Extending RANSAC-based estimators to handle unknown and varying noise level

Робастные методы оценки параметров широко применяются в области машинного зрения для решения таких задач, как калибровка камеры и оценка фундаментальной матрицы. В статье предлагается новый робастный метод на основе оценки максимального правдоподобия. Он обобщает известный алгоритм MLESAC на случай неизвестного и переменного уровня шума. Метод использует рандомизированную схему построения выборок и дает оценку максимального правдоподобия, в отличие от широко распространенной практики использования эвристических оценок. В отличие от MLESAC, он одновременно оценивает все параметры шума – долю выбросов, среднеквадратичное отклонение шума и плотность распределения ошибки выбросов. Предлагаются методы понижения вычислительной сложности алгоритма. В статье приведены результаты как на синтетических, так и на реальных наборах исходных данных. Предложенный алгоритм существенно превосходит аналогичные методы при примении к задаче калибровки камеры и показывает сравнимые или превосходящие результаты в других задачах.