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
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(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
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.