CN110163298A - 一种融合子集采样和模型选择的模型拟合方法 - Google Patents

Abstract

本发明涉及一种融合子集采样和模型选择的模型拟合方法，包括以下步骤：步骤S1：准备数据集；步骤S2：初始化采样子集；步骤S3：根据采样子集进行初步模型选择；步骤S4：根据模型选择的结果优化采样子集；步骤S5：根据优化的采样子集进一步选择模型；步骤S6：根据模型选择结果做下一步规划；步骤S7：根据拟合结果，对图像进行分割，完成模型拟合。本发明能够提高拟合的计算速度和拟合精度。

Description

一种融合子集采样和模型选择的模型拟合方法

技术领域

本发明涉及计算机视觉领域，特别是一种融合子集采样和模型选择的模型拟合方法。

背景技术

越来越多的计算机视觉产品融入到我们的日常生活中，而现实生活中复杂的数据对计算机视觉算法要求越来越高。鲁棒模型拟合是计算机视觉的一个基础研究。它的主要任务是拟合数据集中存在的模型参数，使得计算机能够快速获取场景信息。

一般情况下，模型拟合包含两个主要步骤，即，采样数据子集和选择有效模型。当前的模型拟合方法分别对这两个步骤展开研究。在数据子集采样方面，当前存在一些比较经典的采样方法，如Random Sample Consensus(RANSAC)(M.A.Fischler andR.C.Bolles.Random sample consensus:a paradigm for model fitting withapplications to image analysis and automated cartography.Comm.ACM,24(6):381–395,1981)；Proximity(Y.Kanazawa,H.Kawakami,Detection of planar regions withuncalibrated stereo using distributions of feature points.,in:Proc.Bri.Mach.Vis.Conf.,2004,pp.247-256)；MultiGS(T.-J.Chin,J.Yu,D.Suter,Accelerated hypothesis generation for multistructure data via preferenceanalysis,IEEE Trans.Pattern Anal.Mach.Intell.34(4):625-638,2012)。在模型选择方面，当前存在一些比较有代表性的拟合方法，如MSHF(H.Wang,G.Xiao,Y.Yan,D.Suter,Searching for representative modes on hypergraphs for robust geometric modelfitting，IEEE Trans.Pattern Anal.Mach.Intell.41(3):687-711,2019)；RansaCov(L.Magri,A.Fusiello,Multiple model_tting as a set coverage problem,in:Proc.IEEE Conf.Comput.Vis.Pattern Recog.,2016,pp.3318-3326)。

这些方法能够有效地处理数据子集采样和模型选择，然而，很少针对这两个步骤的融合进行研究。因为这两个步骤息息相关，缺一不可。因此，针对两个步骤的融合研究很有必要，能够有效提升拟合性能。

发明内容

有鉴于此，本发明的目的是提出一种融合子集采样和模型选择的模型拟合方法，能够提高拟合的计算速度和拟合精度。

本发明采用以下方案实现：一种融合子集采样和模型选择的模型拟合方法，具体包括以下步骤：

步骤S1：准备数据集；

步骤S2：初始化采样子集；

步骤S3：根据采样子集进行初步模型选择；

步骤S4：根据模型选择的结果优化采样子集；

步骤S5：根据优化的采样子集进一步选择模型；

步骤S6：根据模型选择结果做下一步规划；

步骤S7：根据拟合结果，对图像进行分割，完成模型拟合。

进一步地，步骤S1具体为：采用特征提取算法提取图像的特征，得到数据集X＝{x_i}，i＝1,2,...,N，N为数据总数，N为自然数。

进一步地，步骤S2具体包括以下步骤：

步骤S21：初始化数据集X中所有数据点的权重W＝{w_i＝1},i＝1,2,...,N,根据数据点的权重以的概率选取一定数目的数据点，作为初始种子点S＝{s_i},i＝1,2,...,N_s，s_i∈X，N_s为种子点的数目；

步骤S22：对于每个种子点s_i，计算其他数据点x_j与s_i组成最小子集的概率：

式中，α为归一化常数，σ为人工设定参数；这里最小子集，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，估计基础矩阵需要七个或八个点，等等。

