[发明专利]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

说明书

技术领域

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

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。

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kv_i邻域N(kv_i, 2σ)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nx×ny个参数采样网格，然后通过求解线性方程组Ax=y估计nx×ny个采样点上的Z坐标值，其中向量x的维数是nx×ny维，nx为沿平行于X轴的参数方向上的采样点个数，ny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n行nx×ny列，其中n为待拟合点云的个数，向量y为n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。

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。

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

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。

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。