论文部分内容阅读
模型拟合是计算机视觉中一个重要的研究领域,是鲁棒统计学、机器学习和图像处理等多个学科的交叉研究方向。模型拟合的主要任务是能够有效地拟合观测数据中所蕴含的所有模型实例。由于观测数据中往往含有大量的离群点或者存在不平衡数据,且可能同时存在多个模型实例,因此,设计一个具有较好的鲁棒性且能够有效地拟合多结构数据的模型拟合方法具有很大的挑战性。近些年来,国内外许多学者提出了大量优秀的模型拟合方法。然而,当前的模型拟合方法在算法拟合准确性或计算速度上还远远无法满足实际需求。此外,能够提供一致性拟合结果的确定性拟合方法还处于一个刚刚起步的发展阶段,存在适用范围太窄的问题。 针对以上的问题和难点,本文以数据关系为框架,研究如何构建有效的简单图和超图模型用于表示模型假设之间和模型假设与数据点之间的复杂关系。此外,本文还研究挖掘特征表观含有的先验信息用于表示数据点之间的关系。研究内容主要包括对不平衡数据的处理、超图的构建、模型选择的准确率的提高和确定性算法的适用性范围的扩展等。在此基础上,提出一些新的模型拟合方法。本文提出的模型拟合方法具有较好的鲁棒性,并能够取得较好的拟合效果。本文的主要研究内容和创新之处包括: (1)提出一种基于简单图模式搜索的模型拟合方法。在特征空间中,不平衡数据往往会导致模型拟合方法将来自较小结构的内点误认为是离群点,从而导致无法准确地拟合模型实例。基于简单图模式搜索的模型拟合方法通过简单图模型将特征空间的模型拟合问题转化为参数空间的模型拟合问题,从而能够直接对模型假设进行操作,可有效缓解算法对数据分布的敏感性。此外,该拟合方法还将模型假设的偏好分析引入到模式搜索算法中,以减弱无效模型假设对算法性能的影响。为了进一步缓解对不平衡数据的敏感性,该拟合方法通过随机游走算法对简单图的整体结构进行分析,有利于算法避免陷入局部最优。实验结果表明基于简单图模型搜索的模型拟合方法能够在复杂的不平衡数据中取得较好的拟合效果。 (2)提出一种基于超图子图检测的模型拟合方法。基于超图子图检测的模型拟合方法通过构建超图模型来表示模型假设与数据点之间的复杂关系。该超图模型能够避免被转化为简单图,能直接被用于处理模型拟合问题。该拟合方法还包含了一种鲁棒的子图检测算法,能够有效地分割子图并自动估计子图数量。实验结果表明该拟合方法在计算速度和拟合准确性上均能取得较好的拟合效果。 (3)提出一种基于超图模式搜索的模型拟合方法。基于超图模式搜索的模型拟合方法通过超图模型在参数空间中处理模型拟合问题,能够有效缓解算法对不平衡数据的敏感性问题,并同时挖掘超图模型带来的拟合准确性较高的优势。该拟合方法还包含一种基于超图的模式搜索算法。该模式搜索算法通过分析超图顶点的权重度量以及顶点之间的相似性,有效地搜索对应真实模型实例的权威模式。实验结果表明该拟合方法在相对平衡和不平衡的数据上均能取得拟合准确性较高的拟合效果。 (4)提出一种基于超像素的确定性拟合方法。前面三种拟合方法均是基于随机性的拟合方法,无法提供一致性的拟合结果。基于超像素的确定性拟合方法通过分割超像素将特征表观含有的先验信息融入到模型拟合问题中。利用超像素带来的数据点分组信息,该拟合方法包含了确定性的采样算法和模型选择算法。该拟合方法有效地将两种算法相结合,在较低时间复杂度的前提下将确定性拟合方法延伸到多结构数据中。实验结果表明,该拟合方法在单结构数据和多结构数据均能取得较好的拟合效果。