一种基于密集点对应的快速三维人脸识别方法

专利名称：一种基于密集点对应的快速三维人脸识别方法
技术领域：
本发明涉及一种三维人脸识别方法，采用薄板样条形变和密集点对应，减小表 情和人脸尺寸不一致对识别造成的影响。
背景技术：
生物特征识别在安全领域有着重要的应用，特别是与指纹、虹膜等特征相比， 自动人脸识别技术以其无接触性、可接受性高、隐蔽性好等优点受到越来越多的关 注，有着巨大的发展空间。传统的基于二维照片的人脸识别技术受到光照、姿态、化妆等因素的影响较大。 三维人脸识别技术可以克服或减轻这些因素的影响。三维人脸模型具有比二维图像 更丰富的信息，它是对人脸的空间真实形态更准确的描述。但是，三维人脸数据量 较大，干扰区域较多，计算量较大，且由于表情产生的人脸曲面非刚性变形，影响 了基于几何信息的三维人脸识别的性能。因此，如何减小识别运算量、降低表情影 响成为三维人脸识别技术的瓶颈，也是研究的关键问题。发明内容技术问题本文提出一种利用薄板样条形变并基于密集点对应的减小表情和 人脸尺寸不一致的影响的快速三维人脸识别方法。 技术方案该方法的主要步骤如下步骤1.将原始库集三维人脸模型G转换到人脸的主轴坐标系下，并确定鼻尖 点；以鼻尖点为中心，经验值90mm为半径，舍弃落在球体以外的点，保留球体内 的点作为后续处理的人脸区域，记为Q ca;找到一共13个标志点作为薄板样条形 变的控制点，并求出库集三维人脸模型的平均标志点，作为控制点形变的目标点；步骤2.根据库集人脸Gpca的标志点和平均人脸标志点，建立薄板样条函数映 射，求得形变系数，然后将形变映射关系应用于整张库集人脸Qxr"，得到每个库集 人脸形变后的人脸Gvrar; ;步骤3.在所有形变后的库集人脸GMWp中选取一张人脸，这张人脸应该满足: 点云数目较少、各个区域数据比较完整平滑，并且包含的区域在所有人脸都出现，并将其进行空间采样稀释，得到参考人脸i e/;步骤4.将参考人脸模型i e/与形变后的库集人脸Gvra^进行ICP匹配，及e/的 每一点在GMW^上寻找对应的匹配点，记录下匹配点在GMwp中的序号，并将匹配5点集记为G^Mw; ，相当于是形变且稀释过的；G^Mw; 点的数目和i e/相同，且所 有的点一一对应；遍历G/ ^中的点，若当前点的序号出现在所记录的序号中，则取
出该点，取出的点的集合记为G470Z;
步骤5.测试人脸g进入时，采取步骤l, 2， 4所示的相同处理方法首先得到
0707，并求出13个标志点；根据这些标志点与平均标志点的对应，建立它们之间
的薄板样条函数映射关系，求出形变系数；然后将形变映射应用于整张Q;x^，得到 形变后的^a;77;然后将i e/与0M^/7进行ICP匹配，得到^Mwp上的匹配点，记 为测试人脸的^/war; ;最后在gpojf中找到与^/hw/ 对应的0伞ca ;
步骤6.所有库集人脸的G47ca和测试人脸^^m分别与参考人脸及e/之间建 立了点一一对应的关系，因此与之间也是一一对应的关系；计算。伞c" 与每个G伞oi之间对应点的距离之和，并作为相似度，取与距离最小的G伞ca 对应的库集人脸作为识别结果。
其中步骤1的13个标志点是鼻尖点、内眼角点、嘴角点、侧面轮廓线上的鼻 根点和鼻下点、侧面轮廓线的上下端点、过鼻根点的水平轮廓线的左右端点、过鼻 尖点的水平轮廓线的左右端点；这些标志点按下述方法得到把人脸模型变换到主 轴坐标系后，取z坐标最大点作为鼻尖点；内眼角点和嘴角点处比较凹，即曲率较 大，通过描述曲率信息的Shape Index值可求出这四个点；侧面轮廓线是三维人脸模 型与人脸主轴坐标系的roz平面的交线，鼻根点近似认为是侧面轮廓线上^坐标大 于鼻尖点的y坐标、且距鼻尖点欧式距离为50mm的点；从鼻尖点开始沿侧面轮廓 线向下逐点搜索，计算当前点z坐标与鼻尖点z坐标的欧式距离，该距离开始会一 直增大，取该距离第一次减小的前一个点作为鼻下点；分别过鼻尖点和鼻根点作平 行于人脸主轴坐标系的"9Z面的平面，它们与三维人脸模型相交得到两条水平轮廓 线，分别求出这两条轮廓线的左右端点；
