可提高识别精度及效率的三维点云耳廓识别方法
【技术领域】
[000? ]本发明涉及一种二维点75Γ耳廓识别方法，尤其是一种可提尚识别精度和效率的二 维点云耳廓识别方法。
【背景技术】
[0002] 耳廓由耳轮、对耳轮、耳舟、三角窝、耳屏、对耳屏、耳垂等部分构成，具有显著的起 伏外形以及独特的三维形状特征，更具有普遍性、独特性、永久性和易采集性。耳廓识别技 术是近几年来新兴的生物识别技术，主要利用人耳外形的沟壑曲折等三维形状特征进行识 另|J，同手掌、指纹、虹膜、DNA等人类生物特征一样，是永久性的生物标识。与二维耳廓识别技 术相比，三维耳廓姿态受光照等外界因素影响较小，具有显著的健壮性优势。耳廓的三维形 状特征不受发型、表情、胡须、化妆、眼镜、肤色、光照等因素的影响，且在7~70岁之间，人类 耳廓的结构和外形不会发生明显改变；即便是双胞胎的耳廓也存在可测量的差异；因此与 其他人类生物特征相比，耳廓的三维形状特征具有高度的稳定性和唯一性。
[0003] 三维耳廓识别一般包括三个步骤:耳廓探测、特征提取以及特征匹配，其中特征提 取、特征匹配是三维耳廓识别的核心问题。现有的三维耳廓识别大多基于迭代最近点 (iterative closest point, ICP)算法对三维耳廓模型的全耳廓进行匹配。ICP算法通过 循环迭代、反复精细调整点云模型的位置及姿态、最小化总体配准误差，从而实现总体最佳 匹配。但是，ICP算法计算复杂度较高，效率较低且识别精度有待提高。
[0004] 二维图像空间的Iannarelli分类系统是基于耳廓的解剖学特征，计算耳廓重要组 成部分的相似度，用二维图像上的线段表示，如图1所示:线段卜4为外耳轮的宽度，线段5为 部分的三角窝的长度，线段6~8为耳轮到外耳轮之间的距离，线段9~11为耳轮脚到对耳轮之 间的距离，线段12为耳垂的长度。然而该方法不仅在二维图像上各部分尺寸均需要手工测 量，无法精确定位，同时也不能直接应用于三维点云耳廓识别。
【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，提供一种可提高识别精度和 效率的三维点云耳廓识别方法。
[0006] 本发明的技术解决方案是：一种可提高识别精度及效率的三维点云耳廓识别方 法，其特征在于按照如下步骤进行： a. 基于PCA和SVD分解，对三维耳廓点云模型的位置与姿态进行归一化预处理； b. 基于Iannarelli分类系统提取三维耳廓点云模型的4个局部特征区域； c. 利用Sparse ICP算法对三维耳廓点云模型的局部特征区域进行匹配，得到全部初 始匹配点对;基于SVD求解匹配点对之间旋转变换R和平移变换T、最小化误差函数E，直至模 型间距离误差取得最小值时，得到最优配准。
[0007] 所述a步骤如下： 设任意三维耳廓点云模型的顶点集合
则v的|菸+嘗+ r j:阶几何矩为：
贝1JV的三个1阶几何矩和六个2阶几何矩分别为：
对于顶点集合V的任意顶点(Xi, yi, Zi)做如下变换：
从而将V的质心_^_4j平移到坐标原点； 以六个2阶几何矩构造 V的协方差矩阵如下：
设
，即对协方差矩阵Μ进行SVD分解，其中U为矩阵Μ的特征向量矩 阵，对应耳廓模型V的三个主轴，Δ为矩阵Μ的特征值矩阵，对耳廓模型V的任意顶点(Xl，yi， Zi)如下变换：
从而使耳廓模型的第一主轴与y轴对齐，第二主轴与X轴对齐，第三主轴与z轴对齐，实 现数据库中所有耳廓点云模型均归一化到基本一致的姿态和位置。
[0008] 所述b步骤如下： 将任意三维耳廓点云模型的第一主轴与第二主轴作为一对方向，同时将这两个主轴的 对角作为另外一对方向，然后沿着这4个方向做法平面与耳廓模型求交，最后提取耳廓中4 个局部特征区域。
[0009] 所述c步骤如下： 设X和Y分别为三维耳廓点云参考模型和三维耳廓点云目标模型的4个局部特征区域，记 X和Y间的对齐误差向量为
则，记X和Y间的距离为
，其中
，并记模型间X和Y的误差函数为对齐误差向量的lp范数：
其中
令参考模型X上一个点以与目标模型Y上距离该点最近的点组成匹配点对， 迭代计算，得到X和Y之间的全部初始匹配点对； 基于SVD求解匹配点对之间旋转变换R和平移变换T、最小化误差函数E，直至模型间距 离误差取得最小值时，得到最优配准。
[0010] 所述c步骤还可以按照如下步骤： 设X和Y分别为三维耳廓点云参考模型和三维耳廓点云目标模型的4个局部特征区域，记 X和Y间的对齐误差向量为：
