加权多任务稀疏表示的三维人脸识别方法、系统及介质技术方案

本发明专利技术公开了一种加权多任务稀疏表示的三维人脸识别方法、系统及介质，所述方法包括以下步骤：将三维人脸化分成若干不同区域，所述若干不同区域包括半刚性区域和非刚性区域，所述若干不同区域具有不同的权重；提取所述三维人脸的不同区域的曲线特征；基于所述曲线特征，采用加权的稀疏表示算法对所述三维人脸进行识别匹配。相较于现有技术，本发明专利技术减少了三维人脸不同的区域由于受到表情的变化对三维人脸识别的影响，提高了三维人脸识别的鲁棒性。

【技术实现步骤摘要】
加权多任务稀疏表示的三维人脸识别方法、系统及介质
本专利技术涉及人脸识别
，尤其涉及一种基于加权多任务稀疏表示的三维人脸识别方法、系统及介质。
技术介绍
三维人脸识别从提出到现在技术上有了很大的发展变化，但是从技术上来讲主要可以分为两大阶段，早期的时候，三维人脸识别主要关注点是在整个三维人脸上，把整个三维人脸的几何信息作为特征使用，并不会细分，对于任意两张三维人脸通常是计算整张人脸的特征相似度，这一阶段的算法统称为基于整体特征的三维人脸识别算法，常见的方法有基于主成分分析、形变模型、有符号的形状微分图、球谐函数等。另一个阶段也就是现在主要研究的算法，这类算法从三维人脸的局部区域，例如鼻子、眼睛等，来提取特征向量，这类算法统称为基于局部特征的三维人脸识别算法。三维局部特征描述符是从三维人脸局部区域提取出来的，相比于整体特征，局部特征有一个十分重要的性质是局部特征具有刚性不变的性质，把一整个三维人脸用局部特征的形式描述出来可以认为是另一种形式的压缩处理。根据现有的三维局部描述符文献研究，可以把基于局部特征的三维人脸识别算法分为三类：基本文档来自技高网...

【技术保护点】
1.一种加权多任务稀疏表示的三维人脸识别方法，其特征在于，所述方法包括以下步骤：/n将三维人脸化分成若干不同区域，所述若干不同区域包括半刚性区域和非刚性区域，所述若干不同区域具有不同的权重；/n提取所述三维人脸的不同区域的曲线特征；/n基于所述曲线特征，采用加权的稀疏表示算法对所述三维人脸进行识别匹配。/n

【技术特征摘要】
1.一种加权多任务稀疏表示的三维人脸识别方法，其特征在于，所述方法包括以下步骤：
将三维人脸化分成若干不同区域，所述若干不同区域包括半刚性区域和非刚性区域，所述若干不同区域具有不同的权重；
提取所述三维人脸的不同区域的曲线特征；
基于所述曲线特征，采用加权的稀疏表示算法对所述三维人脸进行识别匹配。


2.根据权利要求1所述的加权多任务稀疏表示的三维人脸识别方法，其特征在于，所述将三维人脸化分成若干不同区域的步骤包括：
获取三维人脸点云V，在点云V中检测出鼻尖点坐标，点云V中所有点坐标减去鼻尖点坐标，把鼻尖点置于原点处；
用四个平行于XOZ平面的平面将人脸分割成五个区域，自上而下分别记作L1，L2，L3，L4，L5，这四个平面分别为Y＝50，Y＝20，Y＝-20，Y＝-50；
使用平面X＝-15，X＝15将L2分割为三个区域；
使用X＝-25和X＝25将L3和L4分别分割成三个区域。


3.根据权利要求2所述的加权多任务稀疏表示的三维人脸识别方法，其特征在于，所述基于所述曲线特征，采用加权的稀疏表示算法对所述三维人脸进行识别匹配的步骤包括：
基于所述曲线特征，获取三维人脸的所述五个区域的关键点；
以预设方式计算以所述关键点为中心的预设半径的范围内的所有点的协方差矩阵；
根据所述协方差矩阵，采用加权的稀疏表示算法对所述三维人脸进行识别匹配。


4.根据权利要求3所述的加权多任务稀疏表示的三维人脸识别方法，其特征在于，所述基于所述曲线特征，获取三维人脸的所述五个区域的关键点的步骤包括：
首先，空间中的三维人脸曲面用S表示，p表示三维人脸中的一个点，Nbhd(p)表示以点p为球心、半径为r的球体内的点，也称为点p的邻域，用Hotelling变换或者主成分分析把Nbhd(p)中的每一个点都转换成局部对齐邻域Anbhd(p)，定义X和Y表示Anbhd(p)的x和y分量：
X＝{x1,x2,...,xl}，
Y＝{y1,y2,...,yl}，
其中l表示Anbhd(p)的长度；
定义人脸表面变化指数θ为以关键点p为中心的局部对齐邻域的前两个主轴即X轴和Y轴之间的比率：



θ反映了点p的局部邻域的几何变化，当某点p的表面变化指数大于εθ时可以被看做关键点；
对于每一个点的局部邻域Nbhd(p)，可以计算它的协方差矩阵：






其中pi属于Nbhd(p)是Nbhd(p)...

【专利技术属性】
技术研发人员：唐琳琳，李章燕，潘建成，师帅杰，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：广东;44