基于多核学习-密度峰值聚类的基础矩阵估计

王剑峰; 王宏伟; 闫学勤

doi:doi:10.3788/LOP57.041017

激光与光电子学进展, 2020, 57 (4): 041017, 网络出版: 2020-02-20

基于多核学习-密度峰值聚类的基础矩阵估计下载： 798次

Fundamental Matrix Estimation Based on Multiple Kernel Learning-Density Peak Clustering

王剑峰 ^1,*王宏伟 ^1,2,**闫学勤 ^1,***

作者单位

¹ 新疆大学电气工程学院, 新疆乌鲁木齐830047

² 大连理工大学控制科学与工程学院, 辽宁大连116024

图 & 表

图 1. 对极几何

Fig. 1. Epipolar geometry

下载图片查看原文

图 2. 基本密度峰值算法的结果(d_c=1.8)。(a)决策图;(b)聚类结果

Fig. 2. Experimental results of basic density peak algorithm(d_c=1.8). (a) Decision graph; (b) clustering results

下载图片查看原文

图 3. 多核学习-密度峰值算法的结果。(a)决策图;(b)聚类结果

Fig. 3. Experimental results of multi-kernel learning-density peak algorithm. (a) Decision graph; (b) clustering results

下载图片查看原文

图 4. γ分布图

Fig. 4. Distribution map of γ

下载图片查看原文

图 5. 栅格划分示意图

Fig. 5. Raster division diagram

下载图片查看原文

图 6. 基础矩阵估计流程图

Fig. 6. Flow chart of basic matrix estimation

下载图片查看原文

图 7. 不同高斯方差噪声下4种方法的平均对极距离

Fig. 7. Average epipolar distance of four methods under different Gaussian variance noise

下载图片查看原文

图 8. 不同外点率下4种方法的平均对极距离

Fig. 8. Average epipolar distance of four methods at different external point rates

下载图片查看原文

图 9. 实验图片。(a)涂鸦;(b)阳光树;(c)哥伦比亚大学;(d)自行车;(e)水果;(f)研究所;(g)建筑;(h)雪树

Fig. 9. Experimental images. (a) Graffiti; (b) tree; (c) UBC; (d) bike; (e) fruit; (f) INRIA;(g) building; (h) snow-tree

下载图片查看原文

表 14种算法性能比较

Table1. Comparison of four algorithms performance

Performanceindicator	Algorithm	Graffiti	Tree	UBC	Bike	Fruit	INRIA	Building	Snow-tree
Total numberof matchedpoints	SURF	847	2231	1216	700	289	345	576	264
Number of matchedpoints forestimatingfundamental matrix	LMedS	424	1116	608	350	146	173	288	132
	R-RANSAC	185	670	271	57	31	37	115	35
	LO-RANSAC	71	231	172	21	11	12	50	20
	Proposed	132	228	178	39	20	25	49	26
Averageresidualerror	LMedS	8.6621	1.3738	2.3153	3.6393	2.6101	1.8034	2.6650	1.6481
	R-RANSAC	7.2744	1.0493	1.2101	2.2466	1.0466	1.1632	3.9613	1.2221
	LO-RANSAC	1.3897	0.3008	0.8200	0.4927	0.2826	0.4519	0.1052	1.3596
	Proposed	1.0513	0.2538	0.7017	0.3859	0.2183	0.3972	0.0844	1.1466
Averageepipolardistance /pixel	LMedS	0.3809	0.2466	0.3586	0.3651	0.2981	0.3152	0.3985	0.6759
	R-RANSAC	0.1511	0.1362	0.1461	0.1712	0.1026	0.1481	0.1324	0.1192
	LO-RANSAC	0.0588	0.0961	0.0781	0.0902	0.0718	0.0660	0.0752	0.0956
	Proposed	0.0414	0.0830	0.0691	0.0782	0.0673	0.0592	0.0644	0.0868
Computationaltime /s	LMedS	0.1481	0.2176	0.2817	0.1774	0.1053	0.1228	0.1736	0.1378
	R-RANSAC	0.1659	0.2351	0.4160	0.1405	0.0812	0.1369	0.1693	0.1596
	LO-RANSAC	0.1302	0.1770	0.0906	0.1235	0.0443	0.1043	0.1396	0.1206
	Proposed	0.1493	0.2060	0.0975	0.1029	0.0427	0.0871	0.0906	0.1415

