基于聯(lián)合α熵的耳廓識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種耳廓識(shí)別方法，尤其一種計(jì)算復(fù)雜度低、效率高，對(duì)遮擋、光照等 噪聲影響健壯性較高且具有較高識(shí)別率和檢驗(yàn)率的基于聯(lián)合α熵的耳廓識(shí)別方法。
【背景技術(shù)】
[0002] 人體測(cè)量學(xué)理論指出人的耳廓在7~70歲之間，外形不會(huì)發(fā)生顯著變化，且沒有任 何兩個(gè)人(包括雙胞胎）的耳廓完全一致；與人臉、指紋、虹膜等其他傳統(tǒng)的生物信息技術(shù)相 t匕，耳廓的三維形狀特征不受胡須、眼鏡、化妝、光照以及表情變化的影響，采集技術(shù)更為穩(wěn) 定方便，具有更高的穩(wěn)定性、唯一性和健壯性。因此，耳廓識(shí)別作為一種新的生物特征識(shí)別 技術(shù)受到了越來越多的關(guān)注。
[0003] 現(xiàn)有的耳廓識(shí)別方法根據(jù)輸入數(shù)據(jù)的不同可以分為基于二維圖像的識(shí)別和基于 三維點(diǎn)云的識(shí)別兩種類型。二維耳廓識(shí)別方法有基于幾何特征的識(shí)別方法、基于局部特征 點(diǎn)的識(shí)別方法、基于代數(shù)特征的識(shí)別方法等，存在著受表情變化、光照不同等諸多因素影響 的缺陷；基于三維點(diǎn)云的識(shí)別方法大多采用局部表面片（LSP, local surface patch)、迭 代最近點(diǎn)（ICP, iterative closest point)等方法，三維耳廓數(shù)據(jù)能提供更多的形狀細(xì)節(jié) 信息，基于三維點(diǎn)云的耳廓識(shí)別則具有更高的研究?jī)r(jià)值和應(yīng)用優(yōu)勢(shì)，但是，現(xiàn)有的基于三維 點(diǎn)云的耳廓識(shí)別方法中均需要對(duì)耳廓點(diǎn)云進(jìn)行空間位置的平移和旋轉(zhuǎn)以達(dá)到空間位置上 的對(duì)齊，不同程度地存在著計(jì)算復(fù)雜度高的問題，同時(shí)現(xiàn)有識(shí)別方法對(duì)遮擋、光照等噪聲影 響健壯性較低。
[0004] 熵的概念最早起源于物理學(xué)，用于度量熱力學(xué)系統(tǒng)的無序程度，衡量隨機(jī)變量的 期望值。1948年克勞德?艾爾伍德·香農(nóng)將熵的概念引入信息論，提出了"信息熵"（又稱 為香農(nóng)熵、信源熵、平均自信息量等)，由此解決了對(duì)信息的量化測(cè)度問題。最早的基于熵的 圖像配準(zhǔn)工作中出現(xiàn)在2000年前后Renyi熵用作為圖像配準(zhǔn)的差異測(cè)度，并定義了 JRD (Jensen-Renyi divergence)。目前還沒有關(guān)于基于熵的三維點(diǎn)云配準(zhǔn)相關(guān)報(bào)道。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明是為了解決現(xiàn)有技術(shù)所存在的上述技術(shù)問題，提供一種計(jì)算復(fù)雜度低、對(duì) 遮擋、光照等噪聲影響健壯性較高且具有較高識(shí)別率和檢驗(yàn)率的基于聯(lián)合α熵的耳廓識(shí) 別方法。
[0006] 本發(fā)明的技術(shù)解決方案是：一種基于聯(lián)合α熵的耳廓識(shí)別方法，其特征在于按照 如下步驟進(jìn)行： a. 分別從待匹配的兩個(gè)三維耳廓點(diǎn)云中選取關(guān)鍵點(diǎn)； b. 分別在關(guān)鍵點(diǎn)鄰域范圍內(nèi)提取關(guān)鍵點(diǎn)的局部形狀特征； c. 將關(guān)鍵點(diǎn)的局部形狀特征融入聯(lián)合α熵，形成局部形狀特征聯(lián)合α熵； d. 利用兩個(gè)耳廓關(guān)鍵點(diǎn)上的局部形狀特征對(duì)兩只耳廓的關(guān)鍵點(diǎn)進(jìn)行特征空間內(nèi)的對(duì) 齊，得到相匹配的關(guān)鍵點(diǎn)匹配對(duì)及定義在關(guān)鍵點(diǎn)匹配對(duì)上的局部形狀特征向量； e. 用關(guān)鍵點(diǎn)匹配對(duì)上的局部形狀特征向量構(gòu)造最小生成樹； f. 用最小生成樹加權(quán)邊總和對(duì)局部形狀特征聯(lián)合α熵進(jìn)行最小化估計(jì)，實(shí)現(xiàn)耳廓形 狀特征的匹配。
[0007] 所述步驟a如下： 設(shè)三維耳廓的點(diǎn)云為K二
【主權(quán)項(xiàng)】
1. 一種基于聯(lián)合α熵的耳廓識(shí)別方法，其特征在于按照如下步驟進(jìn)行： a. 分別從待匹配的兩個(gè)三維耳廓點(diǎn)云中選取關(guān)鍵點(diǎn)； b. 分別在關(guān)鍵點(diǎn)鄰域范圍內(nèi)提取關(guān)鍵點(diǎn)的局部形狀特征； c. 將關(guān)鍵點(diǎn)的局部形狀特征融入聯(lián)合α熵，形成局部形狀特征聯(lián)合α熵； d. 利用兩個(gè)耳廓關(guān)鍵點(diǎn)上的局部形狀特征對(duì)兩只耳廓的關(guān)鍵點(diǎn)進(jìn)行特征空間內(nèi)的對(duì) 齊，得到相匹配的關(guān)鍵點(diǎn)匹配對(duì)及定義在關(guān)鍵點(diǎn)匹配對(duì)上的局部形狀特征向量； e. 用關(guān)鍵點(diǎn)匹配對(duì)上的局部形狀特征向量構(gòu)造最小生成樹； f. 用最小生成樹加權(quán)邊總和對(duì)局部形狀特征聯(lián)合α熵進(jìn)行最小化估計(jì)，實(shí)現(xiàn)耳廓形 狀特征的匹配。
2. 根據(jù)權(quán)利要求1所述的基于聯(lián)合α熵的耳廓識(shí)別方法，其特征在于所述步驟a如 下： 設(shè)三維耳廓的點(diǎn)云為K二 卜=(x￡, JhZiI，點(diǎn)v;=丨為任意一點(diǎn)，以~為球心、以r為半徑做來 球內(nèi)所有點(diǎn)構(gòu)成的矩陣為式=IUxf #f = ,記&的均值向量為》、協(xié)方差矩陣 為O對(duì)協(xié)方差矩陣?進(jìn)行主成分分析，得到C的特征向量矩陣Z和特征值矩陣漢將A中所 有的點(diǎn)投影到較大的兩個(gè)特征值對(duì)應(yīng)的特征向量上，并對(duì)兩個(gè)方向上投影的最大值和最小 值之差分別記為dx和dy，令?/=/?-辦/，若歡于指定閾值，則將F y選為關(guān)鍵點(diǎn)，記作hi; 獲得足夠代表耳廓結(jié)構(gòu)特征的關(guān)鍵點(diǎn)，記該耳廓的關(guān)鍵點(diǎn)集合為=Uzi, i=l，2，…，左}。
3. 根據(jù)權(quán)利要求2所述的基于聯(lián)合α熵的耳廓識(shí)別方法，其特征在于所述步驟b如 下： 采用乘積型參數(shù)域上單值曲面擬合方法對(duì)關(guān)鍵點(diǎn)鄰域2 σ)內(nèi)的全部點(diǎn)進(jìn) 行曲面擬合，擬合曲面片在乘積型參數(shù)域《td：?jiǎn)沃低队盀榫匦螀^(qū)域，首先在參數(shù)平面勺 參數(shù)區(qū)域上沿《方向和r方向分別進(jìn)行均勻的采樣和采樣，得到均勻分布的 個(gè)參數(shù)采樣點(diǎn)，求解采樣點(diǎn)上的深度坐標(biāo)值Z ot，則記任意關(guān)鍵點(diǎn)上由 個(gè)采樣深度集合{2"[]為知/上的局部形狀特征，記為157 ;；.= {2^)^/=1，2，"％皿，1^1， 2，…，?κ}，則有定義在關(guān)鍵點(diǎn)集ΛΤ上的局部形狀特征集合ASTMZ lSFi, /=1，2，…， 皿X 。
4. 根據(jù)權(quán)利要求3所述的基于聯(lián)合α熵的耳廓識(shí)別方法，其特征在于所述步驟c如 下： 設(shè)待匹配的兩幅三維耳廓點(diǎn)云的概率密度函數(shù)分別為沒P A引入Jensena熵差分，得 到熵差分的離散表示 (β-J： g) = Hs [β-f + ?\-β) g) - {βΗ, if) + (I - β)Ηα (^)), 其中於e(CU)為調(diào)和系數(shù)；當(dāng)/ =貧時(shí),Mie(:爲(wèi)/:gμ 〇 ,且Fa(#/ + (I-/?k)取 得最小值,反之亦然，即f/?:/ j j = O等價(jià)于min Fe丨>/ + (I-戶)g),則局部形狀特 征聯(lián)合α熵為Hlillffe 〇/Η1 -多k)。
5. 根據(jù)權(quán)利要求4所述的基于聯(lián)合a熵的耳廓識(shí)別方法，其特征在于所述步驟d如 下： 設(shè)待匹配的兩個(gè)三維耳廓點(diǎn)云分別為符P ft則耳廓點(diǎn)云/7上的第i個(gè)關(guān)鍵點(diǎn)為視^， 該點(diǎn)上的局部形狀特征向量為/?/7/;耳廓點(diǎn)云^上的第J個(gè)關(guān)鍵點(diǎn)為級(jí)t〇.，該點(diǎn)上的局部 形狀特征向量為對(duì)兩只待匹配耳廓上每個(gè)關(guān)鍵點(diǎn)的局部形狀特征向量進(jìn)行匹配：e二 ( 〇，其中和分別表示兩只待匹配耳廓的第』個(gè)關(guān)鍵點(diǎn)所 對(duì)應(yīng)的局部形狀特征向量；對(duì)于給定耳廓點(diǎn)云/?勺某一局部形狀特征向量，搜索測(cè)試耳廓 點(diǎn)云郵]所有局部形狀特征向量，若最小，則認(rèn)為這對(duì)特征匹配，建立對(duì)應(yīng)關(guān)系，使兩只 耳廓特征之間一一映射，則關(guān)鍵點(diǎn)之間的對(duì)應(yīng)關(guān)系同時(shí)建立，得到相匹配的關(guān)鍵點(diǎn)匹配對(duì) Vi = ( P.fcvt;; GJtvj ),關(guān)鍵點(diǎn)匹配對(duì)的集合為： WG = IK = (Phii. Gkvj ) |J; Pkvi Ghtff i = l.2.-".k.j-T (i )|, 得到定義在關(guān)鍵點(diǎn)匹配對(duì)Ki上的22維局部形狀特征向量：ΚΖ57^.= {〇°Z5F,w， ，…，茂5巧77，I戶7陽}，則帶有局部形狀特征向量的 匹配對(duì)集合為： fTSF =.(社拓 H 凡坪:GOF} )|Γ:凡Sg 4 GiSi^/ = 1; 2;…:200?/= Γ ⑷}。
6. 根據(jù)權(quán)利要求5所述的基于聯(lián)合a熵的耳廓識(shí)別方法，其特征在于所述步驟e如 下： 最小生成樹MST頂點(diǎn)集合記作TF =-fFilSF； |W1SF； e i?'i= 1，2:···々j ;使用 Delaunay算法建立勺邊集，記作?！?= ^ :丨…JOO-?氣/j ,進(jìn) 而采用Kruskal算法，構(gòu)造最小生成樹，即使其所有邊的加權(quán)長(zhǎng)度總和取得最小值的樹，將 最小生成樹記為石.@ =CrRZE),記的加權(quán)長(zhǎng)度總和為
7. 根據(jù)權(quán)利要求6所述的基于聯(lián)合〃熵的耳廓識(shí)別方法，其特征在于所述步驟f如 下： 對(duì)于具有局部形狀特征向量匹配對(duì)集合KZ5F，設(shè)其概率密度函數(shù)為則局部特征 聯(lián)合 α 熵 min Fs (/?/ + (1 - /?) g)轉(zhuǎn)化為 if j (U ; Ha I Jlzsr )=3C T^log . ' I-Qf η 其中是使加權(quán)長(zhǎng)度總和最小的最小生成樹的加權(quán)長(zhǎng)度總和；/?為三維耳廓點(diǎn)云 模型上點(diǎn)的數(shù)目。
【專利摘要】本發(fā)明公開一種計(jì)算復(fù)雜度低、對(duì)遮擋、光照等噪聲影響健壯性較高且具有較高識(shí)別率和檢驗(yàn)率的基于聯(lián)合α熵的耳廓識(shí)別方法，是從待匹配的兩個(gè)三維耳廓點(diǎn)云中選取足夠的關(guān)鍵點(diǎn)，在關(guān)鍵點(diǎn)鄰域范圍內(nèi)提取關(guān)鍵點(diǎn)的局部形狀特征，將關(guān)鍵點(diǎn)的局部形狀特征融入聯(lián)合α熵，形成局部形狀特征聯(lián)合α熵，利用兩個(gè)耳廓關(guān)鍵點(diǎn)上的局部形狀特征對(duì)兩只耳廓的關(guān)鍵點(diǎn)進(jìn)行特征空間內(nèi)的對(duì)齊，得到相匹配的關(guān)鍵點(diǎn)匹配對(duì)及定義在關(guān)鍵點(diǎn)匹配對(duì)上的局部形狀特征向量，用關(guān)鍵點(diǎn)匹配對(duì)上的局部形狀特征向量構(gòu)造最小生成樹，用最小生成樹加權(quán)邊總和對(duì)局部形狀特征聯(lián)合α熵進(jìn)行最小化估計(jì)，實(shí)現(xiàn)耳廓形狀特征的匹配。
【IPC分類】G06K9-46, G06K9-64
【公開號(hào)】CN104636762
【申請(qǐng)?zhí)枴緾N201510027900
【發(fā)明人】孫曉鵬, 李思慧
【申請(qǐng)人】遼寧師范大學(xué)
【公開日】2015年5月20日
【申請(qǐng)日】2015年1月20日