魯棒模型擬合中的指導性采樣及其在運動分割中的應用.pdf

1、魯棒模型擬合是計算機視覺領(lǐng)域的一項重要研究任務，它已被廣泛地應用于運動分割、圖像拼接、三維重建、圖像配準等領(lǐng)域。由于輸入數(shù)據(jù)不可避免地會包含噪聲、離群點（即錯誤的數(shù)據(jù)點）和偽離群點（在多結(jié)構(gòu)數(shù)據(jù)中，一個結(jié)構(gòu)的內(nèi)點對于其它結(jié)構(gòu)來說通常是偽離群點），使得魯棒模型擬合任務極具挑戰(zhàn)性。采樣到一組干凈數(shù)據(jù)子集對于大多數(shù)模型擬合方法的成功起著至關(guān)重要的作用。對于包含高比例離群點的多結(jié)構(gòu)數(shù)據(jù)，尤其是針對高維模型，傳統(tǒng)的采樣方法要采樣到一個干凈數(shù)據(jù)子集

2、極其耗時。為了更高效地采樣到干凈數(shù)據(jù)子集，本文提出了三種指導性采樣方法:
　　(1)提出一種基于殘差排序和局部約束的指導性采樣方法。該方法主要通過在采樣過程中使用局部約束，來提高采樣到干凈數(shù)據(jù)子集的概率，同時降低采樣過程的計算時間。實驗結(jié)果表明，在相同的運行時間內(nèi)，該方法采樣到的干凈數(shù)據(jù)子集總數(shù)是傳統(tǒng)的基于殘差排序的指導性采樣方法所采樣到的干凈數(shù)據(jù)子集總數(shù)的兩倍以上。
　　(2)提出一種面向?qū)O幾何估計的高效采樣方法。對于如

3、何針對高維模型高效地采樣更多干凈數(shù)據(jù)子集的問題，本文利用極線約束來指導采樣過程。該方法使用馬爾可夫鏈蒙特卡洛過程，有效地結(jié)合兩個指導性采樣策略:全局采樣和局部采樣。全局采樣通過結(jié)合空間采樣概率和關(guān)鍵點匹配分數(shù)來快速地獲取有效模型假設(shè)。局部采樣則通過結(jié)合聯(lián)合特征分布概率和關(guān)鍵點匹配分數(shù)來獲取更準確的模型假設(shè)。在局部采樣中，該采樣方法先使用一種新的擬合方法來實時選取一組當前最佳候選模型假設(shè)集，然后計算輸入數(shù)據(jù)與最佳候選模型假設(shè)集之間的聯(lián)合特

4、征分布概率。實驗結(jié)果表明，在相同的時間內(nèi)，該方法較當前若干先進的采樣方法可采樣到更多的干凈數(shù)據(jù)子集。在生成同樣準確的模型假設(shè)方面，該方法比當前若干先進的指導性采樣方法快三倍以上。
　　(3)提出一種面向多結(jié)構(gòu)模型擬合的通用采樣方法。(2)中提出的采樣方法使用了極線約束，導致它只能用于對極幾何估計的采樣。基于(2)中的工作，本文提出一種通用的采樣方法，用于高效地指導多種高維幾何模型估計的采樣。該方法也包含兩個指導性采樣策略:全局采樣

5、和局部采樣。全局采樣使用現(xiàn)有的多結(jié)構(gòu)采樣策略;局部采樣則使用當前所檢測到的模型實例的內(nèi)點來指導采樣過程。該方法還引入冷卻進度表來有效地平衡全局和局部采樣。實驗結(jié)果表明，在給定的相同時間內(nèi)，該方法比當前一些先進的采樣方法可采樣到的干凈數(shù)據(jù)子集更多。在生成同樣準確的模型假設(shè)方面，該方法比當前一些先進的采樣方法快三倍以上。
　　另外，運動分割是魯棒模型擬合的一項重要的應用，已被廣泛運用于多項計算機視覺任務（比如視頻監(jiān)控和目標跟蹤）的預處

6、理過程。但是視頻中經(jīng)常包含多個運動體（即多個結(jié)構(gòu)），導致輸入數(shù)據(jù)中包含了高比例的離群點。在這種情況下，使用傳統(tǒng)的采樣方法來采樣干凈數(shù)據(jù)子集相當耗時。而對于包含目標遮擋的視頻而言，如何高效地集成視頻中的多幀運動信息來指導運動分割是非常困難的。因此，筆者把前面提出的采樣方法用于運動分割，并結(jié)合現(xiàn)有的魯棒模型擬合技術(shù)，提出一種基于稀疏約束的高效運動分割方法。該方法先將不同運動體的特征點跡進行稀疏表示，然后使用譜聚類來準確地分割各運動體。實驗結(jié)