【技术实现步骤摘要】
一种基于偏好概率加权采样的鲁棒模型拟合方法
本专利技术涉及计算机视觉技术，具体是涉及一种基于偏好概率加权采样的鲁棒模型拟合方法。
技术介绍
在计算机视觉领域中，鲁棒模型拟合是一个基础性的研究任务。在实际应用中，视觉数据会受噪声和离群点的污染，鲁棒模型拟合的任务是在包含噪声和离群点的数据中估计真实模型参数。RANSAC(M.A.Fischler,R.C.Bolles.Randomsampleconsensus:aparadigmformodelfittingwithapplicationstoimageanalysisandautomatedcartography.Comm.ACM,1981,24(6):381–395.)是一种广泛应用的经典鲁棒估计技术。它采用“假设-验证”框架，通常包含两个步骤：(1)随机抽取最小数据子集生成模型假设集；(2)验证有效的模型假设。RANSAC及其变种已经成功地应用于许多鲁棒拟合任务中，包括运动分割、图像配准等。尽管这些方法简单有效，但仅限于处理单结构数据。然而，在现实场景中，多结构数据更为常...
【技术保护点】
1.一种基于偏好概率加权采样的鲁棒模型拟合方法，其特征在于包括以下步骤：/nA.准备数据集；/nB.赋予数据集中每个数据点权重，循环执行步骤C-D，生成模型假设；/nC.从数据点中以权重采样数据点子集，并进行模型更新策略，在数据集中通过随机采样生成一个初始模型假设，并通过迭代方式更新模型假设，直到满足停止标准停止迭代，通过更新，选取得到最佳模型假设并加入模型假设集；/nD.根据偏好概率公式和模型假设集计算各数据点的偏好概率，通过增大偏好概率在一定阈值区间的数据点的权重，来增加采样小结构模型实例内点的概率，进而减少大结构模型实例和离群点对采样的干扰；/nE.用模型假设集的残差...
【技术特征摘要】
1.一种基于偏好概率加权采样的鲁棒模型拟合方法，其特征在于包括以下步骤：
A.准备数据集；
B.赋予数据集中每个数据点权重，循环执行步骤C-D，生成模型假设；
C.从数据点中以权重采样数据点子集，并进行模型更新策略，在数据集中通过随机采样生成一个初始模型假设，并通过迭代方式更新模型假设，直到满足停止标准停止迭代，通过更新，选取得到最佳模型假设并加入模型假设集；
D.根据偏好概率公式和模型假设集计算各数据点的偏好概率，通过增大偏好概率在一定阈值区间的数据点的权重，来增加采样小结构模型实例内点的概率，进而减少大结构模型实例和离群点对采样的干扰；
E.用模型假设集的残差向量集，构建相似度矩阵，应用谱聚类技术对数据进行聚类，进而估计多结构模型实例。
2.如权利要求1所述一种基于偏好概率加权采样的鲁棒模型拟合方法，其特征在于在步骤A中，所述准备数据集的具体方法为：输入N个数据点模型实例数量M，内点噪声尺度σ。
3.如权利要求1所述一种基于偏好概率加权采样的鲁棒模型拟合方法，其特征在于在步骤B中，所述赋予数据集中每个数据点权重，循环执行步骤C-D，生成模型假设的具体方法为：赋予每个数据点权重循环执行步骤C-D，共nH次，以生成nH个模型假设其中，nH为所需的模型假设个数，其值根据所需结果的精度，由手工指定。
4.如权利要求1所述一种基于偏好概率加权采样的鲁棒模型拟合方法，其特征在于在步骤C中，所述从数据点中以权重采样数据点子集，并进行模型更新策略的具体方法为：从输入数据X中以权重w采样个点Xs，对于数据点子集Xs进行模型更新策略：在数据集中通过随机采样生成一个初始模型假设θ0，并通过迭代方式更新模型假设，直到满足停止标准停止迭代，通过更新，可以得到一个良好的模型假设；
迭代步骤表示如下：
设θt是第t次迭代得到的模型假设，输入数据点到θt的绝对残差可用残差向量表示为：
将模型假设θt的残差向量r(θt)中的元素按升序排序以获得排序后的残差向量：
其中，{τ1，...τN}是数据点对应的残差的排序标号，满足
接着，使用残差排序在第k位的数据点周围的点集来更新第t次迭代得到的模型假设θt，更新后的模型假设θt+1可以表示为：
其中，F(·)表示最小二乘拟合函数，p表示模型参数空间的维数，k表示待估计的模型实例的内点集最小基数；
重复执行公式(1)、(2)和(3)，直到满足停止标准，其计算方法如下：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。