掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
計算機視覺中魯棒幾何模型擬合方法 版權信息
- ISBN：9787030687906
- 條形碼：9787030687906 ; 978-7-03-068790-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
計算機視覺中魯棒幾何模型擬合方法 內容簡介
本書圍繞模型擬合方法的兩個關鍵步驟，即指導性采樣和模型選擇，介紹幾種新型的模型擬合方法。針對處理不平衡數據的問題，本書介紹一種基于簡單圖模式搜索的模型擬合方法。針對相對平衡數據和不平衡數據中的擬合精度問題，本書介紹一種基于超圖代表性模式搜索的模型擬合方法。針對提升模型擬合問題中指導性采樣的有效性，本書介紹一種基于超圖建模與超圖分割相融合的模型擬合方法。
計算機視覺中魯棒幾何模型擬合方法 目錄
目錄
前言
第1章 緒論 1
1.1 引言 1
1.2 模型擬合方法的分類與難點 4
1.2.1 采樣算法 4
1.2.2 模型選擇算法 5
1.2.3 采樣與模型選擇融合算法 6
1.2.4 存在的問題和難點 7
第2章 基于簡單圖模式搜索的模型擬合方法 9
2.1 引言 9
2.2 算法描述 11
2.2.1 簡單圖建模 11
2.2.2 簡單圖上模式搜索算法 13
2.2.3 互信息理論的模式融合 16
2.2.4 本章所介紹的模型擬合方法 18
2.3 實驗結果與分析 19
2.3.1 人工數據上的實驗結果與分析 20
2.3.2 真實圖像上的實驗結果與分析 23
2.4 本章小結 28
第3章 基于超圖子圖檢測的模型擬合方法 29
3.1 引言 29
3.2 算法描述 31
3.2.1 超圖建模 31
3.2.2 基于超圖的子圖檢測算法 35
3.2.3 本章所提出的模型擬合方法 37
3.3 實驗結果與分析 38
3.3.1 人工數據上的實驗結果與分析 39
3.3.2 真實圖像上的實驗結果與分析 42
3.3.33 D-運動分割上的實驗結果與分析 46
3.4 本章小結 47
第4章 基于超圖代表性模式搜索的模型擬合方法 49
4.1 引言 49
4.2 算法描述 51
4.2.1 超圖構造 51
4.2.2 超圖剪枝 52
4.2.3 模式搜索算法 53
4.2.4 本章所提出的模型擬合方法 55
4.3 實驗結果與分析 60
4.3.1 直線擬合 61
4.3.2 圓形擬合 62
4.3.3 單應性估計 64
4.3.4 基礎矩陣估計 67
4.4 本章小結 69
第5章 基于超圖建模與超圖分割相融合的模型擬合方法 71
5.1 引言 71
5.2 算法描述 74
5.2.1 超圖建模與超圖分割相融合 74
5.2.2 本章中提出的模型擬合方法 77
5.3 實驗結果與分析 79
5.3.1 參數分析與設置 80
5.3.2 計算速度分析 81
5.3.3 單應性估計 82
5.3.4 基礎矩陣估計 84
5.4 本章小結 87
第6章 基于連續性潛在語義分析的模型擬合方法 88
6.1 引言 88
6.2 算法描述 91
6.2.1 潛在語義空間構造 91
6.2.2 離群點去除及子空間恢復 94
6.2.3 本章所提出的模型擬合方法 96
6.3 實驗結果與分析 97
6.3.1 參數分析與設置 97
6.3.2 采樣算法的分析與設置 98
6.3.3 單應性估計 99
6.3.4 基礎矩陣估計 102
6.4 本章小結 105
第7章 基于超像素的確定性模型擬合方法 106
7.1 引言 106
7.2 算法描述 108
7.2.1 把超像素引入到模型擬合 108
7.2.2 確定性指導采樣算法 109
7.2.3 新型的模型選擇算法 112
7.2.4 本章所提出的確定性模型擬合方法 114
7.3 實驗結果與分析 115
7.3.1 在單結構數據上的實驗結果與分析 116
7.3.2 在多結構數據上的實驗結果與分析 120
7.4 本章小結 123
參考文獻 124
前言
第1章 緒論 1
1.1 引言 1
1.2 模型擬合方法的分類與難點 4
1.2.1 采樣算法 4
1.2.2 模型選擇算法 5
1.2.3 采樣與模型選擇融合算法 6
1.2.4 存在的問題和難點 7
第2章 基于簡單圖模式搜索的模型擬合方法 9
2.1 引言 9
2.2 算法描述 11
2.2.1 簡單圖建模 11
2.2.2 簡單圖上模式搜索算法 13
