如何表达函数的期望.DOC

Rigid and Articulated Point Registration with Expectation Conditional Maximization Horaud, Radu? Forbes, Florence? Yguel, Manuel? Dewaele, Guillaume? Zhang, Jian? Page(s): 587 - 602 Digital Object Identifier : 10.1109/TPAMI.2010.94 Abstract | Full Text: PDF (3090KB) 这篇文章，将的也是点集合配准的问题，跟Coherent Point Drift是一样的。 具体地，给出一个3D的点集：，还有一个：。 这个：，通过一个变换，得到： 我们的任务，就是找到这个变换是如何变换的，也就是得到跟之间的对应关系。 这个变换，也是有章可循的，可以是： 刚体变换 只要求出来这对参数，就知道是怎么变换了。 这里的思想，跟Coherent Point Drift是一样的，我们训练一个GMM模型，它的参数是： 把变换后的模板点集作为GMM的参数， 再加上一个， 而把观察点集作为数据，带进GMM 模型。 我们的目标就是，求这个模型的参数，也就是，以及，使得吧带进GMM模型以后的目标函数最大: =argmax 可是，这个优化的过程中，要用到中的每个是属于哪个的信息，也就是：就是说属于的那个。而我们不知道，那就没法直接对进行优化了。 当然，我们可以没法办法直接知道是不是的信息，我们可以用个概率估计来猜一下期望：，然后再此基础上来优化；而优化好了之后呢，再重新猜一下如此往复循环…… 我靠，没错，又来了：迭代算法： 这里面有俩参数，另外也依赖这俩参数，所以要用迭代算法来算： 先初始化GMM模型参数 :先用已有的算一个新的概率出来: 用算出来的和来估计目标函数，重新算让它最大化： 用算好的跟，重新估计： 这里跟以前的迭代算法不同的是，以前是俩参数相互依赖，这里是仨参数顺序地依赖。 行了，思路有了，具体改如何从数学上实现呢？ 如何表达函数的期望 =？ 首先，我们确定目标函数 = 这是明确知道每个是属于哪个模型，也就是的情况。而我们不知道，而只能靠猜概率的时候，就得用概率了： = 而这个概率期望咋求呢？ 如何求概率 首先，既然是要算期望，那么这个概率咋算呢？根据贝叶斯定律： 高斯分布 如果是个，不属于模型中的任何一个 把上面都带入，得到： ， 如何优化目标函数中的参数？ 好了，现在万事俱备，就欠把 = 表达出来，求让它最大了。 那我们就把上面的神马的带进去看看呗： 咦，那这个里面，我们怎么来优化来完成迭代算法中的这一步呢？ 直接带入： 还得再化简一下，不用每个都上，而是用他们在每个GMM模型i中的期望，反正现在有了是属于的概率了： 这样，化简之后，目标函数的优化就变成了 ： 那这个和，到底是咋回事，依然不明朗，下面就来真格的了： 当然，得分变换的情况来说了： 刚性变换 链接变换 这就是说，一个部分依赖于前一部分： 既然整个点集不是刚体的，但是把它分成p个部分，则每个部分是刚体变换的，而且这些刚体，是一个接一个链接在一起的，后一个的刚体p变换是在前一个p-1的基础上发生的，就是在前一个的基础上扭一下就行了，只有一个旋转变换参数。 而这样一直推到前面去，得到一个最前面的，这个部分的变换就是旋转加位移的了：。 这样的话，我们要求的参数就是各个部分分别的参数了。 刚性变换 这一下就明朗了。要求最优的的，还是直接求导然后置零就行了： 先对目标函数求偏导，然后置零求得： 带入得到的求解方法： 注意，并且其中的是利用上轮求得的。 具体怎么优化，还得结合的形式进行: 各向同性的矩阵： 这个最小化问题，可以由中的方法解决。。。有点坑爹爹意思，呵呵呵。。。 非各向同性的，这样就不能像那样简单的解决了。 这样就把展开成一个9×1矢量：。通过这样的展开，把这优化的公式 给转变成： 和都能从（28）推导出来。 =》表达成矢量点乘= =》 到了这一步，就可以通过解决典型的the convex optimization problem来解决了。用个二次规划什么的就可以解决了，见文献 上面分情况，得到了，然后把带入就得到了。 求得了变换参数，可以直接把下一轮的给估计出来： 好了，这就有了算法了： 优化的方在我们分情况讨论里。 这是收敛的条件，收敛了之后，根据 根据是属于哪个model的概率最大，来判断跟那个是意义对应的。 链接变换 链接变换是把整个点集划分成若干刚性的子集，而且是链接在一起的， 后个点集的变换是在前个基础上，且这种变换是只有一个扭动而已，参数是 当然，最初是的那个