[0025]具体可按如下步骤： 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Υ间的对齐误差向量为
，则，记X和Υ间的距离为：
，其中· _ _
，并记模型间X和Υ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γ上距离该点最近的点η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。
[0026] 为了进一步优化配准问题，在求解最小化误差函数中，基于拉格朗日方法将对齐 误差向量的^范数重新定义为：
其中，._
y为拉格朗日乘子/^^分为惩罚因子。
[0027] 利用交换方向乘子法（alternating direction method of multipliers，ADMM)， 将其分解成3个子问题：
(1) (2) (3) 其c 。通过hi向量收缩算子（shrinkage operator)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 、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1
，并计算旋转矩阵R以及平 移矩阵t; 步骤5.求解
步骤6.若輕·巧|:大于阈值τ，返回到步骤2,否则迭代结束。
[0028]实验结果及分析： 一.匹配精度 图4为待测耳廓模型05129d002ear与数据库中耳廓模型Sparse ICP算法匹配后计算的 欧式距离平方和相似度分布，其中线条a表示本发明实施例使用提取的耳廓区域进行匹配 后的结果，线条b表示使用完整耳廓模型进行匹配后的结果。从图4中可以看出，本发明实施 例采用局部区域匹配的耳廓模型精度较高。
[0029]同样，以05129d002ear为待测耳廓模型，分别于数据库中其他耳廓模型进行匹配， 计算模型之间匹配点对之间平均距离，即：
其中，η表示匹配点对的个数；MinDis表示匹配点对之间的距离；i表示匹配点对的序 号；k表示区域的序号。显然，DisAvg越小，两个模型相似度越高;DisAvg越大，两个模型相 似度越低。平均每个局域的平均距离，即可得到耳廓模型之间的相似度。如表1所示。显然， 本发明实施例与ICP、ICNP算法相比，精度较高，且能够有效区分相同耳廓不同数据的模型。 [0030] 表1耳廓间平均距离比较
采用累积匹配特性(cumulative match characteristics, CMC)曲线来评估算法的识 别效率，其中CMC曲线的横坐标表示在耳廓匹配实验结果匹配最好的前k个的模型，纵坐标 表示为三维耳廓识别的正确率。图5是将本发明实施例与ICP算法的CMC曲线进行对比。从该 图可以看出，本发明实施例识别率比ICP算法的识别率高，其中rank-Ι达到了93.8%。
[0031 ] 米用接收器操作特性（receiver operating characteristic，R0C)曲线反映正确 接受率（genuine acceptance rate, GAR)与错误接受率（false acceptance rate, FAR) 的相互关系，GAR表示正确的耳廓被视为正确的百分率，FAR表示错误的耳廓被视为正确的 百分率。图6是将本发明实施例与ICP算法的R0C曲线进行对比。从该图可以看出，本发明实 施例的识别率比ICP算法的识别率高。
[0032] 二.匹配时间 本实验基于2.40 6他的1扣61(1〇父6〇11(1〇0?1]，16.0 68 1^1，64位操作系统的计算 环境中，对UND三维耳廓数据库中的1 800个三维耳廓模型分别提取耳廓特征区域，并对比 了利用完整耳廓模型进行Sparse ICP，ICP，ICNP算法的匹配情况，相应的匹配用时对比如 表2所示，可以看出，本发明实施例的基于耳廓局部特征区域的匹配用时显然小于基于完整 耳廓模型的匹配用时，并且与ICP和ICNP算法相比，Sparse ICP算法时间消耗较少。
[0033] 表2匹配时间比较(s)
结论:实验证明，本发明实施例与其他算法相比有很高的识别精度和效率。
【主权项】
1. 一种可提高识别精度及效率的=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S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=维耳廓点云模型的4个局部特征区域； C.利用Sparse ICP算法对S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。2. 根据权利要求1所述的基于Sparse ICP的S维点云耳廓识别方法，其特征在于所述a 步骤如下： 设任意=维耳廓点云模型的顶点集合则V的(梦乎穿去r):阶几何矩为：则V的=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的质必||巧1?，撰平移到坐标原点； W六个2阶几何矩构造 V的协方差矩阵如下：设移连凝敢pf)，即对协方差矩阵M进行SVD分解，其中U为矩阵M的特征向量矩 阵，对应耳廓模型V的=个主轴，A为矩阵M的特征值矩阵，对耳廓模型V的任意顶点(XI，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=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。3. 根据权利要求1所述的基于Sparse ICP的S维点云耳廓识别方法，其特征在于所述b 步骤如下： 将任意=维耳廓点云模型的第一主轴与第二主轴作为一对方向，同时将运两个主轴的 对角作为另外一对方向，然后沿着运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。4. 根据权利要求1所述的基于Sparse ICP的S维点云耳廓识别方法，其特征在于所述C 步骤如下： 设X和Y分别为=维耳廓点云参考模型和=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馬二i我鞍十::《-粥，则，记X和Y间的距离为梦裘）=捧x-柬i I， 其中#§>=tf，并且沪有f餐I，并记模型间X和Y的误差函数为对齐误差向量的Ip范数：其中，焉:=.混特乎I-躬^瑪； 令参考模型X上一个点Xi与目标模型Y上距离该点最近的点yj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。5. 根据权利要求1所述的基于Sparse ICP的S维点云耳廓识别方法，其特征在于所述C 步骤如下： 设X和Y分别为=维耳廓点云参考模型和=维耳廓点云目标模型的4个局部特征区域，记X 和￥间的对齐误差向量为畢二摄^,寺:；^ -躬，则，记乂和￥间的距离为與(典采| := ^(ii《一j；y， 其中感約=卡f，并且护€瞬|1，并记模型间X和Y的误差函数为对齐误差向量的Ip范数， 基于拉格朗日方法将对齐误差向量的Ip范数定义为：其中，帮=:緻作#-躬-弯，或二挺:爸潭，禱为拉格朗日乘子，與;> O为惩罚因子， 利用交换方向乘子法，将其分解成3个子问题：，通过hi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I、 惩罚因子y W及阔值T ; 步骤2.对于X的任意点，计算Y上欧式距离该点最近的点，得到X和Y之间全部初始匹配 点对； 步骤3.求解，通过hi向量收缩算子求解更新向量I#; 步骤4.更新，求解函数|^，并计算旋转矩阵RW及平移 矩阵t;步骤5.求解驾.'二源%:.姑-巧'-马，更新為:=為寸鸿； 步骤6.若祭I；我5#大于阔值T，返回到步骤2,否则迭代结束。
【专利摘要】本发明公开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：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；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；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<i>SVD</i>求解匹配点对之间旋转变换<i>R</i>和平移变换<b><i>T</i></b>、最小化误差函数<b><i>E</i></b>，直至模型间距离误差取得最小值时，得到最优配准。
【IPC分类】G06K9/52, G06K9/00
【公开号】CN105654029
【申请号】
【发明人】孙晓鹏, 马晓萌, 王璐, 王森
【申请人】辽宁师范大学
【公开日】2016年6月8日
【申请日】2015年11月30日