CN111612067B - 一种融合拟合-移除和两阶段框架优点的拟合方法 - Google Patents
一种融合拟合-移除和两阶段框架优点的拟合方法 Download PDFInfo
- Publication number
- CN111612067B CN111612067B CN202010433933.5A CN202010433933A CN111612067B CN 111612067 B CN111612067 B CN 111612067B CN 202010433933 A CN202010433933 A CN 202010433933A CN 111612067 B CN111612067 B CN 111612067B
- Authority
- CN
- China
- Prior art keywords
- model
- fitting
- data
- threshold
- stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种融合拟合‑移除和两阶段框架优点的拟合方法,首先给定包含N个数据的图像输入数据;指定图像输入数据中所包含的模型实例个数k;使用两阶段框架来同时地拟合图像中的多个模型实例的模型参数;把已拟合的多个模型参数的内点移除;重复上述步骤,直至已拟合的模型实例个数大于或等于k。本发明可用于含模型实例数大于5的多模型实例数据的拟合。
Description
技术领域
本发明涉及计算机视觉领域,特别是一种融合拟合-移除和两阶段框架优点的拟合方法。
背景技术
模型拟合已被广泛地应用于众多计算机视觉领域中,比如:离群点移除、可视化跟踪,室内导航和运动分割等领域。模型拟合是指,给定一种模型类别(比如直线、圆、单应矩阵或基础矩阵),从输入数据中估计出所有模型实例的模型参数,并把属于不同模型实例的数据以及离群点分割开。
根据模型拟合方法所采用的框架,传统的拟合方法可以分为两类:针对单模型实例数据和针对多模型实例数据的拟合方法;
针对单模型实例数据的拟合方法:Fischler和Bolles 1981年提出的RANSAC[M.A.Fischler and R.C.Bolles,“Random sample consensus:A paradigm for modelfitting with applications to image analysis and automated cartography,”Commun.ACM.,vol.24,no.6,pp.381–395,1981]是这类方法中的经典。由于执行一次针对单模型实例数据的拟合方法只能拟合多模型实例数据中一个模型实例的模型参数,这就需要在“拟合-移除”(fit-and-remove)框架中反复地执行这类方法,最终这类方法才能拟合多模型实例数据。然而,拟合-移除框架存在如下缺陷:若一个模型实例的模型参数估计不准确,将很可能导致数据中剩余模型实例的模型参数被错误地估计(即,拟合错误累积)。为了改进这个缺陷,多种针对多模型实例的拟合方法(比如AKSWH[H.Wang,T.-J.Chin andD.Suter,Simultaneously fitting and segmenting multiple-structure data withoutliers.IEEE Transactions on Pattern Analysis and Machine Intelligence.2012,34(6):1177–1192])被提出,它们能够同时拟合多模型实例数据中所有模型实例的模型参数。
针对多模型实例数据的拟合方法:该类方法(比如AKSWH,CBS[R.Tennakoon,A.Sadri,R.Hoseinnezhad,et al.,Effective sampling:Fast segmentation usingrobust geometric model fitting.IEEE Transactionson Image Processing.2018,27(9):4182-4194.])先执行数据采样以生成一组模型假设,然后在已生成的模型假设上执行拟合,下文简称其为两阶段(two-stage)方法(框架)。这类方法的不足在于,它们需要在数据采样步就为数据中的所有模型实例都生成有效的模型假设,否则这类方法将失败。然而,实际任务中要为数据中内点比例低的模型实例生成一个有效的模型假设是相当困难的。
现有的传统拟合方法只能较好地拟合含模型实例数小于等于5的多模型实例数据,而在含模型实例数大于5的多模型实例数据上,现有较先进的拟合方法所获得的准确率也欠佳,尤其是针对同一种应用使用相同的输入参数时。这是因为,模型实例数越多拟合的困难就越大:对于基于拟合-移除框架的拟合方法,模型实例数越多拟合的错误累积就越严重;对于基于两阶段框架的拟合方法,模型实例数越多内点的比例越低,生成有效的模型假设就越困难。
发明内容
有鉴于此,本发明的目的是提出一种融合拟合-移除和两阶段框架优点的拟合方法,可用于含模型实例数大于5的多模型实例数据的拟合。
本发明采用以下方案实现:一种融合拟合-移除和两阶段框架优点的拟合方法,具体包括以下步骤:
使用两阶段框架来同时地拟合S'中的多个模型实例的模型参数;
把已拟合的多个模型参数的内点从S'中移除;
重复上述步骤,直至已拟合的模型实例个数大于或等于k,从而从输入的图像数据中估计出k个模型实例的模型参数。
进一步地,所述使用两阶段框架来同时地拟合S'中的多个模型实例的模型参数具体包括以下步骤:
S11:令S*=S';设置第一阈值b,第二阈值M以及内点比例阈值τ;
S12:在S*上执行一次基于贪婪搜索的数据采样以生成一个模型假设θ;
S13:判断当前的采样次数c是否小于第一阈值b或模型假设θ的内点比例是否大于内点比例阈值τ;若是,则将θ的内点从S*中移除;否则重置S*,令S*=S';
