[发明专利]一种基于结构光摄像头的3D人脸识别方法

说明书

本发明公开了一种基于结构光摄像头的3D人脸识别方法，其包括以下步骤：以下步骤：通过图像采集装置分别采集待识别个体的3D人脸图像；利用PCL点云库对3D人脸图像进行点云处理，分别得到高精度伪RGB图和低精度伪RGB图；构建人脸识别模型并输入高精度伪RGB图、低精度伪RGB图，提取特征向量A_i作为对比基准和特征向量B_i，通过计算特征向量B_i与特征向量A_i的相似度，判断相似度最高的特征向量Bi与特征向量Ai之间的距离是否大于预定阈值，是则识别成功，否则识别失败；本发明3D人脸图像通过点云处理后在人脸识别模型进行处理分析，充分利用低精度点云与高精度点云之间的特征关联，有效提高了在结构光摄像头进行人脸识别的准确率。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种基于结构光摄像头的3D人脸识别方法。

背景技术

随着深度学习的兴起，基于深度学习的2D人脸识别技术发展迅猛，已能达到在大规模个体和照片情况下准确识别个体的效果，识别准确率甚至超过人类，但是，现有的2D人脸识别技术也有它的桎梏——2D人脸识别在不受控制的环境下性能是受限的，尤其是在光照，姿态，表情和面部遮挡的变化条件下，许多实际的人脸识别系统都会受到这些变化的影响，而增加模型对光照和姿态变化的鲁棒性的一种方法是使用3D面部图像。

采集3D面部图像的设备主要包括ToF(飞行时间)摄像头、结构光摄像头、双目摄像头和3D扫描摄像头，其中3D扫描摄像头的精度最高，达到专业级水准，但其动辄数万的价格并不适合商业推广，而结构光、双目和ToF摄像头等消费级摄像头，3D精度一般但价格便宜，更适合于实际场景的应用；而在此类消费级摄像头中，结构光摄像头又因为其精度相对较高、受环境影响小、功耗低等优点，被3D商业应用领域广泛采用。

而在采用结构光摄像头进行3D人脸采集和识别的现有技术方案中，大体分为：①采用“2D人脸识别+深度信息防伪”；②使用低精度深度图进行比对两种技术方案。前者未充分利用3D信息，对“识别画面中的人是谁”的任务仍是2D人脸识别算法处理，而新增的深度信息仅是应对“画面中的人是人还是照片”任务；后者使用的是结构光摄像头输出的较低精度的深度数据，数据质量不高，噪声较多导致识别准确率较低，且可识别的个体数量小，达不到2D人脸识别的准确率和数量级，例如苹果iPhone X的FaceID，仅支持在手机终端储存最多5个面容ID，3D人脸识别也仅在最多5个个体的范围内进行，3D人脸识别的准确率较低难以满足实际需求。

发明内容

本发明的目的在于提供一种基于结构光摄像头的3D人脸识别方法，3D人脸图像通过点云处理后在人脸识别模型进行处理分析，充分利用低精度点云与高精度点云之间的特征关联，有效提高了在结构光摄像头进行人脸识别的准确率。

为实现上述目的，本发明采用以下技术方案：

一种基于结构光摄像头的3D人脸识别方法，包括以下步骤：

S1、通过图像采集装置分别采集待识别个体的3D人脸图像，人脸图像包括高精度图像及低精度图像；

S2、利用PCL点云库对3D人脸图像进行点云处理，得到3D人脸图像的法向量信息，再结合3D人脸图像的深度信息进行2D化处理，分别得到高精度伪RGB图和低精度伪RGB图；

S3、构建人脸识别模型并输入高精度伪RGB图，提取得到对应的特征向量A_i，将特征向量A_i存储到参考图像集作为对比基准；

S4、将低精度伪RGB图输入人脸识别模型，提取得到对应的特征向量B_i，通过距离计算公式计算特征向量B_i与参考图像集中特征向量A_i的相似度，判断相似度最高的特征向量B_i与特征向量A_i之间的距离是否大于预定阈值，是则识别成功，为同一个人，否则识别失败。