本發(fā)明涉及計(jì)算機(jī)視覺(jué)，具體涉及一種基于鄰域一致的模型擬合方法及其應(yīng)用。

背景技術(shù)：

1、幾何模型擬合方法是指在包含噪聲的數(shù)據(jù)中魯棒地估計(jì)出數(shù)據(jù)中存在的模型實(shí)例的參數(shù)和數(shù)目，并將數(shù)據(jù)分割為內(nèi)點(diǎn)和離群點(diǎn)。模型擬合方法是計(jì)算機(jī)視覺(jué)中一項(xiàng)重要的基礎(chǔ)性工作，廣泛應(yīng)用于多個(gè)實(shí)際應(yīng)用領(lǐng)域，如圖像配準(zhǔn)、三維重構(gòu)、運(yùn)動(dòng)分割、可視化跟蹤等。大多數(shù)幾何模型擬合方法的性能與模型選擇密切相關(guān)?；谝恢滦苑治龅哪Ｐ蛿M合方法和基于偏好分析的模型擬合方法是現(xiàn)有的兩類(lèi)與模型選擇密切相關(guān)的模型擬合方法。

2、首先，對(duì)于基于一致性分析的模型擬合方法，依據(jù)一致性最大化準(zhǔn)則，通過(guò)在參數(shù)空間中選擇代表性模型假設(shè)作為估計(jì)的模型實(shí)例來(lái)執(zhí)行模型選擇。例如，ransacov通過(guò)識(shí)別包含最大數(shù)量?jī)?nèi)點(diǎn)的模型假設(shè)以估計(jì)模型實(shí)例。mshf利用不同的加權(quán)函數(shù)選擇代表性模型假設(shè)進(jìn)行多結(jié)構(gòu)模型擬合。hough及其變體也可被視為基于一致性分析的模型擬合方法，其中模型實(shí)例在量化的模型假設(shè)參數(shù)空間中作為一致性最大集被檢測(cè)。此外，基于一致性最大化，一些方法通過(guò)使用能量最小化過(guò)程解決模型擬合問(wèn)題，例如pearl。在這些模型擬合方法中，將各種幾何約束納入能量?jī)?yōu)化中并用作正則化項(xiàng)。常用的幾何約束是空間一致性，即同一結(jié)構(gòu)的內(nèi)點(diǎn)往往空間上靠近。幾何先驗(yàn)信息被納入這些基于能量最小化的方法中，以提高擬合性能。然而，這類(lèi)方法通常涉及復(fù)雜的優(yōu)化策略，并且對(duì)離群點(diǎn)敏感。

3、其次，對(duì)于基于偏好分析的模型擬合方法，通常通過(guò)利用偏好信息計(jì)算所有數(shù)據(jù)對(duì)之間的相似性，然后將數(shù)據(jù)聚類(lèi)為不同的類(lèi)別，每個(gè)類(lèi)別對(duì)應(yīng)一個(gè)模型實(shí)例。例如，rpa通過(guò)使用魯棒的偏好分析和低秩近似將輸入數(shù)據(jù)分類(lèi)為不同模型實(shí)例的內(nèi)點(diǎn)和離群點(diǎn)。j-linkage和t-linkage基于偏好信息定義不同的數(shù)據(jù)表示函數(shù)，以獲得內(nèi)點(diǎn)的聚類(lèi)。homf通過(guò)基于偏好信息投影數(shù)據(jù)對(duì)之間的關(guān)系，獲得稠密圖并應(yīng)用譜聚類(lèi)。這些模型擬合方法能夠通過(guò)分析所有可能的數(shù)據(jù)對(duì)之間的全局關(guān)系，來(lái)有效估計(jì)數(shù)據(jù)中的多個(gè)模型實(shí)例，但它們常常受到大量離群點(diǎn)對(duì)擬合結(jié)果的影響。為了緩解大量離群點(diǎn)的敏感性，一些模型擬合方法（如clsa）首先移除大量離群點(diǎn)，然后對(duì)剩余數(shù)據(jù)進(jìn)行聚類(lèi)以估計(jì)多個(gè)模型實(shí)例，減少這些方法在多結(jié)構(gòu)模型擬合中對(duì)離群點(diǎn)的敏感度。然而，這類(lèi)方法主要使用容易受到離群點(diǎn)干擾的偏好信息來(lái)描述輸入數(shù)據(jù)的全局關(guān)系。在數(shù)據(jù)聚類(lèi)過(guò)程中，這類(lèi)方法往往會(huì)忽略鄰近數(shù)據(jù)點(diǎn)之間潛在的豐富信息。因此，這類(lèi)方法中使用的全局關(guān)系在數(shù)據(jù)聚類(lèi)階段對(duì)離群點(diǎn)和偽離群點(diǎn)敏感，會(huì)導(dǎo)致模型擬合性能?chē)?yán)重下降。

