论文摘要
数据集配准问题是一类寻找两个数据点集之间的对应关系,并将两个数据点集对准的问题。在数据集配准问题的研究中,由于最近点迭代(Iterative Closest Points, ICP)算法具有速度快、计算效率高等优点,已成为数据集配准问题的基本求解方法。但由于配准算法对噪声和异常点的鲁棒性较差,容易陷入局部最优等缺点,导致算法应用受限,因此如何设计更高效和鲁棒的配准算法,成为图像处理与计算机视觉领域一个重要的课题。本文从混合高斯模型(Gaussian Mixed Model, GMM)出发将一个数据集看成高斯模型的中心点,对另一个数据集分类寻找自已的簇,再利用期望最大化算法(Expectation-Maximization Algorithm, EM)求解目标函数。这使得配准算法的抗噪声和异常点的能力显著提高。然而在配准点集规模较大的情况下,由于GMM模型中的数据集中每个点都与另一个数据集中的点有关联,这使得GMM模型的运行速度变得很慢。因此,我们考虑通过特征提取的方法来提高数据集的配准速度。最后,一系列数值实验证明我们提出的数据集配准算法具有更好的鲁棒性以及更少的计算时间。