基于联合α熵的耳廓识别方法
【技术领域】
[0001] 本发明涉及一种耳廓识别方法，尤其一种计算复杂度低、效率高，对遮挡、光照等 噪声影响健壮性较高且具有较高识别率和检验率的基于联合α熵的耳廓识别方法。
【背景技术】
[0002] 人体测量学理论指出人的耳廓在7~70岁之间，外形不会发生显著变化，且没有任 何两个人(包括双胞胎）的耳廓完全一致；与人脸、指纹、虹膜等其他传统的生物信息技术相 t匕，耳廓的三维形状特征不受胡须、眼镜、化妆、光照以及表情变化的影响，采集技术更为稳 定方便，具有更高的稳定性、唯一性和健壮性。因此，耳廓识别作为一种新的生物特征识别 技术受到了越来越多的关注。
[0003] 现有的耳廓识别方法根据输入数据的不同可以分为基于二维图像的识别和基于 三维点云的识别两种类型。二维耳廓识别方法有基于几何特征的识别方法、基于局部特征 点的识别方法、基于代数特征的识别方法等，存在着受表情变化、光照不同等诸多因素影响 的缺陷；基于三维点云的识别方法大多采用局部表面片（LSP, local surface patch)、迭 代最近点（ICP, iterative closest point)等方法，三维耳廓数据能提供更多的形状细节 信息，基于三维点云的耳廓识别则具有更高的研究价值和应用优势，但是，现有的基于三维 点云的耳廓识别方法中均需要对耳廓点云进行空间位置的平移和旋转以达到空间位置上 的对齐，不同程度地存在着计算复杂度高的问题，同时现有识别方法对遮挡、光照等噪声影 响健壮性较低。
[0004] 熵的概念最早起源于物理学，用于度量热力学系统的无序程度，衡量随机变量的 期望值。1948年克劳德?艾尔伍德·香农将熵的概念引入信息论，提出了"信息熵"（又称 为香农熵、信源熵、平均自信息量等)，由此解决了对信息的量化测度问题。最早的基于熵的 图像配准工作中出现在2000年前后Renyi熵用作为图像配准的差异测度，并定义了 JRD (Jensen-Renyi divergence)。目前还没有关于基于熵的三维点云配准相关报道。
【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，提供一种计算复杂度低、对 遮挡、光照等噪声影响健壮性较高且具有较高识别率和检验率的基于联合α熵的耳廓识 别方法。
[0006] 本发明的技术解决方案是：一种基于联合α熵的耳廓识别方法，其特征在于按照 如下步骤进行： a. 分别从待匹配的两个三维耳廓点云中选取关键点； b. 分别在关键点邻域范围内提取关键点的局部形状特征； c. 将关键点的局部形状特征融入联合α熵，形成局部形状特征联合α熵； d. 利用两个耳廓关键点上的局部形状特征对两只耳廓的关键点进行特征空间内的对 齐，得到相匹配的关键点匹配对及定义在关键点匹配对上的局部形状特征向量； e. 用关键点匹配对上的局部形状特征向量构造最小生成树； f. 用最小生成树加权边总和对局部形状特征联合α熵进行最小化估计，实现耳廓形 状特征的匹配。
[0007] 所述步骤a如下： 设三维耳廓的点云为K二
【主权项】
1. 一种基于联合α熵的耳廓识别方法，其特征在于按照如下步骤进行： a. 分别从待匹配的两个三维耳廓点云中选取关键点； b. 分别在关键点邻域范围内提取关键点的局部形状特征； c. 将关键点的局部形状特征融入联合α熵，形成局部形状特征联合α熵； d. 利用两个耳廓关键点上的局部形状特征对两只耳廓的关键点进行特征空间内的对 齐，得到相匹配的关键点匹配对及定义在关键点匹配对上的局部形状特征向量； e. 用关键点匹配对上的局部形状特征向量构造最小生成树； f. 用最小生成树加权边总和对局部形状特征联合α熵进行最小化估计，实现耳廓形 状特征的匹配。
2. 根据权利要求1所述的基于联合α熵的耳廓识别方法，其特征在于所述步骤a如 下： 设三维耳廓的点云为K二 卜=(x￡, JhZiI，点v;=丨为任意一点，以~为球心、以r为半径做來 球内所有点构成的矩阵为式=IUxf #f = ,记&的均值向量为》、协方差矩阵 为O对协方差矩阵?进行主成分分析，得到C的特征向量矩阵Z和特征值矩阵汉将A中所 有的点投影到较大的两个特征值对应的特征向量上，并对两个方向上投影的最大值和最小 值之差分别记为dx和dy，令?/=/?-办/，若欢于指定阈值，则将F y选为关键点，记作hi; 获得足够代表耳廓结构特征的关键点，记该耳廓的关键点集合为=Uzi, i=l，2，…，左}。
