我們提出了一種基于混合框架和變分推理的配準(zhǔn)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(zhǔn)策略來(lái)自動(dòng)處理不同情況下的點(diǎn)集配準(zhǔn)問(wèn)題,主要包括三個(gè)主要步驟:(1)線性階段,這是一個(gè)預(yù)匹配過(guò)程,點(diǎn)集的變換被限制為剛性形式;(2)回歸過(guò)程,利用高斯變分混合模型弱化冗余點(diǎn)的影響;(3)非線性階段,這是一個(gè)精確的點(diǎn)集配準(zhǔn)過(guò)程,點(diǎn)集的變換被限制為一個(gè)非剛性形式。我們使用變分推斷來(lái)解決參數(shù)優(yōu)化問(wèn)題。在變分推理框架下,我們?cè)O(shè)計(jì)了一個(gè)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(diǎn)的影響,同時(shí)使用狄利克雷分布來(lái)控制高斯分量的混合比例,進(jìn)而對(duì)缺失點(diǎn)進(jìn)行區(qū)分。為了提升MFVI算法的魯棒性,我們?cè)O(shè)計(jì)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(xiàng)(Local Vector Similarity Constraint,LVSC)。在MFVI算法中的非線性階段,我們首先... 

【文章來(lái)源】：云南師范大學(xué)云南省

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文算法的具體研究?jī)?nèi)容點(diǎn)集配準(zhǔn)的過(guò)程中形成一種互為補(bǔ)充的關(guān)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(jīng)典的框架主要分為以下兩個(gè)步驟去進(jìn)行配準(zhǔn)：步驟1：源點(diǎn)集與目標(biāo)點(diǎn)集間之間的對(duì)應(yīng)關(guān)系評(píng)估；步驟2：源點(diǎn)集與目標(biāo)點(diǎn)集之間的空間變換更新。這個(gè)框架是迭代的非剛性點(diǎn)集配準(zhǔn)方法領(lǐng)域中的經(jīng)典框架，框架的關(guān)鍵思想在于兩步驟交替過(guò)程中逐步去調(diào)整源點(diǎn)集的初始幾何結(jié)構(gòu)和位置，從而使得與源點(diǎn)集與目標(biāo)點(diǎn)集逐漸靠近，進(jìn)而使兩個(gè)點(diǎn)集之間的對(duì)應(yīng)關(guān)系評(píng)估變得更加容易，最終實(shí)現(xiàn)源點(diǎn)集與目標(biāo)點(diǎn)集的精確配準(zhǔn)。在本章，我們主要基于迭代的兩步驟來(lái)詳細(xì)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(xiàn)的對(duì)比實(shí)驗(yàn)。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(lái)形容點(diǎn)集的整體外觀特征。SC特征規(guī)定目標(biāo)點(diǎn)集中的每一個(gè)點(diǎn)為中心構(gòu)建極坐標(biāo)系，而且使用徑向長(zhǎng)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(biāo)系分割成相同數(shù)量的扇區(qū),依次使不一樣點(diǎn)的扇區(qū)之中的點(diǎn)數(shù)標(biāo)記在每個(gè)獨(dú)立的矩陣中成為這個(gè)點(diǎn)集的SC特征[3]。一個(gè)點(diǎn)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(gè)R×Θ的矩陣。圖(2.1)中(a)描述的是一個(gè)由10個(gè)點(diǎn)構(gòu)成的點(diǎn)集，圖(2.1)中(b)描述了點(diǎn)p的SC特征。在這里，整個(gè)極坐標(biāo)系被分割為了3×8個(gè)扇區(qū)（即R=3,Θ=8）[3]。圖2.1點(diǎn)集P的SC特征圖示。（a）由10個(gè)點(diǎn)組成的點(diǎn)集；（b）點(diǎn)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(diào)節(jié)r,θ扇區(qū)的srθ()值，crθ為r,θ扇區(qū)內(nèi)點(diǎn)的數(shù)量。根據(jù)srθ()獲得其取值為：（1）當(dāng)μ=時(shí)，r,θ扇區(qū)的srθ()取值即為此扇區(qū)內(nèi)點(diǎn)的數(shù)量；（2）當(dāng)μ>時(shí)，r,θ扇區(qū)的srθ()取值取此扇區(qū)內(nèi)點(diǎn)的數(shù)量并同時(shí)受到相同切向坐標(biāo)扇區(qū)內(nèi)點(diǎn)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(diǎn)xi的模糊形狀上下文特征定義為由Sirθ(X)構(gòu)成的R×Θ矩陣Si(X)則可以得到點(diǎn)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(jù)極坐標(biāo)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(gè)扇區(qū)的點(diǎn)數(shù)作主導(dǎo)，多個(gè)切向相鄰扇區(qū)進(jìn)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(duì)比實(shí)驗(yàn)[3]。如圖（2.2）所示，我們規(guī)定非剛性形變級(jí)別為8級(jí)和旋轉(zhuǎn)角度為75°，圖(2.2)第一行是模糊形狀上下文特征的配準(zhǔn)結(jié)果，圖(2.2)第二行為原始SC特征的配準(zhǔn)結(jié)果[3]。在此，規(guī)定紅色點(diǎn)集為目標(biāo)點(diǎn)集，藍(lán)色點(diǎn)集為源點(diǎn)集，綠色點(diǎn)集為評(píng)估后的假想目標(biāo)點(diǎn)集。在迭代的第一次，模糊形狀上下文特征和SC特征的評(píng)估后的假想目標(biāo)點(diǎn)集均聚集于點(diǎn)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(zhǔn)的優(yōu)勢(shì)。最后，模糊形狀上下文特征的配準(zhǔn)結(jié)果要好于原始SC特征的配準(zhǔn)結(jié)果，在圖中紅色方框圈出了未配準(zhǔn)正確的點(diǎn)集[3]。圖2.2糊形狀上下文特征與原始SC特征的配準(zhǔn)效果對(duì)比2.2基于模糊形狀上下文的對(duì)應(yīng)關(guān)系評(píng)估在非剛性點(diǎn)集配準(zhǔn)的對(duì)應(yīng)關(guān)系評(píng)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(wú)法正常識(shí)別點(diǎn)集間的差異[3]。例如，全局特征相

【參考文獻(xiàn)】：
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(zhǔn)算法[J]. 馬新科,楊揚(yáng),楊昆,羅毅.  自動(dòng)化學(xué)報(bào). 2020(02)
[2]基于混合特征的非剛性點(diǎn)陣配準(zhǔn)算法[J]. 湯昊林,楊揚(yáng),楊昆,羅毅,張雅瑩,張芳瑜.  自動(dòng)化學(xué)報(bào). 2016(11)

碩士論文
[1]基于有限混合模型和局部結(jié)構(gòu)約束的非剛性點(diǎn)集配準(zhǔn)算法研究及其應(yīng)用[D]. 張愫.云南師范大學(xué) 2018



本文編號(hào)：2931616