多视角三维人脸扫描数据自动配准方法技术

本发明专利技术公开了一种多视角三维人脸扫描数据自动配准方法，其特点是包括以下步骤：将多视角三维人脸扫描数据用ＰＣＡ方法进行坐标轴转换，对转换后的模型计算其Ｓｈａｐｅ　　Ｉｎｄｅｘ值，并采用阈值分割的方法筛选出若干特征区域；利用区域相对分布特征来约束区域的筛选，最终定位出标志区域；眼睛内、外眼角及鼻尖点区域；对标志区域采用ＩＣＰ方法进行配准；将整体扫描数据采用区域配准得到的转换参数进行坐标平移和旋转变换，完成配准。由于本发明专利技术粗配准采用对坐标轴进行转换的方法，以整体特征代替个体点特征，降低了特征点检测所带来的误差；精配准仅对提取出的特征区域进行配准迭代运算，降低了运算复杂度，实现了多姿态三维扫描数据的自动配准。

【技术实现步骤摘要】

本专利技术涉及一种。
技术介绍
三维人脸扫描数据的配准是建立三维形态模型的重要步骤，配准问题包括查找能使多视 角物体重叠部分正确配准的平移和旋转参数，能由部分表面来重建该物体，得到该物体的完 整表面描述。对于三维人脸来说，要得到人脸的完整描述，至少需要将三个不同视角下(正 面、左侧面、右侧面)的扫描数据配准到一起。根据寻找模型之间对应关系的策略的不同，可以将配准方法分为整体配准和逐片,两 大类。整体配准是以整个模型为研究对象，而逐片配准是先将模型按照一定规则进行分解， 然后以分解后的子部分为研究对象。根据配准是分步进行还是一步到位，可以将配准方法分 为粗精结合配准和直接配准两大类。当前大部分配准方法都是采用粗精相结合的方式，首先 确定有限数目的关键点，计算所对应的转换参数，作为精配准的初始状态。精配准一般采用 逐点对应的方法，对整体模型计算转换关系。直接配准，对应于粗精结合中的精配准运算。 粗精结合的配准策略，对于空间关系相差较大的两个模型，以及本身结构和形状特点比较复 杂的模型，可以大大减少配准工作的运算量。而直接配准主要适用于模型本身结构比较简单 的情况。参照图3，文献"Xiaoguang Lu， Dirk Colbry and Anil K.Jain. Three-Dimensional Model Based Face Recognition. ICPR,2004"公开了一种粗精结合的三维人脸配准方法。该方法利用Shape Index算法自动查找到不同视角三维人脸扫描数据中的内、外眼角点及鼻尖点，用Least Square Fitting方法对检测出的三个特征点进行粗配准；再对整体扫描数据用一种对ICP (Iterative Closest Point)方法的改进方法Hybrid ICP方法进行精确配准。特征点的检测是在假设人脸数 据与视觉平面垂直的条件下，由计算得到的Shape Index的值及人脸五官分布的先验知识来确 定的。但是，该方法存在以下问题首先特征点检测方法要求人脸必须是垂直的；其次特征 点检测存在误检的情况，直接影响粗配准的效果；再次该配准方法是2.5维扫描数据与完整 三维人脸模型之间的配准，不存在数据缺失的情况，因此不能用于多视角三维扫描数据间的 配准。
技术实现思路
为了克服现有技术对特征点检测正确率不高，不能用于多视角三维扫描数据自动配准的 的不足，本专利技术提供一种，其中粗配准采用对坐标轴进行转换的方法，以整体特征代替个体点特征，降低了特征点检测所带来的误差；精配准仅 对提取出的特征区域进行配准迭代运算，可降低运算复杂度。本专利技术解决其技术问题所采用的技术方案一种,其特点是包括以下步骤(a) 将多视角三维人脸扫描数据用PCA方法进行坐标轴转换，转换到与正面标准模型 同样的坐标系下；(b) 对转换后的模型计算其Shape Index值，并采用阈值分割的方法分离出内眼角、外 眼角、鼻尖这些标志区域；(c) 建立人脸标志区域分布模型，找出最符合分布模型的连通区域作为标志区域，计算 模型参数、.，/ = 1,...,加，_/ = 1，...,10;对所有m个模型求得参数后，由一 i m附-得到这些参数的均值和方差，即为统一的人脸标志区域分布模型；采用分布筛选法，首先分析分割结果中的眼窝候选区域，通过比较眼窝候选区域所有连通域的面积，取面积最大的两个作为眼窝区域；其次，遍历所有鼻尖点候选区域中的连通域，计算到标志区域分布模 型相对应的参数的距离，取距离最小的作为鼻尖区域；最后，遍历所有外眼角候选区域中的 连通域，计算到标志区域分布模型相对应的参数的距离，取距离最小的作为外眼角区域，最 终定位出标志区域眼睛内两个区域、外眼角两个区域及鼻尖点区域(d) 对定位出的标志区域采用ICP方法进行配准，得到相应的旋转矩阵和平移向量；(e) 将整体扫描数据采用区域配准得到的转换参l[进行坐标平移和旋转变换，完成配准。 本专利技术的有益效果是由于本专利技术粗配准采用对坐标轴进行转换的方法，以整体特征代替个体点特征，降低了特征点检测所带来的误差；精配准仅对提取出的特征区域进行配准迭 代运算，降低了运算复杂度，实现了多姿态三维扫描数据的自动配准，配准正确率达到95.8% 以上，结合处光滑度较好，配准后模型距离均值平均数为1.67mm，标准差平均值为1.04mm。下面结合附图和实施例对本专利技术作详细说明。 附图说明图1是本专利技术流程图。 图2是图1中建立人脸标志区域分布模型示意图。 图3是现有技术多视角三维人脸扫描数据配准方法流程图。具体实施方式参照图l、图2。多姿态三维扫描数据自动配准技术包括PCA坐标轴转换；特征区域筛 选；标志区域定位；ICP配准；整体扫描数据进行坐标转换五个步骤。1. 将多视角三维人脸扫描数据用PCA方法进行坐标轴转换人脸主轴坐标系是由三维人脸数据的三个主轴所构成的坐标系，三个主轴分别对应人脸 的朝向轴Z轴、过人脸对称平面和Z轴垂直的轴Y轴，以及垂直于对称平面的轴X轴，三 个轴符合右手坐标系，坐标系的原点取在鼻尖点。在该坐标系下，人脸均为相同的正面姿态。PCA (Principal Component Analysis)坐标轴转换的具体步骤为对于点集Z(XpX,，…，x》，x,为m维向量，计算其均值o,进而计算其协方差矩阵cov:求得协方差矩阵cov的特征值(A,;i2,…,;L)和对应的特征向量(A，"2,…,^)。0/1,"2,—，、)即为点集1(;^^2, ，^)的主轴。对严格对称分布的数据，PCA可以求得其对称轴。假设三维人脸数据严格对称，PCA求得的三个特征向量^,^，^)将分别对应人脸主轴坐标系的XYZ轴。PCA方法的主要原理是利用人脸在其主轴坐^^系下均呈相同正面姿态的 特点，对标准模型和待配准模型，计算其精确的主轴坐标系，并将其坐标都转换到主轴坐标 系下，使得标准模型和待配准模型均为正面姿态，从而实现三维人脸模型的粗配准。2. 特征区域筛选计算扫描数据点的Shape Index值，对Shape Index值进行区域分割，对分割区域进行标 记，得到候选区域，具体方法如下采用Shape Index特征来表示扫描数据中每一点的凹凸程度。点；？的Shape Index是由它的最大最小曲率计算的。Shape Index的定义式如下2 /^0)-*:20) 其中，^为最大曲率，^为最小曲率。Shape Index特征真实的反映了人脸表面的凹凸特征，在内眼角、外眼角、鼻尖这些标志 区域，Shape Index特征均呈现一定的聚集性，很容易和其周围区域分开，因而可对Shape Index 特征采用阈值分割的方法分离出这些标志区域。3. 标志区域定位通过分割和区域标记，已经获得了内眼角、外眼角和鼻尖的候选区域，但是分割结果中 还存在很多干扰区域，需要从这些区域中筛选出真正的标志区域。由于人脸表面上各个器官 的相对分布是一致稳定的，而干扰区域的分布则是不稳定的，因此可以利用相对分布特征来约束区域的筛选，由此，我们采用一种基于几何形状约束的区域选择方法，该方法的基本思 路是首先建立一个统一的人脸标志区域分布模型，对一幅新的三维人脸图像，寻找最符合 分布模型的连通区域作为标志区域。 建立分布本文档来自技高网...

