自適應(yīng)的尺度估計及魯棒的類熵模型擬合算法.pdf

1、魯棒模型擬合在計算機視覺中應(yīng)用廣泛，例如線和圓的擬合、單應(yīng)矩陣與基本矩陣的估計、運動分割、范圍圖像分割等。由于實際應(yīng)用中的數(shù)據(jù)通常包含噪聲和離群點（這些可能是因為傳感器噪聲、錯誤的特征提取以及錯誤的分割等因素造成的），因此，魯棒模型擬合是一項非常具有挑戰(zhàn)性的任務(wù)。在魯棒模型擬合的研究中，內(nèi)點噪聲尺度估計和模型參數(shù)估計是兩個重要的研究內(nèi)容。內(nèi)點噪聲尺度估計的準(zhǔn)確性直接影響到模型參數(shù)估計的準(zhǔn)確性和數(shù)據(jù)分割的效果。但是，當(dāng)前的尺度估計算法和模

2、型參數(shù)估計算法在處理含有大量離群數(shù)據(jù)時仍然不夠魯棒。本文針對魯棒模型擬合中的存在的問題，提出了魯棒的尺度估計算法AIKOSE和魯棒的模型擬合算法ASEE和AMSAC。本文的貢獻在于:
　　為了解決自適應(yīng)的尺度估計問題，本文提出了一個新的魯棒的尺度估計算法AIKOSE。通過對殘差分布的分析，使得AIKOSE能夠自適應(yīng)的選擇IKOSE尺度估計算法中的K值，從而能夠更好地估計出內(nèi)點的噪聲尺度。大量的實驗表明，AIKOSE在估計噪聲尺度時

3、表現(xiàn)出了非常好的魯棒性。
　　為了解決模型參數(shù)的估計問題，本文提出了一個新的魯棒估計算法ASEE。ASEE基于最近提出的IKOSE尺度估計算法與LEL參數(shù)估計算法，通過最小化內(nèi)點的熵來估計模型的參數(shù)。與LEL不同的是，ASEE估計方法只考慮了內(nèi)點的熵，這使得它在模型參數(shù)估計方面非常魯棒，能夠處理高達90％的離群點。與其他估計算法相比，本文提出的ASEE算法簡單且計算效率高。從手工產(chǎn)生的數(shù)據(jù)和真實數(shù)據(jù)的實驗分析中可以看出，該魯棒估計