我們提出了一種基于混合框架和變分推理的配準算法(Mixture Framework and Variational Inference,MFVI)。在MFVI算法中,混合框架是一種從粗到精的配準策略來自動處理不同情況下的點集配準問題,主要包括三個主要步驟:(1)線性階段,這是一個預匹配過程,點集的變換被限制為剛性形式;(2)回歸過程,利用高斯變分混合模型弱化冗余點的影響;(3)非線性階段,這是一個精確的點集配準過程,點集的變換被限制為一個非剛性形式。我們使用變分推斷來解決參數(shù)優(yōu)化問題。在變分推理框架下,我們設計了一個各向同性和各向異性的高斯變分混合模型(Gaussian Variational Mixture Model,GVMM),以減弱冗余點的影響,同時使用狄利克雷分布來控制高斯分量的混合比例,進而對缺失點進行區(qū)分。為了提升MFVI算法的魯棒性,我們設計了模糊形狀上下文(Fuzzy shape context,FSC)特征和局部向量特征的局部空間向量相似性約束項(Local Vector Similarity Constraint,LVSC)。在MFVI算法中的非線性階段,我們首先... 

【文章來源】：云南師范大學云南省

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

本文算法的具體研究內容點集配準的過程中形成一種互為補充的關系

第2章模糊形狀上下文特征與局部向量相似性約束11第2章模糊形狀上下文特征與局部向量相似性約束在混合框架的非線性階段，經典的框架主要分為以下兩個步驟去進行配準：步驟1：源點集與目標點集間之間的對應關系評估；步驟2：源點集與目標點集之間的空間變換更新。這個框架是迭代的非剛性點集配準方法領域中的經典框架，框架的關鍵思想在于兩步驟交替過程中逐步去調整源點集的初始幾何結構和位置，從而使得與源點集與目標點集逐漸靠近，進而使兩個點集之間的對應關系評估變得更加容易，最終實現(xiàn)源點集與目標點集的精確配準。在本章，我們主要基于迭代的兩步驟來詳細介紹模糊形狀上下文與局部向量相似性約束。為了證明算法的有效性，本章給出了主要貢獻的對比實驗。2.1模糊形狀上下文特征描述子早期，Belongie等人[24]提出了著名的形狀上下文(Shapecontext,SC)特征描述子用來形容點集的整體外觀特征。SC特征規(guī)定目標點集中的每一個點為中心構建極坐標系，而且使用徑向長度為logr(r是扇區(qū)的層數(shù))，切向角度一致的方法將極坐標系分割成相同數(shù)量的扇區(qū),依次使不一樣點的扇區(qū)之中的點數(shù)標記在每個獨立的矩陣中成為這個點集的SC特征[3]。一個點集的SC特征矩陣我們可以將其寫作s={sn()|n=1,2,,N}，其中sn()是一個R×Θ的矩陣。圖(2.1)中(a)描述的是一個由10個點構成的點集，圖(2.1)中(b)描述了點p的SC特征。在這里，整個極坐標系被分割為了3×8個扇區(qū)（即R=3,Θ=8）[3]。圖2.1點集P的SC特征圖示。（a）由10個點組成的點集；（b）點P的SC特征圖示

第2章模糊形狀上下文特征與局部向量相似性約束13這里，μ為模糊形狀上下文特征參數(shù)，調節(jié)r,θ扇區(qū)的srθ()值，crθ為r,θ扇區(qū)內點的數(shù)量。根據srθ()獲得其取值為：（1）當μ=時，r,θ扇區(qū)的srθ()取值即為此扇區(qū)內點的數(shù)量；（2）當μ>時，r,θ扇區(qū)的srθ()取值取此扇區(qū)內點的數(shù)量并同時受到相同切向坐標扇區(qū)內點的數(shù)量的影響，且造成顯著影響的扇區(qū)數(shù)量隨μ的增大而增大。本節(jié)將點xi的模糊形狀上下文特征定義為由Sirθ(X)構成的R×Θ矩陣Si(X)則可以得到點集X的模糊形狀上下文特征矩陣：SX={1X,2X,X}(2.4)在本節(jié)，模糊形狀上下文特征根據極坐標系扇區(qū)覆蓋的高斯模型，使SC特征srθ()的描述方法成為一個扇區(qū)的點數(shù)作主導，多個切向相鄰扇區(qū)進行相互影響的方法[3]。為了證明模糊形狀上下文特征的有效性，在此我們給出原始SC特征與模糊形狀上下文特征的對比實驗[3]。如圖（2.2）所示，我們規(guī)定非剛性形變級別為8級和旋轉角度為75°，圖(2.2)第一行是模糊形狀上下文特征的配準結果，圖(2.2)第二行為原始SC特征的配準結果[3]。在此，規(guī)定紅色點集為目標點集，藍色點集為源點集，綠色點集為評估后的假想目標點集。在迭代的第一次，模糊形狀上下文特征和SC特征的評估后的假想目標點集均聚集于點集的中心[3]。于迭代的第15次，模糊形狀上下文特征展示出了配準的優(yōu)勢。最后，模糊形狀上下文特征的配準結果要好于原始SC特征的配準結果，在圖中紅色方框圈出了未配準正確的點集[3]。圖2.2糊形狀上下文特征與原始SC特征的配準效果對比2.2基于模糊形狀上下文的對應關系評估在非剛性點集配準的對應關系評估中，僅僅使用單一的全局特征或單一的局部特征在一些極端的情況下無法正常識別點集間的差異[3]。例如，全局特征相

【參考文獻】：
期刊論文
[1]基于模糊形狀上下文與局部向量相似性約束的配準算法[J]. 馬新科,楊揚,楊昆,羅毅.  自動化學報. 2020(02)
[2]基于混合特征的非剛性點陣配準算法[J]. 湯昊林,楊揚,楊昆,羅毅,張雅瑩,張芳瑜.  自動化學報. 2016(11)

碩士論文
[1]基于有限混合模型和局部結構約束的非剛性點集配準算法研究及其應用[D]. 張愫.云南師范大學 2018



本文編號：2931616