2.2.3 互信息理論的模式融合 16
2.2.4 本章所介紹的模型擬合方法 18
2.3 實驗結果與分析 19
2.3.1 人工數據上的實驗結果與分析 20
2.3.2 真實圖像上的實驗結果與分析 23
2.4 本章小結 28
第3章 基于超圖子圖檢測的模型擬合方法 29
3.1 引言 29
3.2 算法描述 31
3.2.1 超圖建模 31
3.2.2 基于超圖的子圖檢測算法 35
3.2.3 本章所提出的模型擬合方法 37
3.3 實驗結果與分析 38
3.3.1 人工數據上的實驗結果與分析 39
3.3.2 真實圖像上的實驗結果與分析 42
3.3.33 D-運動分割上的實驗結果與分析 46
3.4 本章小結 47
第4章 基于超圖代表性模式搜索的模型擬合方法 49
4.1 引言 49
4.2 算法描述 51
4.2.1 超圖構造 51
4.2.2 超圖剪枝 52
4.2.3 模式搜索算法 53
4.2.4 本章所提出的模型擬合方法 55
4.3 實驗結果與分析 60
4.3.1 直線擬合 61
4.3.2 圓形擬合 62
4.3.3 單應性估計 64
4.3.4 基礎矩陣估計 67
4.4 本章小結 69
第5章 基于超圖建模與超圖分割相融合的模型擬合方法 71
5.1 引言 71
5.2 算法描述 74
5.2.1 超圖建模與超圖分割相融合 74
5.2.2 本章中提出的模型擬合方法 77
5.3 實驗結果與分析 79
5.3.1 參數分析與設置 80
5.3.2 計算速度分析 81
5.3.3 單應性估計 82
5.3.4 基礎矩陣估計 84
5.4 本章小結 87
第6章 基于連續性潛在語義分析的模型擬合方法 88
6.1 引言 88
6.2 算法描述 91
6.2.1 潛在語義空間構造 91
6.2.2 離群點去除及子空間恢復 94
6.2.3 本章所提出的模型擬合方法 96
6.3 實驗結果與分析 97
6.3.1 參數分析與設置 97
6.3.2 采樣算法的分析與設置 98
6.3.3 單應性估計 99
6.3.4 基礎矩陣估計 102
6.4 本章小結 105
第7章 基于超像素的確定性模型擬合方法 106
7.1 引言 106
7.2 算法描述 108
7.2.1 把超像素引入到模型擬合 108
7.2.2 確定性指導采樣算法 109
7.2.3 新型的模型選擇算法 112
7.2.4 本章所提出的確定性模型擬合方法 114
7.3 實驗結果與分析 115
7.3.1 在單結構數據上的實驗結果與分析 116
7.3.2 在多結構數據上的實驗結果與分析 120
7.4 本章小結 123
參考文獻 124
展開全部
計算機視覺中魯棒幾何模型擬合方法 節選
第1章 緒論 1.1 引言 模型擬合在統計學領域有著很長的發展歷史。隨著交叉學科的發展，模型擬合還涉及圖像處理、機器學習、人工智能等多方面的理論與技術[1，2]。模型擬合是計算機視覺領域的一個基礎學科，為該領域的其他任務提供可靠的研究依據。當前國內外高校和科研機構對計算機視覺越來越重視，而模型擬合也在扮演著越來越重要的角色。其研究成果廣泛發表在 IEEE Transaction on Pattern Analysis and Machine Intelligence、 International Journal of Computer Vision、Pattern Recognition、IEEE Transaction on Image Processing、IEEE Transaction on Circuits and Systems for Video Technology等國際權威期刊和 IEEE International Conference on Computer Vision、IEEE Conference on Computer Vision and Pattern Recognition、 European Conference on Computer Vision 和 Conference and Workshop on Neural Information Processing Systems等國際頂級會議上。 人類主要通過聽覺和視覺感知外部世界，其中80%以上的信息是通過視覺獲得。隨著科學的發展和社會的進步，計算機已經成為人類日常生活和工作不可或缺的重要工具。為了賦予計算機以人類視覺的感知功能，使其具備處理視覺信息的能力，一門新興的學科——計算機視覺獲得了廣泛的關注。