基于超图模式搜索的鲁棒模型拟合方法
【技术领域】
[0001] 本发明涉及计算机视觉技术，具体是涉及一种基于超图模式搜索的鲁棒模型拟合 方法。
【背景技术】
[0002] 随着科学技术的发展，我们的生活越来越离不开计算机视觉的理论和算法的发 展。如何从图像中提取有效的信息，即计算机识别图像，对计算机视觉的发展有非常重要的 影响。参数模型是图像信息的有效表示方式，而模型拟合方法能够有效地从观测数据中估 计恰当的模型参数。
[0003] 在近10年中，模型拟合方法已经被广泛应用于计算机视觉领域中，如，运动分割、 图像拼接、光流计算、单应估计、基础矩阵估计等。在模型拟合方法中，其中一种比较流行 的方法是 Random Sample Consensus (RANSAC) (M. A. Fischler and R. C. Bolles. Random sample consensus:a paradigm for model fitting with applications to image analysis and automated cartography. Comm. ACM, 24 (6) : 381 - 395, 1981)。RANSAC 方法 能够从含有高比例野点的数据中有效地拟合出模型，其主要步骤包括如下：1)通过随机 采样生成一定数目的模型假设；2)统计生成的模型假设的内点数目，认为内点数最高的 为拟合的模型。然而，RANSAC方法对内点尺度估计比较敏感，并且每次只能拟合单一模 型。许多高效的模型拟合方法被提出用于估计多结构模型，如J-linkage(R. Toldo and A.Fusiello. Robust multiple structures estimation with j-linkage. In ECCVj pages 537 - 547. 2008) ? KF (T. -J. Chin, H. Wang, and D. Suter. Robust fitting of multiple structures:The statistical learning approach. In ICCVj pages 413 - 420,2009)， AKSWH(H. Wang, T. -J. Chin,and D. Suter. Simultaneously fitting and segmenting multiple-structure data with outliers. IEEE Trans. PAMIj34(6):1177 - 1192, 2012) ? T-Iinkage (L. Magri and A.Fusiello.T-Iinkage: A continuous relaxation of j-linkage for multi-model fitting. In CVPR，pages 3954 - 3961，2014)，等等〇
[0004] 鉴于超图能够有效表示复杂关系，最近基于超图的方法也被用于解决模型拟合 问题，如H. Liu等人提出使用随机一致性超图RCG来拟合多结构模型（H. Liu and S. Yan. Efficientstructure detection via random consensus graph. In CVPRj pages 574 -581，2012)，P. Purkait等人提出使用含有大超边的超图处理人脸聚类和运动分割问题 (P. Purkaitj T. -J. Chin, H. Ackermannj and D. Suter. Clustering with hypergraphs: the case for large hyperedges· In ECCV，pages 672 - 687, 2014)，等等。
[0005] 当前存在的模型拟合方法在处理真实数据中还存在着大量的问题：基于聚类的拟 合方法（如KF和J-linkage)对数据分布比较敏感，因而不适合处理不平衡数据问题。此 外该类方法无法有效地处理那些处于两个模型交接出的数据点。基于超图的拟合方法（如 RCG)经常需要将超图映射到简单图中，而这将会造成信息损失。其他方法（如AKSWH和 Τ-linkage)同样存在一些问题，如AKSWH在选择一些有意义的模型假设时经常把对应真实 结构中的假设去除，T-Iinkage通过层次聚类往往会造成时间复杂度偏高，不适合处理大数 据。
【发明内容】
[0006] 本发明的目的在于提供一种基于超图模式搜索的鲁棒模型拟合方法。
[0007] 本发明包括以下步骤：
[0008] A.准备数据集；
[0009] B.建立超图模型G = (V，E)(-个模型假设对应于超图中的一个顶点V，数据点则 对应一条超边e):让每个顶点连接相应模型假设的内点，即超边；
[0010] C.采用无参核密度估计方法评估每个顶点V的权重分数W(V)，自此，模型拟合问 题便转化为在超图中模式搜索问题；
[0011] D.提出通过在超图中搜索"权重波峰"进行模式搜索；
[0012] E.通过搜索到的模式和超图模型，确定每个结构的内点和参数；
[0013] F.根据每个结构的参数和内点，对图像进行分割，完成模型拟合。
[0014] 在步骤A中，所述准备数据集的具体方法可为：采用SIFT特征提取算法提取图像 的特征，得到X = IxJ i = li2,...,N，N为数据总数，N为自然数。
[0015] 在步骤B中，所述建立超图模型G = (V，E)的具体方法可为：
[0016] BI.从数据集中随机采样一定数目的最小子集，其中，一个最小子集是指估计一个 模型所需的最小数据集，如估计平面需要四个点，估计基础矩阵需要7个或8个点等；
[0017] B2.评估每个最小子集的模型假设参数；
