扩展(介绍RPCA及其在CVPR2010人脸图像上的应用):
不适用于非高斯噪声污染的数据集。
设数据m\times n矩阵M=L+S,L为潜在的低秩矩阵,S噪声矩阵。如果S非高斯噪声,例如稀疏且幅值不定的噪声,那么PCA将失效。
此时,宜用改进的模型RPCA(Robust PCA)。
RPCA通过以下目标函数求解:
通过迭代计算求最优值:
1.初始化:S_{0}=Y_{0}=0,k=0
2.while \|M-L-S\|_{F}>10^{-7}\|M\|_{F} do
3. L_{k+1}=D_{1/\mu}(M-S_{k}-Y_{k}/\mu)
4. S_{k+1}=S_{\lambda/\mu}(M-L_{k+1}+Y_{k}/\mu)
5. Y_{k+1}=Y_{k}+\mu (M-L_{k+1}-S_{k+1})
6. k=k+1
7.end while
8.输出L,S
对于标量x,函数S_{a}(x)=sgn(x)max\{|x|-a,0\},即截断操作。当输入为矩阵时,对每一元素独立操作。函数D_a(X)也是截断操作,但作用于矩阵奇异值:设矩阵X的SVD分解为X=U\Sigma V^{T},那么D_a(X)=US_{a}(\Sigma)V^{T}。
对RPCA做一些修改,可用于人脸对齐与去噪。这是RPCA研究团队一篇CVPR2010的工作:
Yigang Peng, Arvind Ganesh, John Wright, Wenli Xu, and Yi Ma. RASL: Robust Alignment by Sparse and Low-rank Decomposition for Linearly Correlated Images. To appear in CVPR, June 2010.
(a)算法输入40张同一人不同光照、遮挡,姿势和表情的图片。(b)-(d)为算法输出,算法同时完成对齐(b)、提取真实人脸(c)和分离噪声(异物)(d)。算法主要思路为寻找一组几何变换\tau使对齐后的图像Dº\tau能被分解为低秩成分和稀疏噪声。