计算机视觉中的点异性回归技术.pdfVIP

摘 要 利用场景的几何特性研究目标图像间的约束关系，是近年来利用几何不变量解决 透视投影问题比较突出的研究成果之一，在三维计算机视觉研究领域中起着极其重要 的作用。然而大多数算法对于测量误差进行了错误的估计，导致了对几何约束关系的 错误分析，使得算法极易受噪声的影响，参数的估计带有较大误差。 本文主要针对计算机视觉中大量存在的病态问题进行探索性的研究，借鉴各种先 进的算法，引入各点异性回归技术，围绕计算机视觉中的典型应用:椭圆拟合、基础 矩阵估计及摄像机自标定这三个方面展开深入的研究。采用的各点异性回归技术正确 考虑噪声的各点异性特性，建立误差与变量有关 (ETV)的误差统计模型，并在此基 础上寻求简单有效的最优化算法，从数据矢量观测集合同时最优地估计EIV模型参数 和数据矢量真值集合。 在椭圆拟合应用中，对椭圆拟合的常见算法及Leedan等人提出的各点异性回归 算法进行深入的理论分析，在此基础上提出了一种新的计算各点异性EIV模型参数的 算法，使用的是原始的真正的最小马氏距离，即高斯分布下的最大似然准则，在数值 计算上使用更加鲁棒的广义奇异值分解，通过回归过程迭代地计算最优解，算法的数 据校正过程伴随于模型参数的回归过程同时进行。比较现有的算法，新算法更加精确， 尤其是当初始值与真实值差距甚远时，新算法也可以更加快速稳定地收敛。在视觉基 础矩阵的估计应用中，实验证明，各点异性回归算法对于视觉基础矩阵常见算法的噪 声敏感性大，抗干扰能力差的缺点有很大的改进，在数值稳定性、鲁棒性方面均有改 善。最后结合杨忠根等人提出的摄像机自标定新算法，将视觉基础矩阵估计应用中讨 论的三种算法应用于摄像机自标定中，由于计算误差及所结合的算法自身具有的抗噪 声能力的影响，仿真实验表明这三种算法的性能相差不大，但各点异性回归算法仍略 显优越，此方面应用还需进一步研究。 本文针对计算机视觉中大量存在的病态问题，寻求存在测量误差与变量有关情 况下的参数的精确估计，对计算机视觉应用中的几种鲁棒性算法进行了研究和实验. 该研究的完成可有效地解决一大类计算机视觉问题，大大提高其性能和实用性。 关键词:计算机视觉，各点异性回归，EIV模型，椭圆拟合，基础矩阵估计 Abstract Recently,inusinggeometryconstrainttosolvethestructurereconstruction problemsfromtheperspectiveprojectionviewsoftheinterestedtargets,oneof outstandingresearchachievementsistostudytheconstraintrelationshipamong imagesbyutilizingthegeometrypropertiesofdifferentscenes.Itplaysavitalrole inthree-dimensionalcomputervisionresearchfield.However,formostofthe availablealgorithms,theincorrectestimationsofmeasurementerrorcause inaccurateanalysisofgeometryconstraintrelationship.Also,thesealgorithmsare verysensitivetotheeffectofnoiseandresultinbiggisherrorinparameter estimation. Themainobjectiveofthisprojectistostudyandanalyzeagreatdealof ill-posedproblemsofcomputervisionthroughusingvarioustraditionalalgorithms andheteroscedasticregressiontechnique.Theresearchisfocusedonthreetypical applicationsofcomputervision:ellipsefitting,theestimationofthefundamental matrixandcameraself-calibration.Theappliedheteros