[发明专利]一种基于全局贪婪搜索的鲁棒模型拟合方法

摘要

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。

主权项

1.一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tmax，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；步骤S3:判断当前迭代次数，若前迭代次数t小于tmax，执行步骤S4；否则，结束程序并输出已生成的mc个模型假设；步骤S4:判断当前已生成的模型实例数m，若当前已生成的模型实例数m小于mc，执行步骤S5；否则，执行步骤S10；步骤S5:使用label来获取类标为m的第m个模型实例的内点Im；步骤S6:如果Im所包含的数据元素个数大于h，执行步骤S7；否则，执行步骤S8；步骤S7:根据全局贪婪搜索的采样方法在Im及输入数据X上生成模型假设θ；步骤S8: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θ；步骤S9:根据模型假设θ及label来获得新的label；步骤S10:融合最近生成的m_c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；步骤S11:判断是否达到停止标准,若达到停止标准，则输出已生成的mc个模型假设，否则t＝t+1后进行步骤S3；步骤S12:根据输出已生成的mc个模型假设，对图像进行分割，完成模型拟合。