CN114067276A - 基于3d人脸模型的视频监控动态人脸识别方法和装置 - Google Patents

Abstract

本发明提供了基于3D人脸模型的视频监控动态人脸识别方法和装置，该方法包括：将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹；将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹；对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果；本发明能够通过对3D人脸模型进行动态云模拟建立的模拟轨迹和视频监控人脸图像提取的移动轨迹进行重合度分析，获得人脸识别结果，方法简单、识别精确，效果理想。

Description

基于3D人脸模型的视频监控动态人脸识别方法和装置

技术领域

本发明涉及计算机视觉与模式识别技术领域，具体涉及基于3D人脸模型的视频监控动态人脸识别方法和装置。

背景技术

现阶段，视频监控动态人脸识别应用越来越广，网上支付、出入管理、门禁考勤等各个领域都普遍使用，但人们在使用过程中，往往会出现动态条件下人脸识别不清晰、识别有延时、系统不稳定等问题。

基于3D人脸模型的人脸识别技术是未来的一个发展趋势，3D人脸模型拥有更加丰富的数据信息，在不同环境、不同光照条件下依然保持较好的识别性能。但是，基于3D人脸模型的人脸识别现有尚待解决和完善的技术问题，包括：如何对3D人脸模型特征分析识别，如何得到视频监控图像人脸移动轨迹，如何将3D人脸模型人脸移动轨迹和监控图像人脸移动轨迹进行对比分析是函待解决的问题；因此，有必要提出一种基于3D人脸模型的视频监控动态人脸识别方法和装置，以至少部分地解决现有技术中存在的问题。

发明内容

本发明提供了基于3D人脸模型的视频监控动态人脸识别方法和装置，通过对3D人脸模型进行动态云模拟建立的模拟轨迹和视频监控人脸图像提取的移动轨迹进行重合度分析，获得人脸识别结果，方法简单、识别精确，效果理想。

基于3D人脸模型的视频监控动态人脸识别方法，该方法包括：

S100、将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹；

S200、将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹；

S300、对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；

S400、对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果。

进一步地，所述S100包括：

S101、通过视频监控云平台模拟视频监控空间范围，标定视频监控摄像头中心点；

S102、将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，并进行3D人脸模型自转旋转；

S103、记录3D人脸模型自转旋转和视频监控环绕旋转的人脸识别特征点云轨迹，建立3D人脸模型云模拟轨迹。

进一步地，所述S200包括：

S201、标定第一视频监控人脸图像的人脸轮廓识别像素点，获得第一识别像素点集；标定第二视频监控人脸图像的人脸轮廓识别像素点，获得第二识别像素点集；

S202、将第一识别像素点集和第二识别像素点集按照标定顺序进行像素点顺序连线；

S203、按照视频拍摄频率提取像素点顺序连线的移动轨迹，获得监控图像人脸移动轨迹。

进一步地，所述S300包括：

S301、将3D人脸模型云模拟轨迹云模拟起始点和监控图像人脸移动轨迹的监控采集起始点进行对比，获得识别缩放比例；

S302、根据识别缩放比例，对监控图像人脸移动轨迹进行轨迹比例缩放，获得监控图像人脸移动比例轨迹；

S303、将3D人脸模型云模拟轨迹和监控图像人脸移动比例轨迹进行点集重合度云对比分析，获得轨迹重合度分析结果。

进一步地，所述S400包括：

S401、将轨迹重合度分析结果和设定轨迹重合度进行对比计算，获得轨迹重合度对比误差值；

S402、当轨迹重合度对比误差值处于系统设置对比误差值范围内，人脸识别通过；当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过；

