[发明专利]一种基于三维优化子曲面的人脸识别方法及系统在审
申请号: | 201910749911.7 | 申请日: | 2019-08-14 |
公开(公告)号: | CN110580451A | 公开(公告)日: | 2019-12-17 |
发明(设计)人: | 王跃明;王海滨 | 申请(专利权)人: | 青岛根尖智能科技有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/40;G06K9/62 |
代理公司: | 37221 济南圣达知识产权代理有限公司 | 代理人: | 李琳 |
地址: | 266300 山东省青岛市胶州*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 差值图 人脸 三维 特征选择 深度图 最优化 分类器模型 标准姿态 人脸识别 预存储 人脸识别结果 三维人脸数据 差值计算 曲面特征 外界环境 外界因素 系统性能 分类器 采样 二维 加权 投影 光照 表情 采集 转化 优化 | ||
1.一种基于三维优化子曲面的人脸识别方法,其特征在于,步骤如下:
采集三维人脸数据,将三维人脸转化为标准姿态;
将标准姿态的三维人脸投影后采样得到当前人脸的二维深度图,与预存储的深度图进行差值计算,得到两张互反的差值图;
根据得到的差值图进行特征选择与最优化分类器的训练,得到基于差值图的不同子曲面的特征选择与最优化分类器模型;
对于输入的每张三维人脸计算差值图,根据计算得到的差值图和特征选择与最优化分类器模型,计算子曲面特征加权得分,找到得分最高的预存储深度图,得到人脸识别结果。
2.如权利要求1所述的基于三维优化子曲面的人脸识别方法,其特征在于,将三维人脸转化为标准姿态,进行三维人脸的自对齐,具体为:利用人脸的自对称性找到人脸中轴面、鼻尖点和鼻梁,进而自动将三维人脸矫正到标准姿态。
3.如权利要求2所述的基于三维优化子曲面的人脸识别方法,其特征在于,三维人脸的自对齐,具体为:
(3-1)进行三维人脸的分割,根据二维人脸检测结果,从三维人脸中分割出人脸所在区域;
(3-2)进行三维人脸的中轴定位,所述中轴用于将人脸分割成左右相等区域的三维轮廓,利用人脸的左右自对称性,找到人脸中轴所在平面,中轴为该平面与三维人脸的交集;
(3-3)进行三维人脸鼻尖定位,在中轴中找到人脸的鼻尖所在点,鼻尖所在点为距离中轴基线最远,且位于中轴基线最上方的点,所述中轴基线为中轴两端点的连线;
(3-4)进行三维人脸鼻梁定位,在鼻尖点附近找到鼻梁所在方向,鼻梁所在方向由鼻尖点附近靠近眉心侧的点确定;
(3-5)进行三维人脸对齐,根据步骤(3-3)和步骤(3-4)的结果,确定3D人脸姿态,将三维人脸矫正到标准的位置。
4.如权利要求1所述的基于三维优化子曲面的人脸识别方法,其特征在于,所述差值图的获取,具体为:在鼻尖点周围一定区域内进行采样,将规则化的三维人脸投影到二维平面,形成一张标准的深度图,并与库中预先存储的深度图进行差值计算,得到两张互反的差值图;
或,根据得到的差值图进行特征选择与最优化分类器的训练,具体为:
(5-1)计算单人脸类内差值图与不同人脸类间差值图,作为训练使用的数据集,其中类内差值图数量较少,全部使用,类间差值图根据样本的权重和分类器表现进行替换;
(5-2)初始情况下所有数据的权重相同,根据样本权重选择表现最好的特征进行训练;
(5-3)根据所有分类器的加权预测结果更新样本权重,若分类器预测表现为全部正确,则替换部分权重较小的类间样本;
(5-4)重复步骤(5-2)和步骤(5-3),直至达到指定的特征数目,得到对应的分类器模型和相应的权重。
5.如权利要求4所述的基于三维优化子曲面的人脸识别方法,其特征在于,采用Haar特征作为分类器分类差值图时使用的特征,针对每个Haar特征,计算深度图的积分图子区域加权和,根据加权和划分成不同的子区间,子区间对应的输出根据落在该子区间内的训练样本权重计算,每个Haar特征作为一个子分类器,根据其表现赋予权重,并更新样本权重,替换部分类间样本,在实际测试时,根据加权和进行查表。
6.如权利要求1所述的基于三维优化子曲面的人脸识别方法,其特征在于,根据计算得到的差值图和特征选择与最优化分类器模型,计算子曲面特征加权得分,具体计算方式为:
其中Ii表示库中的深度图,Ip表示需要识别的三维人脸经处理得到的深度图,HT表示训练得到的分类器,Si表示当前库中样本的最终得分,得分最高的为识别结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于青岛根尖智能科技有限公司,未经青岛根尖智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910749911.7/1.html,转载请声明来源钻瓜专利网。