[发明专利]基于多点投票局部二进制模式的三维掌纹识别方法

权利要求书

1.一种基于多点投票局部二进制模式的三维掌纹识别方法，其特征在于：包括以下步骤：

步骤1：对完整的三维手掌点云进行预处理，包括感兴趣区域切割、平滑处理和姿态归一化，将所有的掌纹调整至同一坐标系下，构成掌纹曲面的三维掌纹点云，随后将点云的z坐标信息提取出来，形成三维掌纹ROI深度图像；

步骤2：对上述感兴趣区域的三维掌纹ROI深度图像提取曲面类型特征；

步骤3：对上述感兴趣区域的三维掌纹ROI深度图像计算均值曲率，然后转换为均值曲率灰度图像；

步骤4：对所述曲面类型特征应用基于多点投票的局部二进制模式，并使用两种参数不同的MPVBP并行的方式，得到两张基于曲面类型特征的MPVBP特征图，记为ST-MPVBPs；对所述均值曲率灰度图应用基于多点投票的局部二进制模式，并使用两种参数不同的MPVBP并行的方式，得到两张基于均值曲率灰度图的MPVBP特征图，记为MCI-MPVBPs；

步骤5：在步骤4所得到的所有ST-MPVBPs与MCI-MPVBPs特征图上实施步长为12个像素的滑动分块，并在分得的每小块上进行直方图统计，将每小块得到的小的直方图首尾连接，拼成一个更大的直方图；

步骤6：对于ST-MPVBPs，分别对根据两种不同模式的ST-MPVBP特征图统计得到的直方图特征进行PCA降维，得到降维后的特征向量；对于MCI-MPVBPs，分别对根据两种不同模式的MCI-MPVBP特征图统计得到的直方图特征进行PCA降维，得到降维后的特征向量；

步骤7：将步骤6中得到的PCA降维后的4个特征向量，按照首尾相连的方式，拼接成一个更大的特征向量，作为表示该掌纹样本的唯一特征向量；

步骤8：重复步骤1-步骤7，对训练集中所有的掌纹样本提取出唯一特征向量，以C类支持向量机训练得到一个SVM分类模型；

步骤9：对于一张测试的三维掌纹ROI图像，首先重复步骤1-步骤5，提取出ST-MPVBPs和MCI-MPVBPs对应的直方图特征；再根据步骤6中得到的最优变换矩阵对上述直方图进行降维处理，得到降维后的特征向量；再按照步骤7的方式，得到表征该测试掌纹的唯一特征向量；

步骤10：步骤9得到的唯一特征向量输入步骤8得到的SVM模型，得出分类结果。

2.根据权利要求1所述的基于多点投票局部二进制模式的三维掌纹识别方法，其特征在于，所述步骤2对掌纹曲面的三维掌纹ROI图像提取曲面类型特征，具体包括如下步骤：

步骤2.1：根据所述掌纹曲面的三维掌纹ROI图像，获取三维掌纹曲面片上的任意点的均值曲率和高斯曲率，具体为：

其中：H为三维掌纹曲面片上任意点的均值曲率，K为三维掌纹曲面片上的任意点的高斯曲率，f_x和f_y为三维掌纹曲面片上的任意点的灰度值的一阶偏导，f_xx和f_yy为三维掌纹曲面片上的任意点的灰度值的二阶偏导，f_xy为三维掌纹曲面片上的任意点的灰度值的混合偏导；

步骤2.2：将所述三维掌纹曲面片上的任意点的均值曲率和高斯曲率均归一化至[-1，+1]的区间，具体为：

其中：H_s为归一化至[-1，+1]区间的均值曲率，K_s为归一化至[-1，+1]区间的高斯曲率，H为三维掌纹曲面片上的任意点的均值曲率，K为三维掌纹曲面片上的任意点的高斯曲率，δ_H为均值曲率的标准差，δ_K为高斯曲率的标准差；

步骤2.3：判断所述归一化至[-1，+1]区间的均值曲率是否位于预设的均值曲率区间内、所述归一化至[-1，+1]区间的高斯曲率是否位于预设的高斯曲率区间内，将所有处于所述预设的均值曲率区间内的归一化至[-1，+1]区间的均值曲率、所有处于所述预设的高斯曲率区间内的归一化至[-1，+1]区间的高斯曲率均设置为0；

所有不处于所述预设的均值曲率区间内的归一化至[-1，+1]区间的均值曲率、所有不处于所述预设的高斯曲率区间内的归一化至[-1，+1]区间的高斯曲率均保持原值不变化。