文摘

几何假设和验证RANSAC已成为一个关键的一步对应于当地特点由于其广泛的应用在生物医学功能分析和视觉计算。然而,传统的RANSAC非常耗时的由于冗余的采样时间,尤其是处理无数的情况下匹配对。提出了一种新的预处理模型,探索降低设置可靠的通讯与初始匹配集。进行几何模型生成和验证都是这组减少,导致相当大的加速效果。之后,本文提出了一个可靠的RANSAC框架使用预处理模型,实现和验证使用哈里斯和筛选功能,分别。与传统的RANSAC相比,实验结果表明,我们的方法更有效。

1。介绍

特征匹配是计算机视觉中的一个基本问题。对应于地方特色已成为结构的主导范式从运动1,2),图像检索(3),和医学图像处理4]。这是一个至关重要的问题有效和准确的对应功能5,6]。大多数应用程序都建立在一个通用管道组成的步骤从图像中提取特征,匹配他们获得通讯,应用某些形式的几何验证拒绝离群值。管道的几何验证非常重要的成功。已经证明RANSAC (7]这管道的首选是最好的方法8]。然而,有两个明显的缺点RANSAC处理。一方面,它是耗时。另一方面,当采样时间是人为的限制,选择匹配对可能不是正确的。

因此,许多扩展RANSAC提出了加快不同RANSAC阶段,如SCRANSAC [8),最优随机RANSAC (9),和其他改进方法(10- - - - - -12]。然而,即使有了这些扩展,几何验证仍然是一个应用程序的主要瓶颈。此外,大部分的成本相当大的改进方法实现运行时和难以调节获得最佳性能。

提出了一种快速、简单的RANSAC框架基于预处理模型。它可以导致减少通信设置内围层比例更高,RANSAC将收敛速度的一个正确的解决方案。这个模型可以成功地获得一个子集有更高的概率从最初的内围层相应的设置。然后,一个可靠的基本矩阵或单应性矩阵可以从子集估计。由于内围层较高的比例,估计或更加可靠。最后,异常值的集合可以根据估计被拒绝或。与其他改进方法相比,本文提出的方法可以实现类似的加速而容易实现得多。

本文的其余部分组织如下。节2为离群值,探讨RANSAC排斥和介绍了预处理模型,包括其动机和算法流程图。节3,小说RANSAC框架提出了基于预处理模型。部分4给出了实验结果和数据分析。最后一部分是本文的一个总结。

2。离群值被拒绝

RANSAC已经成为最受欢迎的工具来解决几何数据集包含异常值的估计问题,首次提出了>,1981年葛[7]。这是一个不确定性算法的目的,它只能产生合理的结果有一定概率的。

2.1。RANSAC

RANSAC hypothesized-and-verified框架运行。RANSAC算法的基本假设的数据由“窗”,也就是说,数据的分布可以用一组模型参数来解释。和“局外人”,是不符合的数据模型。离群值可能导致错误的测量,不合理的假设,或不正确的计算。RANSAC随机样本的最小子集规模从最初的以假设几何模型。这个模型然后验证对剩下的通讯,内围层的数量,也就是说,通讯与模型一致,确定它的分数。RANSAC通过迭代来实现它的目标选择一个随机的原始数据的子集,假想的窗。这个过程是迭代,直到满足终止准则。信心,请确保至少一个内取样次抽样,都是内围层的元素。方程是 在哪里的意思是最小尺寸的样本子集假设几何模型,然后呢代表一个点的概率是一个窗。

迭代可以确保一个有界运行时以及保证质量的估计结果。正如上面提到的,有一些限制RANSAC处理。耗时是最紧迫的问题,特别是在最初的内围层率很低。因此,本文提出了一种新颖的RANSAC框架与预处理模型来改进它。

2.2。预处理模型

这个预处理模型的主要工作是探索一套减少与可靠的通讯从最初的匹配数据集和估计几何模型。这个模型可以分为以下两个步骤。

2.2.1。选择可靠的相应对

在RANSAC验证假设时,相应的对归类到内围层和离群值。由于样本的数量由RANSAC取决于窗比,需要减少离群值的分数在匹配集。选择一套减少较高的内围层比第一步的预处理模型。我们的方法是出于提取的观察和探索的一个子集有更高的概率被窗是一种有效的提高RANSAC的运行时。预处理模型背后的想法是使用放松技巧(13)获得一套减少通讯更加充满信心。它会导致一个重要的加速RANSAC过程的原因有两个。首先,RANSAC只需要操作远远小于集为验证模型假设。第二,附加约束执行松弛法导致增加窗比例减少。这直接影响到数字的迭代。因此,预处理模型收敛速度正确的解决方案。

2.2.2。基本矩阵估计

Zhang et al。13)使用LMedS技术抛弃虚假匹配和估计基本矩阵。然而,当窗比率小于50%,结果LMedS估计方法可能是不可靠的。RANSAC是一个健壮的基本矩阵估计方法,可以获得稳健的结果即使在异常比例超过50%。