過去幾十年，在日常生活中出現了大量基于計算機視覺的產品。例如，車牌的自動識別、數碼相機的人臉檢測和美化、汽車的無人駕駛、全景圖合成等。 如何讓計算機從圖像中提取有效的信息，對計算機視覺非常重要。在大部分情況下，這些有效的信息可以通過參數模型來表示[3，4]。而模型擬合，是指從一組觀測數據中估計合適的模型參數，能夠用于估計參數模型。由此可見，模型擬合在計算機視覺中具有重要的地位。當前，模型擬合方法可以被用于許多計算機視覺應用中。比如，三維重構[5-9]、圖片拼接[10-12]、運動分割[13-17]、目標識別[18-21]等。隨著機器學習、圖像處理、魯棒統計學等研究領域的發展與交叉，模型擬合[22-25]已經取得了很大的發展。 然而，在現實中，輸入的數據集往往比較復雜，且不可避免地含有一些噪聲點。比如在數據采集、歸納、整理等過程中，均有可能造成一些數據缺失或編輯錯誤。這必然會產生一些噪聲數據(不屬于任何一個模型實例的離群點)。同時，數據集中也可能同時存在多個模型實例。在未知模型實例數量和各自內點比例的情況下，模型擬合問題的難度進一步增加。此外，多個模型實例之間也會相互干擾，因為其中一個模型實例的內點，對其他模型實例來說屬于偽離群點[26]。上述因素對模型擬合算法的魯棒性和有效性都提出了很大的挑戰。更重要地是，大數據發展的趨勢，要求模型擬合算法具有較低的計算時間復雜度。 為了闡述本書所解決的問題，本節首先介紹標準的直線擬合問題。如圖1.1所示，輸入的數據為未知數量的模型實例(直線模型)、未知比例的內點和離群點。基于該示例，一個魯棒的模型擬合方法應該能夠有效地擬合出數據集中所有的模型實例，并估計其數量和參數(對于一條直線 ax + by + c =0 ，它相應的參數為[a，b，c])，同時準確地區分內點和外點。 圖1.1本書所闡述的模型擬合問題示例直線表示擬合的直線模型；虛線框內的點表示內點；其他點表示離群點 接著，本節介紹標準的圓形擬合問題。如圖1.2所示，輸入的數據為未知數量的模型實例(指圓形)和未知比例的內點和離群點。基于該示例，一個魯棒模型擬合方法應該能夠有效地擬合出數據集中所有的模型實例并估計其數量和參數(對于一個圓它相應的參數為[a，b，r]，即中心點坐標和半徑 r)，并同時準確地區分內點和離群點。本節所述的模型擬合方法不限于人造數據，還包含真實圖像數據。 圖1.2 本書所闡述的模型擬合問題中圓形擬合示例。其中，輸入的數據點分布在[0，100]，含有四個不同半徑的圓和大量的離群點；輸出的數據中來自真實模型實例的內點為靠近圓的數據，其他為離群點 如圖1.3所示，在一個圖像對上進行單應性平面估計。對于輸入圖像對，通過特征提取方法提取特征點，然后進行初始匹配。模型擬合的目標就是估計出該圖像對的單應性平面的具體參數，然后對匹配進行分類。 圖1.3本書所闡述的模型擬合問題中單應性估計示例。其中，(a)為輸入的兩張不同視圖的圖片對比；(b)為關鍵特征提取和相應的匹配；(c)中兩個平面表示擬合的單應性平面模型；(d)中圓形和正方形的匹配對表示相應模型的內點；加號的匹配對表示離群點傳統的模型擬合方法[22，27-30]主要步驟如圖1.4所示。①采樣一系列的*小數據子集，這里的*小數據子集是指要擬合一個模型所需要的*少數據集。比如，擬合一條直線，需要采樣兩個數據點；擬合一個圓形，需要采樣三個數據點；擬合一個單應性，需要采樣四個數據點。②基于采樣的數據子集生成模型假設。基于輸入的數據子集，采用直接線性變換[31]計算相應的模型假設參數。③基于生成的模型假設集擬合模型實例。步驟③包含兩種方式： a)在特征空間中對數據點進行聚類或分割，然后再進行擬合模型實例； b)在參數空間中選擇*有代表性的模型假設作為擬合的模型實例。 圖1.4 傳統模型擬合方法的主要步驟 1.2 模型擬合方法的分類與難點 從模型擬合方法的主要步驟出發，模型擬合方法主要分三大類，即采樣算法[23，27，32-41]、模型選擇算法[22，23，28，29，42-57]和采樣與模型選擇融合算法[25，30，58-60]。此外，還有一些模型擬合方法[48，61-63]，主要對用于區分內點和離群點的內點噪聲尺度進行研究，如圖1.5所示。但該方向與其他學科交叉較多，以下主要從上述三大類介紹當前模型擬合方法的研究現狀。 1.2.1 采樣算法 當前，除了隨機采樣算法[27]以外，其他算法均可以歸為指導性采樣算法。1981年，隨機采樣一致性(random sample consensus，RANSAC)算法被提出。