基于模糊核聚类的鲁棒性基础矩阵估计算法

提出一种基于模糊核聚类的鲁棒性基础矩阵估计算法。算法提取匹配点的余差作为特征,利用核函数将一维非线性可分特征映射到高维可分空间,在高维特征空间利用模糊均值分类将匹配点分为内点集和外点集;用高斯函数分别对已分类的内点集和外点集进行建模,定义并计算两类高斯分布的可分性判定值;判断该判定值是否收敛,如未收敛则以内点集作为初始值重新迭代计算。模拟数据和真实数据的基础矩阵估计实验表明,本文算法在计算效率和精度上均优于经典的随机抽样一致性算法。

快速鲁棒的基础矩阵估计

针对基础矩阵估计过程中因受野值影响导致估计精度下降和稳定性不高等问题,本文提出了一种新的快速鲁棒的基础矩阵估计方法。该方法首先将野值去除融入到计算基础矩阵的过程中,而不再将它作为一个独立的处理步骤。通过迭代将潜在的错误对应点剔除,从而实现基础矩阵的稳定估计。然后,在每次迭代过程中,采用对极几何误差准则来识别野值,同时获得基础矩阵的估计结果。该迭代过程收敛较快,即使存在大量匹配野值的情况下,计算值也会很快趋于稳定。仿真和实际实验结果一致表明:所提出的算法在保证类似估计精度的同时还在计算效率方面有极大地提升,相比较快的M估计法有30%以上的速度提升,而相比于估计精度较优的MAPSAC算法甚至达到4倍以上。

基于匹配测度加权求解基础矩阵的三维重建算法

双视图三维重建中引入了同名特征点的匹配测度,为提高基础矩阵F的精度提供了数据处理指导,将特征点匹配和F解算及三维重建环节连接成一个整体。在分析特征点提取、匹配方法的基础上定义了同名点匹配测度函数。用测度函数作为匹配点的权值对归一化8点求解F的算法进行加权,并使用随机采样一致性(RANSAC)鲁棒算法解决匹配野值问题。根据已知的像机内参数,从基础矩阵中分解相对运动,并用模型的内点进行运动优化,最后三角交会得到三维重建结果。实验结果表明,此算法达到了线性求解F矩阵和三维重建的鲁棒性高精度实现。

一种改进RANSAC的基础矩阵估计方法

针对随机抽样一致性算法估计基础矩阵存在效率低且估计的精度依赖于抽样质量的问题,提出一种改进随机抽样一致性法(RANSAC)的基础矩阵估计算法。该算法采用预检验技术减少计算时间,在计算过程统计每对匹配点被标记为内点的次数,选择被判断为内点次数较多的集合构成候选集合来指导下一次抽样;下一次样本选择在候选集合中完成,并根据当前计算结果更新候选集合;最后选择包含内点数量最多的集合作为内点集。模拟数据和真实图像数据的试验结果表明,本文算法在误匹配和高斯噪声存在的情况下,算法精度和效率都体现出较好的品质。

基础矩阵估计的加权归一化线性算法

基础矩阵是对来自同一景物的两幅未定标图像进行分析的基本工具 .对其进行估计的常用线性算法有八点算法和改进的八点算法 ,其最大的优点是运算简单、易于实现 ,但对噪声和错误数据较敏感 ,因此实用性差 .通过引入与余差有关的代价函数 ,给出了一种新的鲁棒性线性算法——加权归一化算法 .首先将原始输入数据加权归一化处理 ,然后再用八点算法求 F阵的 8个参数 ,实现了 F阵的估计 .大量的模拟数据和真实图像的实验结果表明 ,此算法不仅具有良好的鲁棒性 ,而且可提高基础矩阵的估计精度 .

