基于IsoRank算法的三维耳廓点云形状特征匹配方法
【专利摘要】本发明公开了一种基于IsoRank算法的三维耳廓点云形状特征匹配方法，按如下步骤进行：基于PCA方法分析耳廓点云的局部邻域球内的形状特征，提取耳廓点云的形状关键点；基于Delaunay方法对关键点集合进行三角剖分，并基于映射关系建立耳廓关键点集合的三维网格图；基于耳廓关键点集合的三维网格图的边权，构造耳廓关键点二分图，利用IsoRank算法，寻找与耳廓关键点二分图之间的最大整体匹配，本发明时间复杂度较低、匹配精度和匹配效率较高。
【专利说明】基于IsoRank算法的三维耳廓点云形状特征匹配方法
【技术领域】
[0001]本发明涉及一种三维耳廓形状匹配技术，尤其是一种可有效提高配准效率和精度的基于IsoRank算法的三维耳廓点云形状特征匹配方法。
【背景技术】
[0002]耳廓作为生物特征识别领域的新起之秀已经得到了越来越多的关注。耳廓具有丰富的特征结构，其凸起的耳轮、耳屏、耳垂之间以及凹陷的耳窝、耳舟、耳腔之间都为耳廓的局部匹配问题带来麻烦。
[0003]以往,基于三维耳廓信息的识别方法大多利用ICP (Iterative Closest Point)算法以及ICP算法的变形。如2005年Chen等提出的三维人耳识别的轮廓匹配方法，主要采用两步ICP方法进行耳廓匹配，第一步利用改进的ICP算法找到初始变换，第二步迭代地运用ICP算法进行精确对齐。2007年Chen等基于三维人耳生物特征提出了一个完整的人耳识别系统，提出了利用四元组计算初始变换进行粗对齐，再利用ICP算法进行精确匹配的耳廓/外耳廓表示的人耳识别曲面匹配方法。2011年Syed等将二维AdaBoost探测器与三维局部特征匹配相结合，运用ICP进行精确匹配获得了一个完备的自动识别系统。2013年Sun等提出了一个基于二分图的三维耳廓形状特征最优匹配算法。上述基于ICP或改进ICP算法的耳廓识别研究均需要对耳廓上所有的点迭代计算最近点，输出变换矩阵，算法计算复杂度高，耗费时间长，且对迭代初始条件敏感。另外，由于提取耳廓的轮廓线具有较高的难度，常忽略了耳廓上其它一些重要特征，因此仅仅匹配耳廓轮廓线的方法在识别精度方面并不理想。
[0004]2007年Singh等针对生物学中的蛋白质交互(PPI, protein-proteininteraction)网络的匹配问题提出了 IsoRank算法。IsoRank算法着眼于图形的全局对齐，即使某些局部匹配并未获得最优解，但该算法适于解决结点数较多的大图匹配，且能够在很短的时间内完成匹配，获得很高的准确性。但是，迄今为止还没有关于基于IsoRank算法求解三维耳廓点云形状特征匹配问题的相关报道。
【发明内容】
[0005]本发明是为了解决现有技术所存在的上述技术问题，提供一种可有效提高配准效率和精度的基于IsoRank算法的三维耳廓点云形状特征匹配方法。
[0006]本发明的技术解决方案是:一种基于IsoRank算法的三维耳廓点云形状特征匹配方法，其特征在于按如下步骤进行:
a.基于PCA方法分析耳廓点云的局部邻域球内的形状特征，提取耳廓点云的形状关键点；
b.基于Delaunay方法对关键点集合进行二角剂分，并基于映射关系建立耳廊关键点集合的三维网格图；
c.基于耳廓关键点集合的三维网格图的边权，构造耳廓关键点二分图，利用IsoRank算法，寻找与耳廓关键点二分图之间的最大整体匹配。
所述a步骤如下:对于任意耳廓点云M，以任意一个种子点fp为圆心，以r为半径做球，对球内的所有的数据点进行主成分分析得到特征向量矩阵M_。和特征值矩阵Meval ;将球内的所有点分别投影到较大的两个特征值对应的特征向量上，记两个方向上投影的最大值和最小值之差分别为dx和dy，令t= I dx-dy | ;若t大于指定的阈值，则将种子点fp为关键点，记作kp ;重复该过程，直到获得kn个关键点。
[0007]所述b步骤如下:将耳廓点云M上的kn个关键点映射到二维空间,基于Delaunay三角剖分得到kn个关键点的二维剖分图G2d，基于映射关系将G2d投影回三维空间，得到耳廓点云M上的kn个关键点的三维网格图G。
[0008]所述c步骤如下:图G的结点i和图P的结点j间存在匹配点对(i，j)，考虑边的权值w，则点对(i，j)的匹配分数Rij可以表示为:
【权利要求】
1.一种基于IsoRank算法的三维耳廓点云形状特征匹配方法，其特征在于按如下步骤进行: a.基于PCA方法分析耳廓点云的局部邻域球内的形状特征，提取耳廓点云的形状关键点； b.基于Delaunay方法对关键点集合进行二角剂分，并基于映射关系建立耳廊关键点集合的三维网格图； c.基于耳廓关键点集合的三维网格图的边权，构造耳廓关键点二分图，利用IsoRank算法，寻找与耳廓关键点二分图之间的最大整体匹配。
2.根据权利要求1所述基于IsoRank算法的三维耳廓点云形状特征匹配方法，其特征在于所述a步骤如下:对于任意耳廓点云M，以任意一个种子点fp为圆心，以r为半径做球，对球内的所有的数据点进行主成分分析得到特征向量矩阵M_。和特征值矩阵Meval ;将球内的所有点分别投影到较大的两个特征值对应的特征向量上，记两个方向上投影的最大值和最小值之差分别为dx和dy，令t= I dx-dy | ;若t大于指定的阈值，则将种子点fp为关键点，记作kp ;重复该过程，直到获得kn个关键点。
3.根据权利要求2所述基于IsoRank算法的三维耳廓点云形状特征匹配方法，其特征在于所述b步骤如下:将耳廓点云M上的kn个关键点映射到二维空间,基于Delaunay三角剖分得到kn个关键点的二维剖分图G2D，基于映射关系将G2d投影回三维空间，得到耳廓点云M上的kn个关键点的三维网格图G。
4.根据权利要求3所述 基于IsoRank算法的三维耳廓点云形状特征匹配方法，其特征在于所述c步骤如下:图G的结点i和图P的结点j间存在匹配点对(i，j)，考虑边的权值w，则点对(i，j)的匹配分数Rij可以表示为:
【文档编号】G06T7/00GK103810751SQ201410042391
【公开日】2014年5月21日 申请日期:2014年1月29日 优先权日:2014年1月29日
【发明者】孙晓鹏, 韩枫 申请人:辽宁师范大学