[发明专利]基于三维点云的三维人脸识别装置及方法

说明书

技术领域

本发明涉及人脸识别技术领域，尤其是指基于三维点云的三维人脸识别装置及方法。

背景技术

三维人脸识别相对于二维人脸识别，有着其对光照鲁棒、受姿态以及表情等因素影响较小等优点，因此，在三维数据采集技术飞速发展以及三维数据的质量和精度大大提升之后，很多研究者都将研究重点投入到该领域中。

其中，2010年12月29日公开的201010256907.6号中国发明专利申请提出了采用三维弯曲不变量的相关特征用来进行人脸特性描述的方法，该方法通过编码三维人脸表面相邻节点的弯曲不变量的局部特征，提取弯曲不变量相关特征；对所述弯曲不变量的相关特征进行签名并采用谱回归进行降维，获得主成分，并运用Ｋ最近邻分类方法对三维人脸进行识别。但是由于提取变量相关特征时需要复杂的计算量，因此在效率上限制了该方法的进一步应用。

而2011年5月4日公开的200910197378.4号中国发明专利申请则提出了一种全自动三维人脸检测和姿势纠正的方法，该方法通过对人脸三维曲面进行多尺度的矩分析，提出了脸部区域特征来粗糙地检测人脸曲面，及提出鼻尖区域特征来准确地定位鼻尖的位置，然后进一步精确地分割出完整的人脸曲面，根据人脸曲面的距离信息提出鼻根区域特征来检测鼻根的位置后，建立了一个人脸坐标系，并据此自动地进行人脸姿势的纠正应用。该方法目的在于对三维人脸数据的姿态进行估计，属于三维人脸识别系统的数据预处理阶段。

三维人脸识别是三维人脸领域中许多应用的基础性工作，该领域的初始工作大部分是利用三维数据的信息：如曲率、深度等数据对人脸进行描述，但是由于三维数据的采集中有很多数据的噪点，因此曲率等特征数据由于其本身对于噪音的敏感特性，使得其作为三维人脸的特征描述向量在识别结果上精度不高。在将三维数据映射到深度图数据后，很多二维人脸的表象特征开始应用到该领域，如主成分分析（PCA）以及盖博（Gabor）滤波器特征；但是这些特征也有各自的缺点：（1）对于PCA特征，由于其隶属于全局的表象特征，因此对于三维数据的细节纹理描述能力不足；（2）对于盖博滤波器特征，由于三维数据的噪音问题，导致其对于三维人脸数据的描述能力依赖于获取的三维人脸数据的质量。

发明内容

本发明所要解决的技术问题在于，提供一种基于三维点云的三维人脸识别装置，以提升对三维人脸数据的描述和识别能力及精度。

本发明进一步所要解决的技术问题在于，提供一种基于三维点云的三维人脸识别方法，以提升对三维人脸数据的描述和识别能力及精度。

为解决上述技术问题，本发明提供如下技术方案：一种基于三维点云的三维人脸识别装置，其包括：

对于三维点云特征区域进行定位的特征区域检测单元；

将三维点云进行归一化映射到深度图像空间的深度图像映射单元；

用于选择三维人脸数据鲁棒区域的鲁棒选择单元；

存储有不同尺度和方向的盖博滤波器系数的第一存储单元；

利用不同尺度和方向的盖博滤波器系数对三维人脸数据进行不同尺度和方向的响应计算的盖博响应计算单元；

用于储存训练获得的三维人脸数据的视觉词典的第二储存单元；以及

对于每个像素获得的盖博响应向量，与视觉词典进行直方图映射的直方图映射计算单元。

进一步地，所述特征区域检测单元包括：

针对三维点云特征区域的各项特性并提取点云数据的各种特征的特征提取模块；以及

针对特征提取模块提取的特征数据进行数据点的分类计算，以判断其是否属于特征区域的分类器模块，所述分类器模块是支持向量机或阿德布斯特（Adaboost）分类器。

进一步地，所述深度图像映射单元包括：

按照深度信息将原始三维点云映射为深度图像的映射模块；以及

利用滤波器对获取的深度图像的空洞或者噪点信息进行去噪的去噪模块。

另一方面，本发明还提供一种基于三维点云的三维人脸识别方法，包括如下步骤：

特征区域检测步骤，对于三维点云特征区域进行定位，作为配准的基准数据，然后对输入点云数据与基础人脸数据进行配准；

深度图像映射步骤，将三维点云进行归一化映射到深度图像空间；

提取表情鲁棒区域步骤，从所映射的深度图像中提取出表情鲁棒区域；

盖博响应计算步骤，利用不同尺度和方向的盖博滤波器对三维人脸数据进行不同尺度和方向的响应计算；以及