采用凹二次正则项弹性点匹配算法.docVIP

采用凹二次正则项弹性点匹配算法 　　摘 要：现有的采用l1范数正则项的点匹配算法，其l1范数优化问题可等价为一个线性规划问题，但约束不满足完全的单模性，这导致解出的对应关系不是整数，需要后续的取整过程，这会给计算结果带来额外误差并使算法复杂化。为解决该问题，基于鲁棒点匹配算法的最新成果，提出一种新的正则项。该正则项是凹的，可以证明目标函数具有整数的最优解，所以算法无须后续处理，实现起来更简单。实验结果表明：相比采用l1范数正则项的算法，所提算法对于各种干扰均有更好的鲁棒性，特别对于野点干扰，误差只有对比算法的一半。 关键词：正则项；凹函数；空间变换；点对应关系；特征点匹配；匈牙利算法 中图分类号： TP391；TP301.6 文献标志码：A 0 引言 形状或图像的配准是计算机视觉、模式识别和医学图像处理领域中一个基础而又重要的问题，它的目标是找到使两形状/图像的特征对应起来的空间变换和对应关系。由于点特征普遍存在且易于获得，该问题通常被转化为一个点匹配问题。目前，已有多种算法用于解决该问题[1-7]，其中一种比较流行的做法是定义目标函数为特征匹配代价和正则项之和，然后对其优化，从而实现点匹配。具体来说，该方法需要对如下形式的目标函数进行优化： 当正则项φ具有l1范数形式时，函数（2）将是一个分段线性凸函数，因此对函数（2）在关于p的线性约束下进行优化将等价为一个线性规划问题。而线性规划可以很容易找到最优解，因此算法的鲁棒性能够得到保证。由于该优点，现有的一些比较流行的点匹配算法均采用了l1范数形式的正则项[8-10]。文献[8]对模板边的大小和方向进行了保持，因此只具有平移不变性（Translation Invariant， TI）；文献[9]将这一方法推广成具有相似不变性（Similarity Invariant， SI），其核心思想是采用4个在线性约束下的线性变换来近似旋转变换以及对尺度变化进行量化；基于“平面上一点可由其他3个不共线点表示”这一原理，文献[10]提出了一种具有仿射不变性（Affine Invariant， AI）的正则项。 虽然采用l1范数可以保证算法的鲁棒性，但会带来如下问题：转化后的线性规划问题，其约束将不再满足完全的单模性[11]。因此其最优解将不再是整数，所以需要一个将对应关系转化成整数的过程。为解决该问题，文献[8]提出了信任区域法：每一模板点对应一个信任区域，对每一模板点，只需考虑它的信任区域覆盖的那些目标点。初始情况下，信任区域覆盖整个目标点集；此后在迭代的每一步，信任区域被逐渐缩小。针对相应的信任区域，目标函数都需要优化一次，得到的解用于进一步调整信任区域的位置和大小。信任区域法是一个比较复杂的算法，其过程不可避免地会给匹配结果带来误差。 为解决该问题，本文基于鲁棒点匹配（Robust Point Matching， RPM）算法的最新成果[12]，提出一种新的正则项用于弹性点匹配问题，该正则项是凹的。众所周知，一个凹函数在一个有界凸多面体上的最小解可以在其边界的一个顶点上取得。而本文算法的约束条件构成的凸多面体具有完全的单模性[11]，其顶点的坐标值只能是整数。因此如果采用类似单纯形算法的优化方法，本文算法的解将直接是整数，无须后续处理，所以和文献[8-10]的算法相比，本文的算法更加简单。 为了高效地完成目标函数的优化，本文采用了局部搜索算法。由于所采用的正则项是凹的，所以局部搜索算法无法保证其解具有全局最优性。相比之下，文献[8-10]算法的正则项是凸的，因此在信任区域收缩的每一步，不管采用何种局部搜索算法，都能保证得到全局最优解。然而，由于所选图像特征具有强的区分能力，本文算法的解接近全局最优解。这一点在实验结果中能够得到反映。 6 结语 本文在点匹配的代价函数中构造了一种新的正则项，该正则项使得代价函数是凹函数。和已有的采用l1范数形式的凸正则项相比，凹正则项的引入使得问题求解结果是整数，省去了需要进行繁琐的整数化的后续处理过程。采用合成数据和实际数据与AI、SI和TI算法的比较实验结果表明，本文算法的鲁棒性更好。 参考文献： [1]BESL P J， MCKAY N D. A method for registration of 3D shapes [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1992， 14（2）： 239-256. [2]ZHANG Z Y. Iterative point matching for registration of freeform curves and surfac