[发明专利]黎曼几何不变性下基于曲线的三维人脸识别方法及系统

说明书

本发明公开了一种黎曼几何不变性下基于曲线的三维人脸识别方法及系统，所述方法包括以下步骤：提取两张三维人脸的径向曲线和等测地轮廓线；将人脸分为刚性区域和非刚性区域，对经过人脸不同区域的径向曲线和等测地轮廓线设置不同的权值；采用曲线的形状分析方法，用SRVF描述符来表示径向曲线和等测地轮廓线，并进行配准与度量比较；计算两张三维人脸的对应测地线距离，并对所述两张三维人脸进行分类识别。相对于现有技术，本发明可以减少人脸数据的计算量，解决人脸表情变化时产生的形变对人脸识别产生的影响。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种黎曼几何不变性下基于曲线的三维人脸识别方法及系统。

背景技术

三维人脸识别研究大致可以分为三个阶段，在早期的时候，三维人脸识别的特征提取主要着重于整张三维人脸，把整张人脸的几何信息作为一个整体特征进行研究，然后比较两张人脸整体的相似度作为分类的标准。第二阶段主要的研究方向是着重于三维人脸的局部区域，将人脸细分为眼睛、鼻子、嘴巴等区域，分别从这些区域提取特征，根据特征建立人脸描述符。前面两种都是将研究的重点放在特征提取方面，分别从不同的角度深挖人脸的特征，而随着计算机硬件的发展，基于深度学习的自动提取特征的方法成为目前研究的主流方向。深度学习在二维人脸识别方面已经相当成熟，但是三维人脸数据相比于二维人脸数据较为复杂，三维人脸点云是不规则的数据模型，因而目前还没有一个成熟的模型能直接从人脸点云模型中获取特征，但是依旧有研究者将深度学习应用于三维人脸识别，主要包括通过人工提取特征，然后将特征传入深度神经网络进行训练，还有的研究者将点云数据映射成二维图像和深度图像，用二维人脸识别的网络模型来解决三维人脸识别的问题，还有研究者将点云数据体素化，转换为体素网格的形式在进行训练，目前也有基于原始点云进行人脸识别的方法。

虑到精度和时间消耗之间的折衷，刚性方法的实现非常简单，并且可以提供良好的结果。这些类型的方法可以很好地克服刚性部分被提取出来的面部表情问题，但事实并非如此。面部拓扑不允许我们很好地提取刚性零件。另外，刚性部分包含一些相关特征，但不是全部。这些方法完全忽略了其他部分(非刚性)，这会导致信息丢失。解决方案中，非刚性方法可以更有效地消除由面部表情引起的变形。即使在表达与中立的情况下，它也可以存档很高的费率。但是，他们还遭受一些与面部表情建模有关的问题。这些技术大多数都需要在训练阶段对每个人进行至少两次扫描。实际上，此信息并不总是可用，这限制了这些方法的应用。几何方法与其他方法相比非常快，并且不需要太多计算，因为它们专注于面部形状。但是，这种类型的方法提取了大量表格以克服缺乏本地信息的问题。

如图1和图2所示，Abdelghafour等人使用表面经验模式分解(SEMD)将每个3D面分解为不同的比例，使用基于Wave Kernel Signature的特征提取在每个点关联描述符向量，然后从每个面部提取水平和径向曲线，并将其提取的其相应特征向量组合，最后，我们使用与水平和径向曲线关联的特征向量进行分类和识别，并将特征向量之间的角度用作相似性度量。

人脸的刚性配准无法处理由表情变化导致的人脸形变，人脸不同区域的特征对识别会有不同的影响，直接以特征向量进行相似度度量会导致非刚性区域的形变对整体识别效果有一定影响。

发明内容

本发明提供一种黎曼几何不变性下基于曲线的三维人脸识别方法及系统，旨在减少人脸数据的计算量，解决人脸表情变化时产生的形变对人脸识别产生的影响。

为实现上述目的，本发明提供一种黎曼几何不变性下基于曲线的三维人脸识别方法，所述方法包括以下步骤：

提取两张三维人脸的径向曲线和等测地轮廓线；所述径向曲线是以起始点向人脸外围延伸的曲线，所述等测地轮廓线是由距离所述起始点相同测地距离的点连接的曲线；

将人脸分为刚性区域和非刚性区域，对经过人脸不同区域的径向曲线和等测地轮廓线设置不同的权值；

采用曲线的形状分析方法，用SRVF描述符来表示径向曲线和等测地轮廓线，并进行配准与度量比较；