本發(fā)明涉及計算機視覺，具體涉及一種基于鄰域一致的模型擬合方法及其應用。

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)中魯棒地估計出數(shù)據(jù)中存在的模型實例的參數(shù)和數(shù)目，并將數(shù)據(jù)分割為內(nèi)點和離群點。模型擬合方法是計算機視覺中一項重要的基礎性工作，廣泛應用于多個實際應用領域，如圖像配準、三維重構(gòu)、運動分割、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)。基于一致性分析的模型擬合方法和基于偏好分析的模型擬合方法是現(xiàn)有的兩類與模型選擇密切相關(guān)的模型擬合方法。

2、首先，對于基于一致性分析的模型擬合方法，依據(jù)一致性最大化準則，通過在參數(shù)空間中選擇代表性模型假設作為估計的模型實例來執(zhí)行模型選擇。例如，ransacov通過識別包含最大數(shù)量內(nèi)點的模型假設以估計模型實例。mshf利用不同的加權(quán)函數(shù)選擇代表性模型假設進行多結(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，其中模型實例在量化的模型假設參數(shù)空間中作為一致性最大集被檢測。此外，基于一致性最大化，一些方法通過使用能量最小化過程解決模型擬合問題，例如pearl。在這些模型擬合方法中，將各種幾何約束納入能量優(yōu)化中并用作正則化項。常用的幾何約束是空間一致性，即同一結(jié)構(gòu)的內(nèi)點往往空間上靠近。幾何先驗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，這類方法通常涉及復雜的優(yōu)化策略，并且對離群點敏感。

3、其次，對于基于偏好分析的模型擬合方法，通常通過利用偏好信息計算所有數(shù)據(jù)對之間的相似性，然后將數(shù)據(jù)聚類為不同的類別，每個類別對應一個模型實例。例如，rpa通過使用魯棒的偏好分析和低秩近似將輸入數(shù)據(jù)分類為不同模型實例的內(nèi)點和離群點。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)點的聚類。homf通過基于偏好信息投影數(shù)據(jù)對之間的關(guān)系，獲得稠密圖并應用譜聚類。這些模型擬合方法能夠通過分析所有可能的數(shù)據(jù)對之間的全局關(guān)系，來有效估計數(shù)據(jù)中的多個模型實例，但它們常常受到大量離群點對擬合結(jié)果的影響。為了緩解大量離群點的敏感性，一些模型擬合方法（如clsa）首先移除大量離群點，然后對剩余數(shù)據(jù)進行聚類以估計多個模型實例，減少這些方法在多結(jié)構(gòu)模型擬合中對離群點的敏感度。然而，這類方法主要使用容易受到離群點干擾的偏好信息來描述輸入數(shù)據(jù)的全局關(guān)系。在數(shù)據(jù)聚類過程中，這類方法往往會忽略鄰近數(shù)據(jù)點之間潛在的豐富信息。因此，這類方法中使用的全局關(guān)系在數(shù)據(jù)聚類階段對離群點和偽離群點敏感，會導致模型擬合性能嚴重下降。

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)中離群點或結(jié)構(gòu)數(shù)量的增加，由于數(shù)據(jù)聚類階段受大量離群點和偽離群點的影響，估計多個模型實例變得具有挑戰(zhàn)性。此外，先前大多數(shù)方法只使用偏好信息進行數(shù)據(jù)聚類，而數(shù)據(jù)的鄰域一致性信息可以用來緩解對離群點的敏感性，在模型擬合中少有研究。

技術(shù)實現(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用，該方法有利于提高模型擬合性能，進而提高數(shù)據(jù)分割精度。

2、為了實現(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、對于輸入數(shù)據(jù)，通過鄰域一致性保持算法獲得每個數(shù)據(jù)點的鄰域集；

4、s2、基于獲得的鄰域集，通過基于鄰域一致性的聚類算法對數(shù)據(jù)聚類，合并具有一致性信息的數(shù)據(jù)，得到聚類結(jié)果；在聚類過程中，基于鄰域關(guān)系的相似性度量函數(shù)來評估數(shù)據(jù)相似性；

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

6、進一步地，所述步驟s1包括以下步驟：

7、s101、通過運動模式一致性進行鄰域集合初始化；

8、s102、通過殘差模式一致性進行鄰域集合優(yōu)化。

9、進一步地，所述步驟s101的實現(xiàn)方法為：

10、對于給定的一對圖像，假設有 n個特征匹配的輸入數(shù)據(jù)，其中表示第 i個特征匹配， x i和 y i分別為圖像對中兩個對應特征點；對于特征匹配，分別基于歐幾里得距離搜索兩個特征點 x i和 y i的兩個 k最近鄰和；如果有一個數(shù)據(jù)點，其對應的兩個特征點 x j和 y j分別屬于和，則數(shù)據(jù) s j和 s i的運動幅度彼此接近，將數(shù)據(jù) s j和 s i看作是具有相似運動幅度的相鄰數(shù)據(jù)；對于數(shù)據(jù)點，定義其鄰域集如下：

11、????(1)

12、其中，和，表示鄰域集中數(shù)據(jù)點的數(shù)量；然后，根據(jù)余弦相似度測量計算數(shù)據(jù) s i與其相鄰數(shù)據(jù)之間的運動方向相似度值，如下所示：

