论文《基于局部拓扑特征和概率松弛标记的点模式匹配算法》学习

Abstract

《Point Pattern Matching Algorithm based on Local Topological Characteristic and Probabilistic Relaxation Labeling》（2016 SCI 会议）
为了减少异常值和噪声对点模式匹配的影响，提出了一种基于局部拓扑特征和概率松弛标记的点模式匹配算法。对于点集中的每个点，用局部邻接点来描述其局部拓扑特征。为了避免现有全局拓扑特征在角度编码上的缺陷，局部拓扑特征采用二进制相邻码。由于角的分配大于距离，在计算点间局部拓扑特征的相似度时，赋予了角较大的权重。最后，定义了一种鲁棒兼容性度量方法，并通过概率松弛标记迭代支持函数以获得最佳匹配结果。对合成数据和真实图像数据的实验表明，在存在异常值和噪声的情况下，LTC-PRL具有良好的匹配性能。
关键词 :点模式匹配;本地拓扑特点;概率;放松标签;那异常值和噪音

1. Introduction

点模式匹配(PPM)在模式识别和计算机视觉中有着广泛的应用，如目标识别[1]、图像分类[2]、立体视觉[3]等。PPM是在模板点集中标识目标点集的对应关系。PPM算法主要有两类。第一类是基于变换参数估计，包括迭代最近邻点(ICP)[4]、软赋值方法[5]等。利用不精确的变换参数，可以得到近似匹配。通过这种近似匹配，可以得到更精确的变换参数。这将迭代，直到获得满意的匹配。由于准确的变换参数只能通过正确的匹配得到，而正确的匹配只能通过准确的变换参数得到，因此第一类PPM算法很难获得良好的匹配性能。另一类是基于特征比较，包括形状上下文[6]、光谱匹配[7]等。通过点集之间的变换，提取出模式中点的不变特征。通过对特征的比较，可以得到对应关系。

基于特征比较的PPM算法由于易于实现和获得满意的匹配而受到广泛的关注。SVD[8]方法首先计算每个点集的点邻近矩阵。然后通过奇异值分解得到矩阵的特征值和特征向量。最后，通过比较不同点集之间的有序特征向量，找到对应关系。分配给每个点的形状上下文(SC)是关于剩余点相对于该点的角度和距离分布。最佳匹配是最小化两个点集之间的整体形状上下文距离。拓扑保持松弛标记(TPRL)计算每个点相邻点的全局拓扑特征[9]，并使用松弛标记匹配两个点集。

然而，由于缺失或伪造的点(离群点)和测量系统产生的噪声，这些特征将不再是不变的，而且大多数PPM算法的性能很差。摘要为了减小异常点和噪声对不变性特征的影响，提出了一种基于局部拓扑特征和概率松弛标记的点模式匹配算法。首先，对点集中的每一个点，使用局部邻域内的部分相邻点来描述其局部拓扑特征。由于全局拓扑特征的角度差是不对称的，局部拓扑特征采用了相邻码来避免这个问题。其次，考虑到角的量化程度大于邻域内的距离，在计算点间局部拓扑特征相似度时，赋予角较大的权重。最后，定义了一种鲁棒兼容性度量方法，并通过概率松弛标记迭代支持函数以获得最佳匹配结果。

二、 全局拓扑特征

距离赋值是对数坐标上的均匀量子化，它放大了近点的特征信息，压缩了远点的特征信息。


拓扑特性对平移、缩放、旋转和仿射变换不变性，对微小的非刚性变换具有鲁棒性。

三、 局部拓扑特征

如图2所示，噪声会引起点抖动。虚向量表示抖动是偶然的。由于全局拓扑特征中，点$s_i$的邻域是非均匀量子化的，靠近点is的邻域对噪声更敏感。特别是在角度量化方面，靠近$s_i$的点更容易偏离其它区域，甚至是相反的区域。以图2为例，在相同的噪声影响下，a点相对于$s_i$的量子化值比b点更容易改变。

本文仅用部分相邻点来描述点的局部拓扑特征。这些点和$s_i$之间的距离大于邻域半径的1 / 3。距离赋值是在直角坐标系下的均匀量子化。与全局拓扑特征相比，局部拓扑特征的计算效率更高，因为用于描述拓扑特征的相邻点数量更少，避免了距离分配中的对数计算。此外，当异常点出现在不使用点来描述拓扑特征的区域时，局部拓扑特征对异常点具有一定的鲁棒性。

在全局拓扑特征中，角度赋值的编码是{0,1,11}。在计算相似性时，角差是不对称的。例如，相邻点位于区域0中。有噪声时，可能会偏离区域1或区域11。区域0和区域1之间的角差是1，而区域0和区域11之间的角差是11。事实上，他们两个都是一个。因此，在局部拓扑特性中，采用相邻码来避免上述问题。代码以二进制字符表示，任何两个相邻区域之间的角差总是1。如图3所示，角度分配有12个区域，代码需要6位。在计算角差时，可以直接使用异或运算符，异或运算符的位数为1，比十进制负号和绝对值运算符的计算速度快得多。