步骤2和步骤5利用薄板样条函数进行形变的方法如下
取一个库集人脸模型的G/7C"，有"个标志点，"=13，记为K， Z-l，2…,"； 平均标志点分别记为v, , / = 1，2...，"其中^-[z^ M&]， v,=[v& v,.z]; 设",经过薄板样条函数映射后变为v,，即尸00 = ^, F为薄板样条函数-
",卩…U(l""-",l)]'
、w12fl12"13 _
^23"22
...，="32
w"2w"3- 42 43_
6上述方程组的最小二乘解可以通过求方程
_夂尸—卞—
陽尸r0a0
的解获得；其中
K， P， F的定义如下所示: 《)D…
《=
=|w,—wj,基函数 700-r、log0"2)，
1 、
尸=1，厂=
1""少V"少V
求出W， fl后，对待形变人脸(库集人脸或测试人脸)的每一个点s,进行形变，
步骤2中Gpca形变后得到的人脸模型记为Gwfl^，步骤5中Qpcfl形变后得 到的人脸模型记为^vwwp 。
本发明针对在基于密集点对应的人脸识别方法中，表情变化和不同人脸尺寸大 小不一致导致匹配较差的问题，提出了通过选取有代表性的控制点和利用薄板样条 形变来改善匹配结果，获得较高的识别率。
建立密集的点对应关系从而求出对应点之间的距离作为相似度度量是一种常用 的人脸识别方法，其中的密集点对应通常由ICP算法完成。本发明从根本上就是采 用建立密集的点对应关系的方法，因此也用到了ICP算法。经典的ICP算法只对大 小相近、形状相似的模型有较好的匹配效果，使用薄板样条形变使不同人脸的标志 点向平均标志点形变，这样所有人脸的13个标志点间实现了准确的插值对应，而每 张脸除去标志点后剩余的部分则都保留了自己的特征，并且由于所受标志点约束的 改变而受到了平滑的拉伸。所以所有人脸在整体框架上达到大体一致，而局部有所 不同。这在一定程度上减小了人脸尺寸大小不同和表情变化的影响，提高了ICP算 法的鲁棒性，改善了匹配效果，在不同人脸之间可以获得较好的点对应关系。
有益效果本发明的优点及特点如下-
1. 采用薄板样条形变改善匹配结果。由于ICP匹配是刚性的，利用非刚性的薄 板样条形变处理人脸，再将处理后的人脸用ICP匹配，可以使匹配效果提高，减小 了表情和人脸尺寸不同所对匹配造成的负面影响。
2. 采用了参考人脸模型。将所有库集人脸模型和测试人脸模型都与参考人脸模
7型配准从而建立点对应关系，这样库集人脸模型和测试人脸模型也就间接地建立了 对应关系，将通常识别时要进行1:N的匹配变成了 1:1的匹配。在线处理时，任何 测试人脸只要与参考人脸匹配、建立点对应关系后，同时它也与所有库集人脸模型 建立了点对应关系，大大降低了计算量。库集人脸与参考人脸的匹配在离线时完成。
3. 对参考人脸模型进行了稀释。如果两个进行ICP匹配的人脸模型点的数目相 近，那么一旦两个模型的局部区域有较大差距时，找到的一对一的点对应关系就会 不如人意。ICP匹配允许参与匹配的两个模型点的数目不同，利用这一点，我们对 参考人脸模型进行了稀释，以稀释后的模型匹配未稀释的模型，从而获得更好的的 一对一点对应关系。而且，经我们实验证明，虽然稀释过的模型点的数目变少，但 只要稀释程度合理，就不会对模型之间的区分度造成较大影响。
