一種基于區(qū)域化隱函數(shù)特征的三維人臉識別方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及三維人臉識別應(yīng)用領(lǐng)域，具體地，涉及一種基于區(qū)域化隱函數(shù)特征的 三維人臉識別方法及系統(tǒng)。
【背景技術(shù)】
[0002] 三維人臉識別已經(jīng)成為身份認證技術(shù)中最自然、最直接的手段，成為當(dāng)今圖像識 別技術(shù)的熱門課題，而基于三維人臉建模的識別技術(shù)是一種最具有直觀意義的三維人臉識 別方法，在動畫制作、醫(yī)學(xué)美容、圖像編碼等領(lǐng)域都有著廣泛的應(yīng)用。
[0003] 通過三維人臉點云數(shù)據(jù)進行人臉識別時，首先需要利用重建算法形成結(jié)構(gòu)化的便 于提取特征的處理對象，其次再進行三維人臉識別。
[0004] 目前的點云重建算法大致可分為兩類：組合算法和隱函數(shù)算法。其中，基于隱函數(shù) 的重建方法包括符號函數(shù)和泊松重建方法等，該方法已經(jīng)成為解決動態(tài)范圍圖像、流體力 學(xué)、網(wǎng)格編輯、GPU計算等問題的經(jīng)典方法。
[0005] 三維人臉識別的方法分為空域匹配、局部特征匹配、整體特征匹配、多模態(tài)融合 等。傳統(tǒng)的整體與局部結(jié)合的算法是將人臉區(qū)域劃分為多個子區(qū)域進行特征提取，然后再 對整個人臉加權(quán)融合，而一些新的方法雖然統(tǒng)一了這兩個過程，但是其人臉子區(qū)域的分割 依賴于手工的姿勢矯正。
[0006] 本發(fā)明立足于結(jié)合三維人臉在重建與識別中的共通性，提出了一種區(qū)域化隱函數(shù) 特征（RIFF)算法框架，并改進了三維人臉識別中傳統(tǒng)的整體與局部匹配的結(jié)合。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是提供一種基于區(qū)域化隱函數(shù)特征的三維人臉識別方法及系統(tǒng)，用 于提高三維人臉重建和識別的性能。
[0008] 為了實現(xiàn)上述目的，本發(fā)明提供一種基于區(qū)域化隱函數(shù)特征的三維人臉識別方 法，包括：
[0009] 采集三維人臉點云數(shù)據(jù)；
[0010] 選取基函數(shù)空間，并根據(jù)采集的三維人臉點云數(shù)據(jù)，在該基函數(shù)空間內(nèi)計算不同 人臉區(qū)域的隱函數(shù)和控制矩陣，再組合獲得整個人臉的控制矩陣；
[0011] 根據(jù)不同人臉區(qū)域的隱函數(shù)，提取等值面，完成人臉表面重建；
[0012] 將整個人臉的控制矩陣轉(zhuǎn)換為拉普拉斯矩陣，并作為三維人臉識別的特征描述 子。
[0013] 優(yōu)選地，所述采集三維人臉點云數(shù)據(jù)具體包括：采用kinect或cyberware作為點 云數(shù)據(jù)的采集設(shè)備，并對采集的點云數(shù)據(jù)進行預(yù)處理。
[0014] 優(yōu)選地，采用高斯曲率差分圖將人臉粗略分割為不同人臉區(qū)域，再通過器官模板 匹配的方法進行各人臉區(qū)域的精細分割，再計算不同人臉區(qū)域的隱函數(shù)和控制矩陣。
[0015] 優(yōu)選地，采用高斯曲率差分圖將人臉粗略分割為五個人臉區(qū)域。
[0016] 優(yōu)選地，所述五個人臉區(qū)域分別為眼睛、嘴巴、鼻子、臉頰平滑部分和臉頰邊界。
[0017] 優(yōu)選地，所述在基函數(shù)空間內(nèi)計算不同人臉區(qū)域的隱函數(shù)和控制矩陣具體包括： 在基函數(shù)空間內(nèi)定義三維人臉點云數(shù)據(jù)的抽樣點向量區(qū)域，并結(jié)合各抽樣點向量區(qū)域中隱 函數(shù)的定義，將隱函數(shù)轉(zhuǎn)換化泊松方程進行求解，且通過該泊松方程計算出控制矩陣。
