基础矩阵估计的聚类分析算法

提出一种基于聚类分析的Robust基础矩阵估计算法．该算法用高斯混合模型描述匹配点估计余差,采用改进的分裂合并EM算法对匹配点估计余差进行聚类分析,根据分类结果及平均余差最小规则筛选出正确匹配点类别,抛弃错误匹配点;最后,用M估计算法对筛选出的正确匹配点进行迭代求精．大量实验结果表明,文中算法比随机抽样一致性算法的估计精度高,且计算效率高．     

基于三视图约束的基础矩阵估计

考虑到只依赖对极几何关系的匹配点余差并不能完全区分匹配点的正确与否,从而影响内点集选取的情况,提出基于三视图约束的基础矩阵估计算法。首先,使用传统随机抽样一致性（RANSAC）算法计算三视图的任意两对相邻图像间的基础矩阵,确定三视图中共有的匹配点对,并计算估计基础矩阵时非共用图像上的匹配点在共用图像上的极线;然后,计算两条极线的交点与共用图像上对应匹配点间的距离,以距离值的大小作为内点判断的依据,得到新的内点集。在新内点集的基础上,采用M估计算法重新计算基础矩阵。实验结果表明：该方法可以同时降低噪声和错误匹配对基础矩阵精确计算的影响,精度优于传统鲁棒性算法,使点到极线的距离限制在0.3个像素左右,而且计算结果具有稳定性,可以被广泛地应用到基于图像序列的三维重建和摄影测量等领域中。     

GMSAC——一种鲁棒的基于高斯混合模型的基础矩阵估计算法

基础矩阵的鲁棒性估计是计算机视觉领域的一个基本问题。为了提高基础矩阵的估计精度,首先指出了现有的鲁棒性算法——RANSAC和MLESAC理论上的缺陷和实际应用中的问题;然后通过详细分析局外点复杂的成因,同时运用混合高斯分布代替均匀分布分别对不同成因的局外点进行了有针对性的建模,并提出了一种鲁棒性更强的算法——GMSAC。实验结果表明,相比于MLESAC算法,GMSAC算法提供了更高的模型似然度和计算精度。     

基于改进RANSAC算法的单应矩阵鲁棒估计方法

单应矩阵的鲁棒性和精度直接决定了其应用效果,如何利用RANSAC算法估计出鲁棒、精确的单应矩阵,仍是一个有待研究的热点问题。针对传统RANSAC算法迭代次数多、运行时间长、单应矩阵估计精度较低的问题,在SIFT特征匹配算法的基础上,从剔除样本集中不符合图像几何特性的部分外点、快速舍弃不合理单应矩阵和迭代精炼单应矩阵等方面对RANSAC算法进行改进,提出一种基于改进RANSAC算法的单应矩阵估计方法,提高了单应矩阵估计的精度和效率。实验结果表明,该方法有效解决了传统RANSAC算法存在的问题,能够快速、精确估计单应矩阵。另外,对于不同视角和大小的图像,该方法均具有较好的鲁棒性。     

基于匹配测度加权求解基础矩阵的三维重建算法

双视图三维重建中引入了同名特征点的匹配测度,为提高基础矩阵F的精度提供了数据处理指导,将特征点匹配和F解算及三维重建环节连接成一个整体。在分析特征点提取、匹配方法的基础上定义了同名点匹配测度函数。用测度函数作为匹配点的权值对归一化8点求解F的算法进行加权,并使用随机采样一致性(RANSAC)鲁棒算法解决匹配野值问题。根据已知的像机内参数，从基础矩阵中分解相对运动，并用模型的内点进行运动优化，最后三角交会得到三维重建结果。实验结果表明,此算法达到了线性求解F矩阵和三维重建的鲁棒性高精度实现。     

概率引导的随机采样一致性算法

为了提高随机采样一致性算法的计算效率,提出一种概率引导的随机采样一致性算法.根据采样模型在原始数据上的检验结果调整每个样本点的采样概率,使得正确样本和正确模型被采样的概率得到提高.在首次获得正确模型之后,样本采样与模型更新构成了一个正反馈环节,经过若干次迭代后,正确样本被采样的概率远超过错误样本被采样的概率.理论分析和实验数据表明,该算法收敛需要的迭代次数较少,有效地提高了随机采样一致性算法的效率.     

基于Skinner 操作条件反射的抽样一致性算法

针对基础矩阵的估计问题,提出一种基于Skinner概率自动机的抽样一致性算法(Skinner-Ransac)。该算法对数据样本集合中的每个样本赋予权值,并根据当前的抽样结果对每一个样本的权值进行更新;同时,针对先验知识缺乏的情况提出了3种迭代终止条件。以一组模拟数据和一组真实图像作为实验对象,与4个现有算法进行对比的实验结果表明, Skinner-Ransac无论在迭代次数,还是在计算精度上均优于其他算法。     

计算机视觉中强鲁棒性的遗传一致性估计

用于估计计算机视觉模型的传统鲁棒算法均存在估计精度和稳定性不高等问题。为此,结合遗传算法的全局最优性及几何模型估计的特殊性,提出一种强鲁棒性的遗传一致性估计算法,以估计各种误差和错误概率下的计算机视觉几何模型。仿真实验结果表明,相比于RANSAC、MAPSAC、MLESAC等鲁棒算法,该算法在估计精度和鲁棒性方面性能更优。     

视图合成中基础矩阵的鲁棒性估计算法

在未定标系统中，对基础矩阵进行稳定估计是视图合成的关键环节。本文考虑到各匹配点由于误差不同而对基础矩阵造成的不同影响，通过在最优目标函数中引入与余差有关的权重因子提出了一种新的迭代加权线性算法。实验表明，此方法进一步提高了基础矩阵的估计精度，具有较好的稳定性且运算速度快，易于实现。     

