基于期望条件极大化的刚体与关节式点集配准
计算机视觉与模式识别
2020-12-10 v1
摘要
本文通过概率点集配准解决刚体与关节式形状的匹配问题。该问题被重构为一个缺失数据框架，其中未知对应关系通过混合模型处理。采用极大似然原理，我们引入了一种新颖的类 EM 算法，即用于点集配准的期望条件极大化(ECMPR)算法。该算法允许混合模型分量使用一般协方差矩阵，优于各向同性协方差情形。我们详细分析了在配准参数估计方面的相关后果，并基于半正定松弛提出了一种估计旋转与平移参数的最优方法。我们将刚体配准扩展至关节式配准。通过向所处理的 Gaussian 混合模型添加均匀分量来检测并剔除离群点，从而确保鲁棒性。我们对方法进行了深入分析，并从理论与实验上与其他鲁棒点集配准方法进行了比较。
引用
@article{arxiv.2012.05191,
title = {Rigid and Articulated Point Registration with Expectation Conditional Maximization},
author = {Radu Horaud and Florence Forbes and Manuel Yguel and Guillaume Dewaele and Jian Zhang},
journal= {arXiv preprint arXiv:2012.05191},
year = {2020}
}