MAGSAC++：一种快速、可靠、准确、鲁棒的估计器

MAGSAC++, a Fast, Reliable and Accurate Robust Estimator

一种新的稳健估计方法被提出——MAGSAC++。它引入了一种新的模型质量（评分）函数，它不需要内外点决策，以及一种新的边缘化过程，它被公式化为M估计，其中包含通过迭代重新求解加权最小二乘法的新型M估计器（一个稳健的内核）。我们还提出了一个新的采样器，改进NAPSAC，用于类似RANSAC的稳健估计器。利用附近点通常来自现实世界数据中的同一模型这一事实，它比全局采样器更早地找到局部结构。从局部采样到全局采样的逐步过渡不会受到纯局部采样器的弱点的影响。在用于单应性和基本矩阵拟合的六个公开可用的真实世界数据集上，MAGSAC++ 产生的结果优于最先进的稳健方法。它更快，更准确并且很少失败。

Ⅰ 介绍

RANSAC算法是计算机视觉领域最广泛使用的鲁棒估计器。RANSAC重复选择输入点集的最小随机子集，并拟合模型。RANSAC算法自发布以来有许多改进的算法，如：

  • MLESAC：通过最大似然过程的有益特性估计模型质量。在实践中，MLESAC结果通常优于RANSAC，且对用户定义的内点-异常值阈值不敏感。
  • MINPRAN：减少对于外点内点阈值的依赖。
  • MAGSAC：边缘样本共识，使用噪声参数\sigma估计模型阈值。除了不需要估计阈值，MAGSAC在其他方面也比其它估计器更加稳健。用加权最小二乘替代原先的最小二乘，权重通过边缘化程序计算。

但是MAGSAC比其他估计器慢许多，本文中，提出一个新的质量和模型函数，迭代重新加权最小二乘程序求解的一类新型 M 估计器（稳健核）。提出的MAGSAC++比原始方法更准确，并快一个数量级。

image
  • NAPSAC/PROSAC：修改 RANSAC 采样策略以增加早期选择所有内点样本的概率。

我们在本文中提出了除MAGSAC++之外的改进NAPSAC (P-NAPSAC) 采样器，它通过从逐渐增长的邻域中抽取样本来融合局部和全局采样的优点。

MAGSAC++ 与 P-NAPSAC 采样器相结合，在速度、准确性和故障率方面优于最先进的稳健估计器。

Ⅱ MAGSAC++

MAGSAC基于两个基本假设：

  1. 噪声等级\sigma是具有密度函数f(\sigma)的随机变量，没有先验信息，且\sigma服从均匀分布。
  2. 对于\sigma，内点的误差是由n自由度的\chi分布和\sigma的密度函数决定的，当r<\tau(\sigma)时

\begin{equation*} g(r\ \vert\ \sigma)=2C(n)\sigma^{-n}\exp(-r^{2}/2\sigma^{2})r^{n -1}, \end{equation*}

当r>\tau(\sigma)时，g(r\ \vert\ \sigma)=0，对比度C(n)=(2^{n/2}\Gamma(n/2))^{-1}，对于a>0，有
\begin{equation*} \Gamma(a)=\int_{0}^{+\infty}t^{a-1}\exp(-t)\mathrm{d}t \end{equation*}
\Gamma(\cdot)为\Gamma函数。

对于每一个可能的\sigma值，点p属于内点集P的概率为
\begin{equation*} \mathbf{P}(p\ \vert\ \theta_{\sigma},\sigma)=2C(n)\sigma^{-n}D^{n-1}(\theta_{ \sigma}, p)\exp\left(\frac{-D^{2}(\theta_{\sigma}, p)}{2\sigma^{2}}\right), \end{equation*}
其中D(\theta_{ \sigma}, p)为点到模型的误差。

在MAGSAC++中，提出了一种迭代加权最小二乘算法，参数
\begin{equation*} \theta_{i+1}=\arg\min\nolimits_{\theta}\sum\limits_{p\in \mathcal{P}}w(D(\theta_{i}, p) )D^{2}(\theta, p), \tag{1} \end{equation*}
其中点p的权重为
\begin{equation*}w(D(\theta_{i}, p))=\int \mathbf{P}(p\ \vert\ \theta_{i}, \sigma)f(\sigma)\mathrm{ d}\sigma \tag{2} \end{equation*}
权重函数是内点误差的边际函数
\begin{equation*} w(r)= \int g(r\ \vert\ \sigma)f(\sigma)\mathrm{d}\sigma. \end{equation*}
令\tau(\sigma)=k\sigma，当0\leq r\leq k\sigma_{\max}时，
\begin{align*} w(r)=\frac{1}{\sigma_{\max}} \int\nolimits_{r/k}^{\sigma_{\max}}g(r\vert \sigma) \mathrm{d}\sigma= \frac{1}{\sigma_{\max}}C(n)2^{\frac{n-1}{2}}\left(\Gamma\left( \frac{n-1}{2}, \frac{r^{2}}{2 \sigma_{\max}^{2}}\right)-\Gamma\left(\frac{n-1}{ 2}, \frac{k^{2}}{2}\right)\right)& \end{align*}
其中
\begin{equation*} \Gamma(a, x)=\int\nolimits_{x}^{+\infty}t^{a-1}\exp(-t)\mathrm{d}t \end{equation*}
表示上不完全伽马函数。

