[发明专利]一种基于全局贪婪搜索的鲁棒模型拟合方法

说明书

本发明公开一种基于全局贪婪搜索的鲁棒模型拟合方法，具体为：设置数据集，初始化参数；使用label来获取类标为m的第m个模型实例的内点；根据全局贪婪搜索的采样方法在及输入数据上生成模型假设或根据HMSS的采样方法在label中类标为0的数据上生成模型假设；根据模型假设及label来获得新的label；融合最近生成的个模型假设来得到模型假设，然后用模型假设来获得新的label;输出已生成的个模型假设，并根据输出已生成的个模型假设，对图像进行分割，完成模型拟合。本发明从内点中选取数据子集来生成更准确的初始模型假设，可应用于单应性矩阵估计、基本矩阵估计、两视图平面分割和运动分割等计算机视觉任务。

技术领域

本发明涉及计算机视觉技术，具体涉及一种基于全局贪婪搜索的鲁棒模型拟合方法。

背景技术

鲁棒模型拟合是计算机视觉中一项重要的基础性研究任务，它已广泛地应用于多个实际应用中，比如：特征匹配、图像配准、可视化跟踪，室内导航和运动分割等领域。鲁棒模型拟合的目标是从输入数据中估计出感兴趣模型的参数。具体地，给定一个几何模型(例如：线或基础矩阵)，通过模型拟合方法来估计数据中模型实例的参数。

在近数十年里，有大量的模型拟合方法被提出。例如，RANSAC[1]就是一种很受欢迎的模型拟合方法，因其简单易于实现。但是，RANSAC中所使用的随机采样策略并不够高效和准确。具体地，随着几何模型维度或输入数据中离群点(outlier)比例的增加，使用随机采样方法采样到一个干净最小数据子集所需的采样次数会指数地增加。如果没有采样到干净最小数据子集，基于数据采样的模型拟合方法将失败。干净最小数据子集是输入数据的一个子集，它包含了估计一个模型假设所需的最少个(即k)数据，并且一个干净最小数据子集中只能包含一个模型实例的内点。

为了提高采样的有效性，很多模型拟合方法被提出，其中HMSS[2]是近期提出的一种相对高效的拟合方法。HMSS包含一种有效的贪婪采样方法，其采样过程如下：(1)随机选取一个包含h个数据的数据子集来生成一个模型假设，其中h等于k加2，即h＝k+2。这里的k是用户输入的一个模型实例应包含的数据点个数的最小值；(2)升序排列输入数据与当前模型假设的残差；(3)使用第k-h+1到第k个排序残差所对应的数据估计一个模型假设；(4)判断是否达到停止标准。如果未达到停止标准，则继续执行第(2)，(3)步；否则，停止采样过程。每执行一次HMSS采样可以生成一个模型假设。如果数据中存在多个模型实例，则需要把HMSS嵌入到“拟合-和-移除”过程。通过迭代地在当前剩余的数据中执行HMSS采样来生成模型假设，然后把该模型假设的内点从当前剩余的数据中移除来估计数据中多个模型实例的模型参数。

然而，若干位作者(比如[3]))发现“拟合-和-移除”的过程存在如下缺陷：若有一个模型实例的模型参数估计不准确将导致数据中剩余模型实例的模型参数被估计错误。为了改进这个缺陷，多个针对多模型实例数据的模型拟合方法(例如[3,4,5])被提出，这些方法将数据采样与模型拟合分为两个独立的步骤，目的是同时估计数据中所有的模型实例。它们在执行模型拟合前，需要先采样预先指定个数的数据子集，而如何有效地确定预先指定数据子集的采样个数是相当困难的。

发明内容

有鉴于此，本发明的目的在于提供一种基于全局贪婪搜索的鲁棒模型拟合方法有效地改进了“拟合-和-移除”过程的缺陷。

为实现上述目的，本发明采用如下技术方案：

一种基于全局贪婪搜索的鲁棒模型拟合方法,其特征在于包括以下步骤：

步骤S1:设置数据集，包含N个数据的输入χ＝{x₁,x₂,...,x_N}，其中N为自然数,并预设一个模型实例应包含的最少数据点个数k及模型实例的个数m_c；

步骤S2:初始化参数，包括最大迭代次数t_max，数据子集包含的数据点个数h＝p+2，当前迭代次数t，当前已生成的模型实例数m和类标label；