一种三维人脸目标图像的获取方法与流程

本发明涉及数据处理以及人脸识别领域，尤其涉及一种三维人脸目标图像的获取方法。

背景技术：

人脸识别技术具有非接触、非侵犯、无需参与者配合等优势，成为了当前生物特征识别中最具潜力和最受欢迎的识别方法之一。人脸识别是一种高维大数据集模式识别的典型应用，数据维数过高不利于数据的分析和处理，并且高维大数据集中包含很多对人脸识别没有用处的冗余信息，这些信息造成人脸识别过程中很大程度的时间消耗以及资源浪费，同时对人脸色识别的净度没有任何的好处。另外，当前人脸识别存在精度低的缺陷。综上，如何提高人脸识别的精度，同时降低人脸识别需要处理的数据量是目前亟需解决的技术问题。

技术实现要素：

(一)要解决的技术问题

本发明要解决的技术问题是如何提高人脸识别的精度，同时降低人脸识别需要处理的数据量的技术问题。

(二)技术方案

为解决上述技术问题，本发明提供了一种三维人脸目标图像的获取方法，所述方法包括如下步骤：

获取三维人脸深度图像和二维人脸灰度图像；

将所述三维人脸深度图像分成若干块第一子图像，将所述二维人脸灰度图像分成若干块第二子图像；

利用每个所述第一子图像和对应位置的第二子图像进行数据融合，得到若干个待检测子图像；

对每个所述待检测子图像的数据进行降维处理，得到若干个目标子图像；

在图像数据库寻找与所述目标子图像对应的图像。

其中，所述图像数据库为cis三维人脸实时数据库。

其中，所述图像数据库为texas三维人脸数据库。

其中，所述方法利用c-logmap算法对每个所述待检测子图像的数据进行降维处理。

(三)有益效果

本发明的上述技术方案具有如下优点：

本发明首先获取三维人脸深度图像和二维人脸灰度图像，之后将三维人脸深度图像分成若干块第一子图像，将二维人脸灰度图像分成若干块第二子图像；之后利用每个第一子图像和对应位置的第二子图像进行数据融合，得到若干个待检测子图像；之后对每个待检测子图像的数据进行降维处理，得到若干个目标子图像；上述方案提高了人脸识别的精度，同时降低了人脸识别需要处理的数据量。

附图说明

图1为本发明的一个实施例的人脸识别方法的流程图。

图2为本发明的再一个实施例的人脸识别方法的流程图。

图3为本发明的一个实施例的人脸识别装置的框图。

图4为本发明的再一个实施例的人脸识别装置的框图；

图5为本发明的另一个实施例的人脸识别方法的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

一种人脸识别方法，如图1所示，所述方法包括如下步骤：

110、获取三维人脸深度图像和二维人脸灰度图像；

120、将所述三维人脸深度图像分成若干块第一子图像，将所述二维人脸灰度图像分成若干块第二子图像；

130、利用每个所述第一子图像和对应位置的第二子图像进行数据融合，得到若干个待检测子图像；

i＝depth+intn×i

式中，i表示待检测子图像，depth表示第一子图像，n表示第二子图像，i表示虚数；

140、对每个所述待检测子图像的数据进行降维处理，得到若干个目标子图像；

150、根据每个所述目标子图像的像素值以及其包含的图像信息量为每个所述目标子图像设置权重；

160、利用每个所述目标子图像设置的权重以及图像数据库确定每个所述目标子图像的类别；

170、利用所有的所述目标子图像的类别，确定所述三维人脸深度图像或/和二维人脸灰度图像的类别。

本实施例的方案提高了人脸识别的精度，同时降低了人脸识别需要处理的数据量。

本发明另一个实施例中，三维人脸目标图像的获取方法，所述方法包括如下步骤：

获取三维人脸深度图像和二维人脸灰度图像；

将所述三维人脸深度图像分成若干块第一子图像，将所述二维人脸灰度图像分成若干块第二子图像；

利用每个所述第一子图像和对应位置的第二子图像进行数据融合，得到若干个待检测子图像；

对每个所述待检测子图像的数据进行降维处理，得到若干个目标子图像；

在图像数据库寻找与所述目标子图像对应的图像。

在一个实施例中，所述图像数据库为cis三维人脸实时数据库。cis(correlationimagesensor)三维人脸实时数据库是由相关型图像传感器三维实时成像系统获得，该系统在获得三维深度数据的同时，可获得与其一一对应的灰度图像。这些图片包含人脸的正面或侧面、抬头或低头等不同姿态变化，睁眼或闭眼、笑或者不笑等不同表情变化，是否戴眼镜等有无遮挡变化以及亮光到暗光等不同光照变化。该成像系统获得的深度数据具有如下优点：(1)可从根本上解决人脸识别中的光照问题；(2)对姿态变化具有较强的鲁棒性。