【技术保护点】
一种多视角三维人脸扫描数据自动配准方法，其特征在于包括以下步骤：（ａ）将多视角三维人脸扫描数据用ＰＣＡ方法进行坐标轴转换，转换到与正面标准模型同样的坐标系下；（ｂ）对转换后的模型计算其ＳｈａｐｅＩｎｄｅｘ值，并采用阈值分 割的方法分离出内眼角、外眼角、鼻尖这些标志区域；（ｃ）建立人脸标志区域分布模型，找出最符合分布模型的连通区域作为标志区域，计算模型参数ｘ↓［ｉｊ］，ｉ＝１，…，ｍ，ｊ＝１，…，１０；对所有ｍ个模型求得参数后，由＊＊＊ 得到这些参数的均值和方差，即为统一的人脸标志区域分布模型；采用分布筛选法，首先分析分割结果中的眼窝候选区域，通过比较眼窝候选区域所有连通域的面积，取面积最大的两个作为眼窝区域；其次，遍历所有鼻尖点候选区域中的连通域，计算到标志区域分布模型相对应的参数的距离，取距离最小的作为鼻尖区域；最后，遍历所有外眼角候选区域中的连通域，计算到标志区域分布模型相对应的参数的距离，取距离最小的作为外眼角区域，最终定位出标志区域：眼睛内两个区域、外眼角两个区域及鼻尖点区域；（ｄ）对定位出 的标志区域采用ＩＣＰ方法进行配准，得到相应的旋转矩阵和平移向量；（ｅ）将整体扫描数据采用区域配准得到的转换参数进行坐标平移和旋转变换，完成配准。...

【技术特征摘要】

【专利技术属性】
技术研发人员：郭哲，张艳宁，林增刚，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：87[中国|西安]