查看原文

王剑峰, 王宏伟, 闫学勤. 基于多核学习-密度峰值聚类的基础矩阵估计[J]. 激光与光电子学进展, 2020, 57(4): 041017. Jianfeng Wang, Hongwei Wang, Xueqin Yan. Fundamental Matrix Estimation Based on Multiple Kernel Learning-Density Peak Clustering[J]. Laser & Optoelectronics Progress, 2020, 57(4): 041017.

基于多核学习-密度峰值聚类的基础矩阵估计下载： 798次

图 1. 对极几何

Fig. 1. Epipolar geometry

图 2. 基本密度峰值算法的结果(d_c=1.8)。(a)决策图;(b)聚类结果

Fig. 2. Experimental results of basic density peak algorithm(d_c=1.8). (a) Decision graph; (b) clustering results

图 3. 多核学习-密度峰值算法的结果。(a)决策图;(b)聚类结果

Fig. 3. Experimental results of multi-kernel learning-density peak algorithm. (a) Decision graph; (b) clustering results

图 4. γ分布图

Fig. 4. Distribution map of γ

图 5. 栅格划分示意图

Fig. 5. Raster division diagram

图 6. 基础矩阵估计流程图

Fig. 6. Flow chart of basic matrix estimation

图 7. 不同高斯方差噪声下4种方法的平均对极距离

Fig. 7. Average epipolar distance of four methods under different Gaussian variance noise

图 8. 不同外点率下4种方法的平均对极距离

Fig. 8. Average epipolar distance of four methods at different external point rates

图 9. 实验图片。(a)涂鸦;(b)阳光树;(c)哥伦比亚大学;(d)自行车;(e)水果;(f)研究所;(g)建筑;(h)雪树

Fig. 9. Experimental images. (a) Graffiti; (b) tree; (c) UBC; (d) bike; (e) fruit; (f) INRIA;(g) building; (h) snow-tree

表 14种算法性能比较

Table1. Comparison of four algorithms performance

关于本站 Cookie 的使用提示

全站搜索

基于多核学习-密度峰值聚类的基础矩阵估计 下载： 798次

图 1. 对极几何

Fig. 1. Epipolar geometry

图 2. 基本密度峰值算法的结果(dc=1.8)。(a)决策图;(b)聚类结果

Fig. 2. Experimental results of basic density peak algorithm(dc=1.8). (a) Decision graph; (b) clustering results

图 3. 多核学习-密度峰值算法的结果。(a)决策图;(b)聚类结果

Fig. 3. Experimental results of multi-kernel learning-density peak algorithm. (a) Decision graph; (b) clustering results

图 4. γ分布图

Fig. 4. Distribution map of γ

图 5. 栅格划分示意图

Fig. 5. Raster division diagram

图 6. 基础矩阵估计流程图

Fig. 6. Flow chart of basic matrix estimation

图 7. 不同高斯方差噪声下4种方法的平均对极距离

Fig. 7. Average epipolar distance of four methods under different Gaussian variance noise

图 8. 不同外点率下4种方法的平均对极距离

Fig. 8. Average epipolar distance of four methods at different external point rates

图 9. 实验图片。(a)涂鸦;(b)阳光树;(c)哥伦比亚大学;(d)自行车;(e)水果;(f)研究所;(g)建筑;(h)雪树

Fig. 9. Experimental images. (a) Graffiti; (b) tree; (c) UBC; (d) bike; (e) fruit; (f) INRIA;(g) building; (h) snow-tree

表 14种算法性能比较

Table1. Comparison of four algorithms performance

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于多核学习-密度峰值聚类的基础矩阵估计下载： 798次

图 2. 基本密度峰值算法的结果(d_c=1.8)。(a)决策图;(b)聚类结果

Fig. 2. Experimental results of basic density peak algorithm(d_c=1.8). (a) Decision graph; (b) clustering results