基于残差排序和稀疏限制的基础矩阵拟合方法技术

本发明专利技术提出基于残差排序和稀疏限制的基础矩阵拟合方法，所述拟合方法为包含多个模型实例和高比例离群点的数据集生成有效距离矩阵，具体包括以下步骤；步骤S1：设定输入数据，模型实例个数S，采样次数M；步骤S2：通过改进算法AGS使用采样权重和信息论原理来选择有效数据，然后从有效数据中选择数据子集，生成M个模型假设；步骤S3：用生成的M个模型假设计算鉴别距离矩阵；步骤S4：用信息理论和计算稀疏距离矩阵；步骤S5：在上使用参数S执行谱聚类来获得的类标；本发明专利技术能有效地结合残差排序和稀疏限制的优点，可高效地为包含多个模型实例和高比例离群点的数据生成更为准确的距离矩阵。矩阵。矩阵。

【技术实现步骤摘要】
基于残差排序和稀疏限制的基础矩阵拟合方法


[0001]本专利技术涉及计算机视觉
，尤其是基于残差排序和稀疏限制的基础矩阵拟合方法。

技术介绍

[0002]鲁棒模型估计是计算机视觉和人工智能的一个重要研究领域。它已广泛应用于计算机视觉和人工智能，如基于特征的图像配准、姿态估计、多目标跟踪、PPS和FM信号估计以及3D运动分割。鲁棒模型估计是指给定一种几何模型(例如，基本矩阵)，从输入数据中估计所有模型实例(即，结构)的模型假设，然后根据估计的模型假设将属于不同结构的离群点和内点分为不同的组。
[0003]基于谱聚类的算法，首先构建距离矩阵，然后对距离矩阵执行谱聚类，将数据点分为不同的组。这类算法在几个公共测试数据集上表现出了较好的性能，例如AdelaideRMF和Hopkins 155。构建距离矩阵主要有两种方法：基于模型估计的方法和基于非模型估计的方式。前一种类型更受欢迎，因为它受丢失数据的影响较小，并且对离群点很鲁棒。为了生成准确的模型假设，模型估计方法的采样算法需要至少采样干净的最小子集。干净的最小子集包括属于用于估计几何模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于残差排序和稀疏限制的基础矩阵拟合方法，其特征在于：所述拟合方法为包含多个模型实例和高比例离群点的数据集生成有效距离矩阵，具体包括以下步骤；步骤S1：设定输入数据X，模型实例个数S，采样次数M；步骤S2：通过改进算法AGS使用采样权重和信息论原理来选择有效数据，然后从有效数据中选择数据子集，生成M个模型假设；步骤S3：用生成的M个模型假设计算鉴别距离矩阵A；步骤S4：用信息理论和A计算稀疏距离矩阵步骤S5：在上使用参数S执行谱聚类来获得X的类标。2.根据权利要求1所述的基于残差排序和稀疏限制的基础矩阵拟合方法，其特征在于：所述步骤S3具体包括以下步骤：步骤S31：对于每个模型假设θ
i
，计算输入数据X与θ
i
的残差r
i
；步骤S32：用尺度估计子MSSE来估计r
i
的内点尺度σ；步骤S33：模型的矩阵H的元素计算如下步骤S34：计算鉴别距离矩阵A
←
HHT。3.根据权利要求2所述的基于残差排序和稀疏限制的基础矩阵拟合方法，其特征在于：所述步骤S4中稀疏距离矩阵的计算具体包括以下步骤：步骤S41：对于稀疏距离矩阵A的第i行元素A
i
＝[A
i，1
，A
i，2
，...，A
i，N
]，计算最大元素与第j个元素之间的距离为步骤S42：第j个元素的概率计算为步骤S43：第i行的阈值计算为步骤S44：把值小于E的元素设为0，否则其值不变，公式如下步骤S45：对距离矩阵A的每一行上执行上述四个步骤之后，得到的矩阵A
*
不是对称的，而所需的距离矩阵是对称的，通过得到对称矩阵。4.根据权利要求3所述的基于残差排序和稀疏限制的基础矩阵拟合方法，其特征在于：所述步骤S5中的执行谱聚类，具体包括以下步骤：步骤...

【专利技术属性】
技术研发人员：赖桃桃，李佐勇，明锐，
申请(专利权)人：闽江学院，
类型：发明
国别省市：