基于IsoRank算法的三維耳廓點云形狀特征匹配方法
【專利摘要】本發明公開了一種基于IsoRank算法的三維耳廓點云形狀特征匹配方法，按如下步驟進行：基于PCA方法分析耳廓點云的局部鄰域球內的形狀特征，提取耳廓點云的形狀關鍵點；基于Delaunay方法對關鍵點集合進行三角剖分，并基于映射關系建立耳廓關鍵點集合的三維網格圖；基于耳廓關鍵點集合的三維網格圖的邊權，構造耳廓關鍵點二分圖，利用IsoRank算法，尋找與耳廓關鍵點二分圖之間的最大整體匹配，本發明時間復雜度較低、匹配精度和匹配效率較高。
【專利說明】基于IsoRank算法的三維耳廓點云形狀特征匹配方法
【技術領域】
[0001]本發明涉及一種三維耳廓形狀匹配技術，尤其是一種可有效提高配準效率和精度的基于IsoRank算法的三維耳廓點云形狀特征匹配方法。
【背景技術】
[0002]耳廓作為生物特征識別領域的新起之秀已經得到了越來越多的關注。耳廓具有豐富的特征結構，其凸起的耳輪、耳屏、耳垂之間以及凹陷的耳窩、耳舟、耳腔之間都為耳廓的局部匹配問題帶來麻煩。
[0003]以往,基于三維耳廓信息的識別方法大多利用ICP (Iterative Closest Point)算法以及ICP算法的變形。如2005年Chen等提出的三維人耳識別的輪廓匹配方法，主要采用兩步ICP方法進行耳廓匹配，第一步利用改進的ICP算法找到初始變換，第二步迭代地運用ICP算法進行精確對齊。2007年Chen等基于三維人耳生物特征提出了一個完整的人耳識別系統，提出了利用四元組計算初始變換進行粗對齊，再利用ICP算法進行精確匹配的耳廓/外耳廓表示的人耳識別曲面匹配方法。2011年Syed等將二維AdaBoost探測器與三維局部特征匹配相結合，運用ICP進行精確匹配獲得了一個完備的自動識別系統。2013年Sun等提出了一個基于二分圖的三維耳廓形狀特征最優匹配算法。上述基于ICP或改進ICP算法的耳廓識別研究均需要對耳廓上所有的點迭代計算最近點，輸出變換矩陣，算法計算復雜度高，耗費時間長，且對迭代初始條件敏感。另外，由于提取耳廓的輪廓線具有較高的難度，常忽略了耳廓上其它一些重要特征，因此僅僅匹配耳廓輪廓線的方法在識別精度方面并不理想。
[0004]2007年Singh等針對生物學中的蛋白質交互(PPI, protein-proteininteraction)網絡的匹配問題提出了 IsoRank算法。IsoRank算法著眼于圖形的全局對齊，即使某些局部匹配并未獲得最優解，但該算法適于解決結點數較多的大圖匹配，且能夠在很短的時間內完成匹配，獲得很高的準確性。但是，迄今為止還沒有關于基于IsoRank算法求解三維耳廓點云形狀特征匹配問題的相關報道。
【發明內容】
[0005]本發明是為了解決現有技術所存在的上述技術問題，提供一種可有效提高配準效率和精度的基于IsoRank算法的三維耳廓點云形狀特征匹配方法。
[0006]本發明的技術解決方案是:一種基于IsoRank算法的三維耳廓點云形狀特征匹配方法，其特征在于按如下步驟進行:
a.基于PCA方法分析耳廓點云的局部鄰域球內的形狀特征，提取耳廓點云的形狀關鍵點；
b.基于Delaunay方法對關鍵點集合進行二角劑分，并基于映射關系建立耳廊關鍵點集合的三維網格圖；
c.基于耳廓關鍵點集合的三維網格圖的邊權，構造耳廓關鍵點二分圖，利用IsoRank算法，尋找與耳廓關鍵點二分圖之間的最大整體匹配。
所述a步驟如下:對于任意耳廓點云M，以任意一個種子點fp為圓心，以r為半徑做球，對球內的所有的數據點進行主成分分析得到特征向量矩陣M_。和特征值矩陣Meval ;將球內的所有點分別投影到較大的兩個特征值對應的特征向量上，記兩個方向上投影的最大值和最小值之差分別為dx和dy，令t= I dx-dy | ;若t大于指定的閾值，則將種子點fp為關鍵點，記作kp ;重復該過程，直到獲得kn個關鍵點。
[0007]所述b步驟如下:將耳廓點云M上的kn個關鍵點映射到二維空間,基于Delaunay三角剖分得到kn個關鍵點的二維剖分圖G2d，基于映射關系將G2d投影回三維空間，得到耳廓點云M上的kn個關鍵點的三維網格圖G。
[0008]所述c步驟如下:圖G的結點i和圖P的結點j間存在匹配點對(i，j)，考慮邊的權值w，則點對(i，j)的匹配分數Rij可以表示為:
【權利要求】
1.一種基于IsoRank算法的三維耳廓點云形狀特征匹配方法，其特征在于按如下步驟進行: a.基于PCA方法分析耳廓點云的局部鄰域球內的形狀特征，提取耳廓點云的形狀關鍵點； b.基于Delaunay方法對關鍵點集合進行二角劑分，并基于映射關系建立耳廊關鍵點集合的三維網格圖； c.基于耳廓關鍵點集合的三維網格圖的邊權，構造耳廓關鍵點二分圖，利用IsoRank算法，尋找與耳廓關鍵點二分圖之間的最大整體匹配。
2.根據權利要求1所述基于IsoRank算法的三維耳廓點云形狀特征匹配方法，其特征在于所述a步驟如下:對于任意耳廓點云M，以任意一個種子點fp為圓心，以r為半徑做球，對球內的所有的數據點進行主成分分析得到特征向量矩陣M_。和特征值矩陣Meval ;將球內的所有點分別投影到較大的兩個特征值對應的特征向量上，記兩個方向上投影的最大值和最小值之差分別為dx和dy，令t= I dx-dy | ;若t大于指定的閾值，則將種子點fp為關鍵點，記作kp ;重復該過程，直到獲得kn個關鍵點。
3.根據權利要求2所述基于IsoRank算法的三維耳廓點云形狀特征匹配方法，其特征在于所述b步驟如下:將耳廓點云M上的kn個關鍵點映射到二維空間,基于Delaunay三角剖分得到kn個關鍵點的二維剖分圖G2D，基于映射關系將G2d投影回三維空間，得到耳廓點云M上的kn個關鍵點的三維網格圖G。
4.根據權利要求3所述 基于IsoRank算法的三維耳廓點云形狀特征匹配方法，其特征在于所述c步驟如下:圖G的結點i和圖P的結點j間存在匹配點對(i，j)，考慮邊的權值w，則點對(i，j)的匹配分數Rij可以表示為:
【文檔編號】G06T7/00GK103810751SQ201410042391
【公開日】2014年5月21日 申請日期:2014年1月29日 優先權日:2014年1月29日
【發明者】孫曉鵬, 韓楓 申請人:遼寧師范大學