[發明專利]一種基于譜聚類去除離群點的魯棒模型擬合方法

在審

• 申請號: 201810494460.2
• 申請日: 2018-05-22
• 公開（公告）號: CN108710761A
• 公開（公告）日: 2018-10-26
• 發明（設計）人: 李琦銘;李俊
• 申請（專利權）人: 泉州裝備制造研究所
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06K9/62
• 代理公司: 泉州市文華專利代理有限公司 35205
• 代理人: 陳云川

本發明涉及一種基于譜聚類去除離群點的魯棒模型擬合方法，其通過對輸入數據進行多次采樣生成模型假設，構建偏好矩陣及其行向量之間的相似矩陣；然后利用基于譜聚類算法去除離群點和生成多結構模型數據類；最后根據多結構模型實例數據的停止函數來判斷模擬擬合方法是否停止，得到最終的模型擬合的結果，即多結構模型結構的模型參數。本發明深入研究離群點在譜聚類過程中與內點的區分性，高效去除離群點，準確估計出多結構模型參數，且內點和離群點分類的結果能夠指導局部采樣策略的后續采樣過程。

技術領域

本發明涉及計算機視覺模型擬合技術領域，具體涉及一種基于譜聚類去除離群點的魯棒模型擬合方法。

背景技術

模型擬合作為一項重要的基礎研究任務在機器視覺領域發揮著重要作用，其在視覺SLAM、運動分割、三維重建、全景拍照等方面都具有廣泛的應用。如圖1所示，模型擬合方法的任務是通過多次數據采樣生成模型假設，然后通過模型選擇估計出這些結構實例的模型參數。由于從傳感器獲取的原始圖像和視頻信息受到相機自身參數、拍攝角度和距離、光照等環境變化的影響，在模型擬合時經常選擇圖像中的關鍵特征描述子(如局部特征描述子SIFT特征點)作為輸入數據。而這些數據中又不可避免地存在噪聲(noise)、離群點(outlier)等信息，準確地估計出模型的個數及其對應的參數仍是一項極具挑戰的任務。

已有的基于離群點去除的模型擬合方法通常都需要單獨的步驟對含有的離群點進行判別后去除，如果在模型估計之前去除離群點，可能同時去除一些模型實例的內點；如果在模型估計之后去除，離群點的存在會影響模型參數估計的準確性；其次，大多數的方法也沒有充分使用與模型相關的信息來指導局部采樣策略的后續采樣過程，導致無法為包含噪聲和高比例離群點的多結構模型實例數據快速采樣到干凈的數據子集。

發明內容

針對上述問題，本發明的目的在于提供一種基于譜聚類去除離群點的魯棒模型擬合方法，其能夠高效去除離群點，提高模型參數的準確性。

為實現上述目的，本發明采用的技術方案是：

一種基于譜聚類去除離群點的魯棒模型擬合方法，其具體包括以下步驟：

步驟1、構建偏好矩陣及其行向量之間的相似矩陣；

從N個觀測數據點X＝{x₁,x₂,...,x_N}中，隨機采樣M個點子集，估計得到M個模型假設Θ＝{θ₁,θ₂,...,θ_M}；然后給每一個模型假設賦予相應的權重：

其中，n_m是第m個模型假設的內點數目；是第i個數據點相對于第m個模型假設的殘差；S_m是通過IKOSE方法估計得到的內點噪聲尺度；ψ(·)和h_m是核函數及其對應的帶寬；

通過IKOSE方法得到的自適應的權重閾值，將權重低的模型假設去除，保留G個更加魯棒的模型假設Θ＝{θ₁,θ₂,...,θ_G}；那么，N個觀測數據點相對于這G個模型假設的偏好矩陣可表示為：

其中，P是一個N*M維的二維矩陣；r_i^g是第i個數據點相對于第g個模型假設的殘差；S_g是內點噪聲尺度；

由偏好矩陣中的行向量P(i,:)和P(j,:)的距離d(P(i,:),P(j,:))構建相似矩陣：

其中，σ為指數函數的參數；

步驟2、通過譜聚類獲取相似矩陣的子空間類別，根據概念子空間的類別分數進行離群點判別；