三维耳廓形状匹配框架和关键算法研究

三维耳廓形状具有唯一性和稳定性，与人脸等其他生物特征相比，耳廓形状特征丰富，不受年龄、妆饰、表情、光照等因素的影响，采集面积仅次于人脸，没有入侵性，可用于个体身份的实时在线鉴别等社会安全领域。由于三维扫描设备和三维数字几何处理研究进展等因素的限制，国内外基于三维耳廓形状的特征匹配研究近两年刚刚起步。.本项研究将构建大规模注册耳数据库，并将针对大规模应用提出的实时采集、在线匹配鉴别、高精度特征描述、特征描述唯一性和稳定性等需求，展开新的、基于双耳形状差异性的高精度形状特征描述研究，并针对注册耳建库、测试耳采集等环节的不同需求，分别提出新的、高效的非刚性配准、稳定的归一化、精确的耳廓区域分割等核心基础算法，并针对全自由度的耳廓深度图像采集、遮挡和自遮挡等情况给出新的局部-全局的子空间特征描述和匹配鉴别算法，最后基于统计在实验数据规模上展开巨大规模数据库上预测性研究。

人体测量学理论指出人耳外形（耳廓）具有唯一性和稳定性，可用于生物信息特征识别。基于耳廓的生物信息识别数据处理流程基本分为耳廓数据获取、耳廓区域检测与分割、形状特征提取、特征匹配等四个阶段。由于三维激光扫描角度的限制，每次扫描只能获得耳廓表面的部分点云数据，需要对多个角度上多次扫描获取的耳廓点云数据进行高精度、高效率的配准融合，以得到完整的、单一的三维耳廓点云数据。本项研究首先基于离散曲率估计和三维SIFT算法提取三维耳廓扫描数据的特征点，然后利用kd-tree对非特征点进行简化，从而得到保留基本几何特征的耳廓简化点云；然后基于CUDA对EM-ICP和Softassign算法进行并行加速，保证配准工作的高效性，避免了局部配准等缺陷。耳廓尺寸较小，且表面具有大量的沟和脊，扫描时需要扫描仪旋转角度相差较大，造成网格重叠的区域较大，而不重叠的区域相对较小的情况，网格交错现象严重影响传统合并方法的合并效果和速度。本项研究针对上述问题，提出了去补丁的网格合并融合算法，实现了同一人耳模型扫描角度差异较大的网格数据高精度快速合并。针对特征匹配阶段的匹配算法复杂度高、匹配精度低等问题，我们将复杂度较高的动态图匹配问题转换为复杂度较低的静态二分图匹配，基于二分图匹配基本理论提出了耳廓形状随机关键点的形状加权优化匹配。该方法基于关键点形状特征的加权提高匹配精度，回避二维Delaunay算法剖分关键点三维分布的误差。分析对比了ICP、Sparse ICP、ICNP以及EM-ICP等多种算法的优势与不足，提出了多种新的三维耳廓形状匹配算法：基于Sparse ICP和Iannarelli识别系统的三维耳廓形状匹配算法、基于D2形状分布函数的耳廓全局形状特征匹配算法、基于Spin图的耳廓形状检索、基于球面调和分析的耳廓三维形状特征识别、基于球形同胚二次主曲面的三维点云形状特征描述、基于局部显著性和二维主流形的耳廓三维形状特征识别、基于最小生成树和图匹配的耳廓三维形状特征匹配与识别算法、基于图匹配中的IsoRank算法路径跟随算法实现了高精度高效率的耳廓三维形状匹配、最小生成树和联合α熵的耳廓三维形状特征差异测度等。