CN103310122B - 一种并行随机采样一致方法及其装置 - Google Patents

Abstract

本发明公开了一种并行随机采样一致（RANSAC）方法，将RANSAC方法中假设阶段和验证阶段的处理均并行进行；具体的，该方法包括：在假设阶段，在大小为N的数据集A中并行采集m组随机样本a_i(i=1,2,…,m)，根据m组随机样本a_i(i=1,2,…,m)并行输出m个估计的模型M_i(i=1,2,…,m)；在验证阶段，采用m个模型M_i(i=1,2,…,m)并行对同一个点投票的方法，逐个直接判断数据集A中的每个点是否为局内点。本发明还公开了一种并行RANSAC装置，采用本发明能提高RANSAC算法的性能和数据吞吐量，能满足高速实时处理的需求。

Description

一种并行随机采样一致方法及其装置

技术领域

本发明涉及模型参数估计方法，尤其涉及一种并行随机采样一致(RANSAC，RANdomSAmpleConsensus)方法及其装置。

背景技术

RANSAC方法是一种具有良好鲁棒性的模型参数估计方法，由于RANSAC方法假设-检验的原理简单，鲁棒性强，目前已广泛应用于含错误数据的模型估计，如目标检测，立体图像匹配等。

传统RANSAC方法采用串行方式实现，具体实现的基本原理是：

(1)在大小为N，局内点数量为N_inliers的数据集A中随机采样一组由n(n为估计模型所需的最少点数)个点组成的样本a_i，并用其估计一个模型M_i；

(2)对A中所有数据进行检验，如果符合M_i的点足够多，则认为M_i是合理的并对其进行评估；

其中，(1)-(2)过程被重复执行k次以保证方法的失败概率不大于α，同时，在获得的k个模型M_i(i＝0,1,...,k)中找出最佳模型M；

(3)由于M仅来自n个点的估计，因此，应找出符合M的所有局内点作为结果输出，并使用适当方法重新估计模型。若抽样获得的a_i全为真正的局内点，称M_i为好模型，反之称为坏模型。设ω＝N_inliers/N，则(1-ωⁿ)和(1-ωⁿ)^k分别为一次采样的概率、k次采样全部估计出坏模型的概率，后者应与希望的整体失败概率α相等，即：

α＝(1-ωⁿ)^k

两边取对数得：

$k=\frac{log\mathrm{\α}}{log(1-{\mathrm{\ω}}^n)}$

传统RANSAC方法是以串行方式执行的，因此，必须重复进行足够多的抽样来保证成功率，运算速度受到限制，因而衍生了部分验证、预检验、减少无效采样等改进算法。这些算法通过减少模型的数量和待验证数据集的大小来减少运算时间，代价是需要更多的先验参数和更高的计算复杂性，但算法的时间复杂度仍然没有降低，无法保证实时性。

提高RANSAC性能的另一种方法是并行化。在统一计算设备架构(CUDA，ComputeUnifiedDeviceArchitecture)等图形处理器(GPU，GraphicProcessingUnit)计算平台、以及ClearSpeed、Tilera等单指令多数据(SIMD，SingleInstructionMultipleData)、多指令多数据(MIMD，MultipleInstructionStreamMultipleDataStream)处理器平台上均实现了并行的RANSAC方法。这些并行化方法只是简单地将串行方案分成多个线程同时执行，寻找最佳模型时依然需要串行操作，虽然达到了加速的效果，但某些地方还存在速度瓶颈，依赖于计算机平台且功耗较大，应用场合受到限制。

发明内容

有鉴于此，本发明的主要目的在于提供一种并行RANSAC方法及其装置，能提高RANSAC方法的性能和数据吞吐量，满足高速实时处理的需求。

为达到上述目的，本发明的技术方案是这样实现的：

本发明提供了一种并行RANSAC方法，包括假设阶段的处理和验证阶段的处理；所述方法包括：

在假设阶段，在大小为N的数据集A中并行采集m组随机样本a_i(i＝1,2,…,m)，根据m组随机样本a_i(i＝1,2,…,m)并行输出m个估计的模型M_i(i＝1,2,…,m)；

