[发明专利]基于稀疏特征的三维人脸识别方法

说明书

本发明提供一种基于稀疏特征的三维人脸识别方法，包括步骤：S1、获取三维人脸信息，对该三维人脸信息进行预处理；S2、将三维人脸信息通过稀疏表示和字典学习后提取具有分类信息的稀疏特征；S3、使用分类器对提取到的稀疏特征进行类别预测，获取最终分类结果。在上述基于稀疏特征的三维人脸识别方法中，使用结合稀疏表示和字典学习的K‑SVD算法对三维人脸模型进行特征提取，减少了数据维度和计算成本。算法简单且易于实现，具有较高的识别率和较强的鲁棒性。

技术领域

本发明涉及人脸识别领域，尤其涉及基于稀疏特征的三维人脸识别方法。

背景技术

近年来，随着三维数据获取技术的发展，三维人脸识别成为计算机图形学和计算机视觉的研究热点。相比于二维人脸图像识别，三维人脸识别融入了表面形状等几何信息，不容易受到光照、表情、姿态等变化的影响，提高了识别的准确率，具有更加广阔的市场前景。

在三维人脸识别中，人脸面部信息比较繁杂，如何提取三维人脸低维有效的特征信息，是提高识别准确率的关键所在，国内外学者在这方面做了很多重要工作，相继提出了PCA、测地线等人脸特征提取方法，但存在着时间开销大等缺点。因此，提供一种能够有效的提高三维人脸识别效率的方法，成为目前亟待解决的问题。

发明内容

本发明的技术方案是：基于稀疏特征的三维人脸识别方法，所述方法包括步骤：

S1、获取三维人脸信息，对所述三维人脸信息进行预处理；

S2、将所述三维人脸信息通过稀疏表示和字典学习后提取具有分类信息的稀疏特征；

S3、使用分类器对提取到的所述稀疏特征进行类别预测，获取最终分类结果。

较佳的，在步骤S2中，字典学习表述为如下最优化问题：

其中，α表示稀疏系数矩阵，且α∈RK*N，Y∈RM*N作为字典学习的样本集，E为字典且E∈RM*K，α中的任意一列αi∈RK，表示对应Y中的第i个样本在字典E上的稀疏系数，其中i＝1,2,...,N，R为实数域，M为采集到的三维人脸样本总数*3，N为作为三维人脸样本的人脸图片数量，K表示基向量个数，T0代表稀疏度，即稀疏系数αi中非零元素的上限。

较佳的，利用K-SVD算法求解上述最优化问题。

较佳的，利用K-VSD算法求解上述最优化问题时，每一次迭代分为两个步骤：稀疏编码、字典基向量及稀疏系数的交替更新。

较佳的，步骤S1中的预处理过程包括自动去噪和切割处理，以及对每个人脸三维信息进行坐标系归一化处理。

较佳的，在步骤S3中，使用交叉验证方法和分离器进行分类。

较佳的，所述分类器使用的分类方法为线性核支持向量机或二次核支持向量机或随机子空间集成分类方法。

上述技术方案具有如下优点或有益效果：在上述基于稀疏特征的三维人脸识别方法中，使用结合稀疏表示和字典学习的K-SVD算法对三维人脸模型进行特征提取，减少了数据维度和计算成本。算法简单且易于实现，具有较高的识别率和较强的鲁棒性。

附图说明