4. 选取了稀释但未形变的模型G咖cfl和g伞c"作为相似度测量的对象，而不是 稀释且形变的C^w"A7 。因为G^va^p和^/waw是形变后的模型，所有的Gafwar/ 和 (2fifMwp都受到了相同的13个平均标志点的约束，所以所有Gc^aw和^/viw/ 的结 构框架都相同，使得每个人脸模型的整体特征丢失或弱化，只有局部保留了自己的 特征。而G伞ca和g伞cfl则保留了整体的特征和局部特征，可区分度高于G^ar/ 和


图1是本发明所述三维人脸识别方法的流程图。
具体实施例方式
参照说明书附图，下面对本发明的具体实施方式
做出详细说明 1、库集三维人脸模型预处理
预处理分三步将人脸模型转换到人脸主轴坐标系、并切割人脸，求出三维人
脸模型的13个控制点，求出库集人脸模型的13个平均标志点。
(1)确定人脸主轴坐标系并切割人脸 人脸模型近似为一张上下方向较长，左右跨度居中，前后厚度较小的椭球体。 对人脸点集分布做主成分分析(Principle Component Analysis),可以得到三个特征 向量，这三个特征向量分别对应从大到小排序的三个特征值，按PCA的特征值与特 征向量的关系，最大特征值对应的主方向是点集散度最大的方向，即人脸上下方向； 最小特征值对应的主方向是点集散度最小的方向，即人脸前后方向；剩余的一个特 征值对应人脸左右方向。边缘数据会造成人脸三维模型不对称，但是对绝大多数三 维人脸模型来说，以鼻尖点为球心的一定半径内的数据仍然是对称的。因此再次使 用主成分分析会获得更为精确的主轴。将每个人脸模型都转换到其主轴坐标系下， 方便了不同人脸进行匹配和比较。
设库集人脸模型(？ = {;7,.|/ = 1，2，"."}， a是G中一点，"为G中点的数目。对g进行pca运算，得到原始人脸数据的三个主轴(^^,^);将模型g中的点转换 到以(7,^,5)为坐标轴的坐标系下，得到02={/^2"'2=1，2, "}， ^是G2中一点，
W为《中点的数目
A =(V;，V2，v;)、a 。 (|)模型( 2={户,2|;2=1，2, — 4中，落在以鼻尖点(z坐标最大点)为中心，以
/" = 50/ / 为半径的球面内的点组成新的点集( 3 —& |/3 =1，2广."3} ， "3表示点集(53
中点的个数，对《进行第二次pca运算，得到三个精确主轴(7,^，S)。
③ 综合上述，人脸主轴坐标系的三个坐标轴(；^，^)为
(v, ， v2 ， v3)=(v;, v; ， v; )(v;, v;, v;); 取坐标变换后的z坐标最大点为鼻尖点。平移人脸主轴坐标系下的三维模型，使鼻 尖点为原点-
其中a,表示鼻尖点，a是g变换坐标系后的人脸模型中的一点。
④ 以鼻尖点作为球心，经验值90mm为半径，舍弃落在球体以外的点，保留球 体内的点作为我们处理的人脸区域。
至此，将三维人脸模型转换到其主轴坐标系下，库集人脸模型g经过上述处理
后得到的人脸模型记为库集人脸模型的Q c"。(测试人脸模型2处理后得到的人脸
模型记为测试人脸模型的Qpm 。)
(2)求三维人脸模型的13个控制点
(D检测鼻尖点和内眼角点
总的来说，三维人脸特征点定位方法绝大部分都是基于人脸特征的，如对称性、 几何特征(如鼻尖点特别凸，而眼角处特别凹)等。本发明的特征点检测方法首先 根据人脸模型中特征点几何分布的特性，确定其在主轴坐标系下的坐标信息，从而 可确定特征点候选点集，然后通过计算特征点候选点集中每个点的曲率特征(Shape Index值)，精确确定标志点。
Shape Index值代表的是人脸的曲率信息，与坐标系独立，且与刚体运动无关， 该特征能够真实反映人脸表面的凹凸特征，能够有效的分离出凹凸特征明显的鼻尖、 眼角区域。首先在候选集每个点p周围寻找与该点距离小于某一阈值的附个邻近 点，由该m个邻近点组成点p的邻近域，根据邻近域点集构造点p的微切平面，确 定三维人脸模型曲面在点p处法向量乙以5为z轴建立切平面坐标系，将邻近域点 都置于切平面坐标系下，采用最小二乘法在转换后的邻近域点集内拟合一个二次曲面，利用二次曲面系数计算曲面在顶点p处的最大主曲率^(/7)和最小主曲率 a:20 ),最后计算点p的Shape Index值
