模型拟合是计算机视觉领域中的一个重要的研究课题,它已经被广泛应用于相机姿态估计、SLAM、图像配准、运动分割等领域中。模型拟合的任务是从观测数据中估计出模型实例的数量和参数。由于观测数据中常常包含大量离群点,这对模型拟合算法提出了较高的要求。近年来,国内外许多学者提出了一些高鲁棒性的模型拟合方法。然而,当前的模型拟合方法还无法非常有效地处理包含大量离群点的数据。此外,这些方法还存在计算速度慢和准确率低等问题。其中一些方法提出先去除离群点,然后再对剩余点聚类并拟合出相应的模型实例。然而,当前的离群点去除方法正确率较低,且难以处理包含小结构的数据。针对上述问题,本文通过使用由数据点与模型假设推导得到的残差信息,来表示数据点之间和模型假设之间的关系,进而构造简单图模型。研究内容包括简单图的构建、离群点去除、模型选择等。在此基础上,提出一些新型的多结构模型拟合方法。本文的主要研究内容包括:(1)提出一种基于简单图加权中值漂移的模型拟合方法。当前基于数据点聚类的模型拟合方法使用偏好信息得到数据点之间的关系,之后对数据点聚类。然而,当来自不同模型实例的内点出现交叉时,聚类算法往往不能有效区分这些交叉点,进而影响了拟合精度。基于简单图的加权中值漂移方法首先使用偏好信息表示模型假设之间的关系,接着使用核密度估计方法计算每个模型假设的权重,进而构造了一个简单图模型。最后,该方法通过在简单图中执行加权中值漂移算法,对模型假设聚类。基于简单图加权中值漂移的模型拟合方法有效地结合了模型假设的权重和模型假设之间的关系,对模型假设进行聚类。实验结果表明基于简单图加权中值漂移的方法可以在复杂的场景下准确地估计数据中模型实例的数量和参数。(2)提出一种基于稠密子图检测的拟合方法。当前基于密度的离群点去除方法将密度值较低的点视为离群点,而把密度值较高的点视为是模型内点。然而,当离群点聚集时,离群点具有较大的密度值,从而造成较大拟合错误。基于稠密子图检测的拟合方法利用偏好信息计算数据点之间的相似性,进而构造一个简单图模型。然后,其通过最大化点集的平均相似性来引导点集朝向稠密子图方向漂移。该方法根据漂移结果对数据点进行评分,并将权重值较高的数据点视为模型内点。最后,其使用非负对称矩阵分解方法对模型内点聚类,并拟合出相应的模型实例。在人工数据和真实图像上的实验结果表明基于稠密子图检测的拟合方法可以有效地从包含小结构的数据点中拟合出相应的模型实例。