cpd点云配准算法 论文理解以及使用问题分析

日期：2021/12/26
【说明：对概率相关知识要求较高，读起来费劲的很，网上资料比较少，而且众说纷纭，前前后后花费了三天时间才理解个差不多，或许仍然存在一些理解错误的地方（捂脸），如果有不当的地方，烦请不吝赐教（鞠躬）。】

CPD论文理解

混合高斯模型

本文将两个点集的对齐看作一个概率密度估计问题，其中一个点集代表混合高斯模型的形心，另一个代表数据。优化的过程中，两个点集对齐，对于一个给定数据点使用GMM后验概率的最大值获得对应关系。cpd算法的核心是让混合高斯模型的形心作为一个组一起移动，以此来保持点集的拓扑结构（点和线之间的关系）。符号表达与论文相同。
【个人理解：混合高斯模型看作以Y点集的每个点为形心的高斯分布，X点集中的每一个点是由其中一个高斯分布生成的，该点与该高斯分布的形心（Y点集中的点）是对应点。】
起初并不知道点x是由哪个高斯分布生成的，因此定义它产生的概率为：

点集X产生的概率为p(x)的乘积，要使X点集存在的概率最大，则使得该乘积最大，对上式取对数、加负号得到负对数似然函数（为了便于计算）：

【说明：（2）、（3）公式图片取自：https://blog.csdn.net/LilyNothing/article/details/67631634】

EM算法

参考书籍：《计算机视觉模型、学习和推理》
定义给定数据点时GMM核心的后验概率作为ym和xn之间的对应概率，此处比较抽象，后面加以说明。
使用EM算法求解$\theta$和$\sigma$² ,其中$\theta$包含了R,t,s。
E步：已知混合高斯模型中各个高斯分布的参数，对于X中的任意一个点xn，计算关于隐变量mi的后验分布Pr(mi|xn)。mi取k时的后验概率Pr(mi=k|xn)可以理解为正态分布k对于数据点xn的贡献（也就是数据点xn由正态分布k生成的概率），将这种对应关系简称为r_nk 。
M步：对于第k个高斯分量，更新其参数。第n个数据点xn根据E步中对应关系r_nk 以协助于这些更新，与第k个分量关系越密切的数据点对于参数的影响越大。

求解变换

E步：计算后验概率分布P^old(m|xn)，可以理解为所有数据点xn由各个正态分布k生成的概率分布。同时，P^old(m|xn)也可以看作ym和xn之间的对应概率，ym和xn是一对多的关系，各个点仅能由一个高斯分布生成，可是一个高斯分布可能生成多个数据点，要求的最终的对应关系，个人理解可能是再从多个数据点中挑选概率比较大的那一个。
M步：计算$\theta$和$\sigma$²，$\theta$为两个点集之间的变换，$\sigma$²为各个高斯变换的参数。

CPD配准效果不好原因是什么？

我用cpd算法对自己的两片点云进行配准，效果不理想，猜测可能是因为假设了ym的对应点是由以ym为形心的高斯分布生成的，也就是假设ym发生位置变化后的位置是在所有待定位置中以ym为形心的高斯分布概率最大的位置。具体是否如此，后续查找文献证明之后再进行修改。

高斯分布与l2范数

预备知识

参考书籍：《计算机视觉模型、学习和推理》
贝叶斯公式：
最大似然法和最大后验法：

贝叶斯方法：

正则化：
正则化是一种回归的形式，它将系数估计（coefficient estimate）朝零的方向进行约束、调整或缩小。

两者关系

参考链接：https://blog.csdn.net/NXHYD/article/details/104650246
由上面推导可以看出，加入l2范数的正则项，相当于加入参数w服从高斯分布的先验条件。
L2 正则化：使得模型的解偏向于范数较小的 W，通过限制 W 范数的大小实现了对模型空间的限制，从而在一定程度上避免了 overfitting 。不过 ridge regression 并不具有产生稀疏解的能力，得到的系数仍然需要数据中的所有特征才能计算预测结果，从计算量上来说并没有得到改观。

拉普拉斯分布与l1范数

预备知识

同上

两者关系

参考链接：https://blog.csdn.net/NXHYD/article/details/104650246

由上面推导可以看出，加入l1范数的正则项，相当于加入参数w服从拉普拉斯分布的先验条件。
L1 regularizer ：它的优良性质是能产生稀疏性，导致 W 中许多项变成零。 稀疏的解除了计算量上的好处之外，更重要的是更具有“可解释性”。