Книги по разным темам Pages:     | 1 | 2 |

падает с экспоненциальной скоростью при увеличении ее размера, обычно строится выборка минимально необходимого для построения гипотезы размера (например 9. СПИСОК ЛИТЕРАТУРЫ при аппроксимации точек прямой достаточно двух точек для построения гипотезы). Однако, как показано в [12], гипотеза [1] M.A.Fischler, R.C.Bolles. УRandom Sample Consensus: A построенная по большему числу элементов (но без paradigm for model fitting with applications to image analysis выбросов), имеет значительно лучшую оценку, нежели and automated cartographyФ CACM 24.381-395,построенная по минимальной выборке. Поэтому в работе [12] [2] J.Illingworth. J.Kittler. УA survey of the Hough transformФ было предложено добавить в базовую схему этап локальной CVGIP 44:87-116,оптимизации гипотезы. Согласно ей, как только находится наилучшая на текущий момент гипотеза, она уточняется с [3] P.J.Rousseeuw. УLeast median of squares regressionФ использованием всех исходных данных, удовлетворяющих ей Journal of the American Statistical Association, 79:871-880,с невязкой меньше заданного порога. Количество гипотез, к [4] P.Torr, A.Zisserman, УRobust Computation and которым применяется локальная оптимизация равно log(N), Parametrization of Multiple View RelationsФ, ICCV Proc, p.727, где N - число выборок, т.е. незначительное по сравнению с количеством выборок.

[5]P.H.S.Torr, A.Zisserman, УA MLESAC: A New Robust Estimator with Application to Estimating Image GeometryФ При использовании локальной оптимизации количество Computer Vision and Image Understanding, итераций, необходимое для получения гипотезы с заданным [6]P.H.S. Torr. УBayesian Model Estimation and Selection for качеством, уменьшается в несколько раз. На этапе локальной Epipolar Geometry and Generic Manifold FittingФ. In оптимизации также возможно построение более общих International Journal of Computer Vision, 50(1), pp. 27Ч45, моделей большей размерности. В работе [13] сравнивается применение обычной робастной схемы оценки модели [7]Z.Zhang, R.Deriche, O.Faugeras, Q.T.Luong. УA robust движения точек между кадрами видеопоследовательности с technique for matching two uncalibrated images through the учетом радиальных искажений камеры, с оценкой этой recovery of the unknown epipolar geometryФ AI Journal, модели только на этапе локальной оптимизации. В последнем vol.78:87-119, случае продемонстрировано увеличение скорость в 100 раз при сходном качестве результирующей гипотезы.

[8] D. Myatt, P.H.S. Torr, S. Nasuto, R. Craddock. УNAPSAC:

High Noise, High Dimensional Robust EstimationФ In Proceedings British Machine Vision Conference, pages 458-467, 7. РЕАЛИЗАЦИЯ [9] B. Tordoff, D. Murray УGuided sampling and consensus for Описанные методы были реализованы на Matlab 6.5 в виде motion estimationФ. ECCV, Proc, v.1, pp. 82Ц96, библиотеки инструментов SACTool. На примере задач аппроксимация точек прямой и оценки гомографии как [10] O.Chum, J.Matas, УRandomized RANSAC and T(d,d) testФ модели движения точек между двумя кадрами BMVC Proc, видеопоследовательности было проведено сравнение [11]D.Nister, УPreemptive RANSAC for live structure and motion большинства робастных схем. Результаты сравнения и estimationФ ICCV Proc, pp.199-206, библиотека доступны по адресу [12]O.Chum, J.Matas, J.Kittler УLocally Optimized RANSACФ,

DAGM [13]O.Chum, J.Matas, S.Obdrzalek, УEnhancing RANSAC by Generalized Model OptimizationФ, ACCV 8. ЗАКЛЮЧЕНИЕ [14]С.V.Stewart УRobust parameter estimation in computer За прошедшее с момента появления RANSAC время были visionФ SIAM Review v.1, n.3 pp. 513-537, предложены пути решения трех основных недостатков базовой схемы: низкой вероятности выборки без выбросов, Об авторах неточности оценки гипотез и высокой вероятности Антон Конушин выпускник ВМК МГУ, аспирант ИПМ им.

построения далекой от исследуемой модели гипотез даже по Келдыша. Его электронный адрес: ktosh@graphics.cs.msu.ru выборке без выбросов. Самым эффективным путем решения этих проблем является использование априорной Кирилл Мариничев: студент 3-го курса ВМК МГУ. Его информации о гипотезах и исходных данных как на этапе электронный адресе: kirmar@graphics.cs.msu.ru построения выборки, так и при оценке модели.

Владимир Вежневец, к.ф.-м.н, старший научный сотрудник Однако при отсутствии априорных оценок, эффективность лаборатории Компьютерной Графики факультета ВМК МГУ.

байесовского подхода оценки гипотезы падает практически Его электронный адрес: vvp@graphics.cs.msu.ru до уровня M-SAC [6], а способ выборки сводится к базовой схеме. Поэтому основным направлением дальнейшего развития робастных схем оценок следует признать поиск Pages:     | 1 | 2 |    Книги по разным темам