在验证阶段，采用m个模型M_i(i＝1,2,…,m)并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点。

较佳地，所述数据集A中局内点的个数为N_inliers；任意一组随机样本a_i(i＝1,2,…,m)中包含n个点，其中，n为估计模型所需的最少点数。

较佳地，所述采用m个模型M_i(i＝1,2,…,m)并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点包括：

获取数据集A中的任意点A_j(j＝1,2,…,N)，根据m个模型M_i(i＝1,2,…,m)并行对所述A_j(j＝1,2,…,N)进行检验，确定所述A_j(j＝1,2,…,N)是否符合模型M_i(i＝1,2,…,m)；

统计所述A_j(j＝1,2,…,N)符合m个模型M_i(i＝1,2,…,m)的个数，以生成投票集s_j(j＝1,2,…,N)；

若所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数满足预设条件，则A_j(j＝1,2,…,N)为局内点；否则，A_j(j＝1,2,…,N)为局外点。

较佳地，所述若所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数满足预设条件，则A_j(j＝1,2,…,N)为局内点；否则，A_j(j＝1,2,…,N)为局外点包括：

若所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数≥E(q)-hσ，则A_j(j＝1,2,…,N)为局内点；否则，A_j(j＝1,2,…,N)为局外点；

其中，h＝3.3×ωⁿ+1，ω＝N_inliers/N，σ为M_good所属分布的方差。

本发明还提供了一种并行RANSAC装置，所述装置包括：随机采样单元、模型估计单元以及投票式验证单元；其中，

所述随机采样单元，用于在假设阶段，在大小为N的数据集A中并行采集m组随机样本a_i(i＝1,2,…,m)；

所述模型估计单元，用于在假设阶段，根据m组随机样本a_i(i＝1,2,…,m)并行输出m个估计的模型M_i(i＝1,2,…,m)；

所述投票式验证单元，用于在验证阶段，采用m个模型M_i(i＝1,2,…,m)并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点。

较佳地，所述装置还包括数据点存储单元，用于存储输入的全部数据点A₁，A₂，K，A_N。

较佳地，所述随机采样单元包括：随机采样子单元、移位寄存器和数据乱序子单元；其中，

所述随机采样子单元，用于按计数间隔从逐个输入的N个数据点中抽取数据点a_ji(j＝1,2,…,m,i＝1,2,…,n)，并将所抽取的数据点送入移位寄存器；所述计数间隔为N/(m×n)；

所述移位寄存器，用于存储随机采样子单元发来的数据点a_ji(j＝1,2,…,m,i＝1,2,…,n)，所述移位寄存器深度为m×n；

所述数据乱序子单元，用于将移位寄存器中存储的数据点顺序打乱后发送给所述模型估计单元。

较佳地，所述移位寄存器包括计数器以及存储单元；其中，

所述计数器，用于每N/(m×n)个时钟计数一次；

所述存储单元，用于存储所述计数器每计数一次时所对应的数据点。

较佳地，所述投票式验证单元包括投票单元、统计单元以及比较器；其中，

所述投票单元，用于根据自身投票单元对应的模型M_i(i＝1,2,…,m)，确定任意点A_j(j＝1,2,…,N)是否符合所述模型M_i(i＝1,2,…,m)；若是，则所述投票单元输出1，并将所述输出结果发送至统计单元；若否，则输出0，并将所述输出结果发送至统计单元；

统计单元，用于接收所述投票单元发送的输出结果，并在每个时钟周期内，根据所述输出结果生成所述任意点A_j(j＝1,2,…,N)的投票集s_j(j＝1,2,…,N)，并将所述投票集s_j(j＝1,2,…,N)发送至比较器；

所述比较器，用于接收所述统计单元发送的投票集s_j(j＝1,2,…,N)，并将所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数与E(q)-hσ比较，以确定A_j(j＝1,2,…,N)是否为局内点；即，

