一种特征提取方法、装置、机器可读介质及设备制造方法及图纸

本发明专利技术提出一种特征提取方法，包括：获取待处理图像的原始点云数据；利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，构建出由多点云层逐层叠加的拓扑结构；基于第一点云深度学习网络与所述拓扑结构对所述原始点云数据进行特征提取，得到目标特征。本发明专利技术通过对原始点云的处理，得到一个由多层点云叠加构成的拓扑结构，其拓扑结构的计算和存储复杂度为O(n)，避免了巨大的存储空间占用和计算量需求，同时，由于直接处理点云数据从而保持3维数据的完整和不变性，完全发挥了3维数据的优势，使得基于该方法的3D生物识别技术在计算效率和精度上都取得了很好的效果。

【技术实现步骤摘要】
一种特征提取方法、装置、机器可读介质及设备
本专利技术涉及特征处理领域，具体涉及一种特征提取方法、装置、机器可读介质及设备。
技术介绍
随着人工智能潮流的兴起，基于二维图像的2D人脸识别技术迅速发展成熟，并得到了大规模应用。但是二维人脸图像在很多情况(例如不均匀光照、光照不足、人脸角度较大、化妆)下图像纹理变化巨大，从而导致准确率大大降低。而三维信息则不会受到纹理变化的干扰，若基于三维信息进行人脸识别则可以很好地解决前述问题。此外使用3维信息的人脸识别系统，也不会被二维图像、视频欺骗攻击，这也是目前2D人脸识别技术的一大隐患。然而目前真正基于3维信息的3D人脸识别技术距离大量落地还有一定距离。目前的三维人脸识别技术依据对人脸特征的提取方式主要有以下几种：(1)基于人工特征的方法：通过信息采集和预处理，将人脸数据处理成三维点云或三角网格；对处理好的三维人脸数据，通过人类专家设计的方法提取人工特征，例如计算三维点云的曲率，法线，设计SIFT,MMH等特征，再根据提取好的特征进行匹配，从而分辨不同的人脸数据是否属于同一人。这类算法的缺点是，人工特征主要基于三维模型，当人脸表情变化较大时三维模型变化也较大，故对于人脸表情较为敏感。而一些全局的人工特征例如计算三维形变模型参数的方法能解决表情变化问题，但需要很大的额外计算量。同时，与2维人脸识别领域类似的，人工特征在大规模三维人脸测试集上表现不是很好。(2)基于深度学习的方法：由于深度学习在二维人脸识别上的成功，学术界也把目光放在使用深度学习的方法来进行三维人脸识别的研究。而基于深度学习的做法也面临着巨大的挑战因而导致目前尚未有大规模应用。因为基于深度学习的方法主要依赖卷积神经网络逐层叠加，不断对低级特征抽象，从而自动学成高级的人脸特征。目前对3维数据使用神经网络主要有一下几类方向：a)模仿2维数据的处理方式，将3维数据表示成3维空间网格信息，将2维卷积拓展成3维卷积，利用3维卷积模块搭建深度学习网络并处理3维信息，但是增加一个维度后，对数据空间占用以及计算消耗都带来指数级的增长，复杂度为O(n3)，使得有限的资源可处理的数据精度大大降低，计算耗时大大增强，目前难以用于工程实际。b)另一个思路是将结构光、TOF等相机拍摄的深度图片直接交给传统的2维神经网络处理，但是这样做却丢失了很多重要的3维信息：首先2维深度图只是一个视角的观察数据，与2维人脸识别情况一样，大量不可见的3维面部信息被丢失；其次，直接使用深度图信息，与2维人脸识别情况一样，引入了相机成像带来的畸变，丧失了3维数据的空间不变性，不能发挥3维数据的优势。c)设计点云处理网络如典型的点云处理网络PointNet系列(点云网络)、以及DGCNN(动态图卷积网络)。但是这些网络需要实时地计算点云内部点与点之间的距离，从而建立点云内部的拓扑结构关系，使得神经网络能在这种拓扑结构上逐层抽取特征。但是这种距离计算十分耗费内存和cpu，复杂度较高。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种特征提取方法、装置、机器可读介质及设备，用于解决现有技术存在的问题。为实现上述目的及其他相关目的，本专利技术提供一种特征提取方法，包括：获取待处理图像的原始点云数据；利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，构建出由多点云层逐层叠加的拓扑结构；基于第一点云深度学习网络与所述拓扑结构对所述原始点云数据进行特征提取，得到目标特征。可选地，所述拓扑结构的点云层数与所述第一点云深度学习网络的层数相同。可选地，所述利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，包括：利用体素网格对所述原始点云数据进行空间划分，以使所述原始点云数据中的每个点对应一体素空间，其中所述原始点云数据是初始点云层；将每个体素空间的中心确定为新的点云层中的点，以生成新的点云层；利用另一个体素网格对所述新的点云层进行空间划分，已使所述新的点云层中每个点对应一体素空间，将每个体素空间的中心确定为最新的点云层中的点，依次类推，其中，后一次空间划分时的体素网格尺寸大于前一次空间划分时的体素网格尺寸，每层点云层中的每个点对应相应体素空间的体素网格编号。可选地，所述体素网格编号的生成过程包括：将点云层中每个点的编号pi转化为体素坐标转化方法为：i＝0,1,2,...,n，n为点云总数，pmin是点云坐标x,y,z中的最小值，v为体素网格的尺寸；对所述体素坐标取整，得到所述体素网格编号；遍历所有效体素坐标得到有效体素。可选地，所述第一点云深度学习网络包括：依次连接的多个特征处理模块，用于对所述原始点云数据进行多次特征处理；其中，特征处理模块与第一点云深度学习网络的每一层一一对应；后一个特征处理模块的输入为前一个特征处理模块的输出；后一个特征处理模块输出的特征的数量小于前一个特征处理模块输出的特征的数量，后一个特征处理模块输出的特征的维度大于前一个特征处理模块输出的特征的维度。可选地，每个所述特征处理模块包括：mlp子模块，用于对输入的点云中每个点进行特征计算并进行维度拓展；特征划分子模块，用于将具有相同体素网格编号的点云对应的特征划分为一组，得到特征组；特征池化子模块，用于对所述特征组进行池化操作，得到池化特征；所述池化特征为特征处理模块的输出。可选地，所述mlp子模块包括全连接线性单元、批归一化单元、激活单元。可选地，所述特征处理模块还包括残差子模块、特征拼接子模块。可选地，若待处理对象为人脸，则该方法还包括：基于目标特征对人脸点云数据进行对齐；利用第二点云深度学习模型对对齐后的人脸点云数据进行特征提取；所述第二点云深度学习模型的深度大于所述第一点云深度学习模型的深度。为实现上述目的及其他相关目的，本专利技术提供一种特征提取装置，包括：点云数据获取模块，用于获取待处理图像的原始点云数据；拓扑结构构建模块，用于利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，构建出由多点云层逐层叠加的拓扑结构；特征提取模块，用于基于第一点云深度学习网络与所述拓扑结构对所述原始点云数据进行特征提取，得到目标特征。可选地，所述拓扑结构构建模块包括：初始点云层构建子模块，用于利用体素网格对所述原始点云数据进行空间划分，以使所述原始点云数据中的每个点对应一体素空间，其中所述原始点云数据是初始点云层；第一点云层生成模块，用于将每个体素空间的中心确定为新的点云层中的点，以生成新的点云层；第一点云层生成模块，用于利用另一个体素网格对所述新的点云层进行空间划分，已使所述新的点云层中每个点对应一体素空间，将每个体素本文档来自技高网...

