基于超圖模式搜索的魯棒模型擬合方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機(jī)視覺技術(shù)，具體是涉及一種基于超圖模式搜索的魯棒模型擬合 方法。
【背景技術(shù)】
[0002] 隨著科學(xué)技術(shù)的發(fā)展，我們的生活越來越離不開計算機(jī)視覺的理論和算法的發(fā) 展。如何從圖像中提取有效的信息，即計算機(jī)識別圖像，對計算機(jī)視覺的發(fā)展有非常重要的 影響。參數(shù)模型是圖像信息的有效表示方式，而模型擬合方法能夠有效地從觀測數(shù)據(jù)中估 計恰當(dāng)?shù)哪Ｐ蛥?shù)。
[0003] 在近10年中，模型擬合方法已經(jīng)被廣泛應(yīng)用于計算機(jī)視覺領(lǐng)域中，如，運(yùn)動分割、 圖像拼接、光流計算、單應(yīng)估計、基礎(chǔ)矩陣估計等。在模型擬合方法中，其中一種比較流行 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 能夠從含有高比例野點的數(shù)據(jù)中有效地擬合出模型，其主要步驟包括如下：1)通過隨機(jī) 采樣生成一定數(shù)目的模型假設(shè)；2)統(tǒng)計生成的模型假設(shè)的內(nèi)點數(shù)目，認(rèn)為內(nèi)點數(shù)最高的 為擬合的模型。然而，RANSAC方法對內(nèi)點尺度估計比較敏感，并且每次只能擬合單一模 型。許多高效的模型擬合方法被提出用于估計多結(jié)構(gòu)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] 鑒于超圖能夠有效表示復(fù)雜關(guān)系，最近基于超圖的方法也被用于解決模型擬合 問題，如H. Liu等人提出使用隨機(jī)一致性超圖RCG來擬合多結(jié)構(gòu)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邊的超圖處理人臉聚類和運(yùn)動分割問題 (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] 當(dāng)前存在的模型擬合方法在處理真實數(shù)據(jù)中還存在著大量的問題：基于聚類的擬 合方法（如KF和J-linkage)對數(shù)據(jù)分布比較敏感，因而不適合處理不平衡數(shù)據(jù)問題。此 外該類方法無法有效地處理那些處于兩個模型交接出的數(shù)據(jù)點?；诔瑘D的擬合方法（如 RCG)經(jīng)常需要將超圖映射到簡單圖中，而這將會造成信息損失。其他方法（如AKSWH和 Τ-linkage)同樣存在一些問題，如AKSWH在選擇一些有意義的模型假設(shè)時經(jīng)常把對應(yīng)真實 結(jié)構(gòu)中的假設(shè)去除，T-Iinkage通過層次聚類往往會造成時間復(fù)雜度偏高，不適合處理大數(shù) 據(jù)。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種基于超圖模式搜索的魯棒模型擬合方法。
[0007] 本發(fā)明包括以下步驟：
[0008] A.準(zhǔn)備數(shù)據(jù)集；
[0009] B.建立超圖模型G = (V，E)(-個模型假設(shè)對應(yīng)于超圖中的一個頂點V，數(shù)據(jù)點則 對應(yīng)一條超邊e):讓每個頂點連接相應(yīng)模型假設(shè)的內(nèi)點，即超邊；
[0010] C.采用無參核密度估計方法評估每個頂點V的權(quán)重分?jǐn)?shù)W(V)，自此，模型擬合問 題便轉(zhuǎn)化為在超圖中模式搜索問題；
[0011] D.提出通過在超圖中搜索"權(quán)重波峰"進(jìn)行模式搜索；
[0012] E.通過搜索到的模式和超圖模型，確定每個結(jié)構(gòu)的內(nèi)點和參數(shù)；
[0013] F.根據(jù)每個結(jié)構(gòu)的參數(shù)和內(nèi)點，對圖像進(jìn)行分割，完成模型擬合。