若所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数≥E(q)-hσ，则A_j(j＝1,2,…,N)为局内点；否则，A_j(j＝1,2,…,N)为局外点；

其中，h＝3.3×ωⁿ+1，ω＝N_inliers/N，σ为M_good所属分布的方差。

本发明所提供的并行RANSAC方法及其装置，具有以下的优点和特点：

本发明利用处理芯片的并行处理特性和丰富的资源，将RANSAC算法在处理芯片上的处理深度并行化并提出新的检验方式，具体就是将RANSAC方法中假设阶段和验证阶段的处理均并行进行，如此，就可以在保证鲁棒性的前提下，大大提高RANSAC算法的性能和数据吞吐量，能满足高速实时处理的需求。

本发明中，判断局内点的条件根据局外点的比例可变，且错误点的数量比传统方法更少，因此，本发明并行化和投票验证使RANSAC方法的性能得到很大提升，RANSAC算法鲁棒性得到提高。另外，本发明在大样本、高局外点比例的情况下速度优势尤其明显，因此，能满足实时处理的要求；

本发明在处理芯片上实现假设阶段和验证阶段的并行化处理，因此，本发明能应用于小型化、低功耗的嵌入式环境，且不再依赖于大功耗的GPU平台。

附图说明

图1为本发明并行RANSAC方法的流程示意图；

图2为本发明并行RANSAC方法与现有方法找到正确局内点的比例的示意图。

具体实施方式

下面将结合具体实施例及附图对本发明的实施方式进行详细描述。

图1为本发明并行RANSAC方法的流程示意图，如图1所示，一种并行RANSAC方法，包括假设阶段的处理和验证阶段的处理；具体包括以下步骤：

步骤101：在假设阶段，在大小为N的数据集A中并行采集m组随机样本a_i(i＝1,2,…,m)，根据m组随机样本a_i(i＝1,2,…,m)并行输出m个估计的模型M_i(i＝1,2,…,m)；

步骤102：在验证阶段，采用m个模型M_i(i＝1,2,…,m)并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点。

这里，所述数据集A中局内点的个数为N_inliers；任意一组随机样本a_i(i＝1,2,…,m)中包含n个点，相应的，任意一组随机样本a_i中的任意一点可表示为a_ij(i＝1,2,…,m,j＝1,2,…,n)，其中，n为估计模型所需的最少点数；

进一步的，所述采用m个模型M_i(i＝1,2,…,m)并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点包括：

获取数据集A中的任意点A_j(j＝1,2,…,N)，根据m个模型M_i(i＝1,2,…,m)并行对所述A_j(j＝1,2,…,N)进行检验，确定所述A_j(j＝1,2,…,N)是否符合模型M_i(i＝1,2,…,m)；

统计所述A_j(j＝1,2,…,N)符合m个模型M_i(i＝1,2,…,m)的个数，以生成投票集s_j(j＝1,2,…,N)；

若所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数满足预设条件，则A_j(j＝1,2,…,N)为局内点；否则，A_j(j＝1,2,…,N)为局外点。

进一步的，所述若所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数满足预设条件，则A_j(j＝1,2,…,N)为局内点；否则，A_j(j＝1,2,…,N)为局外点包括：

若所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数≥E(q)-hσ，则A_j(j＝1,2,…,N)为局内点；否则，A_j(j＝1,2,…,N)为局外点；

其中，h＝3.3×ωⁿ+1，ω＝N_inliers/N，σ为M_good所属分布的方差。

这里，值得注意的是，本发明并行RANSAC方法的关键在于确定投票集s_j(j＝1,2,…,N)中所需要的支持票数，通过所述支持票数，以确定所述任意点A_j(j＝1,2,…,N)是否为局内点；这里，假设坏模型支持局内点、以及坏模型支持局外点的概率分别为p₁和p₂，应用贝叶斯公式可以求得A_j(j＝1,2,…,N)在s_j(j＝1,2,…,m)中获得q个支持的条件(设为Q)下，所述A_j(j＝1,2,…,N)属于局内点的概率为p(H₁|Q)、所述A_j(j＝1,2,…,N)不属于局内点的概率p(H₀|Q)，比较p(H₁|Q)和p(H₀|Q)两个概率的大小即可确定所需支持票数的下限。但在实际应用时，p₁和p₂都很小而且难以估计。因此，可以考虑使用下述近似的方法来确定s_j(j＝1,2,…,m)中所需支持票数的区间。