在本文中，$\lambda$等于0.7，因为角的量子化程度大于邻域内距离的量子化程度，这意味着角的特征信息更加丰富。

值得注意的是，我们所构造的局部拓扑特征不仅对平移、尺度、旋转和仿射变换具有不变性，而且对异常值和噪声具有鲁棒性。但对于非刚性变换，局部拓扑特征的鲁棒性不如全局拓扑特征，因为它忽略了最邻近点的拓扑信息。

四、 概率松弛标记

对于上下文信息，松弛标记[10]是一个迭代过程，用于减少为一组对象分配符号标签时的模糊性。上下文信息与对象的拓扑结构和标签兼容性约束有关。本文考虑了概率松弛标记，其过程包括证据组合和传播两个步骤。在第一步中，支持函数被定义为通过当前标签概率估计和标签兼容性来修正支持。在第k次迭代时，可以给出将label ${\omega }_i$赋值给object $i$的支持:

这一过程将终止，而一致和明确的标记结果出来。

根据$(g_m^{s_i},b_n^{t_{j^{\prime }}})$的局部拓扑特征，定义$(s_i,t_{j^{\prime }})$的鲁棒兼容系数为:

支持函数$S(i,j^{\prime })$表示$(s_i,t_{j^{\prime }})$与部分相邻点的匹配支持度。在第k次迭代时，$S(i,j^{\prime })$表示为:

当匹配概率矩阵$P^{(k)}=[p^{(k)}(i,j^{\prime }){]}_{n_S\times n_T}$收敛时，迭代将停止。为了满足一对一的双射匹配，需要实现对矩阵的行和列的[11]归一化。

五、实验与分析

为了验证LTC-PRL的有效性，本节对合成和真实图像数据进行了测试，并将LTC-PRL的匹配性能与ICP、SVD、SC和TPRL进行了比较。

A、 综合数据实验

成数据生成如下:模板点集S由随机生成的点组成。大小$n_S$为40，每个点的位置在单位面积上分布均匀。目标点集T由S随机相似变换生成。变换参数分布均匀，包括缩放因子$s\in [0.5,2]$，旋转因子$\theta \in [-90^o,90^o]$，平移因子$t_x,t_y\in [-0.5,0.5]$。

进行了两组实验。在第一组中，T中每个点的位置用零均值的高斯噪声相加，标准差等于最小T (dminT是T中点对的最小距离，delta是噪声水平因子)。

进行了两组实验。在第一组中，T中每个点的位置用零均值的高斯噪声相加，标准差sigma等于$\delta \cdot d_{minT}$ ($d_{minT}$是T中点对的最小距离，delta是噪声水平因子)。在第二组中，在T中加入$\gamma \cdot n_T$伪点，这些伪点的位置在T区域内均匀分布。$\gamma$是异常值级别因子。每个序列重复100次Monte Carlo实验，并使用平均正确匹配率来评估匹配性能。

两组实验结果如图4所示。由于ICP是通过迭代与点定位的对应关系来实现的，所以当两个点集之间不存在变换时，ICP可以对异常值和噪声引起的误差匹配进行校正。但在实验中，目标点集是由模板点集随机变换而来，这导致ICP的整体性能较差。SC对异常值和噪声具有较强的鲁棒性，但对两个点集之间的旋转变换比较敏感。奇异值分解对两个点集之间的相似变换具有不变性，但对异常值和噪声敏感。因此其正确匹配率急剧下降。TPRL和LTC-PRL对相似变换都具有较强的鲁棒性。然而，与TPRL相比，LTC-PRL对异常值和噪声的鲁棒性更强。

B、 真实图像数据实验

在实验B中，我们使用CMU/VASC模型屋数据库[12]来测试这五种算法，该数据库由111帧玩具屋的移动序列组成。对于每一帧，提取30个对应的点作为点集，图像间隔为 p i c _ i n t e r v a l = { 10 , 20 , 100 } pic\_interval=\{10,20,100\} pic_interval={10,20,100}，每个$pic\_interva$的图像对为

我们将所有这些图像对分为两组进行匹配，并取平均正确对应。在第一组中，加入高斯噪声，噪声级因子$\delta$等于1.5。在第二组中，随机抽取5个点，使另一个点集的对应点成为离群点。对于图5所示的示例，与线连接的点对是LTC-PRL运行的正确结果。五种算法的正确匹配率如图6所示。该算法具有较强的鲁棒性和较强的噪声性能。

六、 结论

本文提出了一种新的PPM算法，以减少异常值和噪声的影响。为了使特征对异常值和噪声具有更强的鲁棒性，我们提取了每个点的局部拓扑特征。根据局部拓扑特性，定义了概率松弛标记的鲁棒相容性度量。经过迭代和匹配概率矩阵的双重归一化，得到最终结果。对合成图像和真实图像的实验结果表明，该方法即使存在较强的异常值和噪声，也能获得较好的匹配性能。