[发明专利]一种三维图像人脸识别方法及系统

说明书

本发明提供了一种三维图像人脸识别方法及系统，具体包括：预先建立标准参考人脸模型和正面姿态下的人脸数据库的注册库；实现深度数据与标准参考人脸模型深度图像对齐，并获得姿态参数；根据姿态参数实现纹理图像对齐；分别对对齐了的深度图像和纹理图像进行特征提取，通过深度分类器计算获得深度相似度S_depth，根据偏转姿态角选择对应的纹理分类器计算纹理相似度S_texture；利用最后对齐的人脸图像和获得的相似度数据利用RGB‑D进行最后人脸识别。用事先预存储的标准3D人脸库，进行3D纹理匹配，以预测受遮挡的面部纹理，可以极大提升姿态变化大、遮挡严重情况下的识别性能。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种三维图像人脸识别方法及系统。

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，广泛应用于各种领域。三维人脸识别相比于二维人脸识别具有更高的识别率而越来越受到重视。三维人脸图像大部分情况下都不是正面图像，存在不同姿势的问题。

如果要提高不同姿势下人脸识别的准确性，那就需要预先在数据库中存储每个人的不同姿势的图像数据。基于数据库的大小和实际计算的可行性，事先投影多少个姿态的人脸图像是个问题，例如定义投影角度间隔为5度，那么在三维人脸姿态空间内，即是忽略roll方向上的选择，考虑yaw和pitch两个方向，(pitch是围绕X轴旋转，也叫做俯仰角，yaw是围绕Y轴旋转，也叫偏航角，roll是围绕Z轴旋转，也叫翻滚角。)角度间隔为5度，一张标准正面人脸图像就需要投影出37×37＝1296张人脸图像)。投影角度间隔越大，那么对于任意姿态下的人脸识别无疑将是很大的挑战，投影角度间隔越小，则算法需要消耗大量的存储空间和时间复杂度。

另外还存在一个问题就是人脸图像特征点的定位直接影响人脸的对齐，进而影响最后的识别率，然而现有技术中当人脸姿态偏转比较大时，特征点定位本身也是一个极具挑战的问题，经常出现特征点定位偏大的问题，影响实际应用

Billy等人最先利用高速、低精度3D数据采集仪(Microsoft Kinect)采集的RGB-D人脸数据来处理3D人脸识别中的姿态变化问题。人脸数据的纹理和深度信息都被转化到正面姿态下，再分别通过稀疏表示分类算法对纹理和深度图进行相似度计算，然后对两相似度进行简单融合作为最终的识别结果。但是该方法最后实现的识别准确性还不是和理想。

主要缩写说明：

2D：全称two-dimensional，本方法中表示二维成像；

3D：全称three-dimensional，本方法中表示三维成像；

RGB-D：全称RGB-Depth，本方法中表示三维成像设备获取的还有深度信息的彩色图像数据；

ICP：全称Iterative Closest Points，本方法中表示迭代最近点方法；

HOG：全称Histogram of Or iented Gradient，本方法表示方向梯度直方图，是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。

发明内容

针对以上缺陷，本发明目的在于如何提高不同姿势下三维图像的人脸识别的准确性。

为了解决以上问题，本发明提出了一种三维图像人脸识别方法，其特征在于：

步骤1.1预先建立标准参考人脸模型和正面姿态下的人脸数据库的注册库G；

步骤1.2待识别的人脸图像数据为：Q＝(I,D)，I代表任意姿态人脸的图像数据，D代表其对应的深度数据，实现待识别的人脸图像数据的深度数据与标准参考人脸模型实现姿态对齐，实现深度图像对齐，并获得姿态参数；