[0014] 在步驟A中，所述準(zhǔn)備數(shù)據(jù)集的具體方法可為：采用SIFT特征提取算法提取圖像 的特征，得到X = IxJ i = li2,...,N，N為數(shù)據(jù)總數(shù)，N為自然數(shù)。
[0015] 在步驟B中，所述建立超圖模型G = (V，E)的具體方法可為：
[0016] BI.從數(shù)據(jù)集中隨機(jī)采樣一定數(shù)目的最小子集，其中，一個最小子集是指估計一個 模型所需的最小數(shù)據(jù)集，如估計平面需要四個點，估計基礎(chǔ)矩陣需要7個或8個點等；
[0017] B2.評估每個最小子集的模型假設(shè)參數(shù)；
[0018] B3.采用內(nèi)點尺度估計子估計每個模型假設(shè)Θ的內(nèi)點尺度⑷)；
[0019] B4.根據(jù)每個模型假設(shè)Θ的內(nèi)點尺度<(的，估算屬于該假設(shè)的內(nèi)點數(shù)據(jù)：數(shù)據(jù)點 X滿足⑷)即為該假設(shè)Θ的內(nèi)點，其中Γχ(θ)為數(shù)據(jù)點X到假設(shè)Θ的距離（可用 sampson距離來度量）；
[0020] B5.根據(jù)一個模型假設(shè)Θ對應(yīng)于超圖中的一個頂點V和一個數(shù)據(jù)點X則對應(yīng)一條 超邊e，建立超圖模型G = (V，E)，使得每個頂點連接到多條超邊（對應(yīng)各自的內(nèi)點數(shù)據(jù)）， 并用關(guān)聯(lián)矩陣H來表示頂點與超邊之間的關(guān)系，若V e e，則h(v, e) = 1 ;反之，h(v, e)= 0〇
[0021] 在步驟C中，所述評估每個頂點V的權(quán)重分?jǐn)?shù)W(V)的方法可為：利用無參核密度 估計方法評估每個頂點V的權(quán)重，為了減弱野點對權(quán)重的影響，提高權(quán)重評估的魯棒性，提 出只考慮每個假設(shè)的內(nèi)點數(shù)據(jù)的殘差信息，權(quán)重公式如下：
[0022]
【主權(quán)項】
1. 基于超圖模式搜索的魯棒模型擬合方法，其特征在于包括以下步驟： A. 準(zhǔn)備數(shù)據(jù)集； B. 建立超圖模型G= (V，E):讓每個頂點連接相應(yīng)模型假設(shè)的內(nèi)點，即超邊；所述超圖 模型G = (V，E)中一個模型假設(shè)對應(yīng)于超圖中的一個頂點V，數(shù)據(jù)點則對應(yīng)一條超邊e ; C. 采用無參核密度估計方法評估每個頂點V的權(quán)重分?jǐn)?shù)w(V)，自此，模型擬合問題便 轉(zhuǎn)化為在超圖中模式搜索問題； D. 提出通過在超圖中搜索"權(quán)重波峰"進(jìn)行模式搜索； E. 通過搜索到的模式和超圖模型，確定每個結(jié)構(gòu)的內(nèi)點和參數(shù)； F. 根據(jù)每個結(jié)構(gòu)的參數(shù)和內(nèi)點，對圖像進(jìn)行分割，完成模型擬合。
2. 如權(quán)利要求1所述基于超圖模式搜索的魯棒模型擬合方法，其特征在于在步驟A中， 所述準(zhǔn)備數(shù)據(jù)集的具體方法為：采用SIFT特征提取算法提取圖像的特征，得到X = IxJi = m，N為數(shù)據(jù)總數(shù)，N為自然數(shù)。
3. 如權(quán)利要求1所述基于超圖模式搜索的魯棒模型擬合方法，其特征在于在步驟B中， 所述建立超圖模型G = (V，E)的具體方法為： BI.從數(shù)據(jù)集中隨機(jī)采樣一定數(shù)目的最小子集，其中，一個最小子集是指估計一個模型 所需的最小數(shù)據(jù)集，如估計平面需要四個點，估計基礎(chǔ)矩陣需要7個或8個點； B2.評估每個最小子集的模型假設(shè)參數(shù)； B3.采用內(nèi)點尺度估計子估計每個模型假設(shè)Θ的內(nèi)點尺度.?(的； B4.根據(jù)每個模型假設(shè)Θ的內(nèi)點尺度.?(的，估算屬于該假設(shè)的內(nèi)點數(shù)據(jù)：數(shù)據(jù)點X滿足 (的<.?(的即為該假設(shè)Θ的內(nèi)點，其中Γχ(θ)為數(shù)據(jù)點X到假設(shè)Θ的距離，所述Γχ(θ) 用sampson距離度量； B5.根據(jù)一個模型假設(shè)Θ對應(yīng)于超圖中的一個頂點V和一個數(shù)據(jù)點X則對應(yīng)一條超邊 e，建立超圖模型G = (V，E)，使得每個頂點連接到多條超邊，并用關(guān)聯(lián)矩陣H來表示頂點與 超邊之間的關(guān)系，若V e e，則h(v, e) = 1 ;反之，h(v, e) = 0。