[0018] 優(yōu)選地，所述組合獲得整個人臉的控制矩陣具體包括：獲得不同人臉區(qū)域的控制 矩陣的分布，在保證邊界處控制矩陣的控制點不為零值的前提下，通過對各控制矩陣進行 降階和旋轉(zhuǎn)獲得整個人臉的控制矩陣。
[0019] 優(yōu)選地，還包括：對拉普拉斯矩陣進行維數(shù)約減，以維數(shù)約減后的拉普拉斯矩陣作 為三維人臉識別的特征描述子。
[0020] 優(yōu)選地，還包括：根據(jù)維數(shù)約減后的拉普拉斯矩陣，計算出三維人臉數(shù)據(jù)的低維特 征圖，用于三維人臉分類。
[0021] 本發(fā)明的技術(shù)方案還包括一種基于區(qū)域化隱函數(shù)特征的三維人臉識別系統(tǒng)，包 括：
[0022] 采集模塊，其用于采集三維人臉點云數(shù)據(jù)；
[0023] 人臉重建模塊，其用于選取基函數(shù)空間，并根據(jù)采集的三維人臉點云數(shù)據(jù)，在該基 函數(shù)空間內(nèi)計算不同人臉區(qū)域的隱函數(shù)和控制矩陣，再組合獲得整個人臉的控制矩陣，并 根據(jù)不同人臉區(qū)域的隱函數(shù)，提取等值面，完成人臉表面重建；
[0024] 人臉識別模塊，其用于將整個人臉的控制矩陣轉(zhuǎn)換為拉普拉斯矩陣，并作為三維 人臉識別的特征描述子。
[0025] 優(yōu)選地，所述人臉重建模塊包括人臉區(qū)域分解模塊和人臉區(qū)域融合模塊；
[0026] 所述人臉區(qū)域分解模塊用于通過高斯曲率差分圖將人臉粗略分割為不同人臉區(qū) 域，再通過器官模板匹配的方法進行各人臉區(qū)域的精細分割，再計算不同人臉區(qū)域的隱函 數(shù)和控制矩陣；
[0027] 所述人臉區(qū)域融合模塊，用于獲得不同人臉區(qū)域的控制矩陣的分布，在保證邊界 處控制矩陣的控制點不為零值的前提下，通過對各控制矩陣進行降階和旋轉(zhuǎn)獲得整個人臉 的控制矩陣。
[0028] 優(yōu)選地，所述人臉區(qū)域分解模塊采用高斯曲率差分圖將人臉粗略分割為五個人臉 區(qū)域，分別為眼睛、嘴巴、鼻子、臉頰平滑部分和臉頰邊界。
[0029] 優(yōu)選地，所述人臉重建模塊中在基函數(shù)空間內(nèi)計算不同人臉區(qū)域的隱函數(shù)和控制 矩陣具體包括：在基函數(shù)空間內(nèi)定義三維人臉點云數(shù)據(jù)的抽樣點向量區(qū)域，并結(jié)合各抽樣 點向量區(qū)域中隱函數(shù)的定義，將隱函數(shù)轉(zhuǎn)換化泊松方程進行求解，且通過該泊松方程計算 出控制矩陣。
[0030] 優(yōu)選地，所述三維人臉識別模塊還用于對拉普拉斯矩陣進行維數(shù)約減，以維數(shù)約 減后的拉普拉斯矩陣作為三維人臉識別的特征描述子，并根據(jù)維數(shù)約減后的拉普拉斯矩 陣，計算出三維人臉數(shù)據(jù)的低維特征圖，用于三維人臉分類。
[0031] 通過上述技術(shù)方案，本發(fā)明的有益效果是：本發(fā)明論文提出的基于區(qū)域化隱函數(shù) 特征的三維人臉識別方法及系統(tǒng)，采用隱函數(shù)表示三維人臉表面，利用泊松方程求解隱函 數(shù)，將計算出的控制矩陣作為三維人臉的特征子完成了人臉識別的功能，提高了人臉重建 的有效性和人臉識別的準(zhǔn)確率。通過將人臉分割為分辨率不同的區(qū)域，在保證人臉曲面表 示精確度的前提下最大化地降低了重建所需要的時間開銷，同時在人臉識別中也體現(xiàn)了不 同部位對識別效果的影響度。
【附圖說明】
[0032] 圖1是實施例一中基于區(qū)域化隱函數(shù)特征的三維人臉識別方法的流程示意圖；
[0033] 圖2是人臉控制矩陣分布示意圖；
[0034] 圖3是控制矩陣降階示意圖；
[0035]圖4是旋轉(zhuǎn)45度后控制矩陣包含的人臉結(jié)構(gòu)關(guān)系示意圖；
[0036] 圖5是實施例二中基于區(qū)域化隱函數(shù)特征的三維人臉識別系統(tǒng)的結(jié)構(gòu)示意圖。
【具體實施方式】
[0037] 以下結(jié)合附圖對本發(fā)明的【具體實施方式】進行詳細說明。應(yīng)當(dāng)理解的是，此處所描 述的【具體實施方式】僅用于說明和