[论文解读] Online Robust Subspace Tracking from Partial Information

Jun He, Laura Balzano+1 more|arXiv (Cornell University)|Sep 18, 2011

Sparse and Compressive Sensing Techniques参考文献 40被引用 103

一句话总结

GRASTA 是一种在线鲁棒子空间追踪算法，采用 $l^1$-范数代价函数和格拉斯曼流形梯度下降法，从高度不完整且受稀疏异常值污染的数据中估计并追踪低秩子空间。该算法实现实时性能，在 MATLAB 中处理视频达到每秒 57 帧，适用于动态视频监控和需要高速、增量更新的矩阵补全任务。

ABSTRACT

This paper presents GRASTA (Grassmannian Robust Adaptive Subspace Tracking Algorithm), an efficient and robust online algorithm for tracking subspaces from highly incomplete information. The algorithm uses a robust $l^1$-norm cost function in order to estimate and track non-stationary subspaces when the streaming data vectors are corrupted with outliers. We apply GRASTA to the problems of robust matrix completion and real-time separation of background from foreground in video. In this second application, we show that GRASTA performs high-quality separation of moving objects from background at exceptional speeds: In one popular benchmark video example, GRASTA achieves a rate of 57 frames per second, even when run in MATLAB on a personal laptop.

研究动机与目标

• 开发一种高效、在线的算法，用于在存在缺失数据和稀疏异常值的情况下实现鲁棒子空间追踪。
• 实现实时处理高维流数据（如视频帧）的能力，同时计算开销最小化。
• 从部分、严重损坏的观测中实现快速且准确的低秩矩阵补全。
• 支持动态背景建模，适用于背景子空间随时间演变的视频监控场景。
• 在统一的、增量的框架中整合鲁棒 PCA、矩阵补全与在线子空间学习的优势。

提出的方法

• GRASTA 使用增广拉格朗日交替方向法求解格拉斯曼流形上的鲁棒优化问题。
• 它交替更新低秩子空间 $\mathcal{S}$（通过格拉斯曼梯度下降）以及估计稀疏噪声 $s$、权重 $w$ 和对偶变量 $y$（使用 ADMM）。
• 该算法对每个数据向量进行增量更新，实现无需存储完整数据矩阵的在线处理。
• $l^1$-范数代价函数确保对稀疏异常值的鲁棒性，而格拉斯曼结构则保持了子空间的几何特性。
• 子空间更新通过增广拉格朗日函数的梯度完成，在非凸约束下可保证收敛至局部最优解。
• 该方法通过仅使用每帧中像素的子集进行子空间更新，支持部分观测，从而实现高速运行。

实验结果

研究问题

• RQ1 当数据高度不完整且受稀疏异常值污染时，能否设计一种在线算法高效追踪非平稳低秩子空间？
• RQ2 GRASTA 的增量式、基于格拉斯曼流形的优化方法在速度和精度上与批处理 RPCA 和矩阵补全方法相比如何？
• RQ3 GRASTA 在应对视频中的动态背景变化（如摄像机平移或光照变化）时，适应能力如何？
• RQ4 在仅使用每帧部分信息的情况下，GRASTA 是否能实现实时性能（如 >30 FPS）？
• RQ5 当每帧观测像素数减少时，子空间追踪精度与计算速度之间的权衡如何？

主要发现

• GRASTA 在标准视频基准上实现了每秒 57 帧的实时前景-背景分离性能，即使在个人笔记本电脑上使用 MATLAB 实现也未受影响。
• 该算法能从部分、严重损坏的观测中成功恢复低秩矩阵，在速度和鲁棒性方面优于最先进的 RPCA 和矩阵补全方法。
• 在动态背景场景（如虚拟摄像机平移）中，GRASTA 在发生位移后仅需 25 帧即可适应新的子空间结构。
• 仅使用每帧 30% 的像素数据进行子空间更新时，GRASTA 仍能保持高质量的背景重建与前景分离效果。
• 当使用 50% 的像素进行追踪时，GRASTA 实现了 24.8 FPS 的性能，且在摄像机平移后有 50 帧的适应延迟，展现出良好的可扩展性与鲁棒性。
• GRASTA 的增量更新机制显著提升了批处理方法的速度，使其适用于实时和流式应用。