[发明专利]三维人脸识别方法和三维人脸识别系统

说明书

本发明公开了一种三维人脸识别方法和系统。包括：采集待识别目标人脸的图像数据，并对其中的人脸关键点进行标定，其中，所述人脸的图像数据包括人脸的深度图像和人脸的彩色图像；根据标定后的所述人脸的深度图像进行三维人脸重建，得到三维人脸重建模型；计算所述三维人脸重建模型中的预设数量的各关键点之间的表面距离，生成表面距离矩阵；将所述表面距离矩阵转化为人脸标准型；从所述人脸标准型中提取出待识别特征向量；将所述待识别特征向量与预设的人脸特征数据库中已有的特征向量进行对比，实现三维人脸识别。本发明的三维人脸识别方法，识别精确度高，识别速度快。

技术领域

本发明涉及人脸识别技术领域，特别涉及一种三维人脸识别方法和一种三维人脸识别系统。

背景技术

当今，人脸识别技术已经成为了一种应用广泛的智能生物识别技术，从厕所用纸、闯红灯抓拍到出入境安检、金融支付等各个领域，到处都有人脸识别技术的踪迹。

现有的人脸识别技术主要分为二维人脸识别和三维人脸识别两类。二维人脸识别算法通常是对彩色摄像头所拍摄出的RGB图像进行识别，在从图片中检出目标人脸之后，通过标定、对齐等一系列处理操作，输入到目前最热门的深度学习模型(主要是卷积神经网络)中去，并输出一个可用于不同人脸之间比对的向量特征，最终完成整个的识别任务。整个二维人脸识别过程如图1所示。

而关于三维人脸识别算法的研究目前比较少。首先，三维人脸点云数据需要通过特殊的设备(例如景深摄像头，立体扫描仪等)进行采集，较难以获取，样本数量有限，因此难以用来对需要大量样本数据的深度学习模型进行训练。其次，由于数据是三维的，相比二维人脸数据，使用深度学习模型进行处理所需要的运算量非常大，在时效性上不可接受。鉴于以上两点，现有的三维人脸识别算法通常不使用二维人脸中常用的深度学习模型，而是采用传统的表面曲率、几何形状等人脸特征进行识别，即利用不同人脸之间的形状和纹理差异来区分彼此。

目前，与本发明比较接近的是一种利用等距映射算法将人脸转化为标准型进行识别的方法。具体地，该方法首先对输入的人脸点云数据进行降采样、去噪和表面重建，然后通过动态规划算法计算点云中的所有点之间的表面距离(在人脸表面上，一个点移动到另一个点所经过的距离)。假设人脸点云中共有N个点，这些表面距离就可以组成一个N*N的距离矩阵，矩阵中第i行、第j列的矩阵代表了顶点i和顶点j的表面距离。对这一距离矩阵进行人脸等距映射，生成人脸标准型后，再利用K阶矩从该标准型中提取出一个可用于不同人脸之间对比的向量特征，就实现了一次三维人脸的识别的过程。整个三维人脸识别过程如图2所示。

目前的人脸识别算法中，二维人脸识别算法依据RGB彩色图片进行人脸识别，在头部旋转角度过大的情况下，算法的准确度会大幅度降低，除此之外，二维识别算法很难抵挡照片与视频等的欺骗性攻击。而已有的三维人脸识别算法虽然可以利用景深摄像头采集到的深度图像对人脸进行模拟建模，再进行识别，解决了头部大角度旋转与活体检测的问题，但是通常运行速度较慢，难以实际应用。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种三维人脸识别方法和一种三维人脸识别系统。

为了实现上述目的，本发明的第一方面，提供了一种三维人脸识别方法，包括：

步骤S110、采集待识别目标人脸的图像数据，并对其中的人脸关键点进行标定，其中，所述人脸的图像数据包括人脸的深度图像和人脸的彩色图像；

步骤S120、根据标定后的所述人脸的深度图像进行三维人脸重建，得到三维人脸重建模型；

步骤S130、计算所述三维人脸重建模型中的预设数量的各关键点之间的表面距离，生成表面距离矩阵；

步骤S140、将所述表面距离矩阵转化为人脸标准型；

步骤S150、从所述人脸标准型中提取出待识别特征向量；