4、上述模型擬合方法在一般圖像數(shù)據(jù)上取得了較好的效果。然而，隨著數(shù)據(jù)中離群點(diǎn)或結(jié)構(gòu)數(shù)量的增加，由于數(shù)據(jù)聚類(lèi)階段受大量離群點(diǎn)和偽離群點(diǎn)的影響，估計(jì)多個(gè)模型實(shí)例變得具有挑戰(zhàn)性。此外，先前大多數(shù)方法只使用偏好信息進(jìn)行數(shù)據(jù)聚類(lèi)，而數(shù)據(jù)的鄰域一致性信息可以用來(lái)緩解對(duì)離群點(diǎn)的敏感性，在模型擬合中少有研究。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于鄰域一致的模型擬合方法及其應(yīng)用，該方法有利于提高模型擬合性能，進(jìn)而提高數(shù)據(jù)分割精度。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種基于鄰域一致的模型擬合方法，包括以下步驟：

3、s1、對(duì)于輸入數(shù)據(jù)，通過(guò)鄰域一致性保持算法獲得每個(gè)數(shù)據(jù)點(diǎn)的鄰域集；

4、s2、基于獲得的鄰域集，通過(guò)基于鄰域一致性的聚類(lèi)算法對(duì)數(shù)據(jù)聚類(lèi)，合并具有一致性信息的數(shù)據(jù)，得到聚類(lèi)結(jié)果；在聚類(lèi)過(guò)程中，基于鄰域關(guān)系的相似性度量函數(shù)來(lái)評(píng)估數(shù)據(jù)相似性；

5、s3、基于聚類(lèi)結(jié)果區(qū)分屬于不同模型實(shí)例的內(nèi)點(diǎn)和離群點(diǎn)，輸出數(shù)據(jù)分割結(jié)果。

6、進(jìn)一步地，所述步驟s1包括以下步驟：

7、s101、通過(guò)運(yùn)動(dòng)模式一致性進(jìn)行鄰域集合初始化；

8、s102、通過(guò)殘差模式一致性進(jìn)行鄰域集合優(yōu)化。

9、進(jìn)一步地，所述步驟s101的實(shí)現(xiàn)方法為：

10、對(duì)于給定的一對(duì)圖像，假設(shè)有 n個(gè)特征匹配的輸入數(shù)據(jù)，其中表示第 i個(gè)特征匹配， x i和 y i分別為圖像對(duì)中兩個(gè)對(duì)應(yīng)特征點(diǎn)；對(duì)于特征匹配，分別基于歐幾里得距離搜索兩個(gè)特征點(diǎn) x i和 y i的兩個(gè) k最近鄰和；如果有一個(gè)數(shù)據(jù)點(diǎn)，其對(duì)應(yīng)的兩個(gè)特征點(diǎn) x j和 y j分別屬于和，則數(shù)據(jù) s j和 s i的運(yùn)動(dòng)幅度彼此接近，將數(shù)據(jù) s j和 s i看作是具有相似運(yùn)動(dòng)幅度的相鄰數(shù)據(jù)；對(duì)于數(shù)據(jù)點(diǎn)，定義其鄰域集如下：

11、????(1)

12、其中，和，表示鄰域集中數(shù)據(jù)點(diǎn)的數(shù)量；然后，根據(jù)余弦相似度測(cè)量計(jì)算數(shù)據(jù) s i與其相鄰數(shù)據(jù)之間的運(yùn)動(dòng)方向相似度值，如下所示：

13、?????(2)

14、其中，，分別表示數(shù)據(jù) s i和 s j的運(yùn)動(dòng)向量，和分別表示內(nèi)積和范數(shù)；而后，基于運(yùn)動(dòng)方向相似度閾值 μ i，將運(yùn)動(dòng)方向相似度高于閾值 μ i的數(shù)據(jù)保留在中；對(duì)于輸入數(shù)據(jù)中的數(shù)據(jù)點(diǎn) s i，其在運(yùn)動(dòng)中一致的鄰域集定義為：

15、????(3)

16、????(4)

