基于偏好统计数据表征的鲁棒几何模型拟合方法

鲁棒几何模型拟合是计算机视觉的一个基础性研究问题,广泛应用于各类计算机视觉任务,如单应性矩阵或基础矩阵估计、图像匹配、医学图像分析等.它的主要任务是:在包含噪声点和离群点的数据集中估计模型实例的参数和个数.针对该任务,本文提出一种基于新型数据表征(称之为偏好统计数据表征)的模型拟合方法.该新型数据表征算法将残差值进行排序然后映射到不同的区间以构建残差直方图数据表征,来描述数据分布的特征.该算法充分利用传统模型拟合方法中偏好分析和一致性统计分析的优点,更加有效地对数据分布特征进行描述,从而有效地提高数据表征的准确性和鲁棒性.为了进一步有效地利用该数据表征中的统计信息(内点和离群点显示出显著的信息熵值差异),本文利用直方图中不同区间段所映射的残差值的出现频次,以分析直方图的特性.并且采用一种简单的自适应熵阈值算法,来区分内点与离群点以进行离群点检测.最后,为了能够更好地处理分布在交叉模型实例附近的数据点,本文引入一种基于相似矩阵学习的图聚类技术,提出一个有效的模型实例估计算法.该算法先是用聚类技术以实现数据的分割,进而估计模型实例的参数.同时,该模型实例估计算法结合拉普拉斯矩阵特征值的分析以及最小子集数目的约束,使其能够自适应地估计模型实例的个数.在合成数据集和真实数据集上的实验结果表明,本文提出的偏好统计数据表征算法能够有效提高模型拟合方法的准确性和鲁棒性.同时,与当前一些流行的模型拟合方法相比,本文基于偏好统计数据表征的鲁棒几何模型拟合方法取得了更好的拟合精度,并且在速度方面要比大部分拟合方法更加高效.