发明名称 |
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 |
摘要 |
本发明公开了一种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,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;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;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,并拟合生成二维主流形曲面;将每个二维主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。 |
申请公布号 |
CN103985116A |
申请公布日期 |
2014.08.13 |
申请号 |
CN201410172959.3 |
申请日期 |
2014.04.28 |
申请人 |
辽宁师范大学 |
发明人 |
孙晓鹏;王冠 |
分类号 |
G06T7/00(2006.01)I |
主分类号 |
G06T7/00(2006.01)I |
代理机构 |
大连非凡专利事务所 21220 |
代理人 |
闪红霞 |
主权项 |
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。 |
地址 |
116029 辽宁省大连市沙河口区黄河路850号 |