不同结构多模型拟合方法分析-控制理论与控制工程专业论文.docxVIP

摘 要 摘 要 I 不同结 不同结构多模型拟合方法研究 PAGE VI 摘 要 模型拟合是计算机视觉领域热点问题。该项技术在计算机视觉领域有着广泛 的应用，如单应性变换矩阵和基础矩阵的估计、图像分割和运动估计等。近年来 随着应用的需要，模型拟合技术逐步发展到多模型拟合。 目前主流的模型拟合算法不仅需要一些先验的信息，而且在数据集中每次只 能检测出同一模型结构的不同实例，也就是说每次只能从真实数据集中提取一种 结构（圆或者直线）。 本文在学习了主流模型拟合算法的基础上，针对如上不足，提出了一种针对 含有不同结构多个模型实例的鲁棒拟合算法。该算法主要做了两方面创新：(1) 完 成不同结构多个模型实例的拟合。首先分别生成不同结构的假设，并对假设进行 聚类，然后确定数据点属于哪种结构的哪个模型实例，最终完成不同结构多个模 型实例的拟合。(2) 引入联合聚类方法。不同于 J-Linkage[1]和 AKSWH[2]分别对数 据点的倾向集合(PS，Preference Set)和模型假设(Hypothesis)的一致集(Consensus Set) 进行聚类，本文采取了基于 SVD 的联合聚类(Co-Clustering)的方法进一步对算法进 行改进。最后将本算法用于合成数据和真实数据的拟合，发现我们算法不仅能够 完成不同结构多个模型实例的检测，并且使用联合聚类后也较其他方法性能更为 优越。 关键词：模型拟合 不同结构 J-Linkage AKSWH 联合聚类 Abstr Abstract III 不同结 不同结构多模型拟合方法研究 PAGE IV Abstract Model fitting is a hot topic in the research of computer vision. So far, model fitting has already witnessed applications in computer vision such as line and circle finding in images, homography/fundamental matrix estimation, optical flow calculation, range image segmentation, motion estimation and segmentation. In recent years, to meet the increasing requirements from applications, the model fitting technique has developed to Multiple structures estimation. That means the estimators must tolerate both gross outliers and pseudo-outliers. The most current model fitting algorithms are based on random sampling and need some pre-knowledge, and they can only find model instances from the same structures. We propose an approach to simultaneously find model instances of different structures. Our framework contains two parts: (1) Fitting the model instances from different structures. First, generate the hypotheses of different structures and co-cluster all the hypotheses to gain the main estimation; then determine which structure each estimation belongs to. After these procedures, we get the final different structures estimation. (2) Using Co-Clustering instead of Single dimension clustering. Different from the Preference Set clustering in J-Linkage[1] and the Consensus Set clustering in