基于混合框架与变分推断的配准算法及其应用
发布时间：2020-12-22 10:37
我们提出了一种基于混合框架和变分推理的配准算法(Mixture Framework and Variational Inference,MFVI)。在MFVI算法中,混合框架是一种从粗到精的配准策略来自动处理不同情况下的点集配准问题,主要包括三个主要步骤:(1)线性阶段,这是一个预匹配过程,点集的变换被限制为刚性形式;(2)回归过程,利用高斯变分混合模型弱化冗余点的影响;(3)非线性阶段,这是一个精确的点集配准过程,点集的变换被限制为一个非刚性形式。我们使用变分推断来解决参数优化问题。在变分推理框架下,我们设计了一个各向同性和各向异性的高斯变分混合模型(Gaussian Variational Mixture Model,GVMM),以减弱冗余点的影响,同时使用狄利克雷分布来控制高斯分量的混合比例,进而对缺失点进行区分。为了提升MFVI算法的鲁棒性,我们设计了模糊形状上下文(Fuzzy shape context,FSC)特征和局部向量特征的局部空间向量相似性约束项(Local Vector Similarity Constraint,LVSC)。在MFVI算法中的非线性阶段,我们首先...
【文章来源】：云南师范大学云南省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
本文算法的具体研究内容点集配准的过程中形成一种互为补充的关系
第2章模糊形状上下文特征与局部向量相似性约束11第2章模糊形状上下文特征与局部向量相似性约束在混合框架的非线性阶段，经典的框架主要分为以下两个步骤去进行配准：步骤1：源点集与目标点集间之间的对应关系评估；步骤2：源点集与目标点集之间的空间变换更新。这个框架是迭代的非刚性点集配准方法领域中的经典框架，框架的关键思想在于两步骤交替过程中逐步去调整源点集的初始几何结构和位置，从而使得与源点集与目标点集逐渐靠近，进而使两个点集之间的对应关系评估变得更加容易，最终实现源点集与目标点集的精确配准。在本章，我们主要基于迭代的两步骤来详细介绍模糊形状上下文与局部向量相似性约束。为了证明算法的有效性，本章给出了主要贡献的对比实验。2.1模糊形状上下文特征描述子早期，Belongie等人[24]提出了著名的形状上下文(Shapecontext,SC)特征描述子用来形容点集的整体外观特征。SC特征规定目标点集中的每一个点为中心构建极坐标系，而且使用径向长度为logr(r是扇区的层数)，切向角度一致的方法将极坐标系分割成相同数量的扇区,依次使不一样点的扇区之中的点数标记在每个独立的矩阵中成为这个点集的SC特征[3]。一个点集的SC特征矩阵我们可以将其写作s={sn()|n=1,2,,N}，其中sn()是一个R×Θ的矩阵。图(2.1)中(a)描述的是一个由10个点构成的点集，图(2.1)中(b)描述了点p的SC特征。在这里，整个极坐标系被分割为了3×8个扇区（即R=3,Θ=8）[3]。图2.1点集P的SC特征图示。（a）由10个点组成的点集；（b）点P的SC特征图示
第2章模糊形状上下文特征与局部向量相似性约束13这里，μ为模糊形状上下文特征参数，调节r,θ扇区的srθ()值，crθ为r,θ扇区内点的数量。根据srθ()获得其取值为：（1）当μ=时，r,θ扇区的srθ()取值即为此扇区内点的数量；（2）当μ>时，r,θ扇区的srθ()取值取此扇区内点的数量并同时受到相同切向坐标扇区内点的数量的影响，且造成显著影响的扇区数量随μ的增大而增大。本节将点xi的模糊形状上下文特征定义为由Sirθ(X)构成的R×Θ矩阵Si(X)则可以得到点集X的模糊形状上下文特征矩阵：SX={1X,2X,X}(2.4)在本节，模糊形状上下文特征根据极坐标系扇区覆盖的高斯模型，使SC特征srθ()的描述方法成为一个扇区的点数作主导，多个切向相邻扇区进行相互影响的方法[3]。为了证明模糊形状上下文特征的有效性，在此我们给出原始SC特征与模糊形状上下文特征的对比实验[3]。如图（2.2）所示，我们规定非刚性形变级别为8级和旋转角度为75°，图(2.2)第一行是模糊形状上下文特征的配准结果，图(2.2)第二行为原始SC特征的配准结果[3]。在此，规定红色点集为目标点集，蓝色点集为源点集，绿色点集为评估后的假想目标点集。在迭代的第一次，模糊形状上下文特征和SC特征的评估后的假想目标点集均聚集于点集的中心[3]。于迭代的第15次，模糊形状上下文特征展示出了配准的优势。最后，模糊形状上下文特征的配准结果要好于原始SC特征的配准结果，在图中红色方框圈出了未配准正确的点集[3]。图2.2糊形状上下文特征与原始SC特征的配准效果对比2.2基于模糊形状上下文的对应关系评估在非刚性点集配准的对应关系评估中，仅仅使用单一的全局特征或单一的局部特征在一些极端的情况下无法正常识别点集间的差异[3]。例如，全局特征相
