非刚性点集配准是查找将表示为一组数据点的两个形状对齐的空间变换的过程。它在自动驾驶，医学成像和机器人操纵等领域具有广泛的应用。现在，已开发出一种方法来加快此过程。

金泽大学的一位研究人员在《IEEE模式分析和机器智能交易》上发表的一项研究中，证明了一种技术，该技术可以相对于其他方法减少非刚性点集配准的计算时间。

先前用于加速此过程的方法仅对由小点集(包含少于100,000个点)描述的形状具有较高的计算效率。因此，这种方法在应用中的使用受到限制。这项最新研究旨在解决这一缺陷。

所提出的方法包括三个步骤。首先，通过称为降采样的过程减少每个点集中的点数。其次，将非刚性点集配准应用于下采样点集。第三，估计形状变形矢量(定义所需空间变换的数学对象)，以进行下采样期间去除的点。

作者Osamu Hirose解释说：“通过应用称为贝叶斯相干点漂移的算法来记录下采样点集。” “然后使用称为高斯过程回归的技术对与移除点相对应的变形向量进行插值。”

研究人员进行了一系列实验，以比较他们的方法与其他方法的配准性能。他们考虑了各种各样的形状，有些用小点集描述，而另一些用大点集描述(包含100,000至超过1000万个点)。这些形状包括例如龙，猴子和人的形状。

结果表明，所提出的技术甚至对于具有超过1000万个点的点集也是有效的，如图2所示。它们还表明，该方法的计算时间明显比现有技术的计算时间短。拥有超过一百万个点的点集的方法。

Hirose说：“尽管新技术提供了加速的注册，但它对小数据集中的人为干扰相对敏感。” “这种敏感性表明，该方法最适合用于大型点集，而不是小型，嘈杂的点集。”

鉴于非刚性点集注册具有广泛的应用范围，因此本研究中建立的方法可能会产生深远的影响。作者在github.com/ohirose/bcpd分发了所提出方法的源代码。