GMSAC——一种鲁棒的基于高斯混合模型的基础矩阵估计算法

基础矩阵的鲁棒性估计是计算机视觉领域的一个基本问题。为了提高基础矩阵的估计精度,首先指出了现有的鲁棒性算法——RANSAC和MLESAC理论上的缺陷和实际应用中的问题;然后通过详细分析局外点复杂的成因,同时运用混合高斯分布代替均匀分布分别对不同成因的局外点进行了有针对性的建模,并提出了一种鲁棒性更强的算法——GMSAC。实验结果表明,相比于MLESAC算法,GMSAC算法提供了更高的模型似然度和计算精度。     

改进的RANSAC方法在基础矩阵中的应用

为提高求解精度,提出一种基于改进的随机抽样一致性（RANSAC）算法的基础矩阵求解方法。采用加权策略,将局内点占全部匹配点的比例作为权重函数的自变量;利用本质矩阵和基础矩阵的关系,鉴于本质矩阵两个非零奇异值应该相等这个特性,利用加权因子和本质矩阵的奇异值构造目标函数,这两点改进意味着目标函数中有两个约束条件的限制;利用matlab遗传算法工具箱来求解目标函数的最小值,可以得到准确的基础矩阵。模版图像实验和场景图像实验验证了该算法的有效性。     

基于射影空间的视觉基础矩阵鲁棒估计

针对传统视觉基础矩阵计算中存在的噪音和误匹配问题,提出了基于射影空间的基础矩阵计算方法．首先定义了三视几何中射影标准基下基础矩阵只含有5个参数的特殊形式,并利用三视射影重建中空间点反投影图像误差最小为准则,消除了图像中误匹配的影响,然后基于RANSAC(random sampling consensus)技术寻找出最优7个匹配点（噪音最小）来进行对极几何估算．大量仿真模拟试验和真实图像表明此方法能够高精度地估计出基础矩阵．     

基于随机一致性采样估计的目标跟踪算法

为了解决在实际监控中因为目标遮挡、外观变化和时间过长导致跟踪丢失的问题,提出一种基于随机一致性采样（RANSAC）估计的目标跟踪算法。算法首先在搜索区域提取局部不变特征集,然后利用特征匹配传递性和非参数学习算法从特征集中分离出目标特征,最后对目标特征进行RANSAC估计跟踪目标位置。将算法在不同场景的视频数据集上进行测试,分别从准确率、召回率和综合评价指标F1-Measure三个指标分析算法性能,实验结果表明所提出的算法提高了目标跟踪的准确性,克服了长时间目标跟踪产生的跟踪漂移。     

基于各点异性理论的基础矩阵鲁棒估计

针对基础矩阵常用算法对噪声过于敏感、抗干扰能力差等缺点,基于误差与变量相关（Errors-in—Variables,EIV）模型提出1种新的鲁棒性基础矩阵估计算法．该算法采用各点异性回归技术,建立EIV模型,依据数据矢量观测集合最优地估计EIV模型参数和数据矢量真值集合．实验结果表明,在存在较大噪声干扰的条件下,此算法仍能较为准确地估计基础矩阵,具有良好的鲁棒性和较快的运算速度.     

一种基于改进拟仿射变换的基础矩阵估计方法

以基础矩阵的估计为基础,使用计算机视觉的方法从一组不同角度、不同距离拍摄的同一场景所得的二维序列图像中还原出目标对象的三维空间信息,是实现基于图像的建模、即时定位与地图构建等前沿热点问题的主流解决方案。在基础矩阵估计问题中,准确性和效率是2个主要的衡量指标。准确性不够时,往往需要通过后端优化等方式花费高昂的代价对其进行修正,效率低则会影响系统的实时性。针对该问题,提出一种基于改进拟仿射变换的基础矩阵估计方法。具体来说,在QUATRE算法基础上,首先提出一种基于特定“基因-染色体”模式的种群协作方法。其次,重新定义齐次坐标系所表示的离散解空间中的种群初始化、变异和交叉等操作。此外,还提出一种基于置信度的迭代次数确定方式,用于加速本文方法。实验表明,该方法能有效剔除噪声和误匹配所产生的外点干扰,在准确性和效率方面优于LMedS、RANSAC和MSAC等方法,可有效解决基础矩阵估计问题。     

基于概率分布估计的混合采样算法

在类别不均衡的数据中, 类间和类内不均衡性问题都是导致分类性能下降的重要因素. 为了提高不均衡数据集下分类算法的性能, 提出一种基于概率分布估计的混合采样算法. 该算法依据数据概率分别对每个子类进行采样以保证类内的均衡性; 并扩大少数类的潜在决策域和减少多数类的冗余信息, 从而同时从全局和局部两个角度改善数据的平衡性. 实验结果表明, 该算法提高了传统分类算法在不均衡数据下的分类性能.

     

基于随机矩阵理论的高维数据特征选择方法

传统特征选择方法多是通过相关度量来去除冗余特征,并没有考虑到高维相关矩阵中会存在大量的噪声,严重地影响特征选择结果。为解决此问题,提出基于随机矩阵理论（RMT）的特征选择方法。首先,将相关矩阵中符合随机矩阵预测的奇异值去除,从而得到去噪后的相关矩阵和选择特征的数量;然后,对去噪后的相关矩阵进行奇异值分解,通过分解矩阵获得特征与类的相关性;最后,根据特征与类的相关性和特征之间冗余性完成特征选择。此外,还提出一种特征选择优化方法,通过依次将每一个特征设为随机变量,比较其奇异值向量与原始奇异值向量的差异来进一步优化结果。分类实验结果表明所提方法能够有效提高分类准确率,减小训练数据规模。