S14:判断当前的采样次数c是否小于第二阈值M,若是则返回S12,否则用所有已生成的模型假设进行拟合。
本发明还提供了一种融合拟合-移除和两阶段框架优点的拟合系统,包括存储器与处理器,所述存储器上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:本发明迭代地执行拟合和移除过程来完成多结构数据的拟合。该框架融合了已有框架的优点,减轻或克服了它们的缺点。该框架能高效地为模型实例数大于5的多模型实例数据鲁棒地拟合模型参数。本发明提出的拟合方法可应用于平面分割、可视化跟踪、三维重建和运动分割等多个领域。
附图说明
图1为本发明实施例的方法步骤示意图。
图2为本发明实施例的使用两阶段框架来同时地拟合S'中的多个模型实例的模型参数步骤示意图。
图3为采用本实施例方法进行多平面分割的示意图。
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拟合-移除和两阶段框架优点的拟合方法,具体包括以下步骤:
使用两阶段框架来同时地拟合S'中的多个模型实例的模型参数;
把已拟合的多个模型参数的内点从S'中移除;
重复上述步骤,直至已拟合的模型实例个数大于或等于k,从而从输入的图像数据中估计出k个模型实例的模型参数,并把属于不同模型实例的数据以及离群点分割开。
如图2所示,在本实施例中,所述使用两阶段框架来同时地拟合S'中的多个模型实例的模型参数具体包括以下步骤:
S11:令S*=S';设置第一阈值b,第二阈值M以及内点比例阈值τ;
S12:在S*上执行一次基于贪婪搜索的数据采样以生成一个模型假设θ;这里可以采用例如背景技术中的CBS在内的方法实现该步骤;
S13:判断当前的采样次数c是否小于第一阈值b或模型假设θ的内点比例是否大于内点比例阈值τ;若是,则将θ的内点从S*中移除;否则重置S*,令S*=S';
S14:判断当前的采样次数c是否小于第二阈值M,若是则返回S12,否则用所有已生成的模型假设进行拟合。
本实施例还提供了一种融合拟合-移除和两阶段框架优点的拟合系统,包括存储器与处理器,所述存储器上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
特别的,将图3作为本实施例方法的图像输入数据,指定图像中所包含的模型实例个数为11(针对图3中的11层台阶),不同的模型实例表示不同的平面,采用本实施例的方法从图中估计出11个模型实例的模型参数,进而能够把属于不同模型实例的数据以及离群点分割开,即将图3中的数据理想地分割为属于不同平面的点和离群点,其中离群点用圆圈标识,11层台阶用不同形状的点标识。
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 (2)
1.一种融合拟合-移除和两阶段框架优点的拟合方法,其特征在于,包括以下步骤:
使用两阶段框架来同时地拟合S'中的多个模型实例的模型参数;
把已拟合的多个模型参数的内点从S'中移除;
重复上述步骤,直至已拟合的模型实例个数大于或等于k,从而从输入的图像数据中估计出k个模型实例的模型参数;
所述使用两阶段框架来同时地拟合S'中的多个模型实例的模型参数具体包括以下步骤:
S11:令S*=S';设置第一阈值b,第二阈值M以及内点比例阈值τ;
S12:在S*上执行一次基于贪婪搜索的数据采样以生成一个模型假设θ;
S13:判断当前的采样次数c是否小于第一阈值b或模型假设θ的内点比例是否大于内点比例阈值τ;若是,则将θ的内点从S*中移除;否则重置S*,令S*=S';
S14:判断当前的采样次数c是否小于第二阈值M,若是则返回S12,否则用所有已生成的模型假设进行拟合。
2.一种融合拟合-移除和两阶段框架优点的拟合系统,其特征在于,包括存储器与处理器,所述存储器上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433933.5A CN111612067B (zh) | 2020-05-21 | 2020-05-21 | 一种融合拟合-移除和两阶段框架优点的拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433933.5A CN111612067B (zh) | 2020-05-21 | 2020-05-21 | 一种融合拟合-移除和两阶段框架优点的拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612067A CN111612067A (zh) | 2020-09-01 |
CN111612067B true CN111612067B (zh) | 2023-06-02 |
Family
ID=72205124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010433933.5A Active CN111612067B (zh) | 2020-05-21 | 2020-05-21 | 一种融合拟合-移除和两阶段框架优点的拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612067B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046688A (zh) * | 2015-06-23 | 2015-11-11 | 北京工业大学 | 一种三维点云中的多平面自动识别方法 |
CN108921871A (zh) * | 2018-07-27 | 2018-11-30 | 福建农林大学 | 一种基于全局贪婪搜索的鲁棒模型拟合方法 |