S403、当人脸识别不能通过时，提示再次进行人脸识别；如果再次进行人脸识别仍然不能通过，则判定为人脸识别失败。

另外，本发明还提供了基于3D人脸模型的视频监控动态人脸识别装置，包括：

模拟模块，用于将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹；

获取模块，用于将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹；

分析模块，用于对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；

识别模块，用于对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果。

进一步地，所述模拟模块包括：

模拟准备单元，用于通过视频监控云平台模拟视频监控空间范围，标定视频监控摄像头中心点；

模拟操作单元，用于将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，并进行3D人脸模型自转旋转；

模拟记录单元，用于记录3D人脸模型自转旋转和视频监控环绕旋转的人脸识别特征点云轨迹，建立3D人脸模型云模拟轨迹。

进一步地，所述获取模块包括：

标定单元，用于标定第一视频监控人脸图像的人脸轮廓识别像素点，获得第一识别像素点集；标定第二视频监控人脸图像的人脸轮廓识别像素点，获得第二识别像素点集；

连接单元，用于将第一识别像素点集和第二识别像素点集按照标定顺序进行像素点顺序连线；

构建单元，用于按照视频拍摄频率提取像素点顺序连线的移动轨迹，获得监控图像人脸移动轨迹；在提取人脸轮廓特征时包括识别目标的场景深度图像；根据获取的深度图像，提取图像中人脸轮廓数据，通过人脸轮廓数据提取方法提取数据平均值特征。

进一步地，所述分析模块包括：

起始点对比分析单元，用于将3D人脸模型云模拟轨迹云模拟起始点和监控图像人脸移动轨迹的监控采集起始点进行对比，获得识别缩放比例；

比例缩放分析单元，用于根据识别缩放比例，对监控图像人脸移动轨迹进行轨迹比例缩放，获得监控图像人脸移动比例轨迹；

点集重合度分析单元，用于将3D人脸模型云模拟轨迹和监控图像人脸移动比例轨迹进行点集重合度云对比分析，获得轨迹重合度分析结果；通过视频监控获得待识别对象的脸部3D数据；对获得的3D数据进行去噪、填孔、切割等预处理；将预处理后的3D人脸模型与预设的3D人脸模型中作对比分析，构成特征向量；使用分类器对提取的特征向量识别分类，输出识别结果。

进一步地，所述识别模块包括：

误差值存储单元，用于将轨迹重合度分析结果和设定轨迹重合度进行对比计算，获得轨迹重合度对比误差值；

误差值对比单元，用于将轨迹重合度对比误差值与系统设置对比误差值进行对比，当轨迹重合度对比误差值处于系统设置对比误差值范围内，人脸识别通过；当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过；

误差值对比确认单元，用于确认轨迹重合度对比误差值与系统设置对比误差值的对比结果，当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过时，提示再次进行人脸识别；如果再次进行人脸识别仍然不能通过，则判定为人脸识别失败。

相比现有技术，本发明至少包括以下有益效果：

基于3D人脸模型的视频监控动态人脸识别方法，将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹，能够通过云平台对3D人脸模型进行动态云模拟，模拟出动态轨迹，可以解决人脸识别中仅能通过图像轮廓等进行静态识别的问题；监控画面中的动态图像往往模糊不清或识别不准，将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹，提取移动轨迹能够在移动灵活的动态情况下获得识别对比分析的动态轨迹数据从而为进行进一步识别分析提供动态数据信息基础；对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；轨迹重合度分析能够使人脸识别对比的规模和效率大幅提高，能够更好的适应识别对象的快速移动和大批量对比分析；对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果；重合度判断能够通过智能识别判定训练不断提高人脸识别判定的准确度并能够将训练模型进行大规模部署，而通过大规模部署的数据搜集和训练，又能进一步提高动态人脸识别的精确度，从而持续提高视频监控动态人脸识别的规模效率和动态准确度。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明的基于3D人脸模型的视频监控动态人脸识别方法步骤流程图

图2为本发明的视频监控图像人脸移动轨迹获取方法步骤流程图；

图3为本发明的对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析方法步骤流程图；

图4为本发明的基于3D人脸模型的视频监控动态人脸识别装置结构框图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了基于3D人脸模型的视频监控动态人脸识别方法，该方法包括：