在并行获得的m个模型M_i(i＝1,2,…,m)中，好模型的个数M_good是一个服从二项分布的随机变量，且M_good～B(m,ωⁿ)。根据泊松定理和棣莫弗-拉普拉斯中心极限定理，当m和ωⁿ符合一定条件时，M_good可用泊松分布p(m,Nωⁿ)和正态分布N(mωⁿ,mωⁿ(1-ωⁿ))近似计算。这里，所述一定条件是指泊松分布和正态分布近似二项分布的条件，如表1所示。表1中给出了不同ωⁿ下m的取值下限，即：当m越大，泊松分布和正态分布对二项分布的近似就越好，取m为该下限的1.5倍时，精确度已经可以超过99.5％。

表1

理论上，m的取值应该越大越好，但因受到硬件资源限制，m的取值不可能取值很大，因此，在满足表1所示条件时，就可以认为泊松分布和正态分布对二项分布的近似已足够精确。基于此，s_j(j＝1,2,…,m)中获得的支持票数q的数学期望E(q)就可以用M_good的数学期望E(M_good)＝mωⁿ近似，在mωⁿ附近取一定宽度的区间，若A_j(j＝1,2,…,N)落在上述区间内，则认为A_j(j＝1,2,…,N)是局内点。一般以s_j(j＝1,2,…,m)中获得的支持票数q不小于E(q)-hσ为判断条件，其中σ为所选分布的方差，h为系数。

例如：采用M_good近似正态分布N(mωⁿ,mωⁿ(1-ωⁿ))的情况下，就是采用均值mωⁿ、方差mωⁿ(1-ωⁿ)对M_good的概率分布进行近似，则可认为支持票数q与其同分布，支持票数q取值为mωⁿ时的概率密度最大。因此，可以mωⁿ为中心，向左取一定区间作为判断条件，其中，区间的下限用分布的标准差特征和可变系数h共同决定。在贝叶斯概率模型下，当ωⁿ增大时，p₂增大而p₁减小，因此，区间应适当增大，反之区间应适当减小，用数值方法求得h的实用近似表达式为h＝3.3×ωⁿ+1；这里，所述区间是指这个区间，h变大，区间增大，h变小，区间减小。

本发明还提供了一种并行RANSAC装置，包括随机采样单元、模型估计单元以及投票式验证单元；其中，

所述随机采样单元，用于在假设阶段，在大小为N的数据集A中并行采集m组随机样本a_i(i＝1,2,…,m)；

所述模型估计单元，用于在假设阶段，根据m组随机样本a_i(i＝1,2,…,m)并行输出m个估计的模型M_i(i＝1,2,…,m)；

所述投票式验证单元，用于在验证阶段，采用m个模型M_i(i＝1,2,…,m)并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点。

这里，所述数据集A中局内点的个数为N_inliers；任意一组随机样本a_i(i＝1,2,…,m)中包含n个点，相应的，任意一组随机样本a_i中的任意一点可表示为a_ij(i＝1,2,…,m,j＝1,2,…,n)，其中，n为估计模型所需的最少点数。

该并行RANSAC装置还包括数据点存储单元，用于存储输入的全部数据点A₁，A₂，K，A_N。

进一步的，所述随机采样单元包括：随机采样子单元、移位寄存器和数据乱序子单元；其中，

所述随机采样子单元，用于按计数间隔从逐个输入的N个数据点中抽取数据点a_ji(j＝1,2,…,N,i＝1,2,…,n)，并将所抽取的数据点送入移位寄存器；所述计数间隔为N/(m×n)；