幼"戸/mfec(/7)=丄 一 丄tan—1 A⑨化2(p) 2 " A⑨-k2(p)
对每个点的邻域点集的Shape Index值取均值作为该点的Shape Index特征，对 这个特征进行阈值分割。在鼻尖以上取Shape Index值在0-0.27之间的点组成连通 域，连通域大于等于两个，选取其中关于K Z平面对称的两个区域作为内眼角区域， 分别选取两个连通域的质心作为内眼角点。同样，在鼻尖以下取Shape Index值在 0 0.27之间的点组成连通域，选取其中关于K Z平面对称的两个区域作为内眼角区 域，分别选取两个连通域的质心作为嘴角点。
② 检测侧面轮廓线上的鼻根点、鼻下点和上下端点
取yoz平面和三维人脸模型的交线作为侧面轮廓线^ 。过鼻尖点作一个半径
50mm的球，与侧面轮廓线相交的点近似认为是鼻根点。从鼻尖点开始沿侧面轮廓 线向下逐点搜索，计算当前点z坐标与鼻尖点z坐标的距离，该距离开始会一直增 大，取该距离第一次减小的前一个点作为鼻下点。并求出侧面轮廓线上y坐标最大 和最小的点，即上下端点。
③ 求出另外几个控制点
作过鼻根点且平行于义OZ面的平面，其与三维人脸模型的交线记为水平轮廓线 Z^，求出^上x坐标最小和最大的点。作过鼻尖点且平行于义OZ面的平面，其与 三维人脸模型的交线记为水平轮廓线丄3，求出￡3上1坐标最小和最大的点。
至此，经过上述运算可以得到库集三维人脸模型的全部13个标志点，这13个 标志点代表了人脸的框架。测试人脸模型也用相同的方法得到13个标志点。 (3)求出库集人脸模型的平均标志点
对所有库集人脸模型进行预处理后就可得到各自的13个控制点，在对应位置将 所有库集人脸模型的标志点求平均值，就可以得到13个平均标志点。平均标志点作 为所有库集人脸模型和测试人脸模型上控制点形变的目标点，所有人脸模型都朝平 均标志点变形，从而使所有人脸模型具有相同的框架约束，达到整体上一致。
2、库集三维人脸模型的薄板样条形变
本发明采用建立密集的点对应关系的识别方法，用ICP匹配算法来建立点对应 关系。经典ICP算法只对大小相近、形状相似的模型有较好的匹配效果，而由于不 同人的人脸尺寸常常大小不同，而且即使是同一个人，不同表情时也会导致脸的形 状差距较大。这些都使ICP匹配算法的效果变差。我们选取的这13个控制点构成 了一个人脸的整体框架，以平均标志点的框架为基准，将每个人脸向平均标志点形 变，也就是使每个人脸的框架都与平均标志点构成的框架一致。薄板样条形变使不 同人脸的13个标志点间实现了准确的插值对应，并且由于所受标志点约束的改变，人脸模型中除去标志点后的余下部分受到了平滑的拉伸。所以所有人脸在框架结构上一致，局部不同。这在一定程度上减小了人脸尺寸不同和表情变化的影响，提高了ICP算法的鲁棒性，改善了匹配效果，在不同人脸之间可以获得较好的点对应关系。
根据库集人脸qp^的标志点和平均人脸标志点的坐标，建立薄板样条函数映
射，求得形变系数，然后将形变映射关系应用于整张库集人脸Gpc"，得到每个库集
人脸形变后的GWW/7 。利用薄板样条函数进行形变的具体方法如下
取一个库集人脸模型的Qpca，有w个标志点，"=13，记为",，/ = 1，2-
平均标志点分别记为v, ， f-l,2…，"；其中w, &]， v,-[、 v,>
设w,经过薄板样条函数映射后变为v,,即F(",.)-v,， F为薄板样条函数:F(w,.)=《(M》*w + _P*a ， / = 1，2'..， ，
《 -"(l"广",l)…"(k-",l)],
、W12 W13.