S100、将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹；

S200、将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹；

S300、对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；

S400、对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果。

上述技术方案的工作原理为：将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，得到3D人脸模型云模拟轨迹；将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，得到监控图像人脸移动轨迹；对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，得到轨迹重合度分析结果；对轨迹重合度分析结果和设定轨迹重合度进行判断，得到人脸识别结果。

上述技术方案的有益效果为：采用本实施例提供的方案，通过对3D人脸模型进行动态云模拟建立的模拟轨迹和视频监控人脸图像提取的移动轨迹进行重合度分析，获得人脸识别结果，方法简单、识别精确，效果理想；基于3D人脸模型的视频监控动态人脸识别方法，将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹，能够通过云平台对3D人脸模型进行动态云模拟，模拟出动态轨迹，可以解决人脸识别中仅能通过图像轮廓等进行静态识别的问题；监控画面中的动态图像往往模糊不清或识别不准，将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹，提取移动轨迹能够在移动灵活的动态情况下获得识别对比分析的动态轨迹数据从而为进行进一步识别分析提供动态数据信息基础；对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；轨迹重合度分析能够使人脸识别对比的规模和效率大幅提高，能够更好的适应识别对象的快速移动和大批量对比分析；对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果；重合度判断能够通过智能识别判定训练不断提高人脸识别判定的准确度并能够将训练模型进行大规模部署，而通过大规模部署的数据搜集和训练，又能进一步提高动态人脸识别的精确度，从而持续提高视频监控动态人脸识别的规模效率和动态准确度。

在一个实施例中，S100包括：

S101、通过视频监控云平台模拟视频监控空间范围，标定视频监控摄像头中心点；

S102、将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，并进行3D人脸模型自转旋转；

S103、记录3D人脸模型自转旋转和视频监控环绕旋转的人脸识别特征点云轨迹，建立3D人脸模型云模拟轨迹。

上述技术方案的工作原理为：通过视频监控云平台模拟视频监控空间范围，标定出视频监控摄像头中心点；将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，进行3D人脸模型自转旋转，保证得到全角度方位的人脸移动数据；记录3D人脸模型自转旋转和视频监控环绕旋转的人脸识别特征点云轨迹，建立3D人脸模型云模拟轨迹。

上述技术方案的有益效果为：采用本实施例提供的方案，通过标定视频监控摄像头中心点，保证有基本参照；将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，并进行3D人脸模型自转旋转，保证得到全面的数据。

在一个实施例中，如图2所示，S200包括：

S201、标定第一视频监控人脸图像的人脸轮廓识别像素点，获得第一识别像素点集；标定第二视频监控人脸图像的人脸轮廓识别像素点，获得第二识别像素点集；

S202、将第一识别像素点集和第二识别像素点集按照标定顺序进行像素点顺序连线；

S203、按照视频拍摄频率提取像素点顺序连线的移动轨迹，获得监控图像人脸移动轨迹。

上述技术方案的工作原理为：对两个视频监控人脸图像的人脸轮廓识别像素点进行标定，分别获得识别像素点集；将两个识别像素点集按照标定顺序进行像素点顺序连线；根据视频拍摄频率提取像素点顺序连线形成的移动轨迹，得到监控图像人脸移动轨迹。