一种基础矩阵线性估计的鲁棒方法

以基础矩阵估计规范八点算法为基础,针对线性算法对参考图像匹配点集中存在的异常匹配极为敏感的问题,将基础矩阵的线性鲁棒估计转换为对匹配点集的最优化采样问题,以最小对极距离平方和中数准则获得基础矩阵的稳定可信解。实验表明,算法对基础矩阵的精度和稳定性均有较大提高。

一种改进的M-Estimators基础矩阵鲁棒估计法

针对原M-Estimators算法完全依赖由线性最小二乘法估计得到的矩阵初始值,精度较低稳定性差的缺点,提出了一种改进的M-Estimators算法。通过考虑匹配点与对应极线的距离,计算求得较原M-Estimators算法更加精确的矩阵初始值,再利用此初始值剔除掉原匹配点集中的错误匹配点及坏点,最后运用Torr-M-Estimators法对新的匹配点集进行非线性优化计算,得到了真正的匹配点对,精确恢复了对极几何关系。以大量的模拟数据和真实图像进行了实验,给出了该算法与其他鲁棒性算法的比较结果,实验结果表明,该算法在误匹配以及高斯噪声存在的情况下,提高了基础矩阵的估计精度,并且同时具有很好的鲁棒性。

一种加权计算基础矩阵的高精度算法

分析了图像匹配点对基础矩阵的不同影响,引入具有明显几何意义的匹配点到对极线的距离作为匹配点的加权因子,将匹配点集合看作随机变量并将加权因子作为匹配点的概率分布。在此基础上对原始图像数据进行归一化处理,利用8点算法得到基础矩阵。大量的试验结果表明,该方法明显降低了计算余差,提高了基础矩阵的计算精度。

视觉基础矩阵估计方法的性能比较与分析

基础矩阵描述了单个场景的2幅视图之间的对应关系,在计算机视觉领域中扮演着极其重要的角色。首先讨论了三维视觉系统中的极线几何理论,随后论述了几类基础矩阵的估计方法,并对这些方法作了详细的比较和评价,最后实现了各种算法且使用仿真数据以及真实图像数据对各自的性能作了分析和总结。比较结果说明:1)如果图像特征点定位精确并且匹配无误,则线性方法的结果相当好;2)迭代算法可以解决定位的高斯噪声,但是当数据存在错误匹配时,性能很差;3)鲁棒算法能够同时解决定位误差和误匹配两类问题。此外,模拟实验和真实图像实验的结果表明,基于特征分析的正交回归最小二乘法的计算结果优于经典的线性最小二乘法。

一种高精度估计的基础矩阵的线性算法

通过引入与余差有关的代价函数,给出了一种高精度估计基础矩阵的线性算法——加权平移算法.首先将原始输入数据加权,计算加权后数据的重心坐标,将坐标原点平移到该重心坐标,再作归一化处理.然后用8点算法求出基础矩阵F阵的8个参数,实现了F阵的高精度估计.实验结果表明,此算法具有良好的鲁棒性,且余差和对极距离都小于其他线性算法,提高了基础矩阵的精度.

基于基础矩阵与HEIV模型的双目相机标定

双目相机标定的精确与否很大程度上决定了立体匹配三维重构的完成质量。提出一种基于相机基础矩阵的一维标定方法。该方法较之传统的张正友一维标定法,无需对标定杆进行任何的运动约束即可完成。并提出一种基于变量含异质噪声（heteroscedastic error-in-variables,HEIV）模型的优化方法对测量数据与标定参数均进行优化,该模型利用测量数据的估计值与测量值之间的误差和构造代价函数,通过迭代最小化代价函数进行求解,实验表明本文算法较之传统优化算法精度更高,且在测量数据较少的情况下优化数据更接近真实值。

一种基于基础矩阵的摄像机自标定技术

为了解决传统摄像机标定技术的精确度差和使用不方便而提出了一种新的摄像机标定算法．该方法从基础矩阵方程出发,推导出摄像机5个内参数的求解方程,并根据测量得到的沿x轴和沿z轴的平移量ty、tz,计算出摄像机的5个内参数．经大量的仿真实验,该方法具有很高的精确度．

基于改进遗传算法的基础矩阵估计方法

基础矩阵估计是计算机视觉的基础。提出了一种新的基于改进遗传算法的基础矩阵估计方法,它以8个匹配点作为最小匹配点集组成染色体,并利用改进8点法估计出相应的基础矩阵,同时以对极距离为核心构造适应度函数,并对传统遗传算法进行了优化改进。实验证明,此方法在估计精度和鲁棒性等方面有很大提高,易于实际应用。

