[发明专利]一种融合拟合-移除和两阶段框架优点的拟合方法

说明书

本发明涉及一种融合拟合‑移除和两阶段框架优点的拟合方法，首先给定包含N个数据的图像输入数据；指定图像输入数据中所包含的模型实例个数k；使用两阶段框架来同时地拟合图像中的多个模型实例的模型参数；把已拟合的多个模型参数的内点移除；重复上述步骤，直至已拟合的模型实例个数大于或等于k。本发明可用于含模型实例数大于5的多模型实例数据的拟合。

技术领域

本发明涉及计算机视觉领域，特别是一种融合拟合-移除和两阶段框架优点的拟合方法。

背景技术

模型拟合已被广泛地应用于众多计算机视觉领域中，比如：离群点移除、可视化跟踪，室内导航和运动分割等领域。模型拟合是指，给定一种模型类别(比如直线、圆、单应矩阵或基础矩阵)，从输入数据中估计出所有模型实例的模型参数，并把属于不同模型实例的数据以及离群点分割开。

根据模型拟合方法所采用的框架，传统的拟合方法可以分为两类：针对单模型实例数据和针对多模型实例数据的拟合方法；

针对单模型实例数据的拟合方法：Fischler和Bolles 1981年提出的RANSAC[M.A.Fischler and R.C.Bolles,“Random sample consensus:A paradigm for modelfitting with applications to image analysis and automated cartography,”Commun.ACM.,vol.24,no.6,pp.381–395,1981]是这类方法中的经典。由于执行一次针对单模型实例数据的拟合方法只能拟合多模型实例数据中一个模型实例的模型参数，这就需要在“拟合-移除”(fit-and-remove)框架中反复地执行这类方法，最终这类方法才能拟合多模型实例数据。然而，拟合-移除框架存在如下缺陷：若一个模型实例的模型参数估计不准确，将很可能导致数据中剩余模型实例的模型参数被错误地估计(即，拟合错误累积)。为了改进这个缺陷，多种针对多模型实例的拟合方法(比如AKSWH[H.Wang,T.-J.Chin andD.Suter,Simultaneously fitting and segmenting multiple-structure data withoutliers.IEEE Transactions on Pattern Analysis and Machine Intelligence.2012,34(6):1177–1192])被提出，它们能够同时拟合多模型实例数据中所有模型实例的模型参数。

针对多模型实例数据的拟合方法：该类方法(比如AKSWH,CBS[R.Tennakoon,A.Sadri,R.Hoseinnezhad,et al.,Effective sampling:Fast segmentation usingrobust geometric model fitting.IEEE Transactionson Image Processing.2018,27(9):4182-4194.])先执行数据采样以生成一组模型假设，然后在已生成的模型假设上执行拟合，下文简称其为两阶段(two-stage)方法(框架)。这类方法的不足在于，它们需要在数据采样步就为数据中的所有模型实例都生成有效的模型假设，否则这类方法将失败。然而，实际任务中要为数据中内点比例低的模型实例生成一个有效的模型假设是相当困难的。

现有的传统拟合方法只能较好地拟合含模型实例数小于等于5的多模型实例数据，而在含模型实例数大于5的多模型实例数据上，现有较先进的拟合方法所获得的准确率也欠佳，尤其是针对同一种应用使用相同的输入参数时。这是因为，模型实例数越多拟合的困难就越大：对于基于拟合-移除框架的拟合方法，模型实例数越多拟合的错误累积就越严重；对于基于两阶段框架的拟合方法，模型实例数越多内点的比例越低，生成有效的模型假设就越困难。

发明内容

有鉴于此，本发明的目的是提出一种融合拟合-移除和两阶段框架优点的拟合方法，可用于含模型实例数大于5的多模型实例数据的拟合。