非刚性点集配准是计算机视觉和模式识别领域的基础研究问题,当存在大量离群点,噪声,对应关系缺失,旋转和形变时,当前的非刚性点集配准算法由于点集特征评估难度增加导致对应关系不准确的问题。本研究在贝叶斯框架下使用有限重尾分布来构建了一种基于层次概率模型的非刚性点集配准(hierarchical probabilistic model based non-rigid point set registration,HPMR)算法。在HPMR算法中,首先基于犹豫模糊环境使用犹豫模糊Einstein加权平均(hesitant fuzzy Einstein weighted averaging,HFEWA)算子和对称交互熵来对点集中的假定内点进行评估;其次基于学生t分布混合模型(student-t mixture model,SMM)来建立分层概率模型(hierarchical probabilisticmodel,HPM),并将其分为对应关系评估组件和离群点聚合组件,分别根据后验概率来评估点集间对应关系和聚合离群点。此外,Gamma先验分布和Dirichlet先验分布被用于来自动调节SMM中每个子组件的尾部和混合比例,从而进一步解决离群点和点集对应关系缺失问题。最后,HPMR算法使用变分贝叶斯期望最大化(variational Bayes expectation maximization,VBEM)优化框架来估计混合模型中的参数和隐变量,并获得最优的空间变换函数。在E步骤中,使用前一次迭代中获得的模型参数估计来推断隐变量的后验分布;在M步骤中,使用隐变量的值来对使用了树状平均场因式分解方法的模型参数进行逐一更新,以获得更紧致的变分下界。本研究在合成点集配准,3D点集配准,Oxford和SUIRD公开数据集图像配准中测试了HPMR算法,并与11种流行的算法进行比较,HPMR在大多数情况下可以获得最佳的配准性能。
暂无评论