基于非负矩阵欠逼近和剪枝技术的多结构几何模型拟合

鲁棒几何模型拟合是计算机视觉中一项非常重要且具有挑战性的研究问题.它已被广泛应用于人工智能领域的多个相关任务,如车道线检测、三维重构、图像拼接和运动分割等.鲁棒几何模型拟合的主要任务是从包含离群点和噪声的多结构数据中估计模型实例的参数和数量.然而,当前的模型拟合方法在拟合精度和计算速度上仍然无法满足实际场景中应用的需求.为此,该文提出一种基于非负矩阵欠逼近和剪枝技术的模型拟合方法,以提升模型拟合的性能.该文所提出的模型拟合方法包含误匹配剪枝算法、模型假设剪枝算法和改进的非负矩阵欠逼近算法.我们首先将误匹配移除技术引入到模型拟合中,以减少离群点对数据点采样过程的影响,进而减少生成无效模型假设的数量;接着我们利用模型假设剪枝算法来修剪无效的模型假设并选择有意义的模型假设,以构建一个高质量的非负偏好矩阵;最后,我们将空间约束和稀疏约束引入到非负矩阵欠逼近的优化问题中,并采用结构合并策略自适应地估计模型实例的参数和数量.在合成数据和真实图像上的实验结果表明,该文所提出的方法比当前一些有代表性的模型拟合方法具有更好的拟合性能和鲁棒性.在拟合精度上,该方法比T-Linkage和RS-NMU分别提升了约197.2%和47.7%.在拟合速度上,该方法比T-Linkage和RS-NMU分别快了约2.3倍和1.9倍,而且在三维重建任务的运行速度上比最新的拟合方法MCT快了约42.5倍.

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.