1. 本选题研究的目的及意义

点集匹配旨在寻找两个点集之间的对应关系，是计算机视觉和模式识别领域中的基础性问题之一，其应用领域十分广泛，涵盖了目标识别、医学图像分析、机器人导航等多个方面。

近年来，深度学习技术在诸多领域取得了突破性进展，为点集匹配任务提供了新的解决思路。

多层感知机作为一种经典的深度学习模型，凭借其强大的特征表示能力和非线性拟合能力，在点集匹配领域展现出巨大潜力。

2. 本选题国内外研究状况综述

点集匹配是计算机视觉和模式识别中的一个基本问题，近年来受到越来越多的关注。

传统的点集匹配方法主要依赖于人工设计的特征和几何约束，如迭代最近点(icp)算法、形状上下文(shapecontext)等。

然而，这些方法在处理噪声、离群值和非刚性变形时存在局限性。

3. 本选题研究的主要内容及写作提纲

1. 主要内容

本研究的主要内容包括以下几个方面：
1.点集表示与特征学习：-研究适用于多层感知机的点集表示方法，如点坐标、邻域信息等。

-设计多层感知机网络结构，提取点集的深层特征，并学习点集之间的复杂映射关系。

4. 研究的方法与步骤

本研究将采用理论分析、算法设计、实验验证相结合的研究方法，逐步推进研究工作。

1.理论分析阶段：-深入研究点集匹配问题的定义、难点以及国内外研究现状。

-分析多层感知机模型的特点，探讨其在点集匹配问题上的适用性。

5. 研究的创新点

本研究的创新点主要体现在以下几个方面：
1.提出一种基于多层感知机的点集匹配算法：-不同于传统的基于人工设计特征和几何约束的方法，本研究利用多层感知机的强大特征表示能力和非线性拟合能力，自动学习点集的深层特征和匹配关系，提高点集匹配的精度和效率。

2.设计高效的点集特征提取网络：-针对点集数据的特点，设计合适的网络结构，提取点集的局部和全局特征，并有效融合这些特征，以提高匹配精度。

3.提出鲁棒的匹配关系预测方法：-研究点集之间的复杂映射关系，设计鲁棒的匹配关系预测方法，以应对噪声、离群值和非刚性变形等挑战。

6. 计划与进度安排

第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。

第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲

第三阶段（2024.2~2024.3）查询资料，学习相关论文

7. 参考文献（20个中文5个英文）

1. 张军, 吴伟, 彭群生. 基于深度学习的点云配准方法综述[j]. 软件学报, 2021, 32(9): 2817-2844.

2. 李亮, 张长胜, 王成, 等. 基于深度学习的点云配准方法[j]. 计算机辅助设计与图形学学报, 2021, 33(1): 1-16.

3. 陈志杨, 冯结青, 蔡自兴, 等. 基于深度学习的点云配准技术研究进展[j]. 中国图象图形学报, 2020, 25(12): 2631-2648.