基于局部显著性与二维主流形的三维耳廓形状特征描述方法
【专利摘要】本发明公开了一种有较高的形状特征逼近精度，可有效提高配准效率和精度的基于局部显著性与二维主流形的三维耳廓形状特征描述方法，对于耳廓的三维扫描点云，基于平均曲率的高斯加权平均，计算耳廓点云上显著性特征值，并对全部显著性特征值降序排列；基于泊松采样的排斥策略，优化选择三维耳廓点云显著性关键点；基于二维主流形方法，对三维耳廓点云显著性关键点邻域内的形状信息进行主成分分析，并拟合生成二维主流形曲面；将每个二维主流形曲面记为一个高维特征向量，基于线性降维方法对每个高维特征向量进行压缩，得到三维耳廓点云显著性关键点的低维特征向量。
【专利说明】基于局部显著性与二维主流形的三维耳廓形状特征描述方法
【技术领域】
[0001]本发明涉及一种三维耳廓形状特征描述技术，尤其是一种具有较高的形状特征逼近精度，可有效提高配准效率和精度的基于局部显著性与二维主流形的三维耳廓形状特征描述方法。
【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特征描述带来麻烦。
[0003]Islam等采用乘积型参数域上单值曲面拟合方法对耳廓的三维扫描点云邻域#(^0，2α)内的全部点进行了拟合(即拟合曲面在参数域上的投影是单值的长方形区域)。该算法首先在XY平面上的参数区域上沿X和Y轴方向采样，得到均匀分布的
个参数采样网格，然后通过求解线性方程组尤估计个采样点上的Z坐标值，其中向量Z的维数是维，为沿平行于X轴的参数方向上的采样点个数，砂为沿平行于Y轴的参数方向上的采样点个数，矩阵A的维数是/?行列，其中为待拟合点云的个数，向量为/7维，对应待拟合点云的Z坐标值。由于该算法只能得到参数域上的单值曲面，无法表示折叠等复杂的曲面形状，因此，使用该方法计算关键点周围的局部形状特征必然会产生精确度损失。另外该算法给出的单值曲面拟合方法在拟合不同扫描角度获取的数据时，对同一耳廓的同一位置上，往往产生不同的拟合形状，同样影响形状特征描述精度。
[0004]主流形是嵌入高维空间的非欧氏低维流形，即点集的非线性主成分和子空间的概括，在分子生物学分析、动态系统分析等领域应用比较广泛。1984年Hastie将穿过数据中心的平滑曲线或曲面定义为主流形曲线或曲面，主流形上的每个点都是该点在原始点集中的局部平均，不同于其他的非线性扩展，主流形具有形式简单、自身一致性、几何解释清晰等特点。常用的线性降维方法PCA在处理多元正态分布的椭圆分布数据效果较好，但对一般的非线性数据结构的效果比较差，比如二维、三次或高次多项式数据；同时，线性的主成分分析受随机扰动的影响也比较大。而以二维主流形应用于非线性主成分分析方法，可较好地回避了上述缺陷，并能够消除高维数据的统计冗余，降低了数据信息的损失。
[0005]但是，迄今为止还没有关于基于局部显著性与二维主流形对三维耳廓形状特征进行描述的相关报道。
【发明内容】
[0006]本发明是为了解决现有技术所存在的上述技术问题，提供一种具有较高的形状特征逼近精度，可有效提高配准效率和精度的基于局部显著性与二维主流形的三维耳廓形状特征描述方法。
[0007]本发明的技术解决方案是:一种基于局部显著性与二维主流形的三维耳廓形状特征描述方法，其特征在于按如下步骤进行:
a.对于耳廓的三维扫描点云，基于平均曲率的高斯加权平均，计算耳廓点云上显著性特征值，并对全部显著性特征值降序排列；
b.基于泊松采样的排斥策略，优化选择三维耳廓点云显著性关键点；
c.基于二维主流形方法，对三维耳廓点云显著性关键点邻域内的形状信息进行主成分分析，并拟合生成二维流形曲面；
d.将每个二维流形曲面记为一个高维特征向量，基于线性降维方法对每个高维特征向量进行压缩，得到三维耳廓点云显著性关键点的低维特征向量。
[0008]所述a步骤如下:对于耳廓的三维扫描点云集合K二Iri I V1 =Cri, yZ1) , 1=1,2，…，/?}，基于曲面第二基本形式对每一个点的主曲率进行离散估计，记耳廓点云集合K上任意点\的两个主曲率分别为ku和k2i，并记匕的平均曲率为Φ (Vj) = (kn+k2l) /2 ；以点
Ki为球心、以2 σ为半径，基于kd-tree并行快速搜索建立点匕的邻域点集#(匕，2 σ )，则邻域#(& 2σ)内各点的平均曲率高斯加权均值定义为:
【权利要求】
