[发明专利]一种低质量三维人脸识别方法、系统、设备和存储介质

权利要求书

1.一种低质量三维人脸识别方法，其特征在于，

将采集的低质量三维人脸投影，得到三维人脸法向量图像；

利用优化后的卷积神经网络将三维人脸法向量图像映射到高斯分布，通过连续归一化流将高斯分布的均值变换到形式自由分布中的样本，将形式自由分布中的样本作为低质量三维人脸对应的干净特征，识别身份类别。

2.根据权利要求1所述的一种低质量三维人脸识别方法，其特征在于，优化后的卷积神经网络通过以下过程得到：

采集低质量三维人脸数据集，预处理后得到预处理后的训练集；

将预处理后的训练集中的低质量三维人脸点云投影，得到三维人脸法向量图像；

利用卷积神经网络将三维人脸法向量图像映射到高斯分布，输出高斯分布的均值和标准差，从高斯分布中通过重参数化方式采样，得到符合高斯分布的样本；

通过连续归一化流将符合高斯分布的样本变换，得到形式自由分布样本；

将形式自由分布样本作为输入的低质量人脸的特征，根据形式自由分布样本预测这个低质量三维人脸对应的身份类别，根据预测的身份类别和真实的类别计算损失函数，根据损失函数通过梯度反向传播优化卷积神经网络的参数，得到优化后的卷积神经网络。

3.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，预处理的具体过程为：对低质量三维人脸检测出鼻尖点，以鼻尖点为中心切割，去除人脸以外的部分，得到预处理后的训练集。

4.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，符合高斯分布的样本z通过下式得到：

z＝u+∈·σ,∈～N(0,I)

其中，μ表示高斯分布的均值，σ表示高斯分布的标准差，∈表示一个随机种子，N(0,I)表示标准高斯分布，I表示单位矩阵。

5.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，形式自由分布样本z′通过下式得到：

其中，z(t₀)为初值，z(t₀)＝z，z(t)为t时刻的特征，t₀为初始时刻，t₁为终止时刻，t为当前时刻，h为连续映射。

6.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，损失函数为交叉熵损失函数。

7.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，损失函数通过以下过程计算得到：

其中，L是损失函数，K是总的身份类别数量，y_i是真实的类别标签，若类别是i则y_i＝1，否则y_i＝0，p_i是深度卷积神经网络的预测结果。

8.一种低质量三维人脸识别系统，其特征在于，包括：

投影模块，用于将采集的低质量三维人脸投影，得到三维人脸法向量图像；

识别模块，用于利用优化后的卷积神经网络将三维人脸法向量图像映射到高斯分布，通过连续归一化流将高斯分布的均值变换到形式自由分布中的样本，将形式自由分布中的样本作为低质量三维人脸对应的干净特征，识别身份类别。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器上存储有能在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-7中任意一项所述的低质量三维人脸识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行权利要求1-7中任意一项所述的低质量三维人脸识别方法。