应用于人体数据。最左边的形状会变形，以便与目标形状重叠。最右边的形状是应用作者之前报告的方法的结果。由“BCPD++”表示的四种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，但这四种形状中的第三和第四种形状与通过先前方法获得的形状大致相同。虽然图中没有显示，但是与前面的方法相比，运行时间明显减少了。学分:金泽大学非刚性点集配准是找到一个空间变换的过程，该变换将两个表示为一组数据点的形状对齐。它在自动驾驶、医学成像和机器人操作等领域有着广泛的应用。现在，已经开发出一种方法来加速这一过程。在发表在《IEEE模式分析和机器智能事务》上的一项研究中，来自金泽大学的一名研究人员展示了一种技术，与其他方法相比，该技术减少了非刚性点集配准的计算时间。
以前加速这一过程的方法只对由小点集(包含少于10个0，000个点)描述的形状具有计算效率。因此，这种方法在应用中的使用受到了限制。这项最新研究旨在解决这一缺陷。
该方法包括三个步骤。首先，通过称为下采样的过程来减少每个点集中的点数。第二，非刚性点集配准被应用于下采样的点集。第三，形状变形向量——定义所需空间变换的数学对象——是为下采样过程中移除的点估计的。
作者Osamu Hirose解释说:“通过应用一种称为贝叶斯相干点漂移的算法来记录下采样的点集。"然后使用一种叫做高斯过程回归的技术，对对应于被去除的点的变形向量进行插值."
应用于包含超过一千万个点的形状。输入点集。下采样点集。(c)通过称为贝叶斯相干点漂移的算法登记下采样的点集。对应于去除的源点的变形矢量的插值。学分:金泽大学研究人员进行了一系列实验来比较他们的方法和其他方法的注册性能。他们考虑了各种各样的形状，一些由小点集描述，另一些由大点集描述(包含从100，000到1000多万个点)。例如，这些形状包括龙、猴子和人的形状。
结果表明，所提出的技术即使对于超过1000万个点的点集也是有效的，如图2所示。他们还表明，对于超过一百万个点的点集，这种方法的计算时间明显短于最先进的方法。
Hirose说:“尽管新技术提供了加速配准，但它对小数据集的人为干扰相对敏感。"这种敏感性表明，这种方法最适合大的点集，而不是小的、有噪声的点集."
鉴于非刚性点集配准具有广泛的应用，本研究中建立的方法可能具有深远的影响。提议的方法的源代码由作者在github.com/ohirose/bcpd.分发
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
