《表1 包含不同比例错误匹配点时，各算法结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《自适应阈值的基础矩阵估计算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表1显示的是在200对匹配点集中设置比率不同的错误匹配点时各算法的估计结果，给出了不同算法的误差平均值以及内点数。从表1可以看出，所有的鲁棒性算法都能够在一定程度上剔除部分误匹配点，得到内点集以及基础矩阵，但是各算法的鲁棒性存在较大差别。其中，RANSAC算法的鲁棒性与阈值有较大的联系。当阈值设定为1像素时，RANSAC算法没有能够很好地剔除误匹配点，估计得到的基础矩阵精度最差；而当阈值设定为0.001像素时，RANSAC算法虽然得到了精度较高的基础矩阵，但是将许多的正确匹配点被错误地判断为误匹配点，保留的内点数目过少，导致求得的基础矩阵适用性不强。在内点率超过50%的情况下，LMedS算法所得出的基础矩阵精度较高，内点数也较为接近正确的数目，但是在内点率不足50%的情况下，LMedS算法迅速失效，既不能得到精度较高的基础矩阵，也不能得到正确的内点集。分析本文算法所得的数据，对比经典鲁棒性算法，可发现本文算法性能要优于经典鲁棒性算法，得出的基础矩阵精度最高，得到的内点集也最接近实际内点集，适用性最强，其原因是：相较于经典RANSAC算法，本文算法引入ORSA算法，求取NFA值来自适应设定最合适的阈值，减小了误匹配点对估计精度的影响；而对比于LMedS算法，本文算法在ORSA算法求得的误匹配率较小的内点集上使用LMedS算法进行加权优化，弥补了LMedS算法在误匹配点比率超过50%时失效的先天缺陷。