，W ;
w2I w22 w23
Wnl W"2 W"3
a =
"11fl12
"21
"32%
"41a42"43
上述方程组的最小二乘解可以通过求方程
尸-卞_
00
的解获得。其中
尸，F的定义如下所示
，,)C/(r12)…
尺=D…， H"广";，基函数f/(。"Mog(一)，
匿D D…
1、
尸=1，r = 、
1""少、V
求出w， 《后，对待形变人脸(库集人脸或测试人脸)的每一个点s,进行形变，
,2-5/|)…咏-番
Gpc"形变后得到的人脸模型记为Gmwp 。所有库集人脸的Gwa^在整体框架上大
体一致，方便了后续的匹配工作。
113、 选取参考人脸模型i e/
当两个进行ICP匹配的人脸模型点的数目相近时，如果两个模型的局部区域有较大差距，找到的一对一的点对应关系就会不如人意。ICP匹配允许参与匹配的两个模型点的数目不同。利用这一点，对参考人脸模型进行稀释，以稀释后的模型匹配未稀释的模型，从而获得更好的一对一点对应关系。而且，经实验证明，虽然稀释过的模型点的数目变少，但只要稀释程度合理，就不会对模型之间的区分度造成较大影响。
我们采用空间采样法对点云进行稀释。这种稀释数据的方法简单有效，能够在不失真的前提下縮减点云数目，并且能得到在空间较均匀的点云。应用空间釆样法时，本文取空间间隔距离o"为1 .Omm。
在库集的Gwa^集合中选取一张点的数目较少、各个区域数据比较完整平滑，并且包含的区域在所有人脸都出现的人脸模型，并对将其采用空间采样稀释得到参具体的稀释方法如下
求出待稀释的人脸模型中每个点的ct邻域，即与每个点的距离小于c7的点的集
合；并对每个点增加一个/ _^/^/标志，初始化为77 [/￡;从第一个点开始，对每个点p，先看自身的w —w/e"标志是否为WLS五，如果为i^LSE则查看下一个点，如果为77 [/￡则査看其o"邻域中每个点的m — w/ec/标志，将邻域点中w — ^/e"为77 [/￡的点置为K4丄S五；最后将所有m—w/e"标志为的点删除，得到稀释后的参考人脸模型及e/。
4、 处理库集人脸模型
由于G^i^^是形变后的模型，因此所有的G^iwp都受到了相同的13个平均标志点的约束，它们的结构框架都相同，使得每个人脸模型的整体特征丢失或弱化，只有局部保留了自己的特征。而G咖cfl则保留了整体的特征和局部特征，可区分度高于G^flrp。因此采用G伞cfl计算人脸模型之间的距离。
设Q7M中每个点按它们在文件中存放的顺序获得一个序号，这个序号的集合为
C,. = {maA I m"nt = 1，2，…,} ， /表示第/个模型，表示第/个模型的点的数量。由于GMwp与qpM是逐点进行形变的，所以它们点的序号是一致的，即Gmw^的第倂"A个点是Gpc"的第m"A个点形变后的。
将参考人脸及e/与库集人脸的Gw"^进行ICP匹配，/ e/的每个点都可以在GMwy上找到匹配点，记录匹配点在Gvra^中的序号，记为C,'，且C/eC,;并将得到的匹配点集记为对应的库集人脸的(^wa^，它是Gv)wp的一个子集。GflfMwp的点数和/ e/相同，且按排列顺序一一对应，即G^wwp的第j'个点与i e/的第j'个点是匹配点。Giv"w与qpca的排列顺序一致，是一一对应的；査看Gpca的点，如果该点的序号出现在C,.'中，则取出，取出的点的集合记为C^; c^。