本实施例中，所述图像数据库为texas三维人脸数据库。texas三维人脸数据库是由奥斯汀德克萨斯州大学图像和视频工程实验室提供的，该数据集包含118个不同种族和性别的1149对彩色高分辨率图像，每幅图像的大小为501751。这些图片是由立体相机(stereocamera)获得的，每个人有一幅到一百多幅不等的图像，这些图像存在开心、生气和闭眼等不同表情变化，从亮光到暗光不同光照变化，但这些图像中不存在姿态的变化。

本实施例中，所述方法利用c-logmap算法对每个所述待检测子图像的数据进行降维处理。

在一个实施例中，如图2所示，步骤150包括如下子步骤：

1501、根据每个所述目标子图像的像素值，确定该目标子图像的均值像素方差；

均值像素方差可以表现图像的区分度高低，比如纯色的图片，其像素方差显然为0，因此像额头等其像素方差必定小，因此可以赋予较小的权重，像素方差越大，表明图像区分度高，因此必须强调其重要性，给以较大的权重。

1502、根据每个所述目标子图像的图像信息量，确定该目标子图像的信息熵；

从信息熵的描述可知，熵可以描述图像信息，因此，可以将各区域(目标子图像)的熵值看做区域信息量大小，信息越丰富，则熵值越大，则该区域对识别具有更大作用，应该赋予更大的权值；

1503、根据每个所述目标子图像的均值像素方差和信息熵，确定每个所述目标子图像的权值。

下面对本发明的方法进行详细说明。

对一幅测试人脸图像t,分块后表示为mt＝[xt1,xt2,….,xtt]，降维后在低维子空间表示为mt＝[yt1,yt2,….,ytt],训练图像集表示为

{m1,m2,….mn}，mi＝[xr1,xr2,….,xrt],降维后在低维子空间表示为mi＝[yr1,yr2,…..,yrt],i∈[1,n],其中，n表示类别数，t表示分块数。在低维子空间我们采用最近邻分类器来确定每个小块的类别，然后确定mt的类别。距离定义如下：

式中，i∈{1,2,…..,t},r∈{1,2,….,n×t},r∈{1,2,….,n},yti是mt的第i块，yrr’是训练集中mr的第r块。

若满足：dist(yti,yrr)＝min[dist(yti,yrr’)],则yti与yrr’属于同一类对象，分别mt中t块标记分类，并统计每个类的类别。若mi(，i∈{1,2,…..,n})的类别数最多，则待识别图像mt的类别即为i。

对应于上述人脸识别方法，本发明还公开了一种人脸识别装置，如图3所示，所述装置包括：

图像获取模块，用于获取三维人脸深度图像和二维人脸灰度图像；

图像分割模块，用于将所述三维人脸深度图像分成若干块第一子图像，将所述二维人脸灰度图像分成若干块第二子图像；

图像融合模块，用于利用每个所述第一子图像和对应位置的第二子图像进行数据融合，得到若干个待检测子图像；

数据降维模块，用于对每个所述待检测子图像的数据进行降维处理，得到若干个目标子图像；

权重确定模块，用于根据每个所述目标子图像的像素值以及其包含的图像信息量为每个所述目标子图像设置权重；

第一类别确定模块，用于利用每个所述目标子图像设置的权重以及图像数据库确定每个所述目标子图像的类别；

第二类别确定模块，用于利用所有的所述目标子图像的类别，确定所述三维人脸深度图像或/和二维人脸灰度图像的类别。

在一个实施例中，所述图像数据库为cis三维人脸实时数据库；所述图像数据库为texas三维人脸数据库；所述数据降维模块还用于利用c-logmap算法对每个所述待检测子图像的数据进行降维处理。

在一个实施例中，如图4所示，所述权重确定模块包括：

方差确定子模块，用于根据每个所述目标子图像的像素值，确定该目标子图像的均值像素方差；

信息熵确定子模块，用于根据每个所述目标子图像的图像信息量，确定该目标子图像的信息熵；

权值计算子模块，用于根据每个所述目标子图像的均值像素方差和信息熵，确定每个所述目标子图像的权值。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。