1.一种基于局部显著性与二维主流形的三维耳廓形状特征描述方法，其特征在于按如下步骤进行: a.对于耳廓的三维扫描点云，基于平均曲率的高斯加权平均，计算耳廓点云上显著性特征值，并对全部显著性特征值降序排列； b.基于泊松采样的排斥策略，优化选择三维耳廓点云显著性关键点； c.基于二维主流形方法，对三维耳廓点云显著性关键点邻域内的形状信息进行主成分分析，并拟合生成二维流形曲面； d.将每个二维流形曲面记为一个高维特征向量，基于线性降维方法对每个高维特征向量进行压缩，得到三维耳廓点云显著性关键点的低维特征向量。
2.根据权利要求1所述的基于局部显著性与二维主流形的三维耳廓形状特征描述方法，其特征在于所述a步骤如下:对于耳廓的三维扫描点云集合K=IFiIri =Cri,Λ., A)，i二I，2，…，/?}，基于曲面的第二基本形式对每一个点的主曲率进行离散估计，记耳廓点云集合K上任意点Vf的两个主曲率分别为4和^，并记Vj.的平均曲率为Φ {vx) = {kJ^k2l) /2 ;以点Vj为球心、以2 σ为半径,基于kd-tree并行快速搜索建立点Vj的邻域点集#(6，2 σ)，则邻域#(& 2 σ)内各点的平均曲率高斯加权均值定义为:
3.根据权利要求2所述的基于局部显著性与二维主流形的三维耳廓形状特征描述方法，其特征在于所述b步骤如下:首先Sr1被标记为第I个显著性关键点并定义了以Sr1为球心、r为半径的排斥邻域SCsr1, r);之后检测5.κ2,若Sr2在排斥邻域内，则丢弃Sr2,否则 被标记为第2个关键点，并同样定义一个排斥邻域；在丢 或被标记为第2个关键点后检测Sr3,若A在排斥邻域内，则丢弃Sr3,否则A被标记为下一个关键点，同样定义一个排斥邻域……重复该过程，直至获得7个显著性关键点，并将耳廓点集K的显著性关键点集记为匕二如匕.1 IiSVi = QiXi, ky” kz)，i二1，2，…，<7 }。
4.根据权利要求3所述的基于局部显著性与二维主流形的三维耳廓形状特征描述方法，其特征在于所述c步骤如下:对于显著性关键点集Kf=R1STi I ksvj =Uxi, ky” kzt),i二1，2，…，q }内的任意关键点Asri,对其邻域2 σ )进行主成分分析，得到三个主轴Ψ” Ψ2、W3AXNiksvi, 2σ)的质心为中心，主轴％和％的方向为边长方向，Niksvi, 2σ)在％和％上的投影长度为两边长度构建矩形区域，对该区域沿％和Ψ2均匀采样，采样密度设置为b=a Xa，得到网格G,即初始化的主流形；将网格G表示为无向连通图G=IX M，其中7={^.，i=l, 2，…，?}为网格G上无向连通图的结点集合，万=1^.，i=l, 2，…，W为网格G中无向边的集合，设两条无向的相邻边&.和￡^构成了一个结构TPi ={&.，今}，则将所有的结构的集合记为/?={&，i=l, 2，…，r\ ； 记三维耳廓点云显著性关键点邻域2 σ)内原耳廓点云的集合为i=l,2，…，?}，根据点A距离网格^上(个结点中的结点Λ.距离最近的分类原则，将集合产划分为?个子集，记为和彳馬，i=l, 2，…，?},其中尤=I^7.:1 I I≤ \Pj~YdI 1.d=l, 2，…，1-1, i+l,..., ?; J=I, 2， 三维耳廓点云显著性关键点邻域Λ/认Sb 2 σ)上拟合主流形曲面，即最小化能量函数U=Ur+UE+Us,其中，&控制主流形的宏观位置，&控制主流形的面积，Ur控制主流形的平滑性，其定义分别为:
5.根据权利要求4所述的基于局部显著性与二维主流形的三维耳廓形状特征描述方法，其特征在于所述d步骤如下:首先将每个特征曲面网格的中心平移到原点，用PCA计算每个特征曲面网格的三个主轴，旋转三个主轴分别与坐标轴对齐，记对齐后特征曲面网格的高维特征向量为Zr.={xiP xi2,......, xib, yn, yi2,......,yib, zn, zi2,......, zib);采用线性降维方法将所得到的特征曲面向量映射到低维空间中；同时对于含有#个耳廓的耳廓库中的每个耳廓均提取与全部显著性关键点数量7相同的特征向量，共可得Nc=q X N个局部形状特征向量，记做/Μ/；%}，尸的协方差矩阵计算如下:
【文档编号】G06T7/00GK103985116SQ201410172959
【公开日】2014年8月13日 申请日期:2014年4月28日 优先权日:2014年4月28日
【发明者】孙晓鹏, 王冠 申请人:辽宁师范大学