3. 根据权利要求2所述的基于联合α熵的耳廓识别方法，其特征在于所述步骤b如 下： 采用乘积型参数域上单值曲面拟合方法对关键点邻域2 σ)内的全部点进 行曲面拟合，拟合曲面片在乘积型参数域《td：单值投影为矩形区域，首先在参数平面勺 参数区域上沿《方向和r方向分别进行均匀的采样和采样，得到均匀分布的 个参数采样点，求解采样点上的深度坐标值Z ot，则记任意关键点上由 个采样深度集合{2"[]为知/上的局部形状特征，记为157 ;；.= {2^)^/=1，2，"％皿，1^1， 2，…，?κ}，则有定义在关键点集ΛΤ上的局部形状特征集合ASTMZ lSFi, /=1，2，…， 皿X 。
4. 根据权利要求3所述的基于联合α熵的耳廓识别方法，其特征在于所述步骤c如 下： 设待匹配的两幅三维耳廓点云的概率密度函数分别为沒P A引入Jensena熵差分，得 到熵差分的离散表示 (β-J： g) = Hs [β-f + ?\-β) g) - {βΗ, if) + (I - β)Ηα (^)), 其中於e(CU)为调和系数；当/ =贫时,Mie(:爲/:gμ 〇 ,且Fa(#/ + (I-/?k)取 得最小值,反之亦然，即f/?:/ j j = O等价于min Fe丨>/ + (I-户)g),则局部形状特 征联合α熵为Hlillffe 〇/Η1 -多k)。
5. 根据权利要求4所述的基于联合a熵的耳廓识别方法，其特征在于所述步骤d如 下： 设待匹配的两个三维耳廓点云分别为符P ft则耳廓点云/7上的第i个关键点为视^， 该点上的局部形状特征向量为/?/7/;耳廓点云^上的第J个关键点为级t〇.，该点上的局部 形状特征向量为对两只待匹配耳廓上每个关键点的局部形状特征向量进行匹配：e二 ( 〇，其中和分别表示两只待匹配耳廓的第』个关键点所 对应的局部形状特征向量；对于给定耳廓点云/?勺某一局部形状特征向量，搜索测试耳廓 点云邮]所有局部形状特征向量，若最小，则认为这对特征匹配，建立对应关系，使两只 耳廓特征之间一一映射，则关键点之间的对应关系同时建立，得到相匹配的关键点匹配对 Vi = ( P.fcvt;; GJtvj ),关键点匹配对的集合为： WG = IK = (Phii. Gkvj ) |J; Pkvi Ghtff i = l.2.-".k.j-T (i )|, 得到定义在关键点匹配对Ki上的22维局部形状特征向量：ΚΖ57^.= {〇°Z5F,w， ，…，茂5巧77，I户7阳}，则带有局部形状特征向量的 匹配对集合为： fTSF =.(社拓 H 凡坪:GOF} )|Γ:凡Sg 4 GiSi^/ = 1; 2;…:200?/= Γ ⑷}。
6. 根据权利要求5所述的基于联合a熵的耳廓识别方法，其特征在于所述步骤e如 下： 最小生成树MST顶点集合记作TF =-fFilSF； |W1SF； e i?'i= 1，2:···々j ;使用 Delaunay算法建立勺边集，记作Γ￡ = ^ :丨…JOO-?气/j ,进 而采用Kruskal算法，构造最小生成树，即使其所有边的加权长度总和取得最小值的树，将 最小生成树记为石.@ =CrRZE),记的加权长度总和为
7. 根据权利要求6所述的基于联合〃熵的耳廓识别方法，其特征在于所述步骤f如 下： 对于具有局部形状特征向量匹配对集合KZ5F，设其概率密度函数为则局部特征 联合 α 熵 min Fs (/?/ + (1 - /?) g)转化为 if j (U ; Ha I Jlzsr )=3C T^log . ' I-Qf η 其中是使加权长度总和最小的最小生成树的加权长度总和；/?为三维耳廓点云 模型上点的数目。
【专利摘要】本发明公开一种计算复杂度低、对遮挡、光照等噪声影响健壮性较高且具有较高识别率和检验率的基于联合α熵的耳廓识别方法，是从待匹配的两个三维耳廓点云中选取足够的关键点，在关键点邻域范围内提取关键点的局部形状特征，将关键点的局部形状特征融入联合α熵，形成局部形状特征联合α熵，利用两个耳廓关键点上的局部形状特征对两只耳廓的关键点进行特征空间内的对齐，得到相匹配的关键点匹配对及定义在关键点匹配对上的局部形状特征向量，用关键点匹配对上的局部形状特征向量构造最小生成树，用最小生成树加权边总和对局部形状特征联合α熵进行最小化估计，实现耳廓形状特征的匹配。
【IPC分类】G06K9-46, G06K9-64
【公开号】CN104636762
【申请号】CN201510027900
【发明人】孙晓鹏, 李思慧
【申请人】辽宁师范大学
【公开日】2015年5月20日
【申请日】2015年1月20日