基于迭代和贪婪搜索的内点尺度估计方法技术

本发明专利技术涉及一种基于迭代和贪婪搜索的内点尺度估计方法，包括以下步骤：步骤S1:给定输入数据S,并设定数据中模型实例的个数

【技术实现步骤摘要】
基于迭代和贪婪搜索的内点尺度估计方法
本专利技术涉及涉及计算机视觉技术，一种基于迭代和贪婪搜索的内点尺度估计方法。
技术介绍
在众多计算机视觉应用中，鲁棒模型拟合是一项关键的基础性任务。鲁棒模型拟合已被广泛地用于图像对齐、三维重建、图像拼接、医学图像分析、离群点移除等计算机视觉领域。模型拟合的目标是从输入数据中估计出指定模型的参数。具体地，指定一种几何模型(例如：直线、圆或基础矩阵)，通过模型拟合方法来估计输入数据中模型实例的参数，并且把数据中不同模型实例的数据点分割开。尺度估计对大多数模型拟合方法的性能至关重要。如果一个模型假设的尺度估计值比真实值小，那么通过该估计值得到的模型假设的内点只能包含部分真实的内点；相反，如果一个模型假设的尺度估计值比真实值大，那么通过该估计值得到的模型假设的内点可能就会包含离群点或其它模型假设的内点。其中，一部分模型拟合方法，比如要求用户预先指定内点噪声尺度来识别内点。这些方法的准确度对预先指定的内点噪声尺度非常敏感。并且，在实际应用中，内点噪声尺度是无法预知的。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于迭代和贪婪搜索的内点尺度估计方法，解决原有内点噪声尺度技术不能准确地估计内点噪声。为实现上述目的，本专利技术采用如下技术方案：一种基于迭代和贪婪搜索的内点尺度估计方法，包括以下步骤：步骤S1:给定输入数据S,并设定数据中模型实例的个数H,令S'＝S和h＝0；步骤S2:从S'中获取初始化模型假设的数据子集Ω，并设k＝p，其中p是Ω中的数据点个数；步骤S3:用Ω生成一个模型假设θι，并根据S'和θι的残差选取新的数据子集Ω′；步骤S4:判断模型假设θι是否为有效的模型假设，如果θι是有效的，则更新k的值；否则，θι是一个无效的模型假设，k的值就不会被更新；步骤S5:如HMSS拟合方法，计算θι的代价函数f(θι)和停止标准Fstop,若f(θι)的值是所有已生成模型假设代价函数中值最小的，那么θι即是所有已生成模型假设中最准确的模型假设并且让θbest＝θl；步骤S6:判断Fstop是否为真，若Fstop为真，表示已采样到了准确的模型假设，那么用估计得到的内点噪声尺度来识别θι的内点，并把这些内点从S'中移除且h＝h+1；反之，重新执行步骤S3-S5；步骤S7:如果当前采样次数h小于H，那么执行步骤S2至S6；否则即完成内点尺度估计，并输出H个模型实例生成的参数及内点噪声尺度。进一步的，所述给定输入数据S具体为：其包含N个特征匹配对，N为自然数。进一步的，所述步骤S3具体为：步骤S31:基于Ω生成一个模型假设θι；步骤S32:计算S'与θι的残差并记为r′(θι)＝[r1′(θι),r′2(θι),...,r′N′(θι)]，其中N’是S'中的数据点个数；步骤S33:非降序地排列残差r′(θι)，得到排序残差集其中[x1,x2,...,xN′]是S'中索引[1,2,...,N']的重排列；步骤S34:根据已排序的残差索引来采样新的数据子集进一步的，所述步骤S4具体为：步骤S41:判断θι是否是有效的模型假设；步骤S42:若θι是有效的，则θι的排序残差满足：使用k和MSSE来估计θι的内点噪声尺度，然后根据估计得到的内点噪声尺度来估计得到的内点噪声尺度来更新k的值；步骤S43:若θι是一个无效的模型假设，k的值就不会被更新。本专利技术与现有技术相比具有以下有益效果：本专利技术解决原有内点噪声尺度技术不能准确地估计内点噪声，并能更准确地估计内点噪声尺度。附图说明图1为本专利技术一实施例方法流程图。图2为本专利技术一实施例中分别使用本专利技术所提出方法与MSSE[3]进行模型拟合时获得的分割错误率。图3为本专利技术一实施例中本专利技术所提出的方法应用于运动分割在Hopkins155数据集上的定性结果。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。请参照图1，本专利技术提供一种的基于迭代和贪婪搜索的内点尺度估计方法，包括以下步骤：A.给定输入数据其包含N个特征匹配对，N为自然数。指定数据中模型实例的个数H，令S'＝S和h＝0。B.令k＝p，从S'中获取初始化模型假设的数据子集Ω，其中p是Ω中的数据点个数。C.先用Ω生成一个模型假设θι；接着，计算S'与θι的残差并记为r′(θι)＝[r1′(θι),r′2(θι),...,r′N′(θι)]，其中N’是S'中的数据点个数。非降序地排列残差r′(θι)，可以得到一个排序残差集其中[x1,x2,...,xN′]是S'中索引[1,2,...,N']的重排列(permutation)。根据已排序的残差索引来采样新的数据子集D.判断θι是否是有效的模型假设。如果θι是有效的，则θι的排序残差满足：如果θι是一个有效的模型假设，那么使用k和MSSE来估计θι的内点噪声尺度，然后根据估计得到的内点噪声尺度来更新k的值。反之，如果θι是一个无效的模型假设，k的值就不会被更新。E.计算θι的代价函数f(θι)和停止标准Fstop。如果f(θι)的值是所有已生成模型假设代价函数中值最小的，那么θι即是所有已生成模型假设中最准确的模型假设并且让θbest＝θl。若Fstop为真，表示已采样到了准确的模型假设，那么用估计得到的内点噪声尺度来识别θι的内点，并把这些内点从S'中移除且h＝h+1；反之，重新执行步骤C至E。F.如果当前采样次数h小于H，那么执行步骤B至G；否则，即完成内点尺度估计，并输出为H个模型实例生成的参数及内点噪声尺度。本内点尺度估计方法可以通过替换模型拟合方法中的内点尺度估计方法用于基于贪婪搜索的模型拟合方法，例如HMSS(替换其所使用的内点尺度估计方法MSSE)中，从而应用于三维重建、图像拼接、医学图像分析、室内导航和运动分割等计算机视觉任务；本实施例中，使用本专利技术所提出方法与MSSE进行模型拟合时获得的分割错误率，如图2所示，在Gamebiscuit(Biscuitbook)图像对上，根据拟提出的尺度估计方法获得的拟合错误仅是MSSE的1/10(1/3)。参考图3，采用本实施例方法进行三维运动物体分割的例子。在本实施例中，将图3中的四个场景图像分别作为本实施例方法的输入图像数据，经本实施例步骤后输出的模型参数及内点噪声尺度进行拟合后，把图像中的数据分割为属于不同运动物体的点，不同物体的点用不同形状标识。以上所述仅为本专利技术的较佳实施例，凡依本专利技术申请专利范围所做的均等变化与修饰，皆应属本专利技术的涵盖范围。本文档来自技高网...

