[发明专利]三维人脸识别方法及应用其的数据处理装置

说明书

本发明公开了一种三维人脸识别方法及应用其的数据处理装置，本发明首先将邻域系统中两种互补的不确定性度量进行组合，定义了一种更加全面的特征集成不确定性度量，用于度量特征的重要性；然后提出了一种基于邻域组合测度的特征约简算法，用于选择与人脸识别密切相关的特征，得到最优的特征组合；最后将选择的特征作为支持向量机分类器的输入向量，得到三维人脸的识别结果。实验结果表明，基于粗糙集和SVM的三维人脸识别方法在保证识别精度的同时，大大降低了识别时间，对变化的人脸表情具有一定的鲁棒性，具有更强的泛化性能。

技术领域

本发明涉及数字图像处理和模式识别领域，具体涉及一种三维人脸识别方法及应用其的数据处理装置。

背景技术

人脸作为生物识别特征具有不会遗失、不易被复制、采集方便、唯一性、不被察觉等优点，正越来越受到人们的重视，已经进入了社会生活的各个领域。与视网膜、指纹、虹膜、语音、掌纹等其它人体生物特征识别系统相比，人脸识别系统以其方便、友好等特点，具有十分广泛应用前景，特别是在人脸识别门禁考勤系统、人脸识别ATM机智能视频报警系统、人脸识别公安罪犯追逃智能报警系统的身份识别、视频会议以及医学等方面的应用，已成为目前模式识别和基于内容检索领域的一个研究热点。

人脸识别已取得了丰富的成果，但现有大部分研究均集中于基于二维图像的人脸识别，而二维图像对光照、姿态、表情、年龄等的变化适应性较差。随着点云获取设备的逐步推广，越来越多的研究开始转向基于点云的三维人脸识别。三维人脸数据在信息量方面拥有更为丰富的形状信息，且三维数据的采集不受光照影响。但是三维人脸识别的劣势明显，高分辨率下的三维数据匹配需要消耗大量的计算时间，而且三维人脸更易受到表情变化的影响，识别精度还远未达到实用化程度。因此，需要新的三维人脸识别方法来消除表情变化的影响，提高识别精度，并尽量减少识别过程所需的匹配时间。

特征提取与选择是人脸识别的核心问题，是后续正确识别的基础。如何提取不同个体人脸之间存在较大差异而对同一个体人脸比较稳定的人脸特征一直是人脸识别中的核心问题。

全局特征和局部特征在现有的人脸识别中得到了广泛应用。其中基于全局特征的人脸识别算法主要利用人脸的整体特征进行描述，对于正常的人脸表情识别精度较高，但对于表情变化的人脸，识别精度并不理想。而基于局部特征的人脸识别算法主要通过对人脸细节的刻画来进行识别，对表情变化具有一定的鲁棒性，但由于缺少全局的结构信息，很难满足人脸识别的精度要求。理想的人脸描述特征应该只反映人的类别信息，对各种内外在变化不敏感。现有的人脸识别方法把人脸图像特征提取出来以后，没有较好的考虑人脸样本中特征之间的相互关系，即没有对人脸特征进行有效地选择，而是直接用提取出来的特征进行识别，导致特征维数较高，计算量较大，系统自然也较复杂，不仅耗时而且识别精度也不理想。

发明内容

有鉴于此，本发明提出一种三维人脸识别方法及应用其的数据处理装置，以解决现有识别算法效率低、识别精度不高的问题，并能较好地处理表情变化对人脸识别的影响。

第一方面，提供一种三维人脸识别方法，包括：

训练步骤，包括：

获取样本三维人体图像及对应的人脸分类，所述样本三维人体图像至少包括人的面部；

根据样本三维人体图像获取样本人脸点云；

根据所述样本人脸点云获取对应的高维特征描述子；

基于粗糙集约简方法对多个样本人脸点云的高维特征描述子进行降维获取样本人脸点云的低维特征描述子以及对应的特征约简方式，以使得所述低维特征描述子在增加任意一个维度的特征后获得的特征向量的特征重要性度量与低维特征描述子自身的特征重要性度量的差值小于预定阈值；其中，所述特征重要性度量为集合不确定性度量和知识不确定性度量的比值；以及，

基于所述样本人脸点云的低维特征描述子及对应的人脸分类训练SVM分类器获取预定数量的SVM子分类器；