基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法
【專利摘要】本發明公開了一種有較高的形狀特征逼近精度，可有效提高配準效率和精度的基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法，對于耳廓的三維掃描點云，基于平均曲率的高斯加權平均，計算耳廓點云上顯著性特征值，并對全部顯著性特征值降序排列；基于泊松采樣的排斥策略，優化選擇三維耳廓點云顯著性關鍵點；基于二維主流形方法，對三維耳廓點云顯著性關鍵點鄰域內的形狀信息進行主成分分析，并擬合生成二維主流形曲面；將每個二維主流形曲面記為一個高維特征向量，基于線性降維方法對每個高維特征向量進行壓縮，得到三維耳廓點云顯著性關鍵點的低維特征向量。
【專利說明】基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法
【技術領域】
[0001]本發明涉及一種三維耳廓形狀特征描述技術，尤其是一種具有較高的形狀特征逼近精度，可有效提高配準效率和精度的基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法。
【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特征描述帶來麻煩。
[0003]Islam等采用乘積型參數域上單值曲面擬合方法對耳廓的三維掃描點云鄰域#(^0，2α)內的全部點進行了擬合(即擬合曲面在參數域上的投影是單值的長方形區域)。該算法首先在XY平面上的參數區域上沿X和Y軸方向采樣，得到均勻分布的
個參數采樣網格，然后通過求解線性方程組尤估計個采樣點上的Z坐標值，其中向量Z的維數是維，為沿平行于X軸的參數方向上的采樣點個數，砂為沿平行于Y軸的參數方向上的采樣點個數，矩陣A的維數是/?行列，其中為待擬合點云的個數，向量為/7維，對應待擬合點云的Z坐標值。由于該算法只能得到參數域上的單值曲面，無法表示折疊等復雜的曲面形狀，因此，使用該方法計算關鍵點周圍的局部形狀特征必然會產生精確度損失。另外該算法給出的單值曲面擬合方法在擬合不同掃描角度獲取的數據時，對同一耳廓的同一位置上，往往產生不同的擬合形狀，同樣影響形狀特征描述精度。
[0004]主流形是嵌入高維空間的非歐氏低維流形，即點集的非線性主成分和子空間的概括，在分子生物學分析、動態系統分析等領域應用比較廣泛。1984年Hastie將穿過數據中心的平滑曲線或曲面定義為主流形曲線或曲面，主流形上的每個點都是該點在原始點集中的局部平均，不同于其他的非線性擴展，主流形具有形式簡單、自身一致性、幾何解釋清晰等特點。常用的線性降維方法PCA在處理多元正態分布的橢圓分布數據效果較好，但對一般的非線性數據結構的效果比較差，比如二維、三次或高次多項式數據；同時，線性的主成分分析受隨機擾動的影響也比較大。而以二維主流形應用于非線性主成分分析方法，可較好地回避了上述缺陷，并能夠消除高維數據的統計冗余，降低了數據信息的損失。
[0005]但是，迄今為止還沒有關于基于局部顯著性與二維主流形對三維耳廓形狀特征進行描述的相關報道。
【發明內容】
[0006]本發明是為了解決現有技術所存在的上述技術問題，提供一種具有較高的形狀特征逼近精度，可有效提高配準效率和精度的基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法。
[0007]本發明的技術解決方案是:一種基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法，其特征在于按如下步驟進行:
a.對于耳廓的三維掃描點云，基于平均曲率的高斯加權平均，計算耳廓點云上顯著性特征值，并對全部顯著性特征值降序排列；
b.基于泊松采樣的排斥策略，優化選擇三維耳廓點云顯著性關鍵點；
c.基于二維主流形方法，對三維耳廓點云顯著性關鍵點鄰域內的形狀信息進行主成分分析，并擬合生成二維流形曲面；
d.將每個二維流形曲面記為一個高維特征向量，基于線性降維方法對每個高維特征向量進行壓縮，得到三維耳廓點云顯著性關鍵點的低維特征向量。
[0008]所述a步驟如下:對于耳廓的三維掃描點云集合K二Iri I V1 =Cri, yZ1) , 1=1,2，…，/?}，基于曲面第二基本形式對每一個點的主曲率進行離散估計，記耳廓點云集合K上任意點\的兩個主曲率分別為ku和k2i，并記匕的平均曲率為Φ (Vj) = (kn+k2l) /2 ；以點
Ki為球心、以2 σ為半徑，基于kd-tree并行快速搜索建立點匕的鄰域點集#(匕，2 σ )，則鄰域#(& 2σ)內各點的平均曲率高斯加權均值定義為:
【權利要求】
