的越分散，则重采样效果越好。
[0023] 优选的，点云密度可在3000-10000之间指定。
[0024] 第二部分，精度重采样。对异质三维人脸数据的深度值（即Z坐标，通常将人脸 的左右、上下规定为X、Y坐标，而人脸的前后规定为Z坐标）分别进行再量化，量化后深 度值按指定的量化间隔dz(如1毫米）取值。经精度重采样后，三维人脸数据的深度值为 (kXdz)，其中k为正整数。
[0025] 优选的，量化间隔dz的取值范围为0. 5-1. 5毫米。
[0026] S002 :三维人脸几何特征提取： 提取三维人脸姿态及表情鲁棒的几何特征，比如特征点邻域内曲面的曲率、自旋图像(SpinImages)或深度图（RangeImages)等，构成几何特征向量Fg〇
[0027] S003 :三维人脸纹理特征提取 提取三维人脸姿态及表情鲁棒的纹理特征，比如在人脸特征点周围选取邻域块，然后 对该区域内的点根据其纹理值计算纹理特征（如局部二值模式LBP、尺度不变特征SIFT或 Gabor特征等），得到纹理特征向量FT。
[0028] S004 :三维人脸几何特征比对 根据提取的三维人脸几何特征，计算第一三维人脸和第二三维人脸之间的相似 度。假设第一三维人脸和第二三维人脸的几何特征分别为$和^^2,利用通过监督学习， 如线性判别分析（LinearDiscriminantAnalysis)、和线性判别分析（KernelLinear DiscriminantAnalysis)或有监督局部保持映身寸（SupervisedLocalityPreserving Projections)等，得到的特征变换矩阵Te将它们变换到新的特征空间，然后再利用合 适的距离测度和分类器计算它们之间的相似度（相似度越高表示两越有可能属于同一
，其中I通过利用测度学习方法，如相关 成分分析（Relevant Components Analysis)、邻域成分分析（Neighborhood Component Analysis)或大边界近邻分类器（Large Margin Nearest Neighbor Classifier)等，学习 得到。
[0029] S005 :三维人脸纹理特征比对 根据提取的三维人脸纹理特征，计算第一三维人脸和第二三维人脸之间的相 似度。假设第一三维人脸和第二三维人脸的纹理特征分别为衫和if，利用通过监 督学习得到的特征变换矩阵Ττ将它们变换到新的特征空间，然后再利用合适的距 离测度和分类器计算它们之间的相似度（相似度越高表示两越有可能属于同一个
，其中仏通过利用测度学习方法学习得到。。
[0030] S006 :三维人脸比对结果融合 根据几何特征和纹理特征的比对结果，将两者进行融合。具体实施时，可以采 用相似度融合或者决策融合【A. Ross, K. Nandakumar, and A. K. Jain. Handbook of Multibiometrics· Springer, 2006】，得到最终的比对识别结果。
[0031] 本发明跟现有技术相比，有如下优点：
[0032] 通过对三维人脸数据的密度和精度的重采样提高异质三维人脸数据之间的可比 性。
[0033] 具有更广的应用范围，能有效利用不同三维测量设备采集的三维人脸数据。
[0034] 上面结合附图对本发明的【具体实施方式】进行了详细说明，但本发明并不限制于上 述实施方式，在不脱离本申请的权利要求的精神和范围情况下，本领域的技术人员可以作 出各种修改或改型。
【主权项】
1. 一种异质Ξ维人脸识别方法，其特征在于，包括： 步骤一、对第一Ξ维人脸采集设备采集到的第一Ξ维人脸数据进行重采样，提取所述 第一Ξ维人脸数据的第一几何特征和第一纹理特征； 步骤二、对第二Ξ维人脸采集设备采集到的第二Ξ维人脸数据进行重采样，提取所述 第二Ξ维人脸数据的第二几何特征和第二纹理特征；其中，所述步骤一和步骤二不分先后 顺序； 步骤Ξ、对所述第一几何特征和第二几何特征进行几何特征比对，对所述第一纹理特 征和第二纹理特征进行纹理特征比对； 步骤四、根据所述几何特征比对结果和所述纹理特征比对结果，将两者融合得到最终 的比对识别结果。2. 根据权利要求1所述的异质Ξ维人脸识别方法，其特征在于，步骤一和步骤二中对 Ξ维人脸数据进行重采样包括密度重采样的步骤，具体为： 将Ξ维人脸数据Ξ角网格化； 选取Ξ维人脸中至少3个特征点为参照点，通过相似变换将Ξ维人脸数据进行对齐； 按照预设的点云密度进行重采样。3. 根据权利要求1所述的异质Ξ维人脸识别方法，其特征在于，步骤一和步骤二中对 Ξ维人脸数据进行重采样包括精度重采样的步骤，具体为： 对Ξ维人脸数据的深度值进行再量化，将量化后的深度值按照指定量化间隔 4取值。4. 根据权利要求1所述的异质Ξ维人脸识别方法，其特征在于，所述第一几何特征、第 二几何特征为Ξ维人脸姿态及表情鲁棒几何特征。5. 根据权利要求1所述的异质Ξ维人脸识别方法，其特征在于，所述第一纹理特征、第 二纹理特征为Ξ维人脸姿态及表情鲁棒纹理特征。6. 根据权利要求1所述的异质Ξ维人脸识别方法，其特征在于，步骤Ξ具体为： 根据提取的Ξ维人脸几何特征，计算输入Ξ维人脸和注册Ξ维人脸之间的相似度； 根据提取的Ξ维人脸纹理特征，计算输入Ξ维人脸和注册Ξ维人脸之间的相似度。7. 根据权利要求1所述的异质Ξ维人脸识别方法，其特征在于，所述步骤四中采用相 似度融合或者决策融合方式，将所述几何特征比对结果和所述纹理特征比对结果融合得到 最终的比对识别结果。
【专利摘要】本发明公开了一种异质三维人脸识别方法，包括：对第一三维人脸采集设备采集到的第一三维人脸数据进行重采样，提取所述第一三维人脸数据的第一几何特征和第一纹理特征；对第二三维人脸采集设备采集到的第二三维人脸数据进行重采样，提取所述第二三维人脸数据的第二几何特征和第二纹理特征；其中，所述步骤一和步骤二不分先后顺序；对所述第一几何特征和第二几何特征进行几何特征比对，对所述第一纹理特征和第二纹理特征进行纹理特征比对；根据所述几何特征比对结果和所述纹理特征比对结果，将两者融合得到最终的比对识别结果。
【IPC分类】G06K9/00
【公开号】CN105404883
【申请号】CN201511025575
【发明人】赵启军, 陈虎
【申请人】四川川大智胜软件股份有限公司
【公开日】2016年3月16日
【申请日】2015年12月30日