[0018] B3.采用内点尺度估计子估计每个模型假设Θ的内点尺度⑷)；
[0019] B4.根据每个模型假设Θ的内点尺度<(的，估算属于该假设的内点数据：数据点 X满足⑷)即为该假设Θ的内点，其中Γχ(θ)为数据点X到假设Θ的距离（可用 sampson距离来度量）；
[0020] B5.根据一个模型假设Θ对应于超图中的一个顶点V和一个数据点X则对应一条 超边e，建立超图模型G = (V，E)，使得每个顶点连接到多条超边（对应各自的内点数据）， 并用关联矩阵H来表示顶点与超边之间的关系，若V e e，则h(v, e) = 1 ;反之，h(v, e)= 0〇
[0021] 在步骤C中，所述评估每个顶点V的权重分数W(V)的方法可为：利用无参核密度 估计方法评估每个顶点V的权重，为了减弱野点对权重的影响，提高权重评估的鲁棒性，提 出只考虑每个假设的内点数据的残差信息，权重公式如下：
[0022]
【主权项】
1. 基于超图模式搜索的鲁棒模型拟合方法，其特征在于包括以下步骤： A. 准备数据集； B. 建立超图模型G= (V，E):让每个顶点连接相应模型假设的内点，即超边；所述超图 模型G = (V，E)中一个模型假设对应于超图中的一个顶点V，数据点则对应一条超边e ; C. 采用无参核密度估计方法评估每个顶点V的权重分数w(V)，自此，模型拟合问题便 转化为在超图中模式搜索问题； D. 提出通过在超图中搜索"权重波峰"进行模式搜索； E. 通过搜索到的模式和超图模型，确定每个结构的内点和参数； F. 根据每个结构的参数和内点，对图像进行分割，完成模型拟合。
2. 如权利要求1所述基于超图模式搜索的鲁棒模型拟合方法，其特征在于在步骤A中， 所述准备数据集的具体方法为：采用SIFT特征提取算法提取图像的特征，得到X = IxJi = m，N为数据总数，N为自然数。
3. 如权利要求1所述基于超图模式搜索的鲁棒模型拟合方法，其特征在于在步骤B中， 所述建立超图模型G = (V，E)的具体方法为： BI.从数据集中随机采样一定数目的最小子集，其中，一个最小子集是指估计一个模型 所需的最小数据集，如估计平面需要四个点，估计基础矩阵需要7个或8个点； B2.评估每个最小子集的模型假设参数； B3.采用内点尺度估计子估计每个模型假设Θ的内点尺度.?(的； B4.根据每个模型假设Θ的内点尺度.?(的，估算属于该假设的内点数据：数据点X满足 (的<.?(的即为该假设Θ的内点，其中Γχ(θ)为数据点X到假设Θ的距离，所述Γχ(θ) 用sampson距离度量； B5.根据一个模型假设Θ对应于超图中的一个顶点V和一个数据点X则对应一条超边 e，建立超图模型G = (V，E)，使得每个顶点连接到多条超边，并用关联矩阵H来表示顶点与 超边之间的关系，若V e e，则h(v, e) = 1 ;反之，h(v, e) = 0。
4. 如权利要求1所述基于超图模式搜索的鲁棒模型拟合方法，其特征在于在步骤C中， 所述评估每个顶点V的权重分数W(V)的方法为：利用无参核密度估计方法评估每个顶点V 的权重，为了减弱野点对权重的影响，提高权重评估的鲁棒性，提出只考虑每个假设的内点 数据的残差信息，权重公式如下：
式中，δ (V) = 2eeEh(v, e)为顶点V的度，识(·)为核函数，b(v)为宽度。
5. 如权利要求4所述基于超图模式搜索的鲁棒模型拟合方法，其特征在于所述核函数 为 Epanechnikov 核。
6. 如权利要求1所述基于超图模式搜索的鲁棒模型拟合方法，其特征在于在步骤D中， 所述在超图中搜索"权重波峰"进行模式搜索的具体方法为： DL基于每个顶点V的权重分数w(v)，通过在超图G= (V，E)采样顶点生成新的超图 G' = (V' ,E')，即每个顶点被采样的概率为w(v)/2vevw(v); D2.计算超图C中每个顶点V的偏好函数：
式中，T为阈值，根据超图框架，该式被重写为：
所述T被设为2. 5来包含高斯分布的98 %的内点； D3.基于偏好函数，计算超图G'中任意两个顶点（vjPv,)之间的相似性：
式中，M · I I和〈·，·>分别表示相应的规范范式和标准内积； D4.评估超图G'中每个顶点V的独特性分数： ;7：in= min !〇(,,,，,)! 式中，Ω (V) = IviIviG f , w(v D > w(v)}包含所有权重比顶点v大的顶点集； D5.根据顶点的独特性分数对超图G'中每个顶点进行排序，即满足?巧：iin > D6.通过排序后的独特性分数寻找超图G'的"权重波峰"，即找到满足Win到/A=为最 大落差的顶点Vi,然后去除独特性分数小于的所有顶点； D7.剩下的顶点即为检测到的模式。
7.如权利要求1所述基于超图模式搜索的鲁棒模型拟合方法，其特征在于在步骤E中， 所述确定每个结构的内点和参数的具体方法为：通过检测到的模式即可得到其相应的顶 点，而通过超图模型可以得到与该顶点相连接的超边。
【专利摘要】基于超图模式搜索的鲁棒模型拟合方法，涉及计算机视觉技术。准备数据集；建立超图模型G＝(V,E)，一个模型假设对应于超图中的一个顶点v，数据点则对应一条超边e：让每个顶点连接相应模型假设的内点，即超边；采用无参核密度估计方法评估每个顶点v的权重分数w(v)，自此，模型拟合问题便转化为在超图中模式搜索问题；提出通过在超图中搜索权重波峰进行模式搜索；通过搜索到的模式和超图模型，确定每个结构的内点和参数；根据每个结构的参数和内点，对图像进行分割，完成模型拟合。能够缓解对数据分布的敏感性，建立的超图不需要任何的转化，可以直接被应用于模式搜索。
【IPC分类】G06T7-00
【公开号】CN104835174
【申请号】CN201510269932
【发明人】王菡子, 肖国宝, 严严
【申请人】厦门大学
【公开日】2015年8月12日
【申请日】2015年5月25日