13、?????(2)

14、其中，，分別表示數(shù)據(jù) s i和 s j的運動向量，和分別表示內(nèi)積和范數(shù)；而后，基于運動方向相似度閾值 μ i，將運動方向相似度高于閾值 μ i的數(shù)據(jù)保留在中；對于輸入數(shù)據(jù)中的數(shù)據(jù)點 s i，其在運動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)之間的運動方向相似度的平均值；因此，對于輸入數(shù)據(jù)，基于運動模式一致性約束，得到一系列鄰域集，即實現(xiàn)了鄰域集合初始化。

18、進一步地，所述步驟s102的實現(xiàn)方法為：

19、對于輸入數(shù)據(jù)，從輸入數(shù)據(jù)中采樣生成 m個模型假設集合；為了計算殘差相關(guān)性，采樣偏好函數(shù)表示數(shù)據(jù)對模型假設的偏好，如下：

20、????(5)

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

22、????(6)

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

24、????(7)

25、相應的熵計算如下：

26、????(8)

27、如果數(shù)據(jù)對應的關(guān)聯(lián)性高于估計熵值 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、進一步地，所述步驟s2中，通過基于鄰域一致性的聚類算法將高度相關(guān)的數(shù)據(jù)聚類到同一內(nèi)點簇中，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，其實現(xiàn)方法為：

30、假設輸入數(shù)據(jù)為，初始標簽集合為，其中標簽關(guān)聯(lián)數(shù)據(jù)，并初始化為0；采用層次聚類方式進行聚類，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)來計算數(shù)據(jù)相似性，確定是否應將兩個鄰域數(shù)據(jù)分配到同一簇中；如果相似性度量函數(shù)值等于1，則認為兩個數(shù)據(jù)高度相關(guān)，將兩個數(shù)據(jù)的標簽和更新為相同的標簽值；在這個聚類過程中，高度相關(guān)的數(shù)據(jù)通過數(shù)據(jù)的鄰域關(guān)系合并為一個簇，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，并標記為離群點；最后，迭代選擇兩個鄰域數(shù)據(jù)，并計算它們的相似性以獲得聚類結(jié)果，從而將數(shù)據(jù)點歸到不同的模型結(jié)構(gòu)中或者歸為離群點。

32、進一步地，所述基于鄰域關(guān)系的相似性度量函數(shù)，通過結(jié)合成對數(shù)據(jù)在鄰域集合中的多重關(guān)系，有效計算數(shù)據(jù)相似性；具體為：

33、給定一個數(shù)據(jù) s i以及其對應的鄰域集合， s j對應的鄰域集合，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，表示一個變量，如果則其變量值為1，否則為0；表示另一個變量，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、進一步地，通過所述聚類過程，輸入數(shù)據(jù)將被分類為不同的簇和孤立數(shù)據(jù)；同一模型實例的數(shù)據(jù)簇比主要由離群點組成的簇具有更大的數(shù)據(jù)點數(shù)量；將數(shù)據(jù)點數(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，而數(shù)據(jù)點數(shù)據(jù)量不少于閾值的數(shù)據(jù)簇視為內(nèi)點簇，每個內(nèi)點簇對應于數(shù)據(jù)中的一個估計模型實例；閾值設置為最小子集大小。

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用，所述基于鄰域一致的模型擬合方法應用于建筑物面片分割任務，從建筑物的三維點云數(shù)據(jù)中分割出內(nèi)點和離群點，進而提取出建筑物的幾何特征，實現(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用，該方法通過鄰域一致性保持算法，利用輸入數(shù)據(jù)和模型假設之間的殘差信息和數(shù)據(jù)間的運動信息，為輸入數(shù)據(jù)的每個數(shù)據(jù)點生成一個有意義的鄰域集，從而魯棒地處理數(shù)據(jù)中的離群點和偽離群點；同時，通過基于鄰域一致性的聚類算法，基于數(shù)據(jù)的鄰域關(guān)系并采用層次聚類的方式，來合并具有一致性信息的數(shù)據(jù)點以聚類數(shù)據(jù)，可以自動估計正確的簇數(shù)量，并準確分類輸入數(shù)據(jù)為離群點和屬于不同模型實例的內(nèi)點；在聚類過程中，基于鄰域關(guān)系的相似性度量函數(shù)，通過分析局部鄰域中的數(shù)據(jù)殘差相關(guān)性來評估數(shù)據(jù)相似性，進一步減少離群點對模型擬合結(jié)果的影響，提高模型擬合性能。該方法可廣泛應用于建筑物的面片分割場景，實現(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?，提高建筑物三維重建的精度。該方法也可應用于運動分割，通過模型擬合找出符合運動模型的內(nèi)點，從而實現(xiàn)對運動物體的準確分割，因此在視頻監(jiān)控、運動分析等領域有著廣泛的應用。該方法還可應用于工業(yè)生產(chǎn)中的對象特征提取及對象檢測，如lcd屏幕邊角的直線檢測，以判斷屏幕邊角的垂直度是否符合要求。因此，本發(fā)明有很強的實用性和廣闊的應用前景。