【技术保护点】
1.一种基于迭代和贪婪搜索的内点尺度估计方法，其特征在于，包括以下步骤：/n步骤S1:给定输入数据S,并设定数据中模型实例的个数H,令S'＝S和h＝0；/n步骤S2:从S'中获取初始化模型假设的数据子集Ω，并设k＝p，其中p是Ω中的数据点个数；/n步骤S3:用Ω生成一个模型假设θ

【技术特征摘要】
1.一种基于迭代和贪婪搜索的内点尺度估计方法，其特征在于，包括以下步骤：
步骤S1:给定输入数据S,并设定数据中模型实例的个数H,令S'＝S和h＝0；
步骤S2:从S'中获取初始化模型假设的数据子集Ω，并设k＝p，其中p是Ω中的数据点个数；
步骤S3:用Ω生成一个模型假设θι，并根据S'和θι的残差选取新的数据子集Ω′；
步骤S4:判断模型假设θι是否为有效的模型假设，如果θι是有效的，则更新k的值；否则，θι是一个无效的模型假设，k的值就不会被更新；
步骤S5:计算θι的代价函数f(θι)和停止标准Fstop,若f(θι)的值是所有已生成模型假设代价函数中值最小的，那么θι即是所有已生成模型假设中最准确的模型假设并且让θbest＝θl；
步骤S6:判断Fstop是否为真，若Fstop为真，表示已采样到了准确的模型假设，那么用估计得到的内点噪声尺度来识别θbest的内点，并把这些内点从S'中移除且h＝h+1；反之，重新执行步骤S3-S5；
步骤S7:如果当前采样次数h小于H，那么执行步骤S2至S6；否则即完成内点尺度估计，并输出H个模型实例生成的参数及内点噪声尺度。


2.根据权利要求1所述的基于迭代和贪婪搜索的内点...

【专利技术属性】
技术研发人员：赖桃桃，肖国宝，曾坤，李佐勇，
申请(专利权)人：闽江学院，
类型：发明
国别省市：福建;35