如何使用深度信念網(wǎng)絡(luò)進行異常點集間的匹配算法說明

　　在存在異常值、噪聲或缺失點的情況下，損壞的點集中很難區(qū)分異常點與正常點，并且點集之間的匹配關(guān)系也會受到這些異常點的影響?；谡｜c之間存在某種聯(lián)系以及正常點與異常點之間存在差異的先驗知識，提出將點集間匹配關(guān)系的估計問題模型化為機器學(xué)習(xí)的過程。首先，考慮到兩個正常點集之間的誤差特征，提出了一種基于深度信念網(wǎng)絡(luò)（ DBN）的學(xué)習(xí)方法來訓(xùn)練具有正常點集的網(wǎng)絡(luò)；然后，使用訓(xùn)練好的DBN測試損壞的點集，根據(jù)設(shè)置的誤差閾值在網(wǎng)絡(luò)輸出端就可以識別異常值和不匹配的點。對存在噪聲和缺失點的2D、3D點集所做的匹配實驗中，利用模型預(yù)測樣本的結(jié)果定量評估了點集間的匹配性能，其中匹配的精確率可以達到94qo以上。實驗結(jié)果表明，所提算法可以很好地檢測點集中的噪聲，即使在數(shù)據(jù)缺失的情況下，該算法也可以識別幾乎所有的匹配點。

　　點集配準(zhǔn)是計算機視覺、醫(yī)學(xué)圖像分析、模式識別和信號處理的基本和關(guān)鍵問題之一。點集配準(zhǔn)的目標(biāo)是找到兩個點集之間的正確匹配關(guān)系，并確定出能對準(zhǔn)它們的空間變換。通常從圖像中提取或由3D掃描儀生成的點集所表示的物體表面，由于測量方法的可變性、實驗誤差、光照變化等因素，不可避免地在圖像采集和特征提取的過程中產(chǎn)生噪聲、異常值和缺失點。因此，點集配準(zhǔn)問題面臨著一些挑戰(zhàn)，最關(guān)鍵的挑戰(zhàn)之一是能否在存在異常值、缺失點和噪聲的情況下建立正確的匹配關(guān)系。