[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

说明书

一种低质量三维人脸识别方法、系统、设备和存储介质，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。本发明在三维人脸识别任务中将低质量三维人脸通过深度卷积神经网络映射到特征分布，有利于刻画低质量三维人脸数据的噪声带来的不确定性，并实现在特征空间去噪。本发明采用形式自由的分布代替固定形式的分布，更准确地近似低质量三维人脸真实的后验分布。

技术领域

本发明属于三维人脸识别技术领域，具体涉及一种低质量三维人脸识别方法、系统、设备和存储介质。

背景技术

由于具备几何信息的优越性，三维人脸识别技术取得了巨大的成功。现有的方法主要是面对高质量的三维人脸数据提出的，然而在实际情况下采用高质量三维人脸进行识别是不现实的做法，相比之下，低质量的三维人脸识别更符合实际的场景。低质量的数据与生俱来噪声很大，因此，探索对噪声鲁棒的低质量三维人脸识别成为一个迫切而富有挑战性的问题。

目前对于低质量三维人脸识别的研究很少。一些传统的方法如ICP，PCA被用于低质量三维人脸识别，由于这些传统方法能力有限，难以应对带有大量噪声的低质量样本。现有的基于深度学习的低质量三维人脸识别方法采用RGB-D图像或法向量训练卷积神经网络用于识别，多采用数据增强的方式增加数据多样性，但人工进行数据增强的方式有限，而低质量三维人脸数据不确定性高，旋转、加噪声等数据增强方式难以覆盖到低质量三维人脸数据的各种情况。因此，低质量三维人脸识别仍存在较大的提升空间。

发明内容

本发明的目的是提供一种简单且有效的一种低质量三维人脸识别方法、系统、设备和存储介质。

为实现上述目的，本发明采用的技术方案如下：

一种低质量三维人脸识别方法，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。

本发明进一步的改进在于，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。

本发明进一步的改进在于，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。

本发明进一步的改进在于，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。

本发明进一步的改进在于，形式自由分布样本z′通过下式得到：