4. 如權(quán)利要求1所述基于超圖模式搜索的魯棒模型擬合方法，其特征在于在步驟C中， 所述評估每個頂點V的權(quán)重分?jǐn)?shù)W(V)的方法為：利用無參核密度估計方法評估每個頂點V 的權(quán)重，為了減弱野點對權(quán)重的影響，提高權(quán)重評估的魯棒性，提出只考慮每個假設(shè)的內(nèi)點 數(shù)據(jù)的殘差信息，權(quán)重公式如下：
式中，δ (V) = 2eeEh(v, e)為頂點V的度，識(·)為核函數(shù)，b(v)為寬度。
5. 如權(quán)利要求4所述基于超圖模式搜索的魯棒模型擬合方法，其特征在于所述核函數(shù) 為 Epanechnikov 核。
6. 如權(quán)利要求1所述基于超圖模式搜索的魯棒模型擬合方法，其特征在于在步驟D中， 所述在超圖中搜索"權(quán)重波峰"進(jìn)行模式搜索的具體方法為： DL基于每個頂點V的權(quán)重分?jǐn)?shù)w(v)，通過在超圖G= (V，E)采樣頂點生成新的超圖 G' = (V' ,E')，即每個頂點被采樣的概率為w(v)/2vevw(v); D2.計算超圖C中每個頂點V的偏好函數(shù)：
式中，T為閾值，根據(jù)超圖框架，該式被重寫為：
所述T被設(shè)為2. 5來包含高斯分布的98 %的內(nèi)點； D3.基于偏好函數(shù)，計算超圖G'中任意兩個頂點（vjPv,)之間的相似性：
式中，M · I I和〈·，·>分別表示相應(yīng)的規(guī)范范式和標(biāo)準(zhǔn)內(nèi)積； D4.評估超圖G'中每個頂點V的獨特性分?jǐn)?shù)： ;7：in= min !〇(,,,，,)! 式中，Ω (V) = IviIviG f , w(v D > w(v)}包含所有權(quán)重比頂點v大的頂點集； D5.根據(jù)頂點的獨特性分?jǐn)?shù)對超圖G'中每個頂點進(jìn)行排序，即滿足?巧：iin > D6.通過排序后的獨特性分?jǐn)?shù)尋找超圖G'的"權(quán)重波峰"，即找到滿足Win到/A=為最 大落差的頂點Vi,然后去除獨特性分?jǐn)?shù)小于的所有頂點； D7.剩下的頂點即為檢測到的模式。
7.如權(quán)利要求1所述基于超圖模式搜索的魯棒模型擬合方法，其特征在于在步驟E中， 所述確定每個結(jié)構(gòu)的內(nèi)點和參數(shù)的具體方法為：通過檢測到的模式即可得到其相應(yīng)的頂 點，而通過超圖模型可以得到與該頂點相連接的超邊。
【專利摘要】基于超圖模式搜索的魯棒模型擬合方法，涉及計算機(jī)視覺技術(shù)。準(zhǔn)備數(shù)據(jù)集；建立超圖模型G＝(V,E)，一個模型假設(shè)對應(yīng)于超圖中的一個頂點v，數(shù)據(jù)點則對應(yīng)一條超邊e：讓每個頂點連接相應(yīng)模型假設(shè)的內(nèi)點，即超邊；采用無參核密度估計方法評估每個頂點v的權(quán)重分?jǐn)?shù)w(v)，自此，模型擬合問題便轉(zhuǎn)化為在超圖中模式搜索問題；提出通過在超圖中搜索權(quán)重波峰進(jìn)行模式搜索；通過搜索到的模式和超圖模型，確定每個結(jié)構(gòu)的內(nèi)點和參數(shù)；根據(jù)每個結(jié)構(gòu)的參數(shù)和內(nèi)點，對圖像進(jìn)行分割，完成模型擬合。能夠緩解對數(shù)據(jù)分布的敏感性，建立的超圖不需要任何的轉(zhuǎn)化，可以直接被應(yīng)用于模式搜索。
【IPC分類】G06T7-00
【公開號】CN104835174
【申請?zhí)枴緾N201510269932
【發(fā)明人】王菡子, 肖國寶, 嚴(yán)嚴(yán)
【申請人】廈門大學(xué)
【公開日】2015年8月12日
【申請日】2015年5月25日