[发明专利]可提高识别精度及效率的三维点云耳廓识别方法

说明书

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。

技术领域

本发明涉及一种三维点云耳廓识别方法，尤其是一种可提高识别精度和效率的三维点云耳廓识别方法。

背景技术

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别，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。

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。

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1~4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

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。

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。

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的阶几何矩为：

则V的三个1阶几何矩和六个2阶几何矩分别为：