該算法通過隨機采樣*小數據子集來生成模型假設集。簡單有效，并且具有很好的魯棒性，但只能適用于單結構數據，且在內點比例較低時，需要采樣較大數目的數據子集才能保證生成對應真實模型實例的模型假設。 當前的指導性采樣算法[23，32-41]主要利用空間信息、匹配信息和其他條件限制來指導整個采樣過程。其中，基于空間信息的指導采樣算法[32-34]充分利用了在數據的空間域中內點之間會更加緊密的先驗信息對數據子集 圖1.5內點噪聲尺度用于直線擬合示例。當一個數據點到直線的距離小于內點噪聲尺度 S，則它被認為是相應直線(圖中實線)的內點(圖中虛線中間的點)，反之則被認為是離群點(圖中虛線外的點) 進行采樣。也就是說，在找到一個內點后，其他內點可以從其周圍局部區域內進一步搜索得到。該類型的指導采樣算法能夠在一定程度上快速地采樣到全內點數據子集。但當離群點比例較高時，周圍局部區域內也含有大量的離群點，會嚴重影響該類型指導采樣算法的有效性。基于匹配信息的指導采樣算法[35-38]主要利用雙視圖中匹配對的質量評估信息來指導采樣。換句話說，匹配分數越高的匹配對被采中的概率就越大。該類型的指導采樣算法能夠有效提高采樣的速度。然而，在處理多結構數據時，來自不同模型實例的匹配對會對采樣算法產生嚴重干擾。基于其他條件限制的指導采樣算法[23，39-41]，通過分析已采樣到的數據子集含有的統計信息來指導下一步的采樣。但是，只有在已采樣到的數據子集含有較多內點的條件下，對其進行分析才有意義；反之，將會誤導下一步采樣。然而，當前的指導采樣算法并無法保證采樣的數據子集一定含有較多的內點。 1.2.2 模型選擇算法 對于單結構數據，*簡單直接的方法是選取有意義的模型假設作為擬合的模型實例[27]。然而，如何有效地區分內點和離群點是一個很大的挑戰。此外，在很多情況下，數據集中不可避免地會同時存在多個真實的模型實例，這也會帶來很大的挑戰。 對于多結構數據，分為基于傳統統計方式[22，28，42，43]、基于聚類[23，50-52]、基于參數空間[46-49]、基于能量函數[29，44，45]和基于圖論[53-57]的模型選擇算法。其中，基于傳統統計方式的模型選擇算法[22，28，42，43]通過設定擬合的標準(如內點的數目等)來選取*優的模型假設，接著從數據集中去除相應的內點，重復擬合模型，直到找到所有模型實例。該類型的模型選擇算法采用了“擬合-去除”框架。然而，當前模型實例的選擇準確性會直接影響到下一個模型實例的選擇。此外，該類型的模型選擇算法還要求重復地生成模型假設集，比較耗時。基于聚類的模型選擇算法[23，50-52]通過分析數據點之間的關系，試圖將來自同一個模型實例的內點聚成較大類的同時，將離群點聚成多個小類。該類型的模型選擇算法對內點噪聲尺度不太敏感，往往很難處理處于交叉位置的數據點。基于參數空間的模型選擇算法[46-49]直接分析模型假設，從中選取*優的模型假設作為擬合的模型實例。該類型的模型選擇算法對數據分布不太敏感。相比其他內點的模型選擇算法，其在算法準確性上也有一些明顯的優勢。但該類型的模型選擇算法對模型實例的選擇準確性要求較高，因為內點和離群點的區分完全依賴于擬合的模型實例和相應的內點噪聲尺度。基于能量函數的模型選擇算法[29，44，45]將模型擬合問題轉化為標簽分配問題，通過優化目標函數來選取*優的標簽分配。該類型的模型選擇算法對算法的收斂要求較高，此外一般還含有比較多的參數。因此，對于不同的數據集，往往需要手工調整參數。基于圖論的模型選擇算法[53-57]將模型擬合問題轉化到圖論中的一些優化問題。當前的該類型模型選擇算法在準確性上和計算速度上還存在一些問題，沒有充分發揮出圖論的優勢。 1.2.3 采樣與模型選擇融合算法 隨著模型擬合算法的快速發展，當前已有學者提出將采樣與模型選擇相融合的擬合算法[25，30，58-60]。該類型的擬合算法試圖充分結合采樣與模型選擇之間的信息，提高算法的整體性能。比如，文獻[30]、[58]提出采用隨機聚類模型的方式生成模型假設，并通過能量優化過濾這些模型假設。同時，分析選取的模型假設信息指導下一步的采樣。該算法將采樣與
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
羅庸西南聯大授課錄
- >
小考拉的故事-套裝共3冊
- >
李白與唐代文化
- >
莉莉和章魚
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
經典常談
本類暢銷