所述移位寄存器，用于存储随机采样子单元发来的数据点a_ji(j＝1,2,…,m,i＝1,2,…,n)，所述移位寄存器深度为m×n；

所述数据乱序子单元，用于将移位寄存器中存储的数据点顺序打乱后发送给所述模型估计单元。

具体来说，当有N个点逐个输入时，第一类要保存的是全部数据点A₁，A₂，…，A_N，形成完整的数据集A；第二类是在A₁，A₂，…，A_N进入时每N/(m×n)个抽一个，输入到移位寄存器中，即：每隔几个抽一个保存起来，例如：一共有N＝20个点，需要生成m＝2个模型，每个模型需要n＝3个点，共需抽取m×n＝6个点，则每N/(m×n)≈3个点抽取一个点，即可将A₁，A₄，A₇，A₁₀，A₁₃，A₁₆存到移位寄存器中。

相应的，抽取的数据点A₁，A₄，A₇，A₁₀，A₁₃，A₁₆在移位寄存器中是顺序排列的，即顺序均匀采样；那么，在将抽取的数据点发送给模型估计单元之前，需通过数据点乱序子单元将顺序的数据点打乱后再传输给模型估计单元，这样，才能实现随机采样。

进一步的，所述移位寄存器包括计数器以及存储单元；其中，

所述计数器，用于每N/(m×n)个时钟计数一次；

所述存储单元，用于存储所述计数器每计数一次时所对应的数据点；这里，所述存储单元有独立的输出接口，用于输出所述存储单元存储的数据点。值得注意的是，所述计数器每N/(m×n)个时钟计数一次，同时所述存储单元存储所述计数器每计数一次时所对应的数据点，即进入随机采样子单元所有N个数据点中，每N/(m×n)个数据中仅有一个数据存储在所述存储单元中；当N个数据点全部进入所述随机采样子单元中后，所述移位寄存器中的所述存储单元则存储有m×n个数据点，即a_ji(j＝1,2,…,m,i＝1,2,…,n)，此时，所述移位寄存器通过其自身的输出接口并行输出m×n个样本点给数据点乱序子单元，以便数据点乱序子单元将顺序的数据点打乱后再传输给模型估计单元。

进一步的，所述投票式验证单元包括投票单元、统计单元以及比较器；其中，

所述投票单元，用于根据其自身投票单元对应的模型M_i(i＝1,2,…,m)，确定任意点A_j(j＝1,2,…,N)是否符合所述模型M_i(i＝1,2,…,m)；若是，则所述投票单元输出1，并将所述输出结果发送至统计单元；否则，输出0，并将所述输出结果发送至统计单元；

统计单元，用于接收所述投票单元发送的输出结果，并在每个时钟周期内，根据所述输出结果生成所述任意点A_j(j＝1,2,…,N)的投票集s_j(j＝1,2,…,N)，并将所述投票集s_j(j＝1,2,…,N)发送至比较器；

所述比较器，用于接收所述统计单元发送的投票集s_j(j＝1,2,…,N)，并将所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数与E(q)-hσ比较，以确定A_j(j＝1,2,…,N)是否为局内点；即，

若所述投票集s_j(j＝1,2,…,N)中A_j(j＝1,2,…,N)符合模型M_i(i＝1,2,…,m)的票数≥E(q)-hσ，则A_j(j＝1,2,…,N)为局内点；否则，A_j(j＝1,2,…,N)为局外点；

其中，h＝3.3×ωⁿ+1，ω＝N_inliers/N，σ为M_good所属分布的方差。

实施例1

设传统RANSAC方法的时间复杂度为ο(n²)。当数据量大、局外点比例高、模型复杂时，k和N(数据集A的大小)迅速增大，算法性能受到严重影响。在现有并行算法中，时间复杂度降为ο(n)。这里，k是能保证传统串行RANSAC一定成功概率的最低迭代次数，其中

