[发明专利]一种基于区域化隐函数特征的三维人脸识别方法及系统

说明书

技术领域

本发明涉及三维人脸识别应用领域，具体地，涉及一种基于区域化隐函数特征的三维人脸识别方法及系统。

背景技术

三维人脸识别已经成为身份认证技术中最自然、最直接的手段，成为当今图像识别技术的热门课题，而基于三维人脸建模的识别技术是一种最具有直观意义的三维人脸识别方法，在动画制作、医学美容、图像编码等领域都有着广泛的应用。

通过三维人脸点云数据进行人脸识别时，首先需要利用重建算法形成结构化的便于提取特征的处理对象，其次再进行三维人脸识别。

目前的点云重建算法大致可分为两类：组合算法和隐函数算法。其中，基于隐函数的重建方法包括符号函数和泊松重建方法等，该方法已经成为解决动态范围图像、流体力学、网格编辑、GPU计算等问题的经典方法。

三维人脸识别的方法分为空域匹配、局部特征匹配、整体特征匹配、多模态融合等。传统的整体与局部结合的算法是将人脸区域划分为多个子区域进行特征提取，然后再对整个人脸加权融合，而一些新的方法虽然统一了这两个过程，但是其人脸子区域的分割依赖于手工的姿势矫正。

本发明立足于结合三维人脸在重建与识别中的共通性，提出了一种区域化隐函数特征(RIFF)算法框架，并改进了三维人脸识别中传统的整体与局部匹配的结合。

发明内容

本发明的目的是提供一种基于区域化隐函数特征的三维人脸识别方法及系统，用于提高三维人脸重建和识别的性能。

为了实现上述目的，本发明提供一种基于区域化隐函数特征的三维人脸识别方法，包括：

采集三维人脸点云数据；

选取基函数空间，并根据采集的三维人脸点云数据，在该基函数空间内计算不同人脸区域的隐函数和控制矩阵，再组合获得整个人脸的控制矩阵；

根据不同人脸区域的隐函数，提取等值面，完成人脸表面重建；

将整个人脸的控制矩阵转换为拉普拉斯矩阵，并作为三维人脸识别的特征描述子。

优选地，所述采集三维人脸点云数据具体包括：采用kinect或cyberware作为点云数据的采集设备，并对采集的点云数据进行预处理。

优选地，采用高斯曲率差分图将人脸粗略分割为不同人脸区域，再通过器官模板匹配的方法进行各人脸区域的精细分割，再计算不同人脸区域的隐函数和控制矩阵。

优选地，采用高斯曲率差分图将人脸粗略分割为五个人脸区域。

优选地，所述五个人脸区域分别为眼睛、嘴巴、鼻子、脸颊平滑部分和脸颊边界。

优选地，所述在基函数空间内计算不同人脸区域的隐函数和控制矩阵具体包括：在基函数空间内定义三维人脸点云数据的抽样点向量区域，并结合各抽样点向量区域中隐函数的定义，将隐函数转换化泊松方程进行求解，且通过该泊松方程计算出控制矩阵。

优选地，所述组合获得整个人脸的控制矩阵具体包括：获得不同人脸区域的控制矩阵的分布，在保证边界处控制矩阵的控制点不为零值的前提下，通过对各控制矩阵进行降阶和旋转获得整个人脸的控制矩阵。

优选地，还包括：对拉普拉斯矩阵进行维数约减，以维数约减后的拉普拉斯矩阵作为三维人脸识别的特征描述子。

优选地，还包括：根据维数约减后的拉普拉斯矩阵，计算出三维人脸数据的低维特征图，用于三维人脸分类。

本发明的技术方案还包括一种基于区域化隐函数特征的三维人脸识别系统，包括：

采集模块，其用于采集三维人脸点云数据；

人脸重建模块，其用于选取基函数空间，并根据采集的三维人脸点云数据，在该基函数空间内计算不同人脸区域的隐函数和控制矩阵，再组合获得整个人脸的控制矩阵，并根据不同人脸区域的隐函数，提取等值面，完成人脸表面重建；

人脸识别模块，其用于将整个人脸的控制矩阵转换为拉普拉斯矩阵，并作为三维人脸识别的特征描述子。

优选地，所述人脸重建模块包括人脸区域分解模块和人脸区域融合模块；

所述人脸区域分解模块用于通过高斯曲率差分图将人脸粗略分割为不同人脸区域，再通过器官模板匹配的方法进行各人脸区域的精细分割，再计算不同人脸区域的隐函数和控制矩阵；

所述人脸区域融合模块，用于获得不同人脸区域的控制矩阵的分布，在保证边界处控制矩阵的控制点不为零值的前提下，通过对各控制矩阵进行降阶和旋转获得整个人脸的控制矩阵。

优选地，所述人脸区域分解模块采用高斯曲率差分图将人脸粗略分割为五个人脸区域，分别为眼睛、嘴巴、鼻子、脸颊平滑部分和脸颊边界。