[发明专利]基于超图模式搜索的鲁棒模型拟合方法

摘要

基于超图模式搜索的鲁棒模型拟合方法，涉及计算机视觉技术。准备数据集；建立超图模型G＝(V,E)，一个模型假设对应于超图中的一个顶点v，数据点则对应一条超边e让每个顶点连接相应模型假设的内点，即超边；采用无参核密度估计方法评估每个顶点v的权重分数w(v)，自此，模型拟合问题便转化为在超图中模式搜索问题；提出通过在超图中搜索权重波峰进行模式搜索；通过搜索到的模式和超图模型，确定每个结构的内点和参数；根据每个结构的参数和内点，对图像进行分割，完成模型拟合。能够缓解对数据分布的敏感性，建立的超图不需要任何的转化，可以直接被应用于模式搜索。

主权项

基于超图模式搜索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；所述准备数据集的具体方法为：采用特征提取算法提取图像的特征，得到X＝{xi}，i＝1,2,...,N，N为数据总数，N为自然数；B.建立超图模型G＝(V,E)：让每个顶点连接相应模型假设的内点，即超边；所述超图模型G＝(V,E)中一个模型假设对应于超图中的一个顶点v，数据点则对应一条超边e；所述建立超图模型G＝(V,E)的具体方法为：B1.从数据集中随机采样一定数目的最小子集，其中，一个最小子集是指估计一个模型所需的最小数据集，如估计平面需要四个点，估计基础矩阵需要七个或八个点；B2.评估每个最小子集的模型假设参数；B3.采用内点尺度估计子估计每个模型假设θ的内点尺度B4.根据每个模型假设θ的内点尺度估算属于该假设的内点数据：数据点x满足即为该假设θ的内点，其中rx(θ)为数据点x到假设θ的距离，所述rx(θ)用sampson距离度量；B5.根据一个模型假设θ对应于超图中的一个顶点v和一个数据点x对应一条超边e，建立超图模型G＝(V,E)，使得每个顶点连接到多条超边，并用关联矩阵H来表示顶点与超边之间的关系，若v∈e，则h(v,e)＝1；反之，h(v,e)＝0；C.采用无参核密度估计方法评估每个顶点v的权重分数w(v)，自此，模型拟合问题便转化为在超图中模式搜索问题；所述评估每个顶点v的权重分数w(v)的方法为：利用无参核密度估计方法评估每个顶点v的权重，为了减弱野点对权重的影响，提高权重评估的鲁棒性，提出只考虑每个假设的内点数据的残差信息，权重分数的计算公式如下：式中，表示顶点v对应的模型假设的内点尺度，re(v)表示顶点v和超边e所对应的模型假设和数据点之间的距离，δ(v)＝∑e∈Eh(v,e)为顶点v的度，为核函数，b(v)为宽度；D.通过在超图中搜索“权重波峰”进行模式搜索；所述在超图中搜索“权重波峰”进行模式搜索的具体方法为：D1.基于每个顶点v的权重分数w(v)，通过在超图G＝(V,E)采样顶点生成新的超图G′＝(V′,E′)，即每个顶点被采样的概率为w(v)/∑v∈Vw(v)；D2.计算超图G′中每个顶点v的偏好函数：式中，表示顶点v对应的模型假设的内点尺度，re(v)表示顶点v和超边e所对应的模型假设和数据点之间的距离，T为阈值，根据超图框架，该式被重写：所述T被设为2.5用于计算98％的内点；D3.基于偏好函数，计算超图G′中任意两个顶点vp和vq之间的相似性：式中，||·||和<·,·>分别表示相应的规范范式和标准内积；D4.评估超图G′中每个顶点v的独特性分数：式中，Ω(v)＝{vi|vi∈V′,w(vi)＞w(v)}包含所有权重比顶点v大的顶点集；D5.根据顶点的独特性分数对超图G′中每个顶点进行排序，即满足：D6.通过排序后的独特性分数寻找超图G′的“权重波峰”，即找到满足到为最大落差的顶点vi，然后去除独特性分数小于的所有顶点；D7.剩下的顶点即为检测到的模式；E.通过超图模型和搜索到的模式，确定每个结构的内点和参数；F.根据每个结构的参数和内点，对图像进行分割，完成模型拟合。