本发明并行RANSAC方法由于不需再次验证最佳模型，速度提升为现有基于GPU等的并行方法的2倍，而且该性能提升在其他并行计算平台上也可实现。表2为串行方式、现有技术中并行方式、以及本发明中并行方式三种RANSAC方法的性能比较，其中k>1。

表2

本发明并行RANSAC方法除具有上述的性能优势外，还充分利用了FPGA的硬件资源和高度的并行性，从而实现了多指令多数据流的深度流水线运算，取消了寻找最佳模型时的串行操作，能基本消除RANSAC方法在数据吞吐量上的瓶颈。

为了验证本发明并行RANSAC方法的鲁棒性，设计了拟合圆的仿真实验。在不同的局外点比例下各进行2000次试验，统计其正确结果和错误结果的个数，表3和图2为两种算法的准确性比较。其中，表3所示为两种RANSAC算法在不同局外点比例下的准确性；图2中，上方由方块点形成的曲线表示采用本发明并行RANSAC方法的鲁棒性，下方由菱形点形成的曲线表示采用现有技术并行RANSAC方法的鲁棒性。从表3和图2中可以看出，本发明并行RANSAC方法的漏检率全面优于传统方法。更重要的是，本发明给出的错误结果明显少于传统方法，因此，采用本发明并行RANSAC方法能提高鲁棒性。

表3

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (9)

1.一种并行随机采样一致RANSAC方法，包括假设阶段的处理和验证阶段的处理；其特征在于，所述方法包括：

在假设阶段，在大小为N的数据集A中并行采集m组随机样本a_i,i＝1,2,…,m，根据m组随机样本a_i,i＝1,2,…,m并行输出m个估计的模型M_i,i＝1,2,…,m；

在验证阶段，采用m个模型M_i,i＝1,2,…,m并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点；

其中，所述采用m个模型M_i,i＝1,2,…,m并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点包括：

获取数据集A中的任意点A_j,j＝1,2,…,N，根据m个模型M_i,i＝1,2,…,m并行对所述A_j,j＝1,2,…,N进行检验，确定所述A_j,j＝1,2,…,N是否符合模型M_i,i＝1,2,…,m；

统计所述A_j,j＝1,2,…,N符合m个模型M_i,i＝1,2,…,m的个数，以生成投票集s_j,j＝1,2,…,N；

若所述投票集s_j,j＝1,2,…,N中A_j,j＝1,2,…,N符合模型M_i,i＝1,2,…,m的票数满足预设条件，则A_j,j＝1,2,…,N为局内点；否则，A_j,j＝1,2,…,N为局外点。

2.根据权利要求1所述的方法，其特征在于，所述数据集A中局内点的个数为N_inliers；任意一组随机样本a_i,i＝1,2,…,m中包含n个点，其中，n为估计模型所需的最少点数。

3.根据权利要求2所述的方法，其特征在于，所述若所述投票集s_j,j＝1,2,…,N中A_j,j＝1,2,…,N符合模型M_i,i＝1,2,…,m的票数满足预设条件，则A_j,j＝1,2,…,N为局内点；否则，A_j,j＝1,2,…,N为局外点包括：

若所述投票集s_j,j＝1,2,…,N中A_j,j＝1,2,…,N符合模型M_i,i＝1,2,…,m的票数≥E(q)-hσ，则A_j,j＝1,2,…,N为局内点；否则，A_j,j＝1,2,…,N为局外点；

其中，h＝3.3×ωⁿ+1，ω＝N_inliers/N，σ为M_good所属分布的方差，所述M_good表征好模型的个数，所述q表征支持票数，所述E(q)表征支持票数q的数学期望。

4.一种并行RANSAC装置，其特征在于，所述装置包括：随机采样单元、模型估计单元以及投票式验证单元；其中，

所述随机采样单元，用于在假设阶段，在大小为N的数据集A中并行采集m组随机样本a_i,i＝1,2,…,m；

所述模型估计单元，用于在假设阶段，根据m组随机样本a_i,i＝1,2,…,m并行输出m个估计的模型M_i,i＝1,2,…,m；

所述投票式验证单元，用于在验证阶段，采用m个模型M_i,i＝1,2,…,m并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点；