【参考文献】：
期刊论文
[1]基于模糊形状上下文与局部向量相似性约束的配准算法[J]. 马新科,杨扬,杨昆,罗毅. 自动化学报. 2020(02)
[2]基于混合特征的非刚性点阵配准算法[J]. 汤昊林,杨扬,杨昆,罗毅,张雅莹,张芳瑜. 自动化学报. 2016(11)
硕士论文
[1]基于有限混合模型和局部结构约束的非刚性点集配准算法研究及其应用[D]. 张愫.云南师范大学 2018
本文编号：2931616
【文章来源】：云南师范大学云南省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
本文算法的具体研究内容点集配准的过程中形成一种互为补充的关系
第2章模糊形状上下文特征与局部向量相似性约束11第2章模糊形状上下文特征与局部向量相似性约束在混合框架的非线性阶段，经典的框架主要分为以下两个步骤去进行配准：步骤1：源点集与目标点集间之间的对应关系评估；步骤2：源点集与目标点集之间的空间变换更新。这个框架是迭代的非刚性点集配准方法领域中的经典框架，框架的关键思想在于两步骤交替过程中逐步去调整源点集的初始几何结构和位置，从而使得与源点集与目标点集逐渐靠近，进而使两个点集之间的对应关系评估变得更加容易，最终实现源点集与目标点集的精确配准。在本章，我们主要基于迭代的两步骤来详细介绍模糊形状上下文与局部向量相似性约束。为了证明算法的有效性，本章给出了主要贡献的对比实验。2.1模糊形状上下文特征描述子早期，Belongie等人[24]提出了著名的形状上下文(Shapecontext,SC)特征描述子用来形容点集的整体外观特征。SC特征规定目标点集中的每一个点为中心构建极坐标系，而且使用径向长度为logr(r是扇区的层数)，切向角度一致的方法将极坐标系分割成相同数量的扇区,依次使不一样点的扇区之中的点数标记在每个独立的矩阵中成为这个点集的SC特征[3]。一个点集的SC特征矩阵我们可以将其写作s={sn()|n=1,2,,N}，其中sn()是一个R×Θ的矩阵。图(2.1)中(a)描述的是一个由10个点构成的点集，图(2.1)中(b)描述了点p的SC特征。在这里，整个极坐标系被分割为了3×8个扇区（即R=3,Θ=8）[3]。图2.1点集P的SC特征图示。（a）由10个点组成的点集；（b）点P的SC特征图示
第2章模糊形状上下文特征与局部向量相似性约束13这里，μ为模糊形状上下文特征参数，调节r,θ扇区的srθ()值，crθ为r,θ扇区内点的数量。根据srθ()获得其取值为：（1）当μ=时，r,θ扇区的srθ()取值即为此扇区内点的数量；（2）当μ>时，r,θ扇区的srθ()取值取此扇区内点的数量并同时受到相同切向坐标扇区内点的数量的影响，且造成显著影响的扇区数量随μ的增大而增大。本节将点xi的模糊形状上下文特征定义为由Sirθ(X)构成的R×Θ矩阵Si(X)则可以得到点集X的模糊形状上下文特征矩阵：SX={1X,2X,X}(2.4)在本节，模糊形状上下文特征根据极坐标系扇区覆盖的高斯模型，使SC特征srθ()的描述方法成为一个扇区的点数作主导，多个切向相邻扇区进行相互影响的方法[3]。为了证明模糊形状上下文特征的有效性，在此我们给出原始SC特征与模糊形状上下文特征的对比实验[3]。如图（2.2）所示，我们规定非刚性形变级别为8级和旋转角度为75°，图(2.2)第一行是模糊形状上下文特征的配准结果，图(2.2)第二行为原始SC特征的配准结果[3]。在此，规定红色点集为目标点集，蓝色点集为源点集，绿色点集为评估后的假想目标点集。在迭代的第一次，模糊形状上下文特征和SC特征的评估后的假想目标点集均聚集于点集的中心[3]。于迭代的第15次，模糊形状上下文特征展示出了配准的优势。最后，模糊形状上下文特征的配准结果要好于原始SC特征的配准结果，在图中红色方框圈出了未配准正确的点集[3]。图2.2糊形状上下文特征与原始SC特征的配准效果对比2.2基于模糊形状上下文的对应关系评估在非刚性点集配准的对应关系评估中，仅仅使用单一的全局特征或单一的局部特征在一些极端的情况下无法正常识别点集间的差异[3]。例如，全局特征相
【参考文献】：
期刊论文
[1]基于模糊形状上下文与局部向量相似性约束的配准算法[J]. 马新科,杨扬,杨昆,罗毅. 自动化学报. 2020(02)
[2]基于混合特征的非刚性点阵配准算法[J]. 汤昊林,杨扬,杨昆,罗毅,张雅莹,张芳瑜. 自动化学报. 2016(11)
硕士论文
[1]基于有限混合模型和局部结构约束的非刚性点集配准算法研究及其应用[D]. 张愫.云南师范大学 2018
本文编号：2931616
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2931616.html