G47a/更多地保留了自己的特征，且由于匹配时借助了C^vm^，所以避免了直
12接使用ICP匹配。直接采用G^^的稀释版本则相当于传统的刚性匹配，不同人脸
模型匹配时易受表情和尺寸不同的影响而降低匹配的准确度。
通过参考人脸及e/作为中介，库集所有人脸的G^ m都间接建立了对应关系，所有Gc/pcd中点的数目相同，且它们的第i个点都是对应的；设/ e/的点的数目有Wp个，则所有G^ c"的数目也都是A^个，方便了最后计算不同人脸之间的相似度。
5、 测试人脸模型g进入时，也采取与处理库集人脸相同的预处理方法，得到6pca，并得到它的13个标志点。根据这13个标志点与13个平均标志点，建立它们之间的薄板样条函数映射关系，求出形变系数，然后将形变映射应用于0pca中所有的点，得到形变后的0iw/7 。然后将及e/与gww/ 进行ICP匹配，求得0iw/7上的匹配点，记为测试人脸的^/w"^。然后遍历Qpcfl中的点，找到与^/viwp中的点对应的点的集合，记为2c/pca，
6、 由于所有的库集人脸的Gc^ca、测试人脸g^ ca分别与参考人脸Ae/之间建立了密集的点对应关系，实现了点的一一对应，因此G^x^与24 ca之间也建立了点对应关系。计算gc^cfl与每个G^ ca之间对应点的距离之和
冲 ^-
' =1
并将它作为相似度，取最小的Z)/W对应的库集人脸作为识别结果。
1权利要求
1.一种基于密集点对应的快速三维人脸识别方法，其特征在于，该方法的步骤如下步骤1.将原始库集三维人脸模型G转换到人脸的主轴坐标系下，并确定鼻尖点；以鼻尖点为中心，经验值90mm为半径，舍弃落在球体以外的点，保留球体内的点作为后续处理的人脸区域，记为Gpca；找到一共13个标志点作为薄板样条形变的控制点，并求出库集三维人脸模型的平均标志点，作为控制点形变的目标点；步骤2.根据库集人脸Gpca的标志点和平均人脸标志点，建立薄板样条函数映射，求得形变系数，然后将形变映射关系应用于整张库集人脸Gpca，得到每个库集人脸Gpca形变后的人脸Gwarp；步骤3.在所有形变后的库集人脸Gwarp中选取一张人脸，这张人脸应该满足点云数目较少、各个区域数据比较完整平滑，并且包含的区域在所有人脸都出现，并将其进行空间采样稀释，得到参考人脸Ref；步骤4.将参考人脸模型Ref与形变后的库集人脸Gwarp进行ICP匹配，Ref的每一点在Gwarp上寻找对应的匹配点，记录下匹配点在Gwarp中的序号，并将匹配点集记为Gdwarp，相当于是形变且稀释过的；Gdwarp点的数目和Ref相同，且所有的点一一对应；遍历Gpca中的点，若当前点的序号出现在所记录的序号中，则取出该点，取出的点的集合记为Gdpca；步骤5.测试人脸Q进入时，采取步骤1，2，4所示的相同处理方法首先得到Qpca，并求出13个标志点；根据这些标志点与平均标志点的对应，建立它们之间的薄板样条函数映射关系，求出形变系数；然后将形变映射应用于整张Qpca，得到形变后的Qwarp；然后将Ref与Qwarp进行ICP匹配，得到Qwarp上的匹配点，记为测试人脸的Qdwarp；最后在Qpca中找到与Qdwarp对应的Qdpca；步骤6.所有库集人脸的Gdpca和测试人脸Qdpca分别与参考人脸Ref之间建立了点一一对应的关系，因此Gdpca与Qdpca之间也是一一对应的关系；计算Qdpca与每个Gdpca之间对应点的距离之和，并作为相似度，取与Qdpca距离最小的Gdpca对应的库集人脸作为识别结果。