1.一種基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法，其特征在于按如下步驟進行: a.對于耳廓的三維掃描點云，基于平均曲率的高斯加權平均，計算耳廓點云上顯著性特征值，并對全部顯著性特征值降序排列； b.基于泊松采樣的排斥策略，優化選擇三維耳廓點云顯著性關鍵點； c.基于二維主流形方法，對三維耳廓點云顯著性關鍵點鄰域內的形狀信息進行主成分分析，并擬合生成二維流形曲面； d.將每個二維流形曲面記為一個高維特征向量，基于線性降維方法對每個高維特征向量進行壓縮，得到三維耳廓點云顯著性關鍵點的低維特征向量。
2.根據權利要求1所述的基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法，其特征在于所述a步驟如下:對于耳廓的三維掃描點云集合K=IFiIri =Cri,Λ., A)，i二I，2，…，/?}，基于曲面的第二基本形式對每一個點的主曲率進行離散估計，記耳廓點云集合K上任意點Vf的兩個主曲率分別為4和^，并記Vj.的平均曲率為Φ {vx) = {kJ^k2l) /2 ;以點Vj為球心、以2 σ為半徑,基于kd-tree并行快速搜索建立點Vj的鄰域點集#(6，2 σ)，則鄰域#(& 2 σ)內各點的平均曲率高斯加權均值定義為:
3.根據權利要求2所述的基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法，其特征在于所述b步驟如下:首先Sr1被標記為第I個顯著性關鍵點并定義了以Sr1為球心、r為半徑的排斥鄰域SCsr1, r);之后檢測5.κ2,若Sr2在排斥鄰域內，則丟棄Sr2,否則 被標記為第2個關鍵點，并同樣定義一個排斥鄰域；在丟 或被標記為第2個關鍵點后檢測Sr3,若A在排斥鄰域內，則丟棄Sr3,否則A被標記為下一個關鍵點，同樣定義一個排斥鄰域……重復該過程，直至獲得7個顯著性關鍵點，并將耳廓點集K的顯著性關鍵點集記為匕二如匕.1 IiSVi = QiXi, ky” kz)，i二1，2，…，<7 }。
4.根據權利要求3所述的基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法，其特征在于所述c步驟如下:對于顯著性關鍵點集Kf=R1STi I ksvj =Uxi, ky” kzt),i二1，2，…，q }內的任意關鍵點Asri,對其鄰域2 σ )進行主成分分析，得到三個主軸Ψ” Ψ2、W3AXNiksvi, 2σ)的質心為中心，主軸％和％的方向為邊長方向，Niksvi, 2σ)在％和％上的投影長度為兩邊長度構建矩形區域，對該區域沿％和Ψ2均勻采樣，采樣密度設置為b=a Xa，得到網格G,即初始化的主流形；將網格G表示為無向連通圖G=IX M，其中7={^.，i=l, 2，…，?}為網格G上無向連通圖的結點集合，萬=1^.，i=l, 2，…，W為網格G中無向邊的集合，設兩條無向的相鄰邊&.和￡^構成了一個結構TPi ={&.，今}，則將所有的結構的集合記為/?={&，i=l, 2，…，r\ ； 記三維耳廓點云顯著性關鍵點鄰域2 σ)內原耳廓點云的集合為i=l,2，…，?}，根據點A距離網格^上(個結點中的結點Λ.距離最近的分類原則，將集合產劃分為?個子集，記為和彳馬，i=l, 2，…，?},其中尤=I^7.:1 I I≤ \Pj~YdI 1.d=l, 2，…，1-1, i+l,..., ?; J=I, 2， 三維耳廓點云顯著性關鍵點鄰域Λ/認Sb 2 σ)上擬合主流形曲面，即最小化能量函數U=Ur+UE+Us,其中，&控制主流形的宏觀位置，&控制主流形的面積，Ur控制主流形的平滑性，其定義分別為:
5.根據權利要求4所述的基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法，其特征在于所述d步驟如下:首先將每個特征曲面網格的中心平移到原點，用PCA計算每個特征曲面網格的三個主軸，旋轉三個主軸分別與坐標軸對齊，記對齊后特征曲面網格的高維特征向量為Zr.={xiP xi2,......, xib, yn, yi2,......,yib, zn, zi2,......, zib);采用線性降維方法將所得到的特征曲面向量映射到低維空間中；同時對于含有#個耳廓的耳廓庫中的每個耳廓均提取與全部顯著性關鍵點數量7相同的特征向量，共可得Nc=q X N個局部形狀特征向量，記做/Μ/；%}，尸的協方差矩陣計算如下:
【文檔編號】G06T7/00GK103985116SQ201410172959
【公開日】2014年8月13日 申請日期:2014年4月28日 優先權日:2014年4月28日
【發明者】孫曉鵬, 王冠 申請人:遼寧師范大學