[發明專利]基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法

無效

• 申請號: 201410172959.3
• 申請日: 2014-04-28
• 公開（公告）號: CN103985116A
• 公開（公告）日: 2014-08-13
• 發明（設計）人: 孫曉鵬;王冠
• 申請（專利權）人: 遼寧師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 大連非凡專利事務所 21220
• 代理人: 閃紅霞

技術領域

本發明涉及一種三維耳廓形狀特征描述技術，尤其是一種具有較高的形狀特征逼近精度，可有效提高配準效率和精度的基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法。

背景技術

耳廓作為生物特征識別領域的新起之秀已經得到了越來越多的關注。耳廓具有豐富的特征結構，其凸起的耳輪、耳屏、耳垂之間以及凹陷的耳窩、耳舟、耳腔之間都為耳廓的局部特征描述帶來麻煩。

Islam等采用乘積型參數域上單值曲面擬合方法對耳廓的三維掃描點云kv_i鄰域N(kv_i,?2σ)內的全部點進行了擬合（即擬合曲面在參數域上的投影是單值的長方形區域）。該算法首先在XY平面上的參數區域上沿X和Y軸方向采樣，得到均勻分布的nx×ny個參數采樣網格，然后通過求解線性方程組Ax=y估計nx×ny個采樣點上的Z坐標值，其中向量x的維數是nx×ny維，nx為沿平行于X軸的參數方向上的采樣點個數，ny為沿平行于Y軸的參數方向上的采樣點個數，矩陣A的維數是n行nx×ny列，其中n為待擬合點云的個數，向量y為n維，對應待擬合點云的Z坐標值。由于該算法只能得到參數域上的單值曲面，無法表示折疊等復雜的曲面形狀，因此，使用該方法計算關鍵點周圍的局部形狀特征必然會產生精確度損失。另外該算法給出的單值曲面擬合方法在擬合不同掃描角度獲取的數據時，對同一耳廓的同一位置上，往往產生不同的擬合形狀，同樣影響形狀特征描述精度。

主流形是嵌入高維空間的非歐氏低維流形，即點集的非線性主成分和子空間的概括，在分子生物學分析、動態系統分析等領域應用比較廣泛。1984年Hastie將穿過數據中心的平滑曲線或曲面定義為主流形曲線或曲面，主流形上的每個點都是該點在原始點集中的局部平均，不同于其他的非線性擴展，主流形具有形式簡單、自身一致性、幾何解釋清晰等特點。常用的線性降維方法PCA在處理多元正態分布的橢圓分布數據效果較好，但對一般的非線性數據結構的效果比較差，比如二維、三次或高次多項式數據；同時，線性的主成分分析受隨機擾動的影響也比較大。而以二維主流形應用于非線性主成分分析方法，可較好地回避了上述缺陷，并能夠消除高維數據的統計冗余，降低了數據信息的損失。

但是，迄今為止還沒有關于基于局部顯著性與二維主流形對三維耳廓形狀特征進行描述的相關報道。

發明內容

本發明是為了解決現有技術所存在的上述技術問題，提供一種具有較高的形狀特征逼近精度，可有效提高配準效率和精度的基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法。

本發明的技術解決方案是：一種基于局部顯著性與二維主流形的三維耳廓形狀特征描述方法，其特征在于按如下步驟進行：

a.?對于耳廓的三維掃描點云，基于平均曲率的高斯加權平均，計算耳廓點云上顯著性特征值，并對全部顯著性特征值降序排列；

b.?基于泊松采樣的排斥策略，優化選擇三維耳廓點云顯著性關鍵點；

c.?基于二維主流形方法，對三維耳廓點云顯著性關鍵點鄰域內的形狀信息進行主成分分析，并擬合生成二維流形曲面；

d.?將每個二維流形曲面記為一個高維特征向量，基于線性降維方法對每個高維特征向量進行壓縮，得到三維耳廓點云顯著性關鍵點的低維特征向量。