2. 根据权利要求1所述的基于密集点对应的快速三维人脸识别方法，其特 征是步骤1的13个标志点是鼻尖点、内眼角点、嘴角点、侧面轮廓线上的鼻 根点和鼻下点、侧面轮廓线的上下端点、过鼻根点的水平轮廓线的左右端点、过鼻尖点的水平轮廓线的左右端点；这些标志点按下述方法得到把人脸模型 变换到主轴坐标系后，取Z坐标最大点作为鼻尖点；内眼角点和嘴角点处比较 凹，即曲率较大，通过描述曲率信息的Shape Index值可求出这四个点；侧面轮廓线是三维人脸模型与人脸主轴坐标系的yoz平面的交线，鼻根点近似认为是侧面轮廓线上y坐标大于鼻尖点的_y坐标、且距鼻尖点欧式距离为50mm的点； 从鼻尖点开始沿侧面轮廓线向下逐点搜索，计算当前点z坐标与鼻尖点z坐标 的欧式距离，该距离开始会一直增大，取该距离第一次减小的前一个点作为鼻 下点；分别过鼻尖点和鼻根点作平行于人脸主轴坐标系的义OZ面的平面，它们 与三维人脸模型相交得到两条水平轮廓线,分别求出这两条轮廓线的左右端点。
3.根据权利要求1所述的基于密集点对应的快速三维人脸识别方法，其特 征是步骤2和步骤5利用薄板样条函数进行形变的方法如下取一个库集人脸模型的qpc"，有"个标志点，"=13，记为^， y-i，2…，"；平均标志点分别记为V,. ， i-l,2…,"；其中％ ，设Wi经过薄板样条函数映射后变为Vi，即F(",)-Vj， F为薄板样条函数 =AT(w》w +尸'a ， ！'-1,2…，m，"11 "12 "13 ^21 ^22 fl23 "31 "32 "33上述方程组的最小二乘解可以通过求方程中《，尸，r的定义如下所示<formula>formula see original document page 3</formula>的解获得；其求出w，"后，对待形变人脸(库集人脸或测试人脸)的每一个点^进行形变，《冲《 ^ &〗s,' = F(^ ) = ).w + ，步骤2中形变后得到的人脸模型记为，步骤5中形变后 得到的人脸模型记为gM/a^ 。
全文摘要
一种基于密集点对应的快速三维人脸识别方法步骤如下(1)对库集三维人脸模型进行预处理，并求出平均标志点。(2)利用薄板样条函数使所有库集人脸向平均标志点形变。(3)选取一张形变后的库集人脸并稀释得到参考人脸模型。(4)将形变后的库集人脸与参考人脸匹配得到形变且稀释的模型，然后在未形变的库集人脸中找对应序号的点，得到未形变且稀释的模型作为最终的库集人脸模型。(5)测试人脸模型进入时，对其进行与库集人脸同样的处理，得到未形变且稀释的测试人脸作为最终的测试人脸模型。(6)以测试人脸与每个库集人脸之间的点集距离作为相似度，在最终的库集人脸模型中选取与最终测试人脸模型点集距离最近的模型作为识别结果。
文档编号G06K9/00GK101650777SQ20091003518
公开日2010年2月17日 申请日期2009年9月7日 优先权日2009年9月7日
发明者张永泽, 李晓莉, 达飞鹏 申请人:东南大学