三维人脸配准方法技术

本发明专利技术涉及三维人脸配准方法，首先，把人脸当做椭球体放在坐标系中，把人脸的较长上下方向、中间长度的左右方向，宽度最小的前后方向分别当做坐标系的X、Y、Z轴，在此基础上使用主成分分析PCA，将主成分分析得到的三个特征向量分别对应人脸坐标轴的X、Y、Z轴并使主轴坐标系原点在z坐标最大的点处；接着，平移三维人脸数据，使Z坐标最大值点在人脸主轴坐标系的原点，即鼻尖点位于人脸主轴坐标系的原点；在主轴坐标系下，z坐标最大点可以近似认为鼻尖点；最后，将PCA方法应用于三维人脸配准，并用来确定鼻尖点候选点集。本发明专利技术提出使用PCA方法进行三维人脸的粗配准，在配准的同时定位出鼻尖点候选区域，该方法不仅运算量小而且能够简化后期特征点的选择工作。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，首先，把人脸当做椭球体放在坐标系中，把人脸的较长上下方向、中间长度的左右方向，宽度最小的前后方向分别当做坐标系的X、Y、Z轴，在此基础上使用主成分分析PCA，将主成分分析得到的三个特征向量分别对应人脸坐标轴的X、Y、Z轴并使主轴坐标系原点在z坐标最大的点处；接着，平移三维人脸数据，使Z坐标最大值点在人脸主轴坐标系的原点，即鼻尖点位于人脸主轴坐标系的原点；在主轴坐标系下，z坐标最大点可以近似认为鼻尖点；最后，将PCA方法应用于三维人脸配准，并用来确定鼻尖点候选点集。本专利技术提出使用PCA方法进行三维人脸的粗配准，在配准的同时定位出鼻尖点候选区域，该方法不仅运算量小而且能够简化后期特征点的选择工作。【专利说明】
本专利技术涉及。
技术介绍
人类对安全性考虑的增加使得人脸识别技术已经成为研究者关注的重点。在人脸识别技术中特征的提取技术起着关键的作用，这是因为三维人脸识别技术的实质是把人脸用特征来抽象的表示然后基于特征进行识别。目前常见的特征提取方法有基于二维人脸照片的也有基于三维人脸数据的。三维数据的信息量要远比二维照片丰富。加之三维人脸数据相比二维数据不受光照、姿态、表情等的影响，因此越来越多的研究者转向了三维人脸特征提取方面。配准方法的实质就是寻找人脸模型与基准模型的对应关系，根据采用的对应关系的方法的不同，可以分为整体配准和逐片配准两大类。整体配准是寻找整个人脸之间的对应关系。逐片配准是把人脸按照一定的原则进行分解，然后一块一块的进行配准。根据配准是否分步，又可分为直接配准和粗精配准相结合的配准方法。当待配准的对象比较简单时通常采用粗配准算法，而对象比较复杂时一股采取粗精结合，先进行粗配准，然后再进行精配准，这样做的目的主要是为了减少工作量。常用的方法有标志点粗配准方法、ICP精配准方法和PCA粗配准方法。标志点粗配准算法是借助于已经精确定位的特征点。该方法首先需要获取人脸的三个特征点，组成一个稳定的三角形框架。常用的三角形框架主要有鼻尖点与两个内眼角点组成的三角形框架，鼻尖点与外眼角点组成的三角形框架。在考虑到姿态的影响时，研究者发现外眼角的定位常常不那么准确。常用的三角形框架如图1所示。该算法的实质是基于待配准的人脸三角形与基准的人脸三角形进行配准，从其原理我们可以看出，该方法只能粗略的配准三维人脸。该算法的主要流程为:(I)定位人脸的鼻尖和内眼角或外眼角特征点，那么就可以形成待配准人脸的三角形框架和基准人脸的三角形框架，然后计算二者的质心和法向量。(2)平移和旋转待配准的三维人脸的三角形，使其三角形的质心和法向量分别于基准人脸的三角形的质心与法向量相重合，这样就得到了两个共面的三角形。(3)对改变后的待配准的三角形绕法向量进行旋转，其目的是使待配准三角形的顶点与基准三角形的顶点之间的距离的平方和最小，这样配准就完成了。ICP精配准算法是最早提出来的配准方法。这是一种最近点迭代算法。该算法要求三维人脸数据已经进行了粗配准，否则该算法很难正常结束。而正常结束的算法的标准就是配准误差的平方和为最小。而在三维人脸识别方面，则是把待配准人脸与三维人脸库中的人脸点集进行一一对齐，把配准误差的平方和最小的那个人脸作为待识别人脸的身份，这里还必须考虑的一个问题是待配准人脸上的点的数目，ICP算法对点集数目的要求并不是很严格。但是待配准的人脸点集的数目必须小于基准人脸点集的数目，否则算法无法运行。另外我们还要考虑到表情和噪声对ICP算法是有影响的。本专利技术由于没有考虑表情对特征提取的影响，因此在这里也不予考虑表情的影响因素。ICP基本算法基本流程如下:(I)给变量赋初值。(2)对待配准人脸上的每个点，在基准人脸上查找距离最近的点，将这两组点集建立—对应的关系。(3)根据对应关系，建立转换矩阵，将待配准人脸上的每个点进行变换。(4)求出待配准人脸上的每个点与基准人脸的对应点的距离。(5)通过预先设定的条件来判断是否结束。如果超出阈值设定范围，则结束循环，配准完成。否则，返回第2步开始继续循环。其中通过循环算法，对基准人脸上的每个点在待配准人脸上找到最近的点，这是算法中最重要的一步，计算量相当大，运行时间也特别长。研究者在遍历查找算法的基础上，提出了很多加速算法，比较成功的算法有k-d树算法和桶算法等。
技术实现思路
本专利技术提出使用PCA方法进行三维人脸的粗配准，在配准的同时定位出鼻尖点候选区域，该方法不仅运算量小而且能够简化后期特征点的选择工作。本专利技术提供一种，所述配准方法采用PCA方法，具体包括如下步骤:·首先，把人脸当做椭球体放在坐标系中，把人脸的较长上下方向、中间长度的左右方向，宽度最小的前后方向分别当做坐标系的X、Y、Z轴，在此基础上使用主成分分析PCA，将主成分分析得到的三个特征向量分别对应人脸坐标轴的X、Y、Z轴并使主轴坐标系原点在z坐标最大的点处；接着，平移三维人脸数据，使Z坐标最大值点在人脸主轴坐标系的原点，即鼻尖点位于人脸主轴坐标系的原点；在主轴坐标系下，z坐标最大点可以近似认为鼻尖点；最后，将PCA方法应用于三维人脸配准，并用来确定鼻尖点候选点集，其步骤主要如下:(I)对三维人脸点集进行PCA降维处理，求取三维人脸数据的三个主轴(Xl，Y1,Z1)；(2)对P(PnPnn)进行平移和旋转，根据公式Qi=U1 JpZ1) 1Pi,使之转移到(X1,Y1, Z1)为坐标轴的坐标系下，由此得到Q(q1; q2…，qn)，Qi为对应的点Pi在主轴坐标系中的坐标；(3)把z坐标最大的点平移到主轴坐标系的原点，由此建立人脸在主轴坐标系下的点集，由此确定鼻尖点候选点集。【专利附图】【附图说明】通过参照附图更详细地描述本专利技术的示例性实施例，本专利技术的以上和其它方面及优点将变得更加易于清楚，在附图中:图1为常用的三角形框架示意图；图2为本专利技术的人脸主轴坐标系示意图；图3为本专利技术的鼻尖点候选区域示意图。【具体实施方式】在下文中，现在将参照附图更充分地描述本专利技术，在附图中示出了各种实施例。然而，本专利技术可以以许多不同的形式来实施，且不应该解释为局限于在此阐述的实施例。相反，提供这些实施例使得本公开将是彻底和完全的，并将本专利技术的范围充分地传达给本领域技术人员。在下文中，将参照附图更详细地描述本专利技术的示例性实施例。PCA方法又称为K一L变换。该方法不仅是一种有效的人脸识别算法，也是一种有效的特征提取算法，在特征降维方面有不错的效果。其主要思想是使用一组正交向量尽可能去描述三维人脸。这组正交向量被称为主成分。其数学原理如下:将一个在某一种坐标系下的向量X转换成用另一种基向量组成的坐标系表示，其基向量表示为Uj，j=l，2,..., °°，对集合中的每一个X展开,可得:【权利要求】1.，其特征在于: 所述配准方法采用PCA方法，具体包括如下步骤: 首先，把人脸当做椭球体放在坐标系中，把人脸的较长上下方向、中间长度的左右方向，宽度最小的前后方向分别当做坐标系的X、Y、Z轴，在此基础上使用主成分分析PCAdf主成分分析得到的三个特征向量分别对应人脸坐标轴的X、Y、Z轴并使主轴坐标系原点在ζ坐标最大的点处； 接着，平移三维人脸数据，使Z坐标最大值点在人脸主轴坐标系的原点，即鼻尖点位于人脸主本文档来自技高网...

