1.一种基于三维点云数据的人脸质量评估方法,其特征在于,主要内容包括:
三维人脸点云数据的输入部分(一);
对于三维人脸点云数据中人脸特定区域检测部分(二);
对于检测到的人脸特定区域进行数据配准部分(三);
对于配准后的三维人脸点云数据进行深度人脸数据映射部分(四);
对于深度人脸数据进行人脸深度数据质量评估部分(五)。
2.基于权利要求书1所述的三维点云数据的输入部分(一),其特征在于,包括对各类三维点云采集设备的数据输入。
3.基于权利要求书1所述的三维人脸点云数据中人脸特定区域检测部分(二),其特征在于,包括根据三维点云数据提取特征信息以及利用训练好的分类器进行人脸特定区域检测的模块。
4.基于权利要求书1所述的利用检测到的人脸特定区域进行数据配准部分(三),其特征在于,包括根据检测获取的人脸特定区域与模板库中该特定区域的标准数据进行数据配准的模块。
5.基于权利要求书1所述的将三维人脸点云数据进行深度人脸图像映射部分(四),其特征在于,包括根据预定的深度分辨率以及检测获取的人脸特定区域位置进行数据映射的模块。
6.基于权利要求书1所述的深度人脸数据进行采集数据质量评估部分(五),其特征在于,包括根据典型性深度人脸数据产生深度特征脸以及利用深度特征脸进行人脸深度数据质量评估的模块。
7.基于权利要求书3所述的人脸特征区域检测模块,其特征在于,采用鼻尖区域作为人脸特征区域,主要步骤如下:
1)确定域平均负有效能量密度的阈值,定义为thr
2)利用数据的深度信息提取在一定深度范围内的人脸数据作为待处理数据
3)计算由深度信息选取出的人脸数据的法向量信息
4)按照区域平均负有效能量密度的定义,求出待处理数据中各连通域的平均负有效能量密度,选择其中密度值最大的连通域
5)当该区域的阈值大于预定义的thr时,该区域即为鼻尖区域,否则回到第1)步继续。
8.基于权利要求书4所述的基于检测到的人脸鼻尖区域为基础的数据配准模块,其特征在于,主要步骤如下:
首先我们需要在模板库中准备一幅与标准姿态相对应的鼻尖区域的数据,然后对于不同姿态的三维数据,得到配准的参考区域后,按照ICP算法进行数据的配准,该算法主要步骤如下:
假设我们已经得到匹配数据集合对P和Q,
1)计算3*3的矩阵
其中N是数据集合的容量
2)做H矩阵的SVD分解
H=U∧VT
X=VUT
3)计算旋转矩阵R和平移矩阵t
当X行列式值为1时,R=X;
t=P-R*Q
通过上述步骤,获取两个三维数据点集之间的三维空间变换矩阵,从而实现两个点集的配准。
9.基于权利要求书5所述的将三维点云数据映射为深度人脸图像的数据映射模块,其特征在于,检测获得的人脸鼻尖区域作为深度图像数据的中心位置的参考基准,其空间坐标系的x轴和y轴信息映射为人脸深度图像的图像坐标系信息,计算过程如下:
设鼻尖点为N(x,y,z),则空间点P(x1,y1,z1)的图像坐标为:
Ix=(x1-x)+width/2
Iy=(y1-y)+height/2
width为深度图像的宽度,height为深度图像的高度
同时,根据三维点云数据的深度精度预先设定深度分辨率Zref,作为将空间坐标系的z轴信息作为映射为人脸深度图像的深度值的参考基准
完成将三维点云数据映射为深度人脸图像的数据映射。
10.基于权利要求书6所述的根据典型性深度人脸数据产生深度特征脸,其特征在于,深度特征脸的计算过程可以总结为:
1)将训练集中的每一张深度人脸图像数据都从二维矩阵拉伸称为一维列向量,将这些列向量组合在一起形成矩阵A,假设每张深度人脸图像的分辨率是M*M,那么拉伸过后的人脸列向量的维度就是D=M*M,若训练集中有N张深度人脸图像,那么样本矩阵A的维度就是D*N;
2)将训练集中的N张深度人脸图像在对应维度上相加然后求平均,就可以得到深度图像的平均脸;将N张深度图像都减去深度平均脸,得到差值图像数据矩阵Φ;
3)对协方差矩阵C=Φ*ΦT进行特征值分解,根据占据所有特征值能量的比率,选择最大的一些特征值,其所对应的特征向量即为深度特征脸;
深度人脸图像都可以投影到这些特征脸张成的空间中进行近似计算。
11.基于权利要求书6所述的深度图像数据质量评估模块的算法流程,其特征在于,该模块分为训练和评估两个阶段:在训练阶段训练出深度人脸图像的特征脸,以此为基础张成深度人脸图像空间;在评估阶段,对于输入的深度人脸图像,将其映射为深度特征脸空间中的一点,得到利用深度特征脸表征的近似深度人脸图像;
然后将近似图像与原始图像进行对比,如果差值大于某个阈值,则说明该深度图像不符合这些深度特征脸代表的类型,评估不通过;否则则认为该图像符合这些深度特征脸代表的类型,评估通过。