3.非刚性变换.doc

Point Set Registration: Coherent Point Drift Myronenko, A.; Xubo Song; Pattern Analysis and Machine Intelligence, IEEE Transactions on Volume: 32 , Issue: 12 Digital Object Identifier: 10.1109/TPAMI.2010.46 Publication Year: 2010 , Page(s): 2262 - 2275 IEEE Journals Abstract ?|? Full Text: PDF?(2227 KB) 这篇文章讲的是点集配准的问题。 也就是说： 我们的任务是，如何找出这俩点集之间的意义对应的关系： 换言之，也就是找出中间这个变换，是怎么样的？ 具体地，给你 （每个点）和 （每个点）， 让你找一个变换，使得变换之后得到跟之中的一个能一一对应起来，对应的点对应该越像越好。 作者的思路比较独特，作者把看作是GMM的质心，而看作是点的集合。 只要能求出GMM模型和，就能得到每个对应的那个：就是让 ，也就是最大的那个。 其实是 这样，一一对应的关系就找出来了。 关键问题就是，如何估计GMM，又如何求得？ 变换参数 其实，求可以有规可循的： 刚性变换： ， 这样的话，求，就是求刚性变换的三个参数：=（） 仿射变换： 参数就是：=（） 非刚性变换： 参数就是权值= 通过求GMM参数来估计变换参数 给出以上三个情况，我们的人就是把求出来，从而得到每个GMM中的的：. 回忆一下GMM的估计算法，这个算法的目的是，要找到GMM模型中的（也就是找到）和，可以让最小： 这样，我们就把估计的问题，先变成了它的参数的估计，然后又通过GMM，变成了可以通过EM算法来估计的参数。 那么具体地，啥是EM算法呢？ 就是通过和两步交替迭代进行，最终收敛，来使得能最小化。 初始化参数： ： ：求^new跟^new使得 最小 下面的问题就是，如何求得^new跟^new使得这个目标函数最小呢？我们分情况来讨论： 刚性变换 问题就是如何求得来使得 达到最小？ 当然就是求导数，然后让这个导数等于零，求出各个参数了。 首先，我们从下手，对Q求t的偏导数，然后让它等于零，解得： 把t带到Q中去，写成矩阵形式： 到了这份上，我们可以给出一个作为工具的定理了： 想要求一个，来， 这个要求的R是这样的： 是A的，其中跟是正交的， 用这个定理，我们试图来解出R来,关键就是如何把求一个让Q最小话的R的问题，套成的样子了 再后头看把t 带回Q之后的式子： 我们会惊奇的发现：只有中有Ｒ的踪影，而这个中，恰好就是的样子！ 那就太好啦，我们就把Ｑ表达成我们所想要的形式： 最恰好的是：我们要求Ｑ的最小值，而是求最大值的方法，就在这关键时刻，的前面，出现了一个负号！！ 这样，就万事大吉啦！我们要求Ｒ来最小化Ｑ，就变成了： 它的解是： 有了Ｒ，我们就可以求得了。 至于，有了Ｒ跟ｔ，直接求Ｑ关于的导数，然后等于零求就行了。 从作者解Ｒ的方法上看来，作者不光思路新颖，（想到用GMM的质心个数据点的先验概率来判断一一的对应关系），而且数学功底特别扎实，（想到了用来解Ｒ）．这一点是非常难得的，尤其在工科出身的研究者中间，往往是仅仅是思路新颖，到了数学方面就不行了。 下面就上刚性配准的算法： 这是把给算出来。 这步把R给解了。 然后就得到了变换的函数： 重新算p_mn,用来求对应关系： 仿射变换 这个跟刚才的刚性变换及其相似，就是没了这个限制条件： 和s，这样的话： 只要分别对Q求B、t、导数然后置零就行了。 上算法： 非刚性变换 这个问题就是如何估计一个函数的问题。 首先作者先给这个函数加一个约束：到目标函数Q里面去，然后通过最小化这个目标函数，来得到一个最优的。 关键是，如何定义这个呢？ 作者提出用的来定义 实际上，G是个函数，也就是个低通滤波器，而则是用G的倒数，把的高频部分给保留下来了。也就是说，通过这个变换，把的高频部分给抽取出来，然后做。 好的，吧这项加到Q目标函数上之后： 变成了 下面就是如何来求这个v了？ 作者说，要求的这个，必然满足一下这个等式： 这个问题的解就是： 好不容到了这一步，我们总算有了这样一个头绪。现