，则，记X和Y间的距离为
，其Μ
，并记模型间X和Υ的误差函数为对齐误差向量的lp范数， 基于拉格朗日方法将对齐误差向量的lp范数定义为：
其中，疼_.=^:及知+:1-其.，.年，義..二、_.:￡.氧1， 子，利用交换方向乘子法，将其分解成3个子问题：
其中，
·，通过lu向量收缩算子对上述子问题求解， 算法流程如下： 步骤1.参考模型与目标模型的4个局部特征区域X、Y初始对齐，初始化拉格朗日乘秦 、惩罚因子μ以及阈值τ; 步骤2.对于X的任意点，计算Υ上欧式距离该点最近的点，得到X和Υ之间全部初始匹配 点对； 步骤3.求解
通过lu向量收缩算子求解
，更新向量 步骤4.更新
，求解函f
，并计算旋转矩阵R以及平 移矩阵t; 步骤5.求_
步骤6.若輕·巧|:大于阈值τ，返回到步骤2,否则迭代结束。
[0011 ] 本发明采用主成分分析(Principal Component Analysis，PCA)和SVD分解对耳廓 数据库中的所有三维耳廓点云模型的位置、姿态进行归一化，然后基于Iannarelli分类系 统提取三维耳廓模型中四个局部特征区域，最后利用Sparse ICP算法对提取出来的局部特 征区域进行匹配，根据特征点间的距离判断耳廓之间的差异测度实现耳廓识别。实验结果 表明，本发明对耳廓局部特征区域进行匹配具有较高的识别精度和识别效率。特别是引入 稀疏度对模型配准优化，并利用1 #范数取代欧式距离，最大化对应点间距离为零的数量，避 免了局部对齐等问题发生。同时，算法采用拉格朗日方法对误差函数重新定义，解决对齐方 式造成的模型表面非凸性和非平滑性等问题，并利用交换方向乘子法将重新定义的误差函 数分成三个简单的子问题，并通过收缩算子进行求解，提高了算法的精度和稳定性。
【附图说明】
[0012]图1是二维图像空间的Iannarelli分类系统耳廓分段示意图。
[0013]图2是本发明实施例三维耳廓点云模型归一化前后对比效果图。
[0014] 图3是本发明实施例提取耳廓模型4个子区域示意图。
[0015] 图4是本发明实施例与现有技术匹配精度对比示意图。
[0016] 图5是本发明实施例与ICP算法的CMC曲线对比示意图。
[0017]图6是本发明实施例与ICP算法的R0C曲线对比示意图。
【具体实施方式】
[0018] 本发明【具体实施方式】在UND三维耳廓数据库上进行，该数据库包含来自415人的 1800幅三维耳廓。
[0019] 具体按照如下步骤进行： a.基于PCA和SVD分解，对三维耳廓点云模型的位置与姿态进行归一化预处理： 由于三维耳廓数据集构建时间跨距较大，不同的采集时间上获取的同一耳廓数据将受 到被采集耳廓与采集设备之间的距离、角度等因素的影响，因此首先需要对三维耳廓数据 库中的耳廓模型进行归一化预处理。
[0020] 具体步骤如下： 设任意三维耳廓点云模型的顶点集合
， 贝IJV的女禮+ r |阶几何矩为：
贝1JV的三个1阶几何矩和六个2阶几何矩分别为：
对于顶点集合V的任意顶点(Xi, yi, Zi)做如下变换：
从而将V的质心j平移到坐标原点； 以六个2阶几何矩构造 V的协方差矩阵如下：
%
，即对协方差矩阵Μ进行SVD分解，其中U为矩阵Μ的特征向量矩 阵，对应耳廓模型V的三个主轴，Δ为矩阵Μ的特征值矩阵，对耳廓模型V的任意顶点(Xl，yi， Zi)如下变换：
从而使耳廓模型的第一主轴与y轴对齐，第二主轴与X轴对齐，第三主轴与z轴对齐，实 现数据库中所有耳廓点云模型均归一化到基本一致的姿态和位置。
[0021]三维耳廓点云模型归一化前后对比效果如图2所示，其中a为三维耳廓点云模型归 一化前的示意图；b为三维耳廓点云模型归一化前的效果图。
[0022] b.基于Iannarelli分类系统提取三维耳廓点云模型的4个局部特征区域： 将任意三维耳廓点云模型的第一主轴与第二主轴作为一对方向，同时将这两个主轴的 对角作为另外一对方向，然后沿着这4个方向做法平面与耳廓模型求交，最后提取耳廓中4 个局部特征区域。
[0023]如图3所示：这4个局部特征区域包含了 Iannarelli分类系统中12个重要几何特 征。
[0024] c.利用Sparse ICP算法对三维耳廓点云模型的局部特征区域进行匹配，得到全 部初始匹配点对;基于SVD求解匹配点对之间旋转变换R和平移变换T、最小化误差函数E，直 至模型间距离误差取得最小值时，得到最优配准。