步骤S23：根据步骤S22的公式生成N_s个最小子集，并评估每个最小子集的模型假设参数。

进一步地，步骤S3具体包括以下步骤：

步骤S31：计算每个模型假设与数据点之间的残差(此处采用sampson距离来度量)；

步骤S32：利用残差信息生成仿射矩阵，并采用k-means聚类算法，获取分割结果，进行初步的模型选择；

步骤S33：根据模型选择结果，将数据集分为内点和离群点。

进一步地，步骤S4具体包括以下步骤：

步骤S41：根据模型选择的结果，更改每个数据点被选为种子点概率；

步骤S42：根据步骤S42更改的概率选取一定数目的种子点，并以此生成最小子集，然后再评估每个最小子集的模型假设参数。

进一步地，步骤S41具体为：将内点的权重进行以下操作：w_i←w_i×2，同时将离群点的权重进行以下操作：w_i←w_i÷2，然后重新计算数据点被选为种子点的概率

进一步地，步骤S5具体包括以下步骤：

步骤S51：融合所有生成的模型假设，计算相应的残差，并生成仿射矩阵；

步骤S52：根据仿射矩阵，继续采用k-means聚类，进一步选择模型。

进一步地，步骤S6具体包括以下步骤：

步骤S61：根据得到的模型选择结果，计算当前的能量函数：

式中，f_i表示数据点的标签；r(f_i,x_i)表示数据点与相应模型假设的残差；

步骤S62：如果当前的能量函数小于一定的阈值，则进入步骤S7，终止迭代；反之，返回步骤S4，进一步降低能量函数，以得到更好的拟合结果。

与现有技术相比，本发明有以下有益效果：本发明通过融合子集采样和模型选择，能够有效提高拟合的计算速度和拟合精度。结合实验结果，显著降低了数据集的分割错误率，在现有技术中的六种方法中取得最好的效果。

附图说明

图1为本发明实施例的方法流程示意图。

图2为本发明实施例的在真实图片上拟合单应性的结果。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种融合子集采样和模型选择的模型拟合方法，具体包括以下步骤：

步骤S1：准备数据集；

步骤S2：初始化采样子集；

步骤S3：根据采样子集进行初步模型选择；

步骤S4：根据模型选择的结果优化采样子集；

步骤S5：根据优化的采样子集进一步选择模型；

步骤S6：根据模型选择结果做下一步规划；

步骤S7：根据拟合结果，对图像进行分割，完成模型拟合。

进一步地，步骤S1具体为：采用特征提取算法提取图像的特征，得到数据集X＝{x_i}，i＝1,2,...,N，N为数据总数，N为自然数。

进一步地，步骤S2具体包括以下步骤：

步骤S21：初始化数据集X中所有数据点的权重W＝{w_i＝1},i＝1,2,...,N,根据数据点的权重以的概率选取一定数目的数据点，作为初始种子点S＝{s_i},i＝1,2,...,N_s，s_i∈X，N_s为种子点的数目；

步骤S22：对于每个种子点s_i，计算其他数据点x_j与s_i组成最小子集的概率：

式中，α为归一化常数，σ为人工设定参数；这里最小子集，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，估计基础矩阵需要七个或八个点，等等。

步骤S23：根据步骤S22的公式生成N_s个最小子集，并评估每个最小子集的模型假设参数。

进一步地，步骤S3具体包括以下步骤：

步骤S31：计算每个模型假设与数据点之间的残差(此处采用sampson距离来度量)；

步骤S32：利用残差信息生成仿射矩阵，并采用k-means聚类算法，获取分割结果，进行初步的模型选择；

步骤S33：根据模型选择结果，将数据集分为内点和离群点。

进一步地，步骤S4具体包括以下步骤：

步骤S41：根据模型选择的结果，更改每个数据点被选为种子点概率；

步骤S42：根据步骤S42更改的概率选取一定数目的种子点，并以此生成最小子集，然后再评估每个最小子集的模型假设参数。

进一步地，步骤S41具体为：将内点的权重进行以下操作：w_i←w_i×2，同时将离群点的权重进行以下操作：w_i←w_i÷2，然后重新计算数据点被选为种子点的概率

