[发明专利]一种基于密集点对应的快速三维人脸识别方法

说明书

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。

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XOZ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：