[发明专利]一种人脸识别方法

说明书

本发明公开了一种人脸识别方法。方法包括将二维与三维人脸数据进行归一化预处理和二维深度图的构造；根据人脸数据特点搭建了一个包含两个卷积层、两个下采样层、两个局部连接层、一个全连接层和一个softmax输出层的卷积神经网络结构；将网络的输入输出、各网络层的卷积核大小，滤波器大小等参数进行配置；将二维人脸数据和三维人脸数据使用RGB‑D方法进行数据融合，输入所搭建的卷积神经网络，进行人脸识别。本发明操作方便高效，克服了现有三维人脸识别方法易受人脸表情、光照等影响的缺点；克服了现有三维人脸识别方法对于高数据量样本识别效率低，识别精度不高等问题。

技术领域

本发明属于模式识别领域，涉及一种利用卷积神经网络和多维数据融合进行人脸识别的方法，尤其适用于刑侦、日常考勤、档案系统等领域。

背景技术

人脸识别领域很多年的发展一直是基于二维图像的，尽管在识别技术上已趋于成熟，但识别效果仍会受光照、表情、姿态等因素影响而降低。因此，人脸识别领域的学者开始重视三维人脸识别的研究。

一般来说，三维人脸识别指的是将待识别的三维人脸数据与三维人脸数据库做匹配，从而找到待识别对象身份的过程。采集得到的三维人脸数据不随光照、表情以及姿态等因素变化而变化的，同时，三维数据具有显式的空间形状表征，相对于二维数据有更加丰富的信息量。

目前，三维人脸匹配算法主要分为基于空域直接匹配、基于局部特征匹配以及基于整体特征匹配三种。基于空域直接匹配的方法不提取特征，直接进行曲面相似度匹配，常用的方法有ICP和Hausdorff距离法，这一类的方法一般分为对齐和相似度计算两步；基于局部特征的匹配方法关键在于如何从三维人脸曲面中去提取有效的形状几何信息特征，局部特征主要包括局部描述符、曲线特征以及其他一些几何特征和统计特征；基于整体特征匹配的方法，注重于三维模型的整体特征，主要分为用深度图表示三维人脸，直接使用基于表观的方法、将人脸数据映射为EGI，然后进行匹配，以及整体变换三维模型后进行匹配。

在现有的三维人脸识别方法当中，主要存在三大问题：(1)算法对三维人脸数据敏感，对带有光照、人脸表情变化的人脸数据不具有稳定性，视图的变化或者附属物对人脸的遮挡，往往会影响三维人脸识别效果；(2)在现有的三维人脸识别算法中，识别率不高以至于无法应用到现实当中；(3)算法的效率有限，首先对于大样本无法提供良好的识别速度，其次对于可接收人脸数据形式过于单一，常用算法仅接收人脸数据的点云格式。

发明内容

针对现有技术的缺陷和不足，本发明提供了一种人脸识别方法。

首先，本发明提供了一种人脸识别数据库构建方法。本发明提供的人脸识别数据库构建方法利用人脸图像集合F构建人脸识别数据库，方法包括：

一，数据预处理

步骤11，将集合F₃中每幅图像的三维点云数据向笛卡尔坐标系的xy平面进行投影，得到投影图像集合β；F₃为人脸图像库F中所有人脸图像的三维人脸图像集合，

步骤12，对集合β中的每幅投影图像进行分块处理，得到投影图像β_f的多个分块和多个漏洞子块，f∈F，β_f∈β；

步骤13，对投影图像β_f，β_f∈β的多个漏洞子块进行双立方插值修补，得到插值后的矩阵，对插值后的矩阵进行归一化处理，将归一化后的矩阵转化为图片形式，得到投影图像β_f的深度图像，所有投影图像的深度图像构成深度图像集合；

步骤14，对深度图像集合中的每个深度图像进行脸部归一化，得到归一化后的深度图像集合F₃'；