17、其中， μ i是 s i與的所有相鄰數(shù)據(jù)之間的運(yùn)動(dòng)方向相似度的平均值；因此，對(duì)于輸入數(shù)據(jù)，基于運(yùn)動(dòng)模式一致性約束，得到一系列鄰域集，即實(shí)現(xiàn)了鄰域集合初始化。

18、進(jìn)一步地，所述步驟s102的實(shí)現(xiàn)方法為：

19、對(duì)于輸入數(shù)據(jù)，從輸入數(shù)據(jù)中采樣生成 m個(gè)模型假設(shè)集合；為了計(jì)算殘差相關(guān)性，采樣偏好函數(shù)表示數(shù)據(jù)對(duì)模型假設(shè)的偏好，如下：

20、????(5)

21、其中，是采用桑普森距離計(jì)算的數(shù)據(jù) s i和模型假設(shè) θ m之間的殘差， τ m是估計(jì)得到的內(nèi)點(diǎn)尺度， δ是歸一化常數(shù)；偏好向量 f( i)表示數(shù)據(jù) s i和模型假設(shè)集合之間的偏好，；殘差相關(guān)性 w i, j關(guān)聯(lián)兩個(gè)數(shù)據(jù) s i和 s j，其是根據(jù)兩個(gè)對(duì)應(yīng)的偏好向量 f( i)和 f( j)，采用余弦相似性計(jì)算：

22、????(6)

23、其中，；而后，將得到的殘差相關(guān)性表示為，其中 t是每個(gè)數(shù)據(jù) s i和其鄰域數(shù)據(jù)之間的所有成對(duì)數(shù)據(jù)的數(shù)量；為了使用信息論獲取自適應(yīng)閾值，令表示 w的第 t個(gè)元素和 w的最大元素之間的差距，從而得到的先驗(yàn)概率：

24、????(7)

25、相應(yīng)的熵計(jì)算如下：

26、????(8)

27、如果數(shù)據(jù)對(duì)應(yīng)的關(guān)聯(lián)性高于估計(jì)熵值 e的信息量，則保留在初始鄰域集合中，否則將數(shù)據(jù)過(guò)濾掉；然后，將初始鄰域集合更新為最終鄰域集合如下：

28、????(9)。

29、進(jìn)一步地，所述步驟s2中，通過(guò)基于鄰域一致性的聚類(lèi)算法將高度相關(guān)的數(shù)據(jù)聚類(lèi)到同一內(nèi)點(diǎn)簇中，而將不與任何鄰域數(shù)據(jù)相關(guān)的數(shù)據(jù)劃分為離群點(diǎn)，其實(shí)現(xiàn)方法為：

30、假設(shè)輸入數(shù)據(jù)為，初始標(biāo)簽集合為，其中標(biāo)簽關(guān)聯(lián)數(shù)據(jù)，并初始化為0；采用層次聚類(lèi)方式進(jìn)行聚類(lèi)，具體為：

31、首先，迭代搜索輸入數(shù)據(jù)中具有鄰域關(guān)系的兩個(gè)數(shù)據(jù)；然后，采樣基于鄰域關(guān)系的相似性度量函數(shù)來(lái)計(jì)算數(shù)據(jù)相似性，確定是否應(yīng)將兩個(gè)鄰域數(shù)據(jù)分配到同一簇中；如果相似性度量函數(shù)值等于1，則認(rèn)為兩個(gè)數(shù)據(jù)高度相關(guān)，將兩個(gè)數(shù)據(jù)的標(biāo)簽和更新為相同的標(biāo)簽值；在這個(gè)聚類(lèi)過(guò)程中，高度相關(guān)的數(shù)據(jù)通過(guò)數(shù)據(jù)的鄰域關(guān)系合并為一個(gè)簇，相反，不與任何鄰域數(shù)據(jù)相關(guān)的孤立數(shù)據(jù)不分配到任何簇，并標(biāo)記為離群點(diǎn)；最后，迭代選擇兩個(gè)鄰域數(shù)據(jù)，并計(jì)算它們的相似性以獲得聚類(lèi)結(jié)果，從而將數(shù)據(jù)點(diǎn)歸到不同的模型結(jié)構(gòu)中或者歸為離群點(diǎn)。

32、進(jìn)一步地，所述基于鄰域關(guān)系的相似性度量函數(shù)，通過(guò)結(jié)合成對(duì)數(shù)據(jù)在鄰域集合中的多重關(guān)系，有效計(jì)算數(shù)據(jù)相似性；具體為：

