[发明专利]基于平均曲率和正态分布变换的三维人耳识别方法

权利要求书

1.基于平均曲率和正态分布变换的三维人耳识别方法，具体步骤如下，其特征在于,

步骤1：对带背景信息的二维侧脸图像进行Faster R-CNN目标检测，获得方形二维人耳区域，提取对应区域的三维人耳点云；

步骤2：对由步骤1所提取的三维人耳点云根据平均曲率进行关键点检测，得到关键点集；

所述步骤2具体包括以下步骤：

步骤2.1：点云中某点可以和其周围点拟合成曲面，曲面上有无数个不同方向的曲线，曲面上的点不同方向具有不同曲率，这就是主曲率，取所有主曲率中的最大值C_max(p)和最小值C_min(p)，对于顶点p，其平均曲率C_mean(p)由最大主曲率C_max(p)和最小主曲率C_min(p)计算得到：

C_mean(p)＝(C_max(p)+C_min(p))/2 (1)

对于顶点p，设其邻域为N(p)，M为邻域内点的个数，则其邻域的平均曲率c(p)计算如下：

为了得到稳定的关键点，定义满足如下条件的顶点为关键点：

|C_mean(p)|≥(1+a)|c(p)|or|C_mean(p)|≤(1-b)|c(p)|,0≤b≤1,a≥0 (3)

式中a和b是限定Cmean(p)和c(p)范围的两个参数，用来选择关键点；

步骤3：利用步骤2中得到的关键点集和标准姿态人耳关键点集进行ICP配准，将获得的旋转平移矩阵作用于步骤1得到的三维人耳点云，使其转换为近似具有竖直向上姿态，再利用长方体模板切割，得到去除冗余信息后的三维人耳；

步骤4：利用正态分布变换配准算法进行配准，最后配准的误差来衡量两个人耳的相似度，得到识别结果；

所述步骤4具体包括以下步骤：

步骤4.1：将点云分成M个体素格，体素格内x的概率分布为

式中：q为x所在体素格内所有点的位置坐标的均值；而Y为包含x在内的体素单元的协方差矩阵；为函数的归一化因子，实际使用中可以由一个常数c₀代替.

正态分布变换给出了点云的连续可微表示，每个网格内的概率分布函数都可以看做是对局部表面的近似，描述了点云表面位置与平整度信息，使用正态分布变换算法进行点云配准时，目标是使经过配准后，源点云在目标点云空间所处的位置具有大的概率密度；

步骤4.2：按照4.1创建待测人耳点云的NDT；

步骤4.3：对坐标变换参数进行初始化；

步骤4.4：对于某个库集人耳点云也进行步骤4.1-4.3的初始化，根据步骤4.3的坐标变换参数，将其映射到步骤4.2已创建好的待测人耳点云的坐标系中；

步骤4.5：将每个映射点的概率分布之和作为每个坐标变换参数的分数值s(p)进行评估：

式中x′_i为x_i根据变换参数v映射到第一个坐标系下的坐标，q_i和C分别表示x′_i对应的均值向量和协方差矩阵；

三维变换向量T(v,x)可表示为：

式中t＝[t_x t_y t_z],r＝[r_x,r_y,r_z],

步骤4.6：对这些分数值进行优化，即取-s(p)的最大值；

通常把优化问题描述成最小化问题，因此问题变换为求s(p)最小，即求得使s(p)最小时的变换参数v的值，以及此时的s(p)，在此使用基于Hessian矩阵的牛顿迭代法对s(p)求最小值；

当前后两次迭代的s(p)比值小于设定的阈值时，认为迭代已达到收敛要求，将此时的s(p)作为两个人耳的配准误差；

步骤4.7：将待测人耳和每一个库集人耳都采用这种方法进行迭代和判别，得到配准误差，最终选取配准误差最小的库集人耳作为识别结果；

步骤5：身份认证识别实验，实验均采用R1RR作为识别性能指标。

2.根据权利要求1所述的基于平均曲率和正态分布变换的三维人耳识别方法，其特征在于：所述步骤3具体包括以下步骤：

步骤3：把步骤2中得到的关键点集和一个标准姿态人耳的关键点集利用迭代最邻近点ICP方法进行对齐，将该ICP变换最终的旋转平移矩阵作用于步骤1得到的三维人耳区域，就可以使整个对齐之后的人耳都具有竖直向上的姿态，并且坐标系的原点(0,0)都位于人耳的左下角区域，接着利用一个长方体模板0≤x≤40,0≤y≤65,-5≤z≤5，单位：毫米，对标准姿态的人耳进行切割，得到归一化后的人耳。