一种基于稀疏表示与多特征点的三维人脸识别方法

摘要

本发明公开了一种基于稀疏表示与多特征点的三维人脸识别方法，步骤(一)在尺度空间中提取三维人脸扫描数据中的特征点并对其进行描述；步骤(二)根据步骤(一)中确定的待测人脸的三维数据特征构建三维人脸数据库；步骤(三)运用步骤(一)提取得到待测人脸的特征描述算子集合，在步骤(二)中所确定的三维人脸数据库比较以确定待测人脸身份的方法。其选取固定列数的特征描述算子构建子字典，并进行稀疏滤波，从而提高识别效率与精确度，可用于对身份识别有严格要求的场合。解决了三维人脸扫描数据中存在的人脸部分缺失、表情变化大、面部被遮挡等问题。

主权项

一种基于稀疏表示与多特征点的三维人脸识别方法，其特征在于：(一)确定待测人脸的三维数据特征：(1)定义人脸网状结构M包含顶点数据{V}与边缘数据{E}，V为各顶点在三维空间中的具体坐标，E为包含所有两两相连的顶点对，对人脸网状结构M构建平滑尺度空间：在建立k个尺度空间的过程中，选取k个不同大小的σ值，对顶点数据{V}进行平滑操作，得到k组顶点数据集，所述k个不同大小的σ值通过得到，其中，表示所选取的第s个σ的估计值，σ₀表示用于创建k个尺度空间的基准值，表示边缘数据的平均值；(2)提取特征点：(2‑1)分别计算输入的k组顶点数据集中各顶点的平均曲率其中，与分别代表该第i个顶点在平滑尺度s中的最大和最小曲率；(2‑2)分别计算输入的人脸网状结构中所有顶点在相邻平滑尺度下的曲率差(2‑3)选取满足顶点在相邻平滑尺度下的曲率差的值同时大于或者同时小于其所有邻居顶点的曲率差的值的顶点为特征点；(3)创建特征点描述算子，用于描述特征点周围的信息：(3‑1)选取每个特征点的邻居顶点，对于每一个特征点P，选取以该点为球心、r为半径的球形区域内的所有顶点为其邻居顶点，并确定该点的正则方向；(3‑2)将所有的邻居顶点的法线投影到过P点的切平面上，同时将投影后的法线向量归纳到含h项的带权重的直方图中；(3‑3)划分若干个子区域，确定每个子区域的形状索引信息直方图与倾斜角信息直方图：将球形区域划分为q个子区域，每个子区域使用两个直方图p_s和p_θ用于构造描述算子，其中，p_s的值通过公式p_s＝2/πtan^‑1((c_i，1+c_i，2)/(c_i，1‑c_i，2))得到，c_i，1与c_i，2分别表示最大、最小曲率，p_θ定义为投影后的法线向量与正则方向间的倾斜角；(3‑4)将所有子区域的两个直方图值连接在一起得到特征点的描述算子f：将q个区域的直方图连接成向量，得到f＝[p_s，1p_θ，1…p_s，qp_θ，q]^T，作为特征点的描述算子；其中，r,h,q根据实际构建特征点的描述算子维度的大小来调整选取；(二)根据步骤(一)中确定的待测人脸的三维数据特征构建三维人脸数据库D：对于每一个对象，建立其对应的特征池S_i＝[F₁，F₂，...，F_j]，F_j为该对象在第j次注册中，采集得到的三维人脸数据根据步骤(2)提取与步骤(3)描述而得到的三维特征描述算子的集合，则三维人脸数据库D中，将所有对象的特征池根据其对应的身份序号依次排序而构成，即D＝[S₁，S₂，...，S_c]，其中C为三维人脸数据库D中注册成功的对象个数；(三)比较待测人脸与数据库中数据信息以确定待测人脸的身份：(I)多特征点稀疏表示：将待识别人脸的特征点的描述算子集F_probe，使用多特征点稀疏表示方法求解方程式F_probe＝DX中与D对应的系数矩阵X，由于D的列数太大，对于每一个f我们通过提取D中与f最相似的前L个特征描述算子构建D的子字典A，矩阵X通过n次并行计算满足f＝Ax来确定；(Ⅱ)稀疏滤波，筛选待测人脸的特征点的描述算子集对应的系数向量：若待检测人脸中的一个特征描述算子f与子字典A中的一个特征描述算子对应的系数x的各个数值分布的非常离散，则此特征描述算子f视为噪音向量，将其排除出进一步的人脸身份识别参考范围；(Ⅲ)误差重构，确定待识别人脸身份：分别计算筛选得到的待测人脸特征描述算子集与子字典中各类的关联程度，选取最大的关联度的对象作为待测人脸的身份，关联度通过计算重构误差而得到，重构误差越小，关联度越高。