本发明专利技术公开了一种三维人脸识别方法、系统及应用其的数据处理装置，本发明专利技术实施例首先在人脸上检测一系列具有较强类属关联性的关键点，这些关键点的分布在不同个体人脸上存在较明显的差异。在此基础上，通过局部特征匹配与点云配准实现对三维人脸的融合识别。首先，本发明专利技术采用局部特征可有效降低表情变化对人脸识别的不利影响；其次，本发明专利技术综合利用人脸局部和全局信息，采用特征匹配和点云配准实现融合识别，进一步提高了识别方法的精度。相比于现有方法，本发明专利技术的识别精度和鲁棒性得到了大大提升。
【技术实现步骤摘要】
本专利技术涉及计算机视觉及图像处理领域，具体涉及一种基于局部特征的三维人脸 识别方法和系统以及应用其的数据处理装置。
技术介绍
人脸识别在近几十年来得到了大量的研究，并取得丰富的成果。现有大部分研究 均集中于基于二维图像的人脸识别，而二维图像对光照、姿态、表情、年龄等的变化适应性 较差。随着点云获取设备（也即三维图像获取设备）的逐步推广，越来越多的研究开始转 向基于点云的三维人脸识别。三维人脸数据在信息量方面拥有更为丰富的形状信息，且三 维数据的采集不受光照影响。但是三维人脸识别也存在一定问题，高分辨率下的三维数据 匹配需要消耗大量的计算时间，而且三维人脸容易受到表情变化的影响，非刚性变换区域 将直接影响识别率。因此，需要研究新的方法来消除表情变化的影响，并尽量减少识别过程 所需的匹配时间。 依据处理表情变化带来的非刚性形变影响所采取措施的不同，现有三维人脸识别 方法可分为三类：基于区域的方法、基于统计模型的方法以及基于等距形变模型的方法。基 于区域的方法采用人脸中不受或少受表情变化影响的区域进行人脸识别。基于统计模型的 方法采用主成分分析、独立成分分析或线性鉴别分析等工具来构建人脸表情模型从而实现 对人脸的有效识别。基于等距形变模型的方法将人脸表情变化引起的表面变化近似为一个 等距形变过程，从而利用测地距离等实现对人脸表情变化的不变性，该方法普遍存在计算 量过大的问题。现有的三类人脸识别方法虽然得到了深入研究，但识别精度还远未达到实 用化程度，特别是对表情变化的人脸，识别精度有待提高。 人脸识别在生物特征识别领域一直都是具有挑战性的研究课题，其中特征提取是 人脸识别的核心问题，是后续正确识别的基础。理想的人脸描述特征应该只反映人的类别 信息，对各种内外在变化不敏感。全局特征和局部特征在现有的人脸识别中得到了广泛应 用。其中基于全局特征的人脸识别方法主要利用人脸的整体属性进行描述，对于正常的人 脸表情识别精度较高，但对于表情变化的人脸，识别精度不理想；基于局部特征的人脸识别 方法主要通过对人脸细节的刻画来进行识别，对表情变化具有一定的鲁棒性，但由于缺少 全局的结构信息，很难满足人脸识别的精度要求。而一些新的方法虽然统一了全局特征和 局部特征，但是其人脸子区域的分割依赖于手工的姿势矫正，实用性较差。
技术实现思路
有鉴于此，本专利技术提供一种三维人脸识别方法和系统以及应用其的数据处理装 置，基于局部特征进行三维人脸识别和匹配，以获取更高的识别精度和鲁棒性。 第一方面，提供一种三维人脸识别方法，包括： 获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面部； 根据待识别三维人体图像获取仅包括人脸信息的待识别三维人脸点云； 提取所述待识别三维人脸点云的关键点，其中，所述关键点为三维人脸点云中对 应的局部邻域点集的扩展比例大于预定阈值的点； 计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子； 根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库 中每一个模板三维人脸点云的相似性度量； 根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度 量获取最相似的模板三维人脸点云。 优选地，所述提取待识别三维人脸点云的关键点包括： 在Xy平面上以预定间隔进行均匀采样，获取采样点集； 对于所述采样点集中的每一个采样点，取出采样点集中在预定邻域半径内的所有 采样点获取局部邻域点集； 利用主成分分析计算所述局部邻域点集的主轴，将局部邻域点集与所述主轴对齐 以获得对齐后的局部邻域点集； 计算对齐后的局部邻域点集的扩展比率，将对应的所述扩展比率大于第一预定阈 值的采样点作为所述待识别三维人脸点云的关键点。 