技术摘要：
本发明涉及一种融合拟合‑移除和两阶段框架优点的拟合方法，首先给定包含N个数据的图像输入数据；指定图像输入数据中所包含的模型实例个数k；使用两阶段框架来同时地拟合图像中的多个模型实例的模型参数；把已拟合的多个模型参数的内点移除；重复上述步骤，直至已拟合  全部
背景技术：
模型拟合已被广泛地应用于众多计算机视觉领域中，比如：离群点移除、可视化跟 踪，室内导航和运动分割等领域。模型拟合是指，给定一种模型类别(比如直线、圆、单应矩 阵或基础矩阵)，从输入数据中估计出所有模型实例的模型参数，并把属于不同模型实例的 数据以及离群点分割开。 根据模型拟合方法所采用的框架，传统的拟合方法可以分为两类：针对单模型实 例数据和针对多模型实例数据的拟合方法； 针对单模型实例数据的拟合方法：Fischler和Bolles  1981年提出的RANSAC [M.A.Fischler  and  R .C.Bolles“, Random  sample  consensus:A  paradigm  for  model  fitting  with  applications  to  image  analysis  and  automated  cartography ,” Commun.ACM.,vol.24,no.6,pp.381–395,1981]是这类方法中的经典。由于执行一次针对单 模型实例数据的拟合方法只能拟合多模型实例数据中一个模型实例的模型参数，这就需要 在“拟合-移除”(fit-and-remove)框架中反复地执行这类方法，最终这类方法才能拟合多 模型实例数据。然而，拟合-移除框架存在如下缺陷：若一个模型实例的模型参数估计不准 确，将很可能导致数据中剩余模型实例的模型参数被错误地估计(即，拟合错误累积)。为了 改进这个缺陷，多种针对多模型实例的拟合方法(比如AKSWH[H .Wang ,T .-J .Chin  and  D.Suter,Simultaneously  fitting  and  segmenting  multiple-structure  data  with  outliers.IEEE  Transactions  on  Pattern  Analysis  and  Machine  Intelligence.2012, 34(6):1177–1192])被提出，它们能够同时拟合多模型实例数据中所有模型实例的模型参 数。 针对多模型实例数据的拟合方法：该类方法(比如AKSWH ,CBS[R .Tennakoon , A .Sadri ,R .Hoseinnezhad ,et  al .,Effective  sampling:Fast  segmentation  using  robust  geometric  model  fitting .IEEE  Transactionson  Image  Processing .2018,27 (9):4182-4194.])先执行数据采样以生成一组模型假设，然后在已生成的模型假设上执行 拟合，下文简称其为两阶段(two-stage)方法(框架)。这类方法的不足在于，它们需要在数 据采样步就为数据中的所有模型实例都生成有效的模型假设，否则这类方法将失败。然而， 实际任务中要为数据中内点比例低的模型实例生成一个有效的模型假设是相当困难的。 现有的传统拟合方法只能较好地拟合含模型实例数小于等于5的多模型实例数 据，而在含模型实例数大于5的多模型实例数据上，现有较先进的拟合方法所获得的准确率 也欠佳，尤其是针对同一种应用使用相同的输入参数时。这是因为，模型实例数越多拟合的 困难就越大：对于基于拟合-移除框架的拟合方法，模型实例数越多拟合的错误累积就越严 重；对于基于两阶段框架的拟合方法，模型实例数越多内点的比例越低，生成有效的模型假 3 CN 111612067 A 说　明　书 2/4 页 设就越困难。
技术实现要素：
有鉴于此，本发明的目的是提出一种融合拟合-移除和两阶段框架优点的拟合方 法，可用于含模型实例数大于5的多模型实例数据的拟合。 本发明采用以下方案实现：一种融合拟合-移除和两阶段框架优点的拟合方法，具 体包括以下步骤： 给定包含N个数据的图像输入数据 其中N为自然数；指定图像输入数据中 所包含的模型实例个数k并且令S'＝S； 使用两阶段框架来同时地拟合S'中的多个模型实例的模型参数； 把已拟合的多个模型参数的内点从S'中移除； 重复上述步骤，直至已拟合的模型实例个数大于或等于k，从而从输入的图像数据 中估计出k个模型实例的模型参数。 进一步地，所述使用两阶段框架来同时地拟合S'中的多个模型实例的模型参数具 体包括以下步骤： S11：令S*＝S'；设置第一阈值b，第二阈值M以及内点比例阈值τ； S12：在S*上执行一次基于贪婪搜索的数据采样以生成一个模型假设θ； S13：判断当前的采样次数c是否小于第一阈值b或模型假设θ的内点比例是否大于 内点比例阈值τ；若是，则将θ的内点从S*中移除；否则重置S*，令S*＝S'； S14：判断当前的采样次数c是否小于第二阈值M，若是则返回S12，否则用所有已生 成的模型假设进行拟合。 本发明还提供了一种融合拟合-移除和两阶段框架优点的拟合系统，包括存储器 与处理器，所述存储器上存储有能够被处理器运行的计算机程序指令，当处理器运行该计 算机程序指令时，实现如上文所述的方法步骤。 与现有技术相比，本发明有以下有益效果：本发明迭代地执行拟合和移除过程来 完成多结构数据的拟合。该框架融合了已有框架的优点，减轻或克服了它们的缺点。该框架 能高效地为模型实例数大于5的多模型实例数据鲁棒地拟合模型参数。本发明提出的拟合 方法可应用于平面分割、可视化跟踪、三维重建和运动分割等多个领域。 附图说明 图1为本发明实施例的方法步骤示意图。 图2为本发明实施例的使用两阶段框架来同时地拟合S'中的多个模型实例的模型 参数步骤示意图。 图3为采用本实施例方法进行多平面分割的示意图。