[发明专利]一种获取3D人脸数据方法、人脸识别方法及装置

权利要求书

1.一种获取3D人脸数据方法，其特征在于，所述方法包括：

获取2D人脸数据；

获取3D人脸形变模型对应的3D关键点集合以及第一特征集合；

根据所述2D人脸数据中的各个关键点、所述3D关键点集合以及所述第一特征集合获取所述第一特征集合对应的权重集合；

利用所述权重集合、所述3D人脸形变模型对应的第二特征集合以及标准向量集合获得所述2D人脸数据对应的3D人脸数据，所述权重集合中的权重个数与所述第二特征集合中的特征个数一致；所述第二特征集合中的特征维度大于所述第一特征集合中的特征维度，所述第一特征集合是由所述第二特征集合经降维转换后获得的；

其中，所述第一特征集合包括第一ID特征集合和第一表情特征集合，所述权重集合包括ID权重集合和表情权重集合；所述第二特征集合包括第二ID特征集合和第二表情特征集合；所述标准向量集合表示所述3D人脸形变模型对应的标准人脸的特征向量。

2.一种人脸识别模型的生成方法，其特征在于，所述方法包括：

获取2D人脸数据集合；所述2D人脸数据集合包括多组2D人脸数据；

根据3D人脸形变模型将所述2D人脸数据集合中各组2D人脸数据进行转换，生成3D人脸数据集合；所述3D人脸数据集合包括多组3D人脸数据，所述3D人脸数据集合中各组3D人脸数据是根据权利要求1所述的获取3D人脸数据方法获取的；

利用变换矩阵将所述3D人脸数据集合中各组3D人脸数据映射至平面，获得目标人脸数据集合；

根据所述目标人脸数据集合中的目标人脸数据以及所述目标人脸数据对应的标签对初始深度学习模型的模型参数进行训练，生成人脸识别模型。

3.根据权利要求2所述的方法，其特征在于，获取一组2D人脸数据的过程，包括：

对于一张2D人脸图像，获取人脸各个关键点，构成2D人脸数据。

4.根据权利要求2或3所述的方法，其特征在于，所述利用变换矩阵将所述3D人脸数据集合中各组3D人脸数据映射至平面，获得目标人脸数据集合，包括：

将所述3D人脸数据集合进行归一化处理，获得处理后的3D人脸数据集合；

利用变换矩阵将所述处理后的3D人脸数据集合中各组3D人脸数据映射至平面，获得目标人脸数据集合。

5.根据权利要求4所述的方法，其特征在于，所述初始深度学习模型为Mobilenet模型或ShuffleNet模型。

6.一种人脸识别方法，其特征在于，所述方法包括：

获取待识别人脸图像，并从所述待识别人脸图像中提取待识别2D人脸数据；

根据3D人脸形变模型将所述待识别2D人脸数据进行转换，生成待识别3D人脸数据；

利用变换矩阵将所述待识别3D人脸数据映射至平面，获得目标待识别人脸数据；

将所述目标待识别人脸数据输入预先训练生成的人脸识别模型获得识别结果，所述人脸识别模型是根据权利要求2-5任一项所述的人脸识别模型的生成方法训练生成的。

7.一种获取3D人脸数据装置，其特征在于，所述装置包括：

第一获取单元，用于获取2D人脸数据；

第一生成单元，用于获取3D人脸形变模型对应的3D关键点集合以及第一特征集合；根据所述2D人脸数据中的各个关键点、所述3D关键点集合以及所述第一特征集合获取所述第一特征集合对应的权重集合；利用所述权重集合、所述3D人脸形变模型对应的第二特征集合以及标准向量集合获得所述2D人脸数据对应的3D人脸数据，所述权重集合中的权重个数与所述第二特征集合中的特征个数一致；所述第二特征集合中的特征维度大于所述第一特征集合中的特征维度，所述第一特征集合是由所述第二特征集合经降维转换后获得的；

其中，所述第一特征集合包括第一ID特征集合和第一表情特征集合，所述权重集合包括ID权重集合和表情权重集合；所述第二特征集合包括第二ID特征集合和第二表情特征集合；所述标准向量集合表示所述3D人脸形变模型对应的标准人脸的特征向量。