33、給定一個(gè)數(shù)據(jù) s i以及其對(duì)應(yīng)的鄰域集合， s j對(duì)應(yīng)的鄰域集合，基于鄰域關(guān)系的相似性度量函數(shù)定義如下：

34、????(10)

35、其中，表示一個(gè)變量，如果則其變量值為1，否則為0；表示另一個(gè)變量，如果成立則變量值為1，否則為0；是相似性度量函數(shù)中的參數(shù)。

36、進(jìn)一步地，通過(guò)所述聚類(lèi)過(guò)程，輸入數(shù)據(jù)將被分類(lèi)為不同的簇和孤立數(shù)據(jù)；同一模型實(shí)例的數(shù)據(jù)簇比主要由離群點(diǎn)組成的簇具有更大的數(shù)據(jù)點(diǎn)數(shù)量；將數(shù)據(jù)點(diǎn)數(shù)據(jù)量少于閾值的數(shù)據(jù)簇中的數(shù)據(jù)視為離群點(diǎn)，而數(shù)據(jù)點(diǎn)數(shù)據(jù)量不少于閾值的數(shù)據(jù)簇視為內(nèi)點(diǎn)簇，每個(gè)內(nèi)點(diǎn)簇對(duì)應(yīng)于數(shù)據(jù)中的一個(gè)估計(jì)模型實(shí)例；閾值設(shè)置為最小子集大小。

37、本發(fā)明還提供了上述基于鄰域一致的模型擬合方法的應(yīng)用，所述基于鄰域一致的模型擬合方法應(yīng)用于建筑物面片分割任務(wù)，從建筑物的三維點(diǎn)云數(shù)據(jù)中分割出內(nèi)點(diǎn)和離群點(diǎn)，進(jìn)而提取出建筑物的幾何特征，實(shí)現(xiàn)建筑物的面片分割。

38、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：本發(fā)明提供了一種基于鄰域一致的模型擬合方法及其應(yīng)用，該方法通過(guò)鄰域一致性保持算法，利用輸入數(shù)據(jù)和模型假設(shè)之間的殘差信息和數(shù)據(jù)間的運(yùn)動(dòng)信息，為輸入數(shù)據(jù)的每個(gè)數(shù)據(jù)點(diǎn)生成一個(gè)有意義的鄰域集，從而魯棒地處理數(shù)據(jù)中的離群點(diǎn)和偽離群點(diǎn)；同時(shí)，通過(guò)基于鄰域一致性的聚類(lèi)算法，基于數(shù)據(jù)的鄰域關(guān)系并采用層次聚類(lèi)的方式，來(lái)合并具有一致性信息的數(shù)據(jù)點(diǎn)以聚類(lèi)數(shù)據(jù)，可以自動(dòng)估計(jì)正確的簇?cái)?shù)量，并準(zhǔn)確分類(lèi)輸入數(shù)據(jù)為離群點(diǎn)和屬于不同模型實(shí)例的內(nèi)點(diǎn)；在聚類(lèi)過(guò)程中，基于鄰域關(guān)系的相似性度量函數(shù)，通過(guò)分析局部鄰域中的數(shù)據(jù)殘差相關(guān)性來(lái)評(píng)估數(shù)據(jù)相似性，進(jìn)一步減少離群點(diǎn)對(duì)模型擬合結(jié)果的影響，提高模型擬合性能。該方法可廣泛應(yīng)用于建筑物的面片分割場(chǎng)景，實(shí)現(xiàn)建筑物面片的精確分割，從而精確地從建筑物中提取墻面、屋頂?shù)刃畔ⅲ岣呓ㄖ锶S重建的精度。該方法也可應(yīng)用于運(yùn)動(dòng)分割，通過(guò)模型擬合找出符合運(yùn)動(dòng)模型的內(nèi)點(diǎn)，從而實(shí)現(xiàn)對(duì)運(yùn)動(dòng)物體的準(zhǔn)確分割，因此在視頻監(jiān)控、運(yùn)動(dòng)分析等領(lǐng)域有著廣泛的應(yīng)用。該方法還可應(yīng)用于工業(yè)生產(chǎn)中的對(duì)象特征提取及對(duì)象檢測(cè)，如lcd屏幕邊角的直線(xiàn)檢測(cè)，以判斷屏幕邊角的垂直度是否符合要求。因此，本發(fā)明有很強(qiáng)的實(shí)用性和廣闊的應(yīng)用前景。