ANSAC:自适应非最小样本与一致性
计算机视觉与模式识别
2017-09-28 v1
摘要
虽然基于 RANSAC 的方法对错误的图像对应关系(外点)具有鲁棒性,但它们的假设生成器对具有位置误差(噪声)的正确图像对应关系(内点)却不具鲁棒性。这会减慢其收敛速度,因为从含噪内点的最小集合中提取的假设可能会显著偏离最优模型。本工作通过引入 ANSAC 来解决这个问题,这是一种基于 RANSAC 的估计器,它通过自适应地使用多于生成假设所需的最小对应数量来考虑噪声。ANSAC 估计多个候选对应关系排序子集的内点比例(正确对应关系的比例),并从中生成假设。其假设生成机制优先使用内点比例高的子集来生成高质量假设。ANSAC 使用了一种提前终止准则,该准则跟踪内点比例历史记录,并在其一段时间内未发生显著变化时终止。实验表明,ANSAC 在少数几次迭代中即可找到良好的单应性矩阵和基础矩阵估计,始终优于 SOTA 方法。
引用
@article{arxiv.1709.09559,
title = {ANSAC: Adaptive Non-minimal Sample and Consensus},
author = {Victor Fragoso and Chris Sweeney and Pradeep Sen and Matthew Turk},
journal= {arXiv preprint arXiv:1709.09559},
year = {2017}
}