图1:应用于人体数据。最左边的形状被变形，使其与目标形状重叠。最右边的形状是应用作者先前报道的方法的结果。用“BCPD++”表示的四个形状是所提出方法的结果;加速的近似值从左向右改进。尽管进行了近似计算，但四种形状中的第三和第四种形状与前一种方法得到的形状大致相同。尽管图中没有显示，但与前面的方法相比，运行时明显减少。
资料来源：卡泽瓦大学
在一项研究中，金泽大学的一名研究人员演示了一种技术，相对于其他方法，该技术可以减少非刚性点集配准的计算时间。
以前加速这一过程的方法仅对由小点集(包含少于100,000点)描述的形状具有计算效率。因此，这种方法在应用程序中的使用受到限制。这项最新的研究旨在解决这一缺陷。
广告
广告
所提出的方法由三个步骤组成。首先，通过称为下采样的过程减少了每个点集中的点数。其次，非刚性点设置注册应用于下采样点集。第三，形状变形向量 - 定义所需空间变换的数学对象 - 估计在下采样期间去除的点。
“下采样点集是通过应用一种称为贝叶斯相干点漂移的算法来记录的，”作者Osamu Hirose解释说。“然后使用一种称为高斯过程回归的技术对被移去的点对应的变形向量进行插值。”
图2:应用于包含超过1000万个点的形状。(a)输入点集。(b)下采样点集。(c)用贝叶斯相干点漂移算法对下采样点集进行配准。(d)位移源点对应的变形向量插值。
资料来源：卡泽瓦大学
研究人员进行了一系列实验，以比较其方法与其他方法的登记性能。它们被认为是各种各样的形状，一些由小点组和其他大点组描述的形状（含有100,000到超过1000万分）。这些形状包括，例如，龙，猴子和人类的形状。
结果表明，本文提出的技术即使在点集超过1000万个点的情况下也是有效的，如图2所示。他们还表明，这种方法的计算时间明显短于那些最先进的方法的点集超过100万个点。
“虽然新技术提供了加速登记，但它对小型数据集的人为干扰相对敏感，”Hirose说。“这种灵敏度表明，该方法最适合于大的点集，而不是小的、有噪声的点集。”
鉴于非刚性点设置注册具有广泛的应用，本研究中建立的方法可能具有深远的影响。所提出的方法的源代码由作者分发github.com/hohirose/bcpd.．
这项研究发表在图案分析和机器智能的IEEE交易．
来源：卡泽瓦大学