CN109858438A (zh) * | 2019-01-30 | 2019-06-07 | 泉州装备制造研究所 | 一种基于模型拟合的车道线检测方法 |
-
2020
- 2020-05-21 CN CN202010433933.5A patent/CN111612067B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046688A (zh) * | 2015-06-23 | 2015-11-11 | 北京工业大学 | 一种三维点云中的多平面自动识别方法 |
CN108921871A (zh) * | 2018-07-27 | 2018-11-30 | 福建农林大学 | 一种基于全局贪婪搜索的鲁棒模型拟合方法 |
CN109858438A (zh) * | 2019-01-30 | 2019-06-07 | 泉州装备制造研究所 | 一种基于模型拟合的车道线检测方法 |
Non-Patent Citations (2)
Title |
---|
aotao Lai et.al.Efficient Robust Model Fitting for Multistructure Data Using Global Greedy Search.《IEEE TRANSACTIONS ON CYBERNETICS》.2019,全文. * |
Taotao Lai et.al,.Robust Model Fitting Based on Greedy Search and specified Inlier threshold .《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111612067A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elvira et al. | ORBSLAM-Atlas: a robust and accurate multi-map system | |
CN110991283A (zh) | 重识别及训练数据获取方法、装置、电子设备及存储介质 | |
CN110008962B (zh) | 基于注意力机制的弱监督语义分割方法 | |
Aziz et al. | Implementation of lane detection algorithm for self-driving car on toll road cipularang using Python language | |
CN104050449A (zh) | 一种人脸识别方法及装置 | |
CN108921871B (zh) | 一种基于全局贪婪搜索的鲁棒模型拟合方法 | |
CN109584266B (zh) | 一种目标检测方法及装置 | |
CN110077416B (zh) | 一种基于决策树的驾驶员意图分析方法及系统 | |
CN103870824A (zh) | 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 | |
CN113766209B (zh) | 相机偏移量处理方法及装置 | |
CN106326920B (zh) | 一种遥测数据和视频图像数据的离线同步方法及装置 | |
CN115330837A (zh) | 基于图注意力Transformer网络的鲁棒目标跟踪方法及系统 | |
CN111612067B (zh) | 一种融合拟合-移除和两阶段框架优点的拟合方法 | |
CN113487538B (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
de Oliveira Feijó et al. | An algorithm to track laboratory zebrafish shoals | |
CN108960296B (zh) | 一种基于连续潜在语义分析的模型拟合方法 | |
Shao et al. | Faster R-CNN learning-based semantic filter for geometry estimation and its application in vSLAM systems | |
CN112115910A (zh) | 人脸库更新方法及装置 | |
CN112084855A (zh) | 一种基于改进ransac方法对视频流的外点剔除方法 | |
Richtsfeld et al. | Implementation of Gestalt principles for object segmentation | |
Agrawal et al. | Off-road lane detection using superpixel clustering and ransac curve fitting | |
CN109325432B (zh) | 一种三维对象的识别方法、设备及计算机可读储存介质 | |
CN109977816B (zh) | 一种信息处理方法、装置、终端及存储介质 | |
Mora et al. | Evaluating techniques for accurate 3d object model extraction through image-based deep learning object detection and point cloud segmentation | |
Balemans et al. | LiDAR and camera sensor fusion for 2D and 3D object detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |