CN103810751A - 基于IsoRank算法的三维耳廓点云形状特征匹配方法 - Google Patents
基于IsoRank算法的三维耳廓点云形状特征匹配方法 Download PDFInfo
- Publication number
- CN103810751A CN103810751A CN201410042391.3A CN201410042391A CN103810751A CN 103810751 A CN103810751 A CN 103810751A CN 201410042391 A CN201410042391 A CN 201410042391A CN 103810751 A CN103810751 A CN 103810751A
- Authority
- CN
- China
- Prior art keywords
- auricle
- matrix
- point
- key point
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于IsoRank算法的三维耳廓点云形状特征匹配方法,按如下步骤进行:基于PCA方法分析耳廓点云的局部邻域球内的形状特征,提取耳廓点云的形状关键点;基于Delaunay方法对关键点集合进行三角剖分,并基于映射关系建立耳廓关键点集合的三维网格图;基于耳廓关键点集合的三维网格图的边权,构造耳廓关键点二分图,利用IsoRank算法,寻找与耳廓关键点二分图之间的最大整体匹配,本发明时间复杂度较低、匹配精度和匹配效率较高。
Description
技术领域
本发明涉及一种三维耳廓形状匹配技术,尤其是一种可有效提高配准效率和精度的基于IsoRank算法的三维耳廓点云形状特征匹配方法。
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匹配问题带来麻烦。
以往,基于三维耳廓信息的识别方法大多利用ICP(Iterative Closest Point)算法以及ICP算法的变形。如2005年Chen等提出的三维人耳识别的轮廓匹配方法,主要采用两步ICP方法进行耳廓匹配,第一步利用改进的ICP算法找到初始变换,第二步迭代地运用ICP算法进行精确对齐。2007年Chen等基于三维人耳生物特征提出了一个完整的人耳识别系统,提出了利用四元组计算初始变换进行粗对齐,再利用ICP算法进行精确匹配的耳廓/外耳廓表示的人耳识别曲面匹配方法。2011年Syed等将二维AdaBoost探测器与三维局部特征匹配相结合,运用ICP进行精确匹配获得了一个完备的自动识别系统。2013年Sun等提出了一个基于二分图的三维耳廓形状特征最优匹配算法。上述基于ICP或改进ICP算法的耳廓识别研究均需要对耳廓上所有的点迭代计算最近点,输出变换矩阵,算法计算复杂度高,耗费时间长,且对迭代初始条件敏感。另外,由于提取耳廓的轮廓线具有较高的难度,常忽略了耳廓上其它一些重要特征,因此仅仅匹配耳廓轮廓线的方法在识别精度方面并不理想。
2007年Singh等针对生物学中的蛋白质交互(PPI, protein-protein interaction)网络的匹配问题提出了IsoRank算法。IsoRank算法着眼于图形的全局对齐,即使某些局部匹配并未获得最优解,但该算法适于解决结点数较多的大图匹配,且能够在很短的时间内完成匹配,获得很高的准确性。但是,迄今为止还没有关于基于IsoRank算法求解三维耳廓点云形状特征匹配问题的相关报道。
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,提供一种可有效提高配准效率和精度的基于IsoRank算法的三维耳廓点云形状特征匹配方法。
本发明的技术解决方案是:一种基于IsoRank算法的三维耳廓点云形状特征匹配方法,其特征在于按如下步骤进行:
a. 基于PCA方法分析耳廓点云的局部邻域球内的形状特征,提取耳廓点云的形状关键点;
b. 基于Delaunay方法对关键点集合进行三角剖分,并基于映射关系建立耳廓关键点集合的三维网格图;
c. 基于耳廓关键点集合的三维网格图的边权,构造耳廓关键点二分图,利用IsoRank算法,寻找与耳廓关键点二分图之间的最大整体匹配。
所述a步骤如下:对于任意耳廓点云M,以任意一个种子点fp为圆心,以r为半径做球,对球内的所有的数据点进行主成分分析得到特征向量矩阵Mevec和特征值矩阵Meval;将球内的所有点分别投影到较大的两个特征值对应的特征向量上,记两个方向上投影的最大值和最小值之差分别为dx和dy,令t=|dx-dy|;若t大于指定的阈值,则将种子点fp为关键点,记作kp;重复该过程,直到获得kn个关键点。
所述b步骤如下:将耳廓点云M上的kn个关键点映射到二维空间,基于Delaunay三角剖分得到kn个关键点的二维剖分图G2D,基于映射关系将G2D投影回三维空间,得到耳廓点云M上的kn个关键点的三维网格图G。
所述c步骤如下:图G的结点i和图P的结点j间存在匹配点对(i, j),考虑边的权值w,则点对(i, j)的匹配分数Rij可以表示为: ,N(a)表示结点a的邻域集合,|N(a)|表示结点a邻域内点的数量,VG、VH分别表示两图G和P的点集;当所有边的权值w均等于1时,上式的矩阵形式可以表示为R=AR,其中
式中A是一个|VG||VH|×|VG||VH|的矩阵,A[i,j][u,v]表示矩阵中的每一行(i, j)和每一列(u, v)的所有元素;对矩阵A进行特征值分解,R就是矩阵A的主特征向量;当A是一个随机矩阵,其主特征值为1;由于矩阵A是典型的大矩阵,且矩阵A和R又都是稀疏的,故可采用迭代算法求得R;显然,矩阵R包含了图G和图P所有结点间的映射关系;对于任意点对(i, j),若其匹配分数之和最大,则接受该点对为匹配点对;构造图G和图P的二分图,求其中最大权重的匹配,即为最终匹配关系。
本发明提取三维耳廓点云的关键点,降低了点云配准的数据量;构造耳廓关键点的网络图,将点云匹配转化为图匹配问题;以IsoRank方法计算耳廓关键点加权二分图的最大整体匹配,实现了最佳的耳廓匹配,提高了配准精度和匹配效率。
具体实施方式
a. 基于PCA方法分析耳廓点云的局部邻域球内的形状特征,提取耳廓点云的形状关键点;
对于任意耳廓点云M,随机选取M上一数据点p,若p点距离耳廓边缘的距离d大于给定的阈值δ (这里令δ=r+10mm),则称p点为种子点,记作fp;以任意一个种子点fp为圆心,以r为半径做球,对球内的所有的数据点进行主成分分析(PCA,Principal Component Analysis)得到特征向量矩阵Mevec和特征值矩阵Meval;将球内的所有点分别投影到较大的两个特征值对应的特征向量上,记两个方向上投影的最大值和最小值之差分别为dx和dy,令t=|dx-dy|,若t大于指定的阈值,则将种子点fp为关键点,记作kp;重复该过程,直到获得kn关键点。
b. 基于Delaunay方法对关键点集合进行三角剖分,并基于映射关系建立耳廓关键点集合的三维网格图;
将耳廓点云M上的kn个关键点映射到二维空间,基于Delaunay三角剖分得到kn个关键点的二维剖分图G2D,基于映射关系将G2D投影回三维空间,得到耳廓点云M上的kn个关键点的三维网格图G,由此,所有耳廓的点云模型均由其三维网格图表示,耳廓匹配问题转化为图的匹配问题。
对于同一耳廓,多次选取一定数量的关键点,则耳廓上关键点的位置存在着很高的重复率,因此同一耳廓上关键点的剖分图也极其相似,即使关键点在位置上存在着细微的扰动,也不会导致三维网格图出现显著差异。
c. 基于耳廓关键点集合的三维网格图的边权,构造耳廓关键点二分图,利用IsoRank算法,寻找与耳廓关键点二分图之间的最大整体匹配。
对于两待匹配耳廓,令图G和图P(图库所存)分别表示其所有关键点构成的三维网格图,则两耳廓的匹配问题转化为寻找图G和图P结点间的最大整体匹配问题。
设点i是图G的结点、点j是图P的结点,如果结点i的邻域和结点j的邻域存在拓扑结构相似,则图G的结点i和图P的结点j构成映射,记作(i, j)。若图G的结点i和图P的结点j间存在匹配点对(i, j),考虑边的权值w,则点对(i, j)的匹配分数Rij可以表示为:
其中,N(a)表示结点a的邻域集合,|N(a)|表示结点a邻域内点的数量,VG、VH分别表示两图G和P的点集。当所有边的权值w均等于1时,上式的矩阵形式可以表示为R=AR,其中
这里A是一个|VG||VH|×|VG||VH|的矩阵,A[i,j][u,v]表示矩阵中的每一行(i, j)和每一列(u, v)的所有元素,对矩阵A进行特征值分解,R就是矩阵A的主特征向量。当A是一个随机矩阵,其主特征值为1,由于矩阵A是典型的大矩阵,且矩阵A和R又都是稀疏的,故可采用迭代算法求得R。
显然,矩阵R包含了图G和图P所有结点间的映射关系。对于任意点对(i, j),若其匹配分数之和最大,则接受该点对为匹配点对。构造图G和图P的二分图,求其中最大权重的匹配,即为最终匹配关系。
Claims (4)
1.一种基于IsoRank算法的三维耳廓点云形状特征匹配方法,其特征在于按如下步骤进行:
a. 基于PCA方法分析耳廓点云的局部邻域球内的形状特征,提取耳廓点云的形状关键点;
b. 基于Delaunay方法对关键点集合进行三角剖分,并基于映射关系建立耳廓关键点集合的三维网格图;
c. 基于耳廓关键点集合的三维网格图的边权,构造耳廓关键点二分图,利用IsoRank算法,寻找与耳廓关键点二分图之间的最大整体匹配。
2.根据权利要求1所述基于IsoRank算法的三维耳廓点云形状特征匹配方法,其特征在于所述a步骤如下:对于任意耳廓点云M,以任意一个种子点fp为圆心,以r为半径做球,对球内的所有的数据点进行主成分分析得到特征向量矩阵Mevec和特征值矩阵Meval;将球内的所有点分别投影到较大的两个特征值对应的特征向量上,记两个方向上投影的最大值和最小值之差分别为dx和dy,令t=|dx-dy|;若t大于指定的阈值,则将种子点fp为关键点,记作kp;重复该过程,直到获得kn个关键点。
3.根据权利要求2所述基于IsoRank算法的三维耳廓点云形状特征匹配方法,其特征在于所述b步骤如下:将耳廓点云M上的kn个关键点映射到二维空间,基于Delaunay三角剖分得到kn个关键点的二维剖分图G2D,基于映射关系将G2D投影回三维空间,得到耳廓点云M上的kn个关键点的三维网格图G。
4.根据权利要求3所述基于IsoRank算法的三维耳廓点云形状特征匹配方法,其特征在于所述c步骤如下:图G的结点i和图P的结点j间存在匹配点对(i, j),考虑边的权值w,则点对(i, j)的匹配分数Rij可以表示为: ,N(a)表示结点a的邻域集合,|N(a)|表示结点a邻域内点的数量,VG、VH分别表示两图G和P的点集;当所有边的权值w均等于1时,上式的矩阵形式可以表示为R=AR,其中
式中A是一个|VG||VH|×|VG||VH|的矩阵,A[i,j][u,v]表示矩阵中的每一行(i, j)和每一列(u, v)的所有元素;对矩阵A进行特征值分解,R就是矩阵A的主特征向量;当A是一个随机矩阵,其主特征值为1;由于矩阵A是典型的大矩阵,且矩阵A和R又都是稀疏的,故可采用迭代算法求得R;显然,矩阵R包含了图G和图P所有结点间的映射关系;对于任意点对(i, j),若其匹配分数之和最大,则接受该点对为匹配点对;构造图G和图P的二分图,求其中最大权重的匹配,即为最终匹配关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410042391.3A CN103810751A (zh) | 2014-01-29 | 2014-01-29 | 基于IsoRank算法的三维耳廓点云形状特征匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410042391.3A CN103810751A (zh) | 2014-01-29 | 2014-01-29 | 基于IsoRank算法的三维耳廓点云形状特征匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103810751A true CN103810751A (zh) | 2014-05-21 |
Family
ID=50707465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410042391.3A Pending CN103810751A (zh) | 2014-01-29 | 2014-01-29 | 基于IsoRank算法的三维耳廓点云形状特征匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103810751A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217458A (zh) * | 2014-08-22 | 2014-12-17 | 长沙中科院文化创意与科技产业研究院 | 一种三维点云的快速配准方法 |
CN104636762A (zh) * | 2015-01-20 | 2015-05-20 | 辽宁师范大学 | 基于联合α熵的耳廓识别方法 |
CN104820401A (zh) * | 2015-03-13 | 2015-08-05 | 北京航空航天大学 | 基于约束Delaunay三角剖分的飞机结构件筋特征识别方法 |
CN105654029A (zh) * | 2015-11-30 | 2016-06-08 | 辽宁师范大学 | 可提高识别精度及效率的三维点云耳廓识别方法 |
CN105956518A (zh) * | 2016-04-21 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种人脸识别方法、装置和系统 |
WO2016201671A1 (zh) * | 2015-06-18 | 2016-12-22 | 北京大学深圳研究生院 | 一种三维点云的局部特征提取方法及装置 |
CN106650578A (zh) * | 2016-09-26 | 2017-05-10 | 浙江大学 | 基于ASM算法和Lazy Snapping算法的耳廓检测方法 |
CN107170003A (zh) * | 2017-05-08 | 2017-09-15 | 广东工业大学 | 一种帆形外板的模型匹配方法及系统 |
CN111553409A (zh) * | 2020-04-27 | 2020-08-18 | 哈尔滨工程大学 | 一种基于体素形状描述符的点云识别方法 |
US10776936B2 (en) | 2016-05-20 | 2020-09-15 | Nokia Technologies Oy | Point cloud matching method |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1939776A2 (en) * | 2006-12-19 | 2008-07-02 | Siemens Audiologische Technik GmbH | Intelligent modeling method and system for earmold shell and hearing aid design |
-
2014
- 2014-01-29 CN CN201410042391.3A patent/CN103810751A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1939776A2 (en) * | 2006-12-19 | 2008-07-02 | Siemens Audiologische Technik GmbH | Intelligent modeling method and system for earmold shell and hearing aid design |
Non-Patent Citations (4)
Title |
---|
AJMAL S.MIAN•MOHAMMED BENNAMOUN: "Keypoint Detection and Local Feature Matching for Textured 3D Face Recognition", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》, 25 September 2007 (2007-09-25), pages 8 * |
MOHSEN BAYATI,ETC: "Algorithms for large,sparse network alignment problems", 《NINTH IEEE INTERNATIONAL CONFERENCE ON DATA MINING》, 9 December 2009 (2009-12-09), pages 705 - 708 * |
ROHIT SINGH,ETC: "Pairwise Global Alignment of Protein Interaction Networks by Matching Neighborhood Topology", 《11TH ANNUAL INTERNATIONAL CONFERENCE》, 25 April 2007 (2007-04-25) * |
王星月: "三维耳廓随机局部特征二分优化匹配", 《万方学位论文数据库》, 31 December 2013 (2013-12-31), pages 12 - 19 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217458A (zh) * | 2014-08-22 | 2014-12-17 | 长沙中科院文化创意与科技产业研究院 | 一种三维点云的快速配准方法 |
CN104217458B (zh) * | 2014-08-22 | 2017-02-15 | 长沙中科院文化创意与科技产业研究院 | 一种三维点云的快速配准方法 |
CN104636762A (zh) * | 2015-01-20 | 2015-05-20 | 辽宁师范大学 | 基于联合α熵的耳廓识别方法 |
CN104820401A (zh) * | 2015-03-13 | 2015-08-05 | 北京航空航天大学 | 基于约束Delaunay三角剖分的飞机结构件筋特征识别方法 |
WO2016201671A1 (zh) * | 2015-06-18 | 2016-12-22 | 北京大学深圳研究生院 | 一种三维点云的局部特征提取方法及装置 |
CN105654029A (zh) * | 2015-11-30 | 2016-06-08 | 辽宁师范大学 | 可提高识别精度及效率的三维点云耳廓识别方法 |
CN105654029B (zh) * | 2015-11-30 | 2019-04-05 | 辽宁师范大学 | 可提高识别精度及效率的三维点云耳廓识别方法 |
CN105956518A (zh) * | 2016-04-21 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种人脸识别方法、装置和系统 |
US10776936B2 (en) | 2016-05-20 | 2020-09-15 | Nokia Technologies Oy | Point cloud matching method |
CN106650578A (zh) * | 2016-09-26 | 2017-05-10 | 浙江大学 | 基于ASM算法和Lazy Snapping算法的耳廓检测方法 |
CN106650578B (zh) * | 2016-09-26 | 2019-05-24 | 浙江大学 | 基于ASM算法和Lazy Snapping算法的耳廓检测方法 |
CN107170003A (zh) * | 2017-05-08 | 2017-09-15 | 广东工业大学 | 一种帆形外板的模型匹配方法及系统 |
CN111553409A (zh) * | 2020-04-27 | 2020-08-18 | 哈尔滨工程大学 | 一种基于体素形状描述符的点云识别方法 |
CN111553409B (zh) * | 2020-04-27 | 2022-11-01 | 哈尔滨工程大学 | 一种基于体素形状描述符的点云识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103810751A (zh) | 基于IsoRank算法的三维耳廓点云形状特征匹配方法 | |
WO2021057744A1 (zh) | 定位方法及装置、设备、存储介质 | |
CN110705574B (zh) | 定位方法及装置、设备、存储介质 | |
Yao et al. | Application of convolutional neural network in classification of high resolution agricultural remote sensing images | |
CN112784873B (zh) | 一种语义地图的构建方法及设备 | |
CN103123727A (zh) | 即时定位与地图构建方法和设备 | |
CN109035329A (zh) | 基于深度特征的相机姿态估计优化方法 | |
CN110110763A (zh) | 一种基于最大公共子图的栅格地图融合方法 | |
Sun et al. | F3-Net: Multiview scene matching for drone-based geo-localization | |
CN109636897B (zh) | 一种基于改进RGB-D SLAM的Octomap优化方法 | |
Shu et al. | 3D point cloud-based indoor mobile robot in 6-DoF pose localization using a Wi-Fi-aided localization system | |
CN114140700A (zh) | 基于级联网络的分步异源图像模板匹配方法 | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
Liu et al. | Indoor Visual Positioning Method Based on Image Features. | |
Liu et al. | Deep learning of directional truncated signed distance function for robust 3D object recognition | |
CN117078508A (zh) | 一种基于多特征点点集的点云配准方法及系统 | |
Zhang et al. | Hierarchical Image Retrieval Method Based on Bag-of-Visual-Word and Eight-point Algorithm with Feature Clouds for Visual Indoor Positioning | |
CN115393542B (zh) | 一种广义建筑三维几何重建方法 | |
Ran et al. | Normal estimation algorithm for point cloud using KD-Tree | |
Wang et al. | Global Localization in Large-scale Point Clouds via Roll-pitch-yaw Invariant Place Recognition and Low-overlap Global Registration | |
Gu et al. | A spatial alignment method for UAV LiDAR strip adjustment in nonurban scenes | |
Gu et al. | Spotlight: Hot target discovery and localization with crowdsourced photos | |
CN115471636A (zh) | 虚拟场景确定方法及装置 | |
Yang et al. | Sequence localization algorithm based on 3D Voronoi diagram in wireless sensor network | |
Wang et al. | A hierarchical LiDAR odometry via maximum likelihood estimation with tightly associated distributions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140521 |