【技术保护点】
1.一种特征提取方法，其特征在于，包括：/n获取待处理图像的原始点云数据；/n利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，构建出由多点云层逐层叠加的拓扑结构；/n基于第一点云深度学习网络与所述拓扑结构对所述原始点云数据进行特征提取，得到目标特征。/n

【技术特征摘要】
1.一种特征提取方法，其特征在于，包括：
获取待处理图像的原始点云数据；
利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，构建出由多点云层逐层叠加的拓扑结构；
基于第一点云深度学习网络与所述拓扑结构对所述原始点云数据进行特征提取，得到目标特征。


2.根据权利要求1所述的特征提取方法，其特征在于，所述拓扑结构的点云层数与所述第一点云深度学习网络的层数相同。


3.根据权利要求1所述的特征提取方法，其特征在于，所述利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，包括：
利用一体素网格对所述原始点云数据进行空间划分，以使所述原始点云数据中的每个点对应一体素空间，其中所述原始点云数据是初始点云层；
将每个体素空间的中心确定为新的点云层中的点，以生成新的点云层；
利用另一个体素网格对所述新的点云层进行空间划分，已使所述新的点云层中每个点对应一体素空间，将每个体素空间的中心确定为最新的点云层中的点，依次类推，
其中，后一次空间划分时的体素网格尺寸大于前一次空间划分时的体素网格尺寸，每层点云层中的每个点对应相应体素空间的体素网格编号。


4.根据权利要求3所述的特征提取方法，其特征在于，所述体素网格编号的生成过程包括：
将点云层中每个点的编号pi转化为体素坐标转化方法为：i＝0,1,2,...,n，n为点云总数，pmin是点云坐标x,y,z中的最小值，v为体素网格的尺寸；
对所述体素坐标取整，得到所述体素网格编号；
遍历所有效体素坐标得到有效体素。


5.根据权利要求1所述的特征提取方法，其特征在于，所述第一点云深度学习网络包括：
依次连接的多个特征处理模块，用于对所述原始点云数据进行多次特征处理；其中，所述多个特征处理模块与所述拓扑结构的点云层一一对应；
后一个特征处理模块的输入为前一个特征处理模块的输出；后一个特征处理模块输出的特征的数量小于前一个特征处理模块输出的特征的数量，后一个特征处理模块输出的特征的维度大于前一个特征处理模块输出的特征的维度。


6.根据权利要求5所述的特征提取方法，其特征在于，每个所述特征处理模块包括：
mlp子模块，用于对输入的点云中每个点进行特征计算并进行维度拓展；
特征划分子模块，用于将具有相同体素网格编号的点云对应的特征划分为一组，得到特征组；
特征池化子模块，用于对所述特征组进行池化操作，得到池化特征；所述池化特征为特征处理模块的输出。


7.根据权利要求6所述的特征提取方法，其特征在于，所述mlp子模块包括全连接线性单元、批归一化单元、激活单元。


8.根据权利要求7所述的特征提取方法，其特征在于，所述特征处理模块还包括残差子模块、特征拼接子模块。


9.根据权利要求1所述的特征提取方法，其特征在于，若待处理对象为人脸，则该方法还包括：
基于目标特征对人脸点云数据进行对...

【专利技术属性】
技术研发人员：姚志强，周曦，曹睿，
申请(专利权)人：广州云从人工智能技术有限公司，
类型：发明
国别省市：广东;44