RANSAC是随机优化方法,其效率可以提高蒙特卡罗抽样法(14]。这个方法显示在图1。然而,抽样结果可能非常接近对方。这种情况下应该避免因为评估结果可能是不稳定的和无用的。用桶装的技术(14)是用来实现更高的稳定性和效率,如图所示2。它的工作原理如下。最小和最大的点的坐标计算在第一形象。然后分为图像的区域桶(如图2)。每个桶连接一组特征点,和间接的通讯,这属于它。那些桶没有匹配上被排除在外。为了估计基本矩阵应该生成的子样品8分。选择在8相互不同的桶,然后在每一场比赛选择桶是随机选择的。

因此,基本矩阵可以准确、有效地估计。这是第二步的预处理模型。

3所示。RANSAC和预处理模型框架

提出一种改进的RANSAC算法预处理模型在本节中。这个模型可以很容易地集成到RANSAC过程。主要的思想是假设知道一些匹配对窗有高概率,放入子集。因此,如果RANSAC在子集用同样的信心,它可以计算更接近正确的基本矩阵(或单应性矩阵)和迭代的时间更是少之又少。因此,预处理模型可以实现整个RANSAC过程的加速效果。我们的框架的步骤被描述为在Algorihm1。

在算法1,是放松的阈值迭代。在这篇文章中,设置为60。是RANSAC阈值参数,通常设置为95%。让表示的比例内围层所有通讯。然后,概率,在步骤RANSAC确保至少一个采样时间内都是内围层遵循抽样,元素。一次矩阵获得在集合另外,我们可以计算假设在整个组的支持。然而在我们的实验中,我们只执行最后一步报告内围层数。

4所示。实验和分析

接下来,本文通过实验评估改进的RANSAC和比较经典的方法。正如我们所知,哈里斯和筛选功能是最常用的通信(15,16]。为了综合评价的方法,选择初始对应哈里斯和筛选功能。Matlab R2010环境的实验。电脑配置是2.10克(CPU)和4.00 G (RAM)。本文实验图像来自开放数据库:视觉几何组,彼得Kovesi的主页,和互联网。

4.1。实验基于哈里斯特征

在实验中基于哈里斯特性,本文选择match-by-correlation算法得到初始匹配集。然后,提出RANSAC框架操作集。随之而来的预处理模型的直接决定了整个过程的影响。可靠的集可以通过调整模型参数。

图3是我们的方法和传统的RANSAC之间的比较。图3(一个)我们改进的RANSAC显示匹配的结果计算了。传统RANSAC方法的结果在同一实验条件如图3 (b)。迭代的数字数据3(一个)和3 (b)分别是260和361。51/140意味着提取51从140年初始假定的匹配集内围层。从比较,很明显,我们的方法更好的结果。最重要的是迭代的时间都减少了。因此,它可以改善RANSAC成功的运行时。与其他改进的RANSAC算法相比,我们的RANSAC框架可以实现相同的结果,而更容易实现和采样时间都减少了。

4.2。实验基于筛选功能

目前,筛是一种流行的和可靠的algorithmto检测和描述局部特征图像。然而,最初的筛选仍然存在匹配的离群值。在这一节中,本文运用该方法拒绝最初的离群值对应的基于筛选。头皮的对象是一个模型,这是通常用于生物医学模型。结果如图所示4。图4(一)通过筛选是初始匹配的结果,对的数量是68。图4 (b)显示了我们的结果提出RANSAC,内围层的数量是50,和迭代时间是14。图4 (c)照亮的结果古典RANSAC在相同的实验条件下,内围层的数量是42岁,和迭代时间31日。

从比较结果如图4,它可以发现我们离群值的方法是更有效的排斥。此外,迭代时间都减少了近45%。最重要的是我们的方法的好处。

在结论中,本文认为,我们的方法可以普遍用于异常拒绝,无论使用哪一种功能。此外,预处理模型自适应的条件low-matching率。

4.3。分析

如图所示,该RANSAC成功地减少了迭代次数。我们的框架的成功归功于预处理模型,这是有效的选择相对应的可靠的对。图5说明了迭代次数的比较操作RANSAC子集并设置。很明显,特别是当初始匹配上有巨大的差异率很低。差异的主要原因是,的元素集更可靠和更少的规模。通过实验数据,可以发现的情况,提出比直接RANSAC RANSAC需要更少的迭代处理。而如果条件被选中的,这两种方法通常有相同的时间复杂度。因此,我们的模型有利于屏幕一套可靠的匹配从最初的设置匹配率较低并可以减少后续RANSAC成功迭代。

5。结论

摘要小说框架提出了改善RANSAC在几何匹配应用程序的效率。改进的RANSAC是基于预处理模型,允许RANSAC操作一组降低更自信通讯高窗比例。与经典的筛选模型相比,该模型更简单,高效的实现,特别是在低匹配率。实验结果表明,我们的方法可以减少更多的迭代时间特别是在初始匹配率低于60%。此外,实验操作在两个电流特点:哈里斯和筛选。因此,可以得出结论,提出RANSAC框架是适用的。

总之,本文以下贡献:(1)提出了一种RANSAC框架不仅依靠外表,但考虑到图像中邻近的通讯质量的空间;(2)预处理模型介绍了选择减少组内围层较高的比例,使运行时。

确认

这项工作受到了国家奖学金基金从中国奖学金委员会(没有。2011833105),浙江省教育部研究项目(没有。Y201018160),浙江省自然科学基金(Y1110649号和61103140),和公益项目的浙江省科学技术厅(2012 c33073和2010 c33095号),中国。