自适应的尺度估计与鲁棒的类熵模型拟合算法

《自适应的尺度估计与鲁棒的类熵模型拟合算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、厦门大学学位论文原创性声明本人呈交的学位论文是本人在导师指导下，独立完成的研究成果。本人在论文写作中参考其他个人或集体己经发表的研究成果，均在文中以适当方式明确标明，并符合法律规范和《厦门大学研究生学术活动规范(试行)》。另外，该学位论文为(信息科学与技术学院模式分析与机器智能研究中心)课题(组)的研究成果，获得(信息科学与技术学院模式分析与机器智能研究中心)课题(组)经费或实验室的资助，在(信息科学与技术学院模式分析与机器智能研究中心)实验室完成。(请在以上括号内填写课题或课题组负责人或实验室名称，未有此项声明内容的，可以不作特别声明。)声明人(签名)：斛《加I-午年

2、歹月fof日删唧㈣㈣㈣㈣Ⅷ㈣Y2536567厦门大学学位论文著作权使用声明本人同意厦门大学根据《中华人民共和国学位条例暂行实施办法》等规定保留和使用此学位论文，并向主管部门或其指定机构送交学位论文(包括纸质版和电子版)，允许学位论文进入厦门大学图书馆及其数据库被查阅、借阅。本人同意厦门大学将学位论文加入全国博士、硕士学位论文共建单位数据库进行检索，将学位论文的标题和摘要汇编出版，采用影印、缩印或者其它方式合理复制学位论文。本学位论文属于：()1．经厦门大学保密委员会审查核定的保密学位论文，于年月日解密，解密后适用上述授权。()2．不保密，适用上述授权。(请在以上相应括号

3、内打“√”或填上相应内容。保密学位论文应是已经厦门大学保密委员会审定过的学位论文，未经厦门大学保密委员会审定的学位论文均为公开学位论文。此声明栏不填写的，默认为公开学位论文，均适用上述授权。)声明人(签名)：静譬弓2户1年年f月(c1日摘要鲁棒模型拟合在计算机视觉中应用广泛，例如线和圆的拟合、单应矩阵与基本矩阵的估计、运动分割、范围图像分割等。由于实际应用中的数据通常包含噪声和离群点(这些可能是因为传感器噪声、错误的特征提取以及错误的分割等因素造成的)，因此，鲁棒模型拟合是一项非常具有挑战性的任务。在鲁棒模型拟合的研究中，内点噪声尺度估计和模型参数估计是两个重要的研究内

4、容。内点噪声尺度估计的准确性直接影响到模型参数估计的准确性和数据分割的效果。但是，当前的尺度估计算法和模型参数估计算法在处理含有大量离群数据时仍然不够鲁棒。本文针对鲁棒模型拟合中的存在的问题，提出了鲁棒的尺度估计算法AIKOSE和鲁棒的模型拟合算法ASEE和AMSAC。本文的贡献在于：·为了解决自适应的尺度估计问题，本文提出了一个新的鲁棒的尺度估计算法AIKOSE。通过对残差分布的分析，使得AIKOSE能够自适应的选择IKOSE尺度估计算法中的K值，从而能够更好地估计出内点的噪声尺度。大量的实验表明，AIKOSE在估计噪声尺度时表现出了非常好的鲁棒性。·为了解决模型参数

5、的估计问题，本文提出了一个新的鲁棒估计算法ASEE。ASEE基于最近提出的IKOSE尺度估计算法与LEL参数估计算法，通过最小化内点的熵来估计模型的参数。与LEL不同的是，ASEE估计方法只考虑了内点的熵，这使得它在模型参数估计方面非常鲁棒，能够处理高达90％的离群点。与其他估计算法相比，本文提出的ASEE算法简单且计算效率高。从手工产生的数据和真实数据的实验分析中可以看出，该鲁棒估计算法比其他的估计算法更加鲁棒，特别是在处理含有高离群点数据的时候。此外，基于AIKOSE，本文又提出了一个新的鲁棒估计算法AMSAC。AMSAC不需要手工设置阈值。通过手工数据以及真实数据

6、的直线拟合以及单应矩阵分割的实验对比中，发现自适应的尺度估计及鲁棒的类熵模型拟合算法AMSAC在估计模型参数比其它估计算法更加鲁棒，它能够处理含有高达90％的离群点的数据。关键词：鲁棒统计：模型拟合：参数估计；尺度估计：熵AbstractRobustmodelfittingtechniqueshavebeenwidelyusedinmanycomputervisionproblems，suchaslineandcirclefitting，homographymatrixandfundamentalmatrixestimation,motionsegmentation，a

7、ndrangeimagesegmentation，etc．Inpractice，dataarealwayscontaminated(duotothefactorssuchasfaultyfeatureextraction,sensornoise，segmentationerrors，etc．)，modelfittingisanon-trivialtask．Theaccuracyofthescaleestimationwillaffecttheresultsofmodelfittingandsegmentation．However,the—