三维人脸识别方法及应用其的数据处理装置的制造方法
【技术领域】
[0001]本发明涉及数字图像处理和模式识别领域，具体涉及一种三维人脸识别方法及应 用其的数据处理装置。
【背景技术】
[0002] 人脸作为生物识别特征具有不会遗失、不易被复制、采集方便、唯一性、不被察觉 等优点，正越来越受到人们的重视，已经进入了社会生活的各个领域。与视网膜、指纹、虹 膜、语音、掌纹等其它人体生物特征识别系统相比，人脸识别系统以其方便、友好等特点，具 有十分广泛应用前景，特别是在人脸识别门禁考勤系统、人脸识别ATM机智能视频报警系 统、人脸识别公安罪犯追逃智能报警系统的身份识别、视频会议以及医学等方面的应用，已 成为目前模式识别和基于内容检索领域的一个研究热点。
[0003] 人脸识别已取得了丰富的成果，但现有大部分研究均集中于基于二维图像的人脸 识别，而二维图像对光照、姿态、表情、年龄等的变化适应性较差。随着点云获取设备的逐步 推广，越来越多的研究开始转向基于点云的三维人脸识别。三维人脸数据在信息量方面拥 有更为丰富的形状信息，且三维数据的采集不受光照影响。但是三维人脸识别的劣势明显， 高分辨率下的三维数据匹配需要消耗大量的计算时间，而且三维人脸更易受到表情变化的 影响，识别精度还远未达到实用化程度。因此，需要新的三维人脸识别方法来消除表情变化 的影响，提高识别精度，并尽量减少识别过程所需的匹配时间。
[0004] 特征提取与选择是人脸识别的核心问题，是后续正确识别的基础。如何提取不同 个体人脸之间存在较大差异而对同一个体人脸比较稳定的人脸特征一直是人脸识别中的 核心问题。
[0005] 全局特征和局部特征在现有的人脸识别中得到了广泛应用。其中基于全局特征的 人脸识别算法主要利用人脸的整体特征进行描述，对于正常的人脸表情识别精度较高，但 对于表情变化的人脸，识别精度并不理想。而基于局部特征的人脸识别算法主要通过对人 脸细节的刻画来进行识别，对表情变化具有一定的鲁棒性，但由于缺少全局的结构信息，很 难满足人脸识别的精度要求。理想的人脸描述特征应该只反映人的类别信息，对各种内外 在变化不敏感。现有的人脸识别方法把人脸图像特征提取出来以后，没有较好的考虑人脸 样本中特征之间的相互关系，即没有对人脸特征进行有效地选择，而是直接用提取出来的 特征进行识别，导致特征维数较高，计算量较大，系统自然也较复杂，不仅耗时而且识别精 度也不理想。
【发明内容】
[0006] 有鉴于此，本发明提出一种三维人脸识别方法及应用其的数据处理装置，以解决 现有识别算法效率低、识别精度不高的问题，并能较好地处理表情变化对人脸识别的影响。
[0007] 第一方面，提供一种三维人脸识别方法，包括：
[0008] 训练步骤，包括：
[0009] 获取样本三维人体图像及对应的人脸分类，所述样本三维人体图像至少包括人的 面部；
[0010] 根据样本三维人体图像获取样本人脸点云；
[0011] 根据所述样本人脸点云获取对应的高维特征描述子；
[0012] 基于粗糙集约简方法对多个样本人脸点云的高维特征描述子进行降维获取样本 人脸点云的低维特征描述子以及对应的特征约简方式，以使得所述低维特征描述子在增加 任意一个维度的特征后获得的特征向量的特征重要性度量与低维特征描述子自身的特征 重要性度量的差值小于预定阈值;其中，所述特征重要性度量为集合不确定性度量和知识 不确定性度量的比值；以及，
[0013] 基于所述样本人脸点云的低维特征描述子及对应的人脸分类训练SVM分类器获取 预定数量的SVM子分类器；
[0014] 以及，识别步骤，包括：
[0015] 获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面部；
[0016] 根据待识别三维人体图像获取样本人脸点云
[0017] 根据所述待识别人脸点云获取对应的高维特征描述子；
[0018] 基于训练步骤获取的特征约简方式对所述待识别人脸点云的高维特征描述子进 行降维获取待识别人脸点云的低维特征描述子;以及
[0019] 根据所述待识别人脸点云的低维特征描述子和所有SVM子分类器进行测试，积累 不同人脸分类的权重，以权重最高的人脸分类作为所述待识别三维人体图像的人脸分类。
[0020] 优选地，基于粗糙集约简方法对多个样本人脸点云的高维特征描述子进行降维获 取样本人脸点云的低维特征描述子以及对应的特征约简方式包括：
[0021] 基于1个样本人脸点云以及对应的高维特征描述子构建知识表达系统I = (U，C，D， δ)，其中，U= {ui，U2，···，ui}是1个样本人脸点云的集合，称为论域;C= {ai，a2，···，ad是高维 特征描述子的集合，K为高维特征描述子的维度;D是人脸分类的集合;δ(〇 < δ < 1)为邻域阈 值；