【技术保护点】
三维人脸配准方法，其特征在于：所述配准方法采用PCA方法，具体包括如下步骤：首先，把人脸当做椭球体放在坐标系中，把人脸的较长上下方向、中间长度的左右方向，宽度最小的前后方向分别当做坐标系的X、Y、Z轴，在此基础上使用主成分分析PCA，将主成分分析得到的三个特征向量分别对应人脸坐标轴的X、Y、Z轴并使主轴坐标系原点在z坐标最大的点处；接着，平移三维人脸数据，使Z坐标最大值点在人脸主轴坐标系的原点，即鼻尖点位于人脸主轴坐标系的原点；在主轴坐标系下，z坐标最大点可以近似认为鼻尖点；最后，将PCA方法应用于三维人脸配准，并用来确定鼻尖点候选点集，其步骤主要如下：(1)对三维人脸点集进行PCA降维处理，求取三维人脸数据的三个主轴(x1，y1，z1)；(2)对P(p1，p2…，pn)进行平移和旋转，根据公式qi=(x1，y1，z1)Tpi，使之转移到(x1，y1，z1)为坐标轴的坐标系下，由此得到Q(q1，q2…，qn)，qi为对应的点pi在主轴坐标系中的坐标；(3)把z坐标最大的点平移到主轴坐标系的原点，由此建立人脸在主轴坐标系下的点集，由此确定鼻尖点候选点集。

【技术特征摘要】

【专利技术属性】
技术研发人员：谭玉波，周德祥，胡江汇，张春燕，王锋，
申请(专利权)人：谭玉波，
类型：发明
国别省市：