优选地，计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子包 括： 将每个特征的在所述三维人脸点云上的预定描述半径的邻域点信息转换为高维 特征描述子； 计算所有高维特征描述子的协方差矩阵C:，Nd为所述高维特征描述子的总数量，丨/；,/:,·..,/%丨为所述高 维特征描述子； 对所述协方差矩阵进行特征值分解获得特征向量和对应的特征值，基于如下公式 获取低维特征描述子： 其中，为第i个低维特征描述子，匕为第i个高维特征描述子，为所有特征 值中最大的Nsf个特征值所对应的特征向量为列组成的矩阵的转置矩阵。 优选地，根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云 与图像库中每一个模板三维人脸点云的相似性度量包括： 获取待识别三维人脸点云的关键点在特定模板三维人脸点云中的匹配点，其中， 所述匹配点为与所述关键点距离最小且最小距离和次小距离的比值小于第二预定阈值的 模板三维人脸点云中关键点，所述关键点之间的距离为关键点所对应的低维特征描述子之 间的差值的二阶范数； 获取特定模板三维人脸点云中的关键点在待识别三维人脸点云中的匹配点，其 中，所述匹配点为与所述关键点距离最小且最小距离和次小距离的比值小于第二预定阈值 的待识别三维人脸点云的关键点； 将所有互为匹配点且在图像中的相对位置差小于第一距离阈值的三维人脸点云 的关键点和模板三维人脸点云中的关键点对作为第一匹配点对； 获取待识别三维人脸点云与模板三维人脸点云的第一匹配点对数量作为第一相 似性度量。 优选地，根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云 与图像库中每一个模板三维人脸点云的相似性度量还包括： 根据所有的匹配点对对待识别三维人脸点云和模板三维人脸点云进行配准，使得 配准后的三维人脸点云和模板三维人脸点云的关键点间的误差最小； 获取配准后的三维人脸点云和模板三维人脸点云中所有互为匹配点且在图像中 的相对位置差小于第二距离阈值的关键点对作为第二匹配点对； 获取第二匹配点对的数量作为第二相似性度量。 优选地，根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相 似性度量获取最相似的模板三维人脸点云包括： 根据第一权重和第二权重计算融合相似性度量； 将融合相似性度量最大的模板三维人脸点云选取为最相似的三维人脸点云； 其中，所述第一权重根据所有模板三维人脸点云的第一相似性度量的均值、最小 值、次小值计算获得，所述第二权重根据所有模板三维人脸点云的第二相似性度量的均值、 最小值、次小值计算获得；或者，所述第一权重和所述第二权重通过机器学习方法统计获 得。 优选地，根据所述待识别三维人脸点云与图像库中每一个资料三维人脸点云的相 似性度量获取最相似的资料三维人脸点云包括： 将第一相似性度量最大的资料三维人脸点云选取为最相似的三维人脸点云。 优选地，根据所述待识别三维人脸点云与图像库中每一个资料三维人脸点云的相 似性度量获取最相似的资料三维人脸点云包括： 将第二相似性度量最大的资料三维人脸点云选取为最相似的三维人脸点云。 第二方面，提供一种三维人脸识别系统，包括： 图像获取装置，用于获取待识别三维人体图像，所述待识别三维人体图像至少包 括人的面部； 预处理装置，用于根据待识别三维人体图像获取仅包括人脸信息的待识别三维人 脸点云； 关键点提取装置，用于提取所述待识别三维人脸点云的关键点，其中，所述关键点 为三维人脸点云中对应的局部邻域点集的扩展比例大于预定阈值的点； 本文档来自技高网...
【技术保护点】
一种三维人脸识别方法，包括：获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面部；根据待识别三维人体图像获取仅包括人脸信息的待识别三维人脸点云；提取所述待识别三维人脸点云的关键点，其中，所述关键点为三维人脸点云中对应的局部邻域点集的扩展比例大于预定阈值的点；计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子；根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量；根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量获取最相似的模板三维人脸点云。
【技术特征摘要】
【专利技术属性】
技术研发人员：郭裕兰，滕书华，李洪，
申请(专利权)人：湖南拓视觉信息技术有限公司，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。