[0022] 基于如下公式进行高维特征描述子的标准化：
[0023]
[0024] 其中，f (Ui，ak)表示人脸Ui在特征ak上的取值；
[0025]每次向候选低维描述子中增加一个维度的特征，该特征是所有属于高维特征描述 子不属于所述候选低维描述子的特征中使得新的候选低维特征描述子具有最大的特征重 要性度量的特征，直至新的候选低维特征描述子的特征重要性度量与当前候选低维特征描 述子的特征重要性度量的差值小于预定阈值，则输出当前候选低维特征描述子的约简方式 并输出所有样本人脸点云的低维特征描述子;其中，特征重要性度量NCMb(D)基于如下公式 计算：
[0026]
[0027] 其中，
[0028] 其中，I X I表示集合X中元素的个数，
[0029] 其中，DB(Ui，Uj)表示对象Ui和Uj之间的距离：
[0030]
[0rm ?
[0032] 其中f (Ui，ak) = *表示对象Ui在特征ak上的值未知。
[0033]优选地，基于所述样本人脸点云的低维特征描述子及对应的人脸分类训练SVM分 类器获取预定数量的SVM子分类器包括：
[0034]每次从所有e个人脸分类中选取两个类别的所有样本人脸点云的低维特征描述子 训练一个SVM子分类器，直至获得^^个SVM子分类器。
[0035]优选地，根据样本三维人体图像获取样本人脸点云包括：
[0036]根据所述样本三维人体图像检测鼻尖位置；
[0037]获取与所述鼻尖位置距离在预定范围内的点作为未处理样本点云；以及
[0038]对所述未处理样本点云进行逸出点剔除、重采样以及孔洞填充获取所述样本人脸 点云；
[0039]以及，根据待识别三维人体图像获取待识别人脸点云包括：
[0040] 根据所述待识别三维人体图像检测鼻尖位置；
[0041] 获取与所述鼻尖位置距离在预定范围内的点作为未处理待识别点云；
[0042] 对所述未处理待识别点云进行逸出点剔除、重采样以及孔洞填充获取所述待识别 人脸点云。
[0043]优选地，根据所述样本人脸点云获取对应的高维特征描述子包括：
[0044]提取所述样本人脸点云的ARS特征作为所述样本人脸点云的高维特征描述子； [0045]以及，根据所述待识别人脸点云获取对应的高维特征描述子包括：
[0046 ]提取所述待识别人脸点云的AR S特征作为所述待识别人脸点云的高维特征描述 子。
[0047]第二方面，提供一种数据处理装置，包括处理器，所述处理器适于执行如上所述的 方法。
[0048] 本发明通过提取人脸点云的高维特征描述子，尽量降低表情变化对人脸识别的不 利影响；进而通过粗糙集约简算法得到最优的特征组合(也即，低维特征描述子）；最后，充 分利用SVM在解决高维数小样本识别方面具有的独特优势，对三维人脸进行识别。本发明不 仅提高了三维人脸识别算法的识别效率，还进一步提高了三维人脸识别方法的精度和鲁棒 性。
【附图说明】
[0049] 通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和 优点将更为清楚，在附图中：
[0050] 图1是本发明实施例的三维人脸识别方法的流程图；
[0051] 图2是本发明实施例中基于三维人脸图像获取三维人脸点云的过程示意图；
[0052]图3a是本发明实施例中进行鼻尖检测的三维人脸图像示意图；
[0053]图3b是本发明实施例中进行鼻尖检测的原理示意图；
[0054]图4a是本发明实施例中提取人脸点云的ARS特征的示意图；
[0055]图4b是本发明实施例中提取的ARS特征向量的放大示意图；
【具体实施方式】
[0056] 以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下 文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有 这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过 程、流程、元件和电路并没有详细叙述。
[0057] 此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且 附图不一定是按比例绘制的。
[0058]除非上下文明确要求，否则整个说明书和权利要求书中的"包括"、"包含"等类似 词语应当解释为包含的含义而不是排他或穷举的含义;也就是说，是"包括但不