[发明专利]一种基于超像素的确定性模型拟合方法

摘要

一种基于超像素的确定性模型拟合方法，涉及计算机视觉技术。包括以下步骤：A.准备数据集；B.对图片进行超像素分割；C.通过分析超像素信息，对输入的数据进行预分组，以降低算法搜索时间复杂度；D.在数据集的分组信息基础上，提出一种确定性生成假设方法；E.提出一种模型选择方法，每次选取最佳模型假设，同时去除多余模型假设；F.根据选取的每个模型实例，区分内点与野点，完成模型拟合。能提取超像素分割的有效信息，以确定性地生成高质量的模型假设。有效避免当前模型选择方法对内点尺度的敏感性。能确定地处理多结构模型数据，而且不需大量的迭代优化，从而保证方法高效性。

主权项

1.一种基于超像素的确定性模型拟合方法，其特征在于包括以下步骤：A.准备数据集；B.对图片进行超像素分割；C.通过分析超像素信息，对输入的数据进行预分组，以降低算法搜索时间复杂度；D.在数据集的分组信息基础上，提出一种确定性生成假设方法，所述确定性生成假设方法的具体方法为：D1.根据以下公式，合并相邻的分组以扩大采样区域：Gi＝{Gj|Gj∈N(Gi)}∪Gi式中，N(G_i)是G_i的所有邻居分组，即在2S′×2S′区域内所有分组；其中，S′是一个网格间隔，设定为其中，N和M分别表示像素和超像素的数量，均为自然数；D2.通过SIFT匹配计算每个数据点的匹配分数；D3.根据匹配分数对每个分组内的所有数据集进行排序，其中，n_i为第i个分组内的匹配对数目，n_i为自然数，得到一组排序号排序规则如下：式中，和分别表示第i个分组x_iu和x_iv的排序索引；D4.根据最小采样子集原则，对于每个分组，提取排序最前面的p+2数据点，即其中p表示生成一个模型假设所需的最小子集数目；D5.根据采样到的子集，评估每个子集的模型假设参数，生成模型假设集θ；E.提出一种模型选择方法，每次选取最佳模型假设，同时去除多余模型假设，所述模型选择方法的具体步骤为：E1.在模型假设集θ，选取含有内点数目最大的模型假设θi；E2.根据模型假设θi，根据以下公式判定是否为多余模型假设：式中，b(θj)为模型假设θj的采样子集，d(θi)为模型假设θi的内点集合，b(θj)∩d(θi)用于判定模型假设θj的采样子集是否有成员属于模型假设θi的内点集合，若属于，则被认为是多余的模型假设；E3.去除多余的模型假设E4.回到步骤E1，直到找到所有数据集中模型实例；F.根据选取的每个模型实例，区分内点与野点，完成模型拟合。