进一步地，步骤S5具体包括以下步骤：

步骤S51：融合所有生成的模型假设，计算相应的残差，并生成仿射矩阵；

步骤S52：根据仿射矩阵，继续采用k-means聚类，进一步选择模型。

进一步地，步骤S6具体包括以下步骤：

步骤S61：根据得到的模型选择结果，计算当前的能量函数：

式中，f_i表示数据点的标签；r(f_i,x_i)表示数据点与相应模型假设的残差；

步骤S62：如果当前的能量函数小于一定的阈值，则进入步骤S7，终止迭代；反之，返回步骤S4，进一步降低能量函数，以得到更好的拟合结果。

如图2所示，图2中的(a)、(b)、(c)、(d)分别为本实施例在真实图片上拟合单应性的结果示意图。

较佳的，表1为为本实施例与其他几种模型拟合方法错误率量化对比。对比方法有RANSAC(M.A.Fischler and R.C.Bolles.Random sample consensus:a paradigm formodel fitting with applications to image analysis and automatedcartography.Comm.ACM,24(6):381–395,1981)；Proximity(Y.Kanazawa,H.Kawakami,Detection of planar regions with uncalibrated stereo using distributions offeature points.,in:Proc.Bri.Mach.Vis.Conf.,2004,pp.247-256)；MultiGS(T.-J.Chin,J.Yu,D.Suter,Accelerated hypothesis generation for multistructure datavia preference analysis,IEEE Trans.Pattern Anal.Mach.Intell.34(4):625-638,2012)；RansaCov(L.Magri,A.Fusiello,Multiple model_tting as a set coverageproblem,in:Proc.IEEE Conf.Comput.Vis.Pattern Recog.,2016,pp.3318-3326)；MSHF(H.Wang,G.Xiao,Y.Yan,D.Suter,Searching for representative modes onhypergraphs for robust geometric model fitting，IEEE Trans.PatternAnal.Mach.Intell.41(3):687-711,2019)。从表中，可以看到本实施例的方法显著降低了四个数据集的分割错误率，在六种方法中取得最好的效果。

表1

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种融合子集采样和模型选择的模型拟合方法，其特征在于，包括以下步骤：

步骤S1：准备数据集；

步骤S2：初始化采样子集；

步骤S3：根据采样子集进行初步模型选择；

步骤S4：根据模型选择的结果优化采样子集；

步骤S5：根据优化的采样子集进一步选择模型；

步骤S6：根据模型选择结果做下一步规划；

步骤S7：根据拟合结果，对图像进行分割，完成模型拟合。

2.根据权利要求1所述的一种融合子集采样和模型选择的模型拟合方法，其特征在于，步骤S1具体为：采用特征提取算法提取图像的特征，得到数据集X＝{x_i}，i＝1,2,...,N，N为数据总数，N为自然数。

3.根据权利要求1所述的一种融合子集采样和模型选择的模型拟合方法，其特征在于，步骤S2具体包括以下步骤：

步骤S21：初始化数据集X中所有数据点的权重W＝{w_i＝1},i＝1,2,...,N,根据数据点的权重以的概率选取一定数目的数据点，作为初始种子点S＝{s_i},i＝1,2,...,N_s，s_i∈X，N_s为种子点的数目；

步骤S22：对于每个种子点s_i，计算其他数据点x_j与s_i组成最小子集的概率：

式中，α为归一化常数，σ为人工设定参数；

步骤S23：根据步骤S22的公式生成N_s个最小子集，并评估每个最小子集的模型假设参数。

4.根据权利要求1所述的一种融合子集采样和模型选择的模型拟合方法，其特征在于，步骤S3具体包括以下步骤：

步骤S31：计算每个模型假设与数据点之间的残差；

步骤S32：利用残差信息生成仿射矩阵，并采用k-means聚类算法，获取分割结果，进行初步的模型选择；

步骤S33：根据模型选择结果，将数据集分为内点和离群点。

5.根据权利要求1所述的一种融合子集采样和模型选择的模型拟合方法，其特征在于，步骤S4具体包括以下步骤：

步骤S41：根据模型选择的结果，更改每个数据点被选为种子点概率；

步骤S42：根据步骤S42更改的概率选取一定数目的种子点，并以此生成最小子集，然后再评估每个最小子集的模型假设参数。

6.根据权利要求5所述的一种融合子集采样和模型选择的模型拟合方法，其特征在于，步骤S41具体为：将内点的权重进行以下操作：w_i←w_i×2，同时将离群点的权重进行以下操作：w_i←w_i÷2，然后重新计算数据点被选为种子点的概率

7.根据权利要求1所述的一种融合子集采样和模型选择的模型拟合方法，其特征在于，步骤S5具体包括以下步骤：

步骤S51：融合所有生成的模型假设，计算相应的残差，并生成仿射矩阵；

步骤S52：根据仿射矩阵，继续采用k-means聚类，进一步选择模型。

8.根据权利要求1所述的一种融合子集采样和模型选择的模型拟合方法，其特征在于，步骤S6具体包括以下步骤：

步骤S61：根据得到的模型选择结果，计算当前的能量函数：

式中，f_i表示数据点的标签；r(f_i,x_i)表示数据点与相应模型假设的残差；

步骤S62：如果当前的能量函数小于一定的阈值，则进入步骤S7，终止迭代；反之，返回步骤S4，进一步降低能量函数，以得到更好的拟合结果。