典型多模型估计方案的分析与比较.docVIP

典型多模型估计方案的分析与比较 　　摘要：从2D图像中估计出物体对象的几何模型一直是计算机视觉的重点研究领域，而多模型估计更是其中的关键所在。本文从技术原理、算法实现、估计效果及实际应用等多个角度，对Sequential RANSAC、MultiRANSAC、Residual Histogram Analysis、J-Linkage和Kernel Fitting等几种典型的多模型估计方案进行了综合分析与对比研究，指出了它们的优缺点和改进方向。 　　关键词：多模型估计 技术原理 算法流程 性能比较 　　中图分类号：TP13 文献标识码：A 文章编号：1007-9416（2015）05-0000-00 　　从2D图像中估计对象模型是计算机视觉的基本任务之一，正确拟合一个最佳模型，消除外点影响，是多模型估计的基本目标。目前有多重方法可用于多模型估计，但它们的数学原理、算法流程和实现效果各有千秋。 　　1 Sequential RANSAC 　　Sequential RANSAC的本质是多次调用RANSAC过程，其算法框架如表1-1所示。 　　由表1-1可见，Sequential RANSAC的测试原理很直接，若某个模型被拒绝，则算法终止3。文献所提方案既没有测试步骤，也没有明确给定终止条件；而文献虽然也没确定可接受条件，但给出了终止条件，即当找到个模型后，算法终止。不难看出，Sequential RANSAC具有明显缺陷，若前期估计结果不理想必将降低后期估测的有效性。 　　造成这种现象的原因是由于RANSAC判断时采用的是最大化一致集。尽管一致集是模型验证的一种较好方法，但仅仅使用这一种准则则稍显不足。 　　例如有50个模型，不仅需要考察模型一致集大小，而且还要考虑一致集中的点是如何共享同一个模型的，这基于一个基本事实，即梯形数据中正确模型的一致集所含数据点比错误模型一致集所含数据点共享了更多的模型。这种不和谐特性在Sequential RANSAC中被进一步恶化。若初始模型选择是错误的，将导致后续模型估计的失效。 　　2 MultiRANSAC 　　文献指出Sequential RANSAC的缺陷来源于它的顺序执行，从而提出了一种并行执行的方案，即MultiRANSAC。MultiRANSAC搜索最好的个模型的集合，通过使用个极小样本模型反复更新这个模型的集合，使用一种融合技术归并一致集的集合。MultiRANSAC要求这个模型的一致集不相交，以确保得到个独立的模型。 　　每个梯形模型有两倍的数据点。如果有5个模型需要估计，可以通过选择其中两个模型来获得较大的一致集，从剩余的4个真实直线中只得到3个模型。而如果要求一致集不相交，则可完全避免。因为已经选择了估计最大的真实模型的两个模型中较大的那个，就无法再选择另一个与同一个真实模型相联系的那个模型，因为它与初始模型共享数据点，即一致集相交。一致集更新算法如表2-1所示。 　　UpdateCS的基本功能是用新的个一致集的集合，来更新当前个一致集的集合。MultiRANSAC的主体算法如表2-2所示。 　　MultiRANSAC显露了一致集导向方法的基本缺陷，即难以消除模型的二义性。因为MultiRANSAC和Sequential RANSAC都需要多个极小样本模型，每一个都不可避免地含有差异细微的参数，可能导致冗余模型。 　　MultiRANSAC和Sequential RANSAC为了避免这种现象，都要求一致集不相交。Sequential RANSAC是在找到每个模型后移除响应的内点，而MultiRANSAC是在函数中实现此目的。遗憾的是，真实模型不可能不相交，大量的点可能属于两个以上的真实模型。这就需要设计某种不相交度量方法，以从同一模型的两个具有不同参数的实例中辨别不同模型的相交性如果仅使用一致集，这是不可能实现的，因为不同的模型相交的点要比冗余模型相交的点多得多。这种不相交准则最终导致MultiRANSAC在梯形数据集中失效，再次表明了基于一致集的模型估计的不合理。 　　3 Residual Histogram Analysis 　　文献提出残值直方图分析法（Residual Histogram Analysis，RHA），避开了一致集方案的问题和数据集的先验知识的需求。它不是去搜索一个拥有大量一致集内点的模型，而是在残值直方图中根据峰值点来搜索健壮的模型。因为直方图中的模就对应于真实模型。RHA的基本原理是，计算每个模型与每个数据点之间的残值。对每个点计算关于所有模型的残值，经过平滑，得到该点的残值直方图。基于所有点找到模，再根据中位数，确定模型的数目。最后，从两个所选点的模仓中选出实际的模型。表3-1是RHA的算法框架。 　　可