基于图像几何静矩的机器视觉基础矩阵估计

提出了一种在平移情况下通过计算图像的几何静矩求形心方式估计基础矩阵的算法。首先对通过平移方式所采集的两幅图像进行相关的图像处理,并用形态学图像处理方法滤除残余的孤立噪声点,然后提取出标定所需的角点,并运用力学中的几何静矩方式求出由不同数量的角点所组成的各种多边形的形心,然后用归一化的8点算法求出基础矩阵。经过大量的实验证明该算法实现了基础矩阵的高精度的线性估计。

基础矩阵估计的聚类分析算法

提出一种基于聚类分析的Robust基础矩阵估计算法.该算法用高斯混合模型描述匹配点估计余差,采用改进的分裂合并EM算法对匹配点估计余差进行聚类分析,根据分类结果及平均余差最小规则筛选出正确匹配点类别,抛弃错误匹配点;最后,用M估计算法对筛选出的正确匹配点进行迭代求精.大量实验结果表明,文中算法比随机抽样一致性算法的估计精度高,且计算效率高.

基于群体智能的基础矩阵估计算法

为了降低噪声和误匹配点对基础矩阵估计算法的影响,提出了一种基于群体智能的基础矩阵估计算法。该算法首先采用归一化8点法估计出基础矩阵的初值,再利用该基础矩阵计算每个匹配点的估计余差,对匹配点的估计余差进行基于群体智能的聚类,并剔除错误匹配点,最后,使用正确的匹配点重新计算基础矩阵。实验结果表明,该算法能有效的检测和删除误匹配点,提高基础矩阵估计的鲁棒性和精度。

一种估计基础矩阵的新鲁棒算法

基础矩阵描述了单个场景两幅视图间的对极几何关系,在计算机视觉领域占有重要地位。该文基于RANSAC算法的随机抽样思想,通过记录抽样过程中每对匹配点被判定为内点的次数,选择次数较多的匹配点作为初始集合。采用鲁棒扩充算法对初始集合进行扩充寻求内点集,并利用该内点集计算基础矩阵。以大量的模拟数据和真实图像进行了实验,结果表明,该算法能进一步降低噪声和错误匹配点对基础矩阵估算精度的影响,可以有效检测和删除错误匹配点。

一种无需基础矩阵的鲁棒性极线校正算法

立体视觉校正也称为极线校正,它的目的是使得立体图像的对应极线平行于水平方向,消除垂直方向上的视差,从而使得在立体匹配过程中可以更为快速准确地寻找对应点。在传统的投影校正算法的基础上提出了一种鲁棒性校正算法,直接通过原始匹配点计算投影变换矩阵,利用遗传算法良好的全局搜索能力和Levenberg-M arquardt算法稳定快速的局部搜索功能进行分步优化计算,同时本算法采用了随机抽样一致算法(RANSAC)鲁棒估计思想,避免了由于对应点噪声引起的误差。此外,还针对两个平行放置的摄像机之间具有较小运动的情况,提出了一种鲁棒的优化函数。实验结果说明,该算法是一种有效的极线校正方法。

基于射影空间的视觉基础矩阵鲁棒估计

针对传统视觉基础矩阵计算中存在的噪音和误匹配问题,提出了基于射影空间的基础矩阵计算方法.首先定义了三视几何中射影标准基下基础矩阵只含有5个参数的特殊形式,并利用三视射影重建中空间点反投影图像误差最小为准则,消除了图像中误匹配的影响,然后基于RANSAC(random samp ling consensus)技术寻找出最优7个匹配点(噪音最小)来进行对极几何估算.大量仿真模拟试验和真实图像表明此方法能够高精度地估计出基础矩阵.

视觉基础矩阵的统一表示

通用的基础矩阵表示形式为Ｆ＝ＫＴ［ｔ］×ＲＫ－１，其中：Ｋ为摄像机内参数阵，Ｒ，ｔ分别为摄像机的旋转矩阵与平移矢量．纯旋转运动所对应的基础矩阵并不包含在此表达式之中．文中给出一种新的基础矩阵表达式：Ｆ＝［ｅ′］×ＫＲＫ－１，其中ｅ′是极点．这个表达式统一了纯旋转的情形．更重要的是在末标定的情况下，由此表达式可使求解摄像机内参数、运动参数等问题得到简化．