所述采用m个模型M_i,i＝1,2,…,m并行对同一个点投票的方法，逐个判断数据集A中的每个点是否为局内点包括：

获取数据集A中的任意点A_j,j＝1,2,…,N，根据m个模型M_i,i＝1,2,…,m并行对所述A_j,j＝1,2,…,N进行检验，确定所述A_j,j＝1,2,…,N是否符合模型M_i,i＝1,2,…,m；

统计所述A_j,j＝1,2,…,N符合m个模型M_i,i＝1,2,…,m的个数，以生成投票集s_j,j＝1,2,…,N；

若所述投票集s_j,j＝1,2,…,N中A_j,j＝1,2,…,N符合模型M_i,i＝1,2,…,m的票数满足预设条件，则A_j,j＝1,2,…,N为局内点；否则，A_j,j＝1,2,…,N为局外点。

5.根据权利要求4所述的装置，其特征在于，所述数据集A中局内点的个数为N_inliers；任意一组随机样本a_i,i＝1,2,…,m中包含n个点，其中，n为估计模型所需的最少点数。

6.根据权利要求4所述的装置，其特征在于，所述装置还包括数据点存储单元，用于存储输入的全部数据点A₁，A₂，...，A_N。

7.根据权利要求5所述的装置，其特征在于，所述随机采样单元包括：随机采样子单元、移位寄存器和数据乱序子单元；其中，

所述随机采样子单元，用于按计数间隔从逐个输入的N个数据点中抽取数据点a_ji,j＝1,2,…,m,i＝1,2,…,n，并将所抽取的数据点送入移位寄存器；所述计数间隔为N/(m×n)；

所述移位寄存器，用于存储随机采样子单元发来的数据点a_ji,j＝1,2,…,m,i＝1,2,…,n，所述移位寄存器的深度为m×n；

所述数据乱序子单元，用于将移位寄存器中存储的数据点顺序打乱后发送给所述模型估计单元。

8.根据权利要求7所述的装置，其特征在于，所述移位寄存器包括计数器以及存储单元；其中，

所述计数器，用于每N/(m×n)个时钟计数一次；

所述存储单元，用于存储所述计数器每计数一次时所对应的数据点。

9.根据权利要求4至8任一项所述的装置，其特征在于，所述投票式验证单元包括投票单元、统计单元以及比较器；其中，

所述投票单元，用于根据自身投票单元对应的模型M_i,i＝1,2,…,m，确定任意点A_j,j＝1,2,…,N是否符合所述模型M_i,i＝1,2,…,m；若是，则所述投票单元输出1，并将所述输出结果发送至统计单元；若否，则输出0，并将所述输出结果发送至统计单元；

统计单元，用于接收所述投票单元发送的输出结果，并在每个时钟周期内，根据所述输出结果生成所述任意点A_j,j＝1,2,…,N的投票集s_j,j＝1,2,…,N，并将所述投票集s_j,j＝1,2,…,N发送至比较器；

所述比较器，用于接收所述统计单元发送的投票集s_j,j＝1,2,…,N，并将所述投票集s_j,j＝1,2,…,N中A_j,j＝1,2,…,N符合模型M_i,i＝1,2,…,m的票数与E(q)-hσ比较，以确定A_j,j＝1,2,…,N是否为局内点；即，

若所述投票集s_j,j＝1,2,…,N中A_j,j＝1,2,…,N符合模型M_i,i＝1,2,…,m的票数≥E(q)-hσ，则A_j,j＝1,2,…,N为局内点；否则，A_j,j＝1,2,…,N为局外点；

其中，h＝3.3×ωⁿ+1，ω＝N_inliers/N，σ为M_good所属分布的方差，所述M_good表征好模型的个数，所述q表征支持票数，所述E(q)表征支持票数q的数学期望；所述n为估计模型所需的最少点数，所述N_inliers为局内点数量。