[发明专利]三维人脸本征属性描述方法

摘要

本发明公开了一种三维人脸本征属性描述方法，用于解决现有的三维人脸本征属性描述方法算法复杂的技术问题。该方法对基于二次误差测度的模型简化方法进行分析并改进，使其能够在保持人脸五官区域特性的前提下最大限度的简化模型；采用基于特征约束的保形同构映射网格参数化方法对三维网格数据在二维平面进行展开；将三维人脸表面的本征属性在二维图像平面中进行离散化表示。本发明在降低计算复杂度的同时，采用基于特征约束的保形同构映射网格参数化方法对三维网格数据在二维平面上展开，将三维空间中的匹配问题简化为二维图像的匹配问题，80％精度二维本征属性图单次识别所需时间由背景技术的0.951秒降低到0.504秒；而且多姿态人脸识别正确率达到了89.7％。

主权项

1.一种三维人脸本征属性描述方法，其特征在于包括下述步骤：(a)对高精度三维人脸模型S进行简化，即对三维人脸模型中的每个顶点，根据特征保持的模型顶点误差度量算法计算其收缩代价：Δ′V＝ΔV*weight式中，ΔV是QEM算法的误差测度；weight是收缩代价加权值；若S＝＝φ或简化到指定结束条件，算法结束；取出顶点v_mincost，collapse(v_from，v_to)；如果边折叠后v_to的相邻三角面存在重叠，对于重叠三角形上的每一个顶点，若其相邻面全部都是重叠三角形，那么将其作为一个候选删除点；在所有的候选删除点中，选择邻接面数最少的一个顶点，作为当前边折叠的v_from，选择v_from的任意一个相邻顶点作为v_to，collapse(v_from，v_to)；其中，v_from及v_to分别表示半边收缩操作中被删除和被保留的顶点；collapse(v₁，v₂)表示对v1、v2顶点进行半边收缩操作；v_mincost表示当前模型中半边收缩代价最小的顶点；S表示三角网格模型；φ表示没有任何顶点和面片的空模型；(b)假设S′为由三维空间中的1-ring邻域构成的简单网格，D′为S′的二维保形结构；如果映射边界固定，二维1-ring形变仅与中心节点n_i相关；Dirichlet能量函数为：EA=Σj∈N(i)cotαij|ni-nj|2]]>式中，|n_i-n_j|表示D′中边(i，j)的边长，N(i)为节点i的1-ring邻接点，α_ij为夹角；令则有：∂E∂ni=Σj∈N(i)(cotαij+cotβij)(ni-nj)=0]]>对于整个人脸表面，由上式推导出：BD＝0式中，D是平面域的二维坐标向量，B是一个稀疏矩阵，表示为：Bi,j=cot(αi,j)+cot(βi,j)ifj∈N(i)-Σk∈N(i)Bi,kifi=j0otherwise]]>给定映射边界和相应的特征约束点，得到对应的二维平面展开：B~D=B0IDfreeDspec=0Cspec]]>D被分解为自由点集D_free和指定点集D_spec两部分，该稀疏线性系统能够通过广义极小残差算法有效求解；(c)利用改进的QEM方法对原始人脸网格模型进行不同简化率的多分辨简化，得到该原始人脸网格模型的多分辨简化模型表示；分别进行20％，50％，70％简化率的网格简化，得到原始网格数据相应80％，50％以及30％精度的多分辨描述；(d)给定两个有着圆周拓扑的表面S₁和S₂，首先通过spin-image来获取曲率变化较大顶点间的相应性，然后通过引入内部相应性作为约束，获取两表面相应的二维平面属性图；表面S₁和S₂两表面间的归一化相应性系数以及相似性度量S(S₁，S₂)通过对相应二维平面属性图的计算获得：MS1,S2=NΣpiS1piS2-ΣpiS1ΣpiS2(NΣ(piS1)2-(ΣpiS1)2)(NΣ(piS2)2-(ΣpiS2)2)S(S1,S2)=(1+MS1,S21-MS1,S2)2-12N]]>式中，N是三维表面S₁和S₂二维属性图中重叠部分顶点的个数，表示表面S_k二维属性图中顶点i的属性值，k＝1，2。