麦克莱克

引导MLASAC:使用匹配先验的更快的图像变换估计。MLASAC是一种通过随机抽样一致性建立的最大似然估计算法,它被设计用于从图像特征之间的对应关系计算像基本矩阵的多视点实体。该方法的一个缺点是它假定对对应的有效性先验概率知之甚少。本文解释了遗漏的后果,并描述了如何通过推导这些先验概率的估计来提高算法的理论地位和实际性能。使用引导的MLASAC中的先验来给出对于由一个图像变换和杂波描述对应的问题的数量级速度增加。本文介绍了两个进一步修改导向MLASAC。第一个展示了如何将所有假定的匹配,而不是仅仅是最好的,从一个特定的特征,可以采取前进到采样阶段,尽管以额外的计算为代价。第二个建议如何将输出从一帧向前传播到连续帧。附加信息使得引导的MLASAC在视频速率上以两个变换和杂波为模型的对应的通信集计算真实。


ZBMaCT中的参考文献(7篇文章中引用)

显示结果1至7的7。
按年份排序(引文

  1. 阿德里安、希尔顿、希尔顿:RANSAC的次序统计量及其实际应用(2015)
  2. 李,Xiangru;王,Guanghui;吴,Q. M. Jonathan:对应函数的基本原理和特征的研究(2015)
  3. Tran,Quoc Huy;Chin,Tat Jun;CoujnaCi,WojiCik;Suter,戴维:大样本最小子集的鲁棒估计抽样(2014)
  4. 威廉姆斯,霍华德;毕肖普,马克:随机扩散搜索:群智能参数估计算法与RANSAC(2014)的比较
  5. 李,Xiangru;胡,沾益:用对应函数剔除不匹配(2010)伊波尔特
  6. Seer-NeGeBoin,诺伯特;舍费尔,罗尔夫:具有足够随机样本覆盖的模型拟合(2010)伊波尔特
  7. 托多夫,Ben J.;默里,David W.:MLACAC导引:利用匹配先验的快速图像变换估计(2005)伊波尔特