The invention discloses a face recognition method based on normal vector distribution histogram and covariance descriptor, which includes: preprocessing three-dimensional face, removing outliers, filling holes, face cutting and attitude correction; constructing multi-scale space; detecting key points using multi-scale shape change index; constructing three-dimensional normal vector distribution histogram, first three key points. Dimensional coordinates are coded, then normal vector distribution histogram is constructed; three-dimensional normal vector distribution histogram descriptor matching is carried out; face of database set is filtered, and covariance matrix descriptor is constructed; covariance matrix descriptor matching is carried out. The method utilizes the geometric features and local descriptors of the face to carry out three-dimensional face recognition, reduces the influence of expression changes on three-dimensional face recognition, and improves the accuracy and efficiency of three-dimensional face recognition under the condition of expression changes.
【技术实现步骤摘要】
基于法向量分布直方图和协方差描述子的人脸识别方法
本专利技术属于计算机视觉
,涉及三维识别技术,更为具体的说,是涉及一种基于三维法向量分布直方图和协方差矩阵描述子的三维人脸识别方法。
技术介绍
在科技高速发展的今天,人们越来越重视私人信息安全问题,如何准确并可靠地进行身份认证受到人们的高度关注。人脸识别技术(facerecognitiontechnology,FRT)综合了不同特征识别技术,有着较高的实用性和可靠性,已成为鉴别个体身份的一个有效手段。人脸识别技术主要分为二维人脸识别及三维人脸识别两大类。二十一世纪以前,多数研究主要集中在二维人脸识别技术上,目前已经取得了比较好的识别效果,然而,由于二维图像容易受姿态、光照、表情以及化妆等因素的影响,二维人脸识别技术的进一步发展受到了较大限制。近年来,随着三维采集设备和技术的不断发展,三维人脸识别技术得到了飞速发展,已经成为国内外研究的热点。三维人脸数据是真实人脸在三维空间中的直接表示形式,与二维人脸图像相比,可以更加全面地表示人脸的形状以及拓扑结构等信息,且不受光照及化妆的影响。除此之外,不同姿态下的三维人脸可以通过平移、旋转等操作转化为统一姿态,因此受姿态变化影响较小。然而,三维人脸识别技术也面临着一些难点和挑战。其中,表情变化问题是三维人脸识别技术面临的一个重大挑战。对于三维人脸,不同类型的表情会导致同一对象类内差异变大。识别过程中若不考虑表情变化,可能会使同一对象不同表情的相似度低于不同对象同一表情的相似度,影响人脸识别效果。此外,表情变化会改变人脸的局部形状,增大三维人脸的类内差异,使得基于三 ...
【技术保护点】
1.基于法向量分布直方图和协方差描述子的人脸识别方法,其特征在于,包括以下步骤:步骤1:对三维人脸进行预处理,去除离群点、填补孔洞、人脸切割以及姿态矫正;步骤2:构造多尺度空间利用高斯滤波,构造出三维人脸的不同尺度空间:
【技术特征摘要】
1.基于法向量分布直方图和协方差描述子的人脸识别方法,其特征在于,包括以下步骤:步骤1:对三维人脸进行预处理,去除离群点、填补孔洞、人脸切割以及姿态矫正;步骤2:构造多尺度空间利用高斯滤波,构造出三维人脸的不同尺度空间:其中M是由原始人脸生成的三维网格,是尺度为σs的高斯滤波,σs定义如下:其中是三维网格的平均边长,s,k和σ0是算法中的参数;步骤3:利用多尺度形状变化指数进行关键点检测对在不同尺度的每一张人脸,首先在XOY平面上进行均匀采样,得到一组采样点;再将采样点p以及与p距离在r以内的邻域点视为一个点集Ps;最后对点集进行霍特林变换,将点集转化成局部对齐的点集此时形状变化指数θ由下式计算得出:θ反映了点p所处的局部表面的几何变化情况;在人脸的四个尺度空间中分别进行关键点检测:将形状变化指数大于设定阈值ε的采样点定义为关键点,并将不同尺度空间中的关键点检测结果的并集定义为最终的关键点;步骤4:进行构造三维法向量分布直方图的第一步,对关键点的三维坐标进行编码通过计算关键点p的邻域点集的修正协方差矩阵构造一个局部参考系,再将p转化到此参考系中,得到新的三维坐标,修正协方差矩阵C计算公式如下:其中dm=||pm-p||2,pm是p的邻域点,r是划分邻域点的半径;局部参考系通过计算C的特征向量获得:对C进行特征值分解得到特征值λ1,λ2以及λ3以及对应的特征向量e1,e2和e3,将e1,e2和e1×e2分别作为局部坐标系的x轴、y轴和z轴;根据构造的局部参考坐标系,点p被转化到新的三维空间中成为prf:[prf]3×1=[RF]3×3[p]3×1;步骤5:进行构造三维法向量分布直方图的第二步,构造法向量分布直方图首先计算出所有点的法向量,并以指定半径获得关键点p的邻域点集Ps;再将点集中的所有点对应的法向量在x轴上坐标的最小值与最大值作为直方图的范围,并划分成K个相等的间隔,通过计算点集中点的x轴坐标值在各个间隔的分布得到K维的法向量分布直方图;分别对点集中的点对应的法向量在y轴和z轴上进行同样的操作,最后得到的三个法向量分布直方图连接即得到3K维的直方图;步骤6:进行三维法向量分布直方图描述子匹配,对库集人脸进行筛选通过计算法向量分布直方图之间的卡方距离得到测试人脸上每一个关键点在库集人脸上的候选匹配点;再计算关键点与候选匹配点在新的三维空间下的欧氏距离,如果距离小于设定的阈值Td即认定为成功匹配;最后用成功匹配的关键点对个数衡量两张人脸的相似度并用于对库集人脸的筛选;步骤7:构造协方差矩阵描述子协方差矩阵描述子能够融合不同类型的特征对局部表面进行描述,选择曲率、形状指数、Willmoreenergy、法向量夹角、局部平面距离以及欧氏距离6个特征进行构造:曲率衡量了点p的局部表面的偏离程度,计算公式为:其中kmax(p)和kmin(p)分别是p的最大主曲率和最小主曲率;形状指数描述了人脸的局部信息,计算公式为:Willmoreenergy衡量了局部表面偏离球体的程度,计算公式为:法向量夹角计算公式为:其中为点p处的法向量,为点p邻域点处的法向量。局部平面距离反映了局部表面的凹凸程度,计算公式为:其中是由p指向p的邻域点集的重心的向量。...
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。