基于邻域结构和驱动力准则的非刚性点集配准

非刚性点集配准的关键是找到点集之间的正确对应关系.传统点集配准方法通常将特征点的全局空间距离作为判别准则,而未考虑点集的邻域结构信息,容易产生误匹配,为此,文中提出了一种基于邻域结构和驱动力的非刚性点集配准算法.首先,在一致性点漂移(CPD)算法的基础上,提出了一种局部距离计算方法,并将其与空间距离相结合,有助于提高匹配精度;此外,对传统形状上下文方法进行了改进,构建了一种新的驱动力准则,以在初始配准过程中提高搜索速度,在后期减小配准误差;最后,采用期望最大化(EM)算法迭代求解各点对的对应关系.在常用国际点集数据集上的仿真实验结果表明,在非刚性变形、噪声、异常点和遮挡等情况下,文中算法比经典算法具有更高的鲁棒性,匹配准确率也更高,并且对真实图像可以获得比较理想的配准效果.