为了能够选出最能解释数据的模型，质量函数Q定义如下：
\begin{equation*}Q(\theta,\mathcal{P})=\frac{1}{L(\theta,\mathcal{P})}, \tag{3} \end{equation*}
其中
\begin{equation*} L(\theta,\mathcal{P})=\sum\limits_{p\in\mathcal{P}}\rho(D(\theta, p)), \end{equation*}
由权重函数w(r)定义的M估计器的损失函数决定的。

对于0\leq r\leq k\sigma_{\rm max}，
\begin{align*}\rho(r)=& \frac{1}{\sigma_{\mathrm{m}\text{ax}}}C(n)2^{\frac{n+1}{2 }}[\frac{\sigma_{\max}^{2}}{2}\gamma(\frac{n+1}{2}, \frac{r^{2}}{2 \sigma_{\mathrm {m}\text{ax}}^{2}})+\\ &\ \frac{r^{2}}{4}(\Gamma(\frac{n-1}{2}, \frac{ r^{2}}{2 \sigma_{\max}^{2}})-\Gamma(\frac{n-1}{2}, \frac{k^{2}}{2}))] . \end{align*}
对于r> k \sigma_{\rm max}，
\begin{equation*} \rho(r)=\rho(k\sigma_{\max})=\sigma_{\max}C(n)2^{\frac{n-1}{2}}\gamma (\frac{n+1}{2},\frac{k^{2}}{2}), \end{equation*}
其中
\begin{equation*} \gamma(a, x)=\int_{0}^{x}t^{a-1}\exp(-t)\mathrm{d}t \end{equation*}
是下不完全伽马函数。

Ⅲ 改进NAPSAC算法

作者提出了一种新的采样技术，它逐渐从局部移动到全局，假设最初局部化的最小样本更有可能是全内的。如果假设不导致终止，则该过程逐渐向 RANSAC 的随机抽样移动。

NAPSAC算法主要步骤如下：

  1. 随机从所有点中选择初始点{\bf p}_ i；
  2. 以{\bf p}_ i为中心找到其半径为r的超平面的点集S_{i,r}；
  3. 若S_{i,r}中点的数量少于最小采样值，重复步骤1；
  4. 点{\bf p}_ i和S_{i,r}形成最小一致样本。

在实践中，局部抽样存在三个主要问题。首先，适合局部所有内点样本的模型通常太不精确。其次，在某些情况下，从本地样本估计模型会导致退化。例如，对于基本矩阵拟合，对应关系必须来自多个平面。这通常意味着远距离的对应是有益的。因此，纯局部采样行不通。第三，当具有全局结构时，例如图像对中背景的刚性运动，局部采样比全局采样慢得多。因此，作者建议在局部和全局采样之间进行过渡，逐渐从一种混合到另一种。

改进NAPSAC算法

（后面实在看不太懂了）

Ⅳ 实验

比较的方法有 RANSAC、LMedS、MSAC、GC-RANSAC、MAGSAC和 MAGSAC++。所有方法都使用了USAC中提出的 P-NAPSAC 采样、抢占式模型验证和简并测试。

image
image
image
image
image

Ⅴ 结论

在论文中，做出了两个贡献。首先，我们将一种新的边缘化程序制定为迭代重新加权的最小二乘法，并且我们引入了一种新的模型质量（评分）函数，该函数不需要内点-外点决策。其次，我们提出了一个新的采样器，改进NAPSAC，用于类似 RANSAC 的稳健估计器。P-NAPSAC 比全局采样器更早地发现了局部结构，这反映了附近的点通常来自现实世界数据中的同一模型这一事实。从局部采样到全局采样的逐步过渡不会受到纯局部采样器的弱点的影响。

这两个正交改进与USAC相结合，例如先发制人的验证、简并测试。在用于单应性和基本矩阵拟合的六个公开可用的真实世界数据集上，MAGSAC++ 产生的结果优于最先进的稳健方法。它速度更快，几何精度更高，故障更少。

©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 216,591评论 6赞 501
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 92,448评论 3赞 392
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 162,823评论 0赞 353
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 58,204评论 1赞 292
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 67,228评论 6赞 388
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 51,190评论 1赞 299
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 40,078评论 3赞 418
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 38,923评论 0赞 274
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 45,334评论 1赞 310
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,550评论 2赞 333
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,727评论 1赞 348
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 35,428评论 5赞 343
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 41,022评论 3赞 326
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,672评论 0赞 22
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,826评论 1赞 269
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 47,734评论 2赞 368
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 44,619评论 2赞 354

推荐阅读更多精彩内容