【技术实现步骤摘要】
本专利技术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。
技术介绍
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邻域#(^0，2α)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，得到均匀分布的个参数采样网格，然后通过求解线性方程组尤估计个采样点上的Z坐标值，其中向量Z的维数是维，为沿平行于X轴的参数方向上的采样点个数，砂为沿平行于Y轴的参数方向上的采样点个数，矩阵A的维数是/?行列，其中为待拟合点云的个数，向量为/7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...
【技术保护点】
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。
【技术特征摘要】
1.一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。2.根据权利要求1所述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，其特征在于所述a步骤如下:对于耳廓的三维扫描点云集合K=IFiIri =Cri,Λ., A)，i二I，2，…，/?}，基于曲面的第二基本形式对每一个点的主曲率进行离散估计，记耳廓点云集合K上任意点Vf的两个主曲率分别为4和^，并记Vj.的平均曲率为Φ {vx) = {kJ^k2l) /2 ;以点Vj为球心、以2 σ为半径,基于kd-tree并行快速搜索建立点Vj的邻域点集#(6，2 σ)，则邻域#(& 2 σ)内各点的平均曲率高斯加权均值定义为: 3.根据权利要求2所述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，其特征在于所述b步骤如下:首先Sr1被标记为第I个显著性关键点并定义了以Sr1为球心、r为半径的排斥邻域SCsr1, r);之后检测5.κ2,若Sr2在排斥邻域内，则丢弃Sr2,否则 被标记为第2个关键点，并同样定义一个排斥邻域；在丢 或被标记为第2个关键点后检测Sr3,若A在排斥邻域内，则丢弃Sr3,否则A被标记为下一个关键点，同样定义一个排斥邻域……重复该过程，直至获得7个显著性关键点，并将耳廓点集K的显著性关键点集记为匕二如匕.1 IiSVi = QiXi, ky” kz)，i二1，2，…，<7 }。4.根据权利要求3所述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，其特征在于所述c步骤如下:对于显著性关键点集Kf=R1STi I ksvj =U...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。