[发明专利]一种特征提取方法、装置、机器可读介质及设备

说明书

本发明提出一种特征提取方法，包括：获取待处理图像的原始点云数据；利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，构建出由多点云层逐层叠加的拓扑结构；基于第一点云深度学习网络与所述拓扑结构对所述原始点云数据进行特征提取，得到目标特征。本发明通过对原始点云的处理，得到一个由多层点云叠加构成的拓扑结构，其拓扑结构的计算和存储复杂度为O(n)，避免了巨大的存储空间占用和计算量需求，同时，由于直接处理点云数据从而保持3维数据的完整和不变性，完全发挥了3维数据的优势，使得基于该方法的3D生物识别技术在计算效率和精度上都取得了很好的效果。

技术领域

本发明涉及特征处理领域，具体涉及一种特征提取方法、装置、机器可读介质及设备。

背景技术

随着人工智能潮流的兴起，基于二维图像的2D人脸识别技术迅速发展成熟，并得到了大规模应用。但是二维人脸图像在很多情况(例如不均匀光照、光照不足、人脸角度较大、化妆)下图像纹理变化巨大，从而导致准确率大大降低。而三维信息则不会受到纹理变化的干扰，若基于三维信息进行人脸识别则可以很好地解决前述问题。此外使用3维信息的人脸识别系统，也不会被二维图像、视频欺骗攻击，这也是目前2D人脸识别技术的一大隐患。

然而目前真正基于3维信息的3D人脸识别技术距离大量落地还有一定距离。目前的三维人脸识别技术依据对人脸特征的提取方式主要有以下几种：

(1)基于人工特征的方法：通过信息采集和预处理，将人脸数据处理成三维点云或三角网格；对处理好的三维人脸数据，通过人类专家设计的方法提取人工特征，例如计算三维点云的曲率，法线，设计SIFT,MMH等特征，再根据提取好的特征进行匹配，从而分辨不同的人脸数据是否属于同一人。这类算法的缺点是，人工特征主要基于三维模型，当人脸表情变化较大时三维模型变化也较大，故对于人脸表情较为敏感。而一些全局的人工特征例如计算三维形变模型参数的方法能解决表情变化问题，但需要很大的额外计算量。同时，与2维人脸识别领域类似的，人工特征在大规模三维人脸测试集上表现不是很好。

(2)基于深度学习的方法：由于深度学习在二维人脸识别上的成功，学术界也把目光放在使用深度学习的方法来进行三维人脸识别的研究。而基于深度学习的做法也面临着巨大的挑战因而导致目前尚未有大规模应用。因为基于深度学习的方法主要依赖卷积神经网络逐层叠加，不断对低级特征抽象，从而自动学成高级的人脸特征。目前对3维数据使用神经网络主要有一下几类方向：

a)模仿2维数据的处理方式，将3维数据表示成3维空间网格信息，将2维卷积拓展成3维卷积，利用3维卷积模块搭建深度学习网络并处理3维信息，但是增加一个维度后，对数据空间占用以及计算消耗都带来指数级的增长，复杂度为O(n³)，使得有限的资源可处理的数据精度大大降低，计算耗时大大增强，目前难以用于工程实际。

b)另一个思路是将结构光、TOF等相机拍摄的深度图片直接交给传统的2维神经网络处理，但是这样做却丢失了很多重要的3维信息：首先2维深度图只是一个视角的观察数据，与2维人脸识别情况一样，大量不可见的3维面部信息被丢失；其次，直接使用深度图信息，与2维人脸识别情况一样，引入了相机成像带来的畸变，丧失了3维数据的空间不变性，不能发挥3维数据的优势。

c)设计点云处理网络如典型的点云处理网络PointNet系列(点云网络)、以及DGCNN(动态图卷积网络)。但是这些网络需要实时地计算点云内部点与点之间的距离，从而建立点云内部的拓扑结构关系，使得神经网络能在这种拓扑结构上逐层抽取特征。但是这种距离计算十分耗费内存和cpu，复杂度较高。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种特征提取方法、装置、机器可读介质及设备，用于解决现有技术存在的问题。

为实现上述目的及其他相关目的，本发明提供一种特征提取方法，包括：

获取待处理图像的原始点云数据；