上述技术方案的有益效果为：采用本实施例提供的方案，通过标定识别像素点，获得识别像素点集，并根据像素点集连线，得到人脸移动轨迹，保证了像素的精确性。

在一个实施例中，如图3所示，S300包括：

S301、将3D人脸模型云模拟轨迹云模拟起始点和监控图像人脸移动轨迹的监控采集起始点进行对比，获得识别缩放比例；

S302、根据识别缩放比例，对监控图像人脸移动轨迹进行轨迹比例缩放，获得监控图像人脸移动比例轨迹；

S303、将3D人脸模型云模拟轨迹和监控图像人脸移动比例轨迹进行点集重合度云对比分析，获得轨迹重合度分析结果。

上述技术方案的工作原理为：先通过对比3D人脸模型云模拟轨迹云模拟起始点和监控图像人脸移动轨迹的监控采集的起始点，得到识别缩放比例；然后根据识别缩放比例，对监控图像人脸移动轨迹进行轨迹比例缩放，得到监控图像人脸移动比例轨迹；最后，将3D人脸模型云模拟轨迹和监控图像人脸移动比例轨迹进行点集重合度云对比分析，获得轨迹重合度分析结果。

上述技术方案的有益效果为：采用本实施例提供的方案，通过识别缩放比例来对监控图像人脸移动轨迹进行轨迹比例缩放，以实施重合对比分析工作，能够更精确地获得分析结果。

在一个实施例中，S400包括：

S401、将轨迹重合度分析结果和设定轨迹重合度进行对比计算，获得轨迹重合度对比误差值；

S402、当轨迹重合度对比误差值处于系统设置对比误差值范围内，人脸识别通过；当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过；

S403、当人脸识别不能通过时，提示再次进行人脸识别；如果再次进行人脸识别仍然不能通过，则判定为人脸识别失败。

上述技术方案的工作原理为：先将轨迹重合度分析结果和设定轨迹重合度进行对比计算，获得轨迹重合度对比误差值；然后用轨迹重合度对比误差值与系统设置的对比误差值进行对比，看是否在系统设置对比误差值范围内，如在范围内，则人脸识别通过；如超出范围，人脸识别不能通过；同时，进行二次确认，当人脸识别不能通过时，提示再次进行人脸识别；如果再次进行人脸识别仍然不能通过，则判定为人脸识别失败。

上述技术方案的有益效果为：采用本实施例提供的方案，通过两个对比误差值的对比，用比值大小来判定轨迹是否重合，从而决定人脸是否识别一致，同时采用了二次确认操作，更好地实现了识别判定。

如图4所示，本发明实施例提供了基于3D人脸模型的视频监控动态人脸识别装置，该装置包括：

模拟模块，用于将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹；

获取模块，用于将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹；

分析模块，用于对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；

识别模块，用于对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果。

上述技术方案的工作原理为：通过模拟模块，将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹；通过获取模块，将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹；通过分析模块，用于对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；通过识别模块，用于对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果。

上述技术方案的有益效果为：基于3D人脸模型的视频监控动态人脸识别装置，通过对3D人脸模型进行动态云模拟建立的模拟轨迹和视频监控人脸图像提取的移动轨迹进行重合度分析，获得人脸识别结果，方法简单、识别精确，效果理想；

模拟模块，将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹，能够通过云平台对3D人脸模型进行动态云模拟，模拟出动态轨迹，可以解决人脸识别中仅能通过图像轮廓等进行静态识别的问题；监控画面中的动态图像往往模糊不清或识别不准，通过获取模块，将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹，提取移动轨迹能够在移动灵活的动态情况下获得识别对比分析的动态轨迹数据从而为进行进一步识别分析提供动态数据信息基础；通过分析模块，对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；轨迹重合度分析能够使人脸识别对比的规模和效率大幅提高，能够更好的适应识别对象的快速移动和大批量对比分析；识别模块，对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果；重合度判断能够通过智能识别判定训练不断提高人脸识别判定的准确度并能够将训练模型进行大规模部署，而通过大规模部署的数据搜集和训练，又能进一步提高动态人脸识别的精确度，从而持续提高视频监控动态人脸识别的规模效率和动态准确度。

在一个实施例中，所述模拟模块包括：

模拟准备单元，用于通过视频监控云平台模拟视频监控空间范围，标定视频监控摄像头中心点；

模拟操作单元，用于将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，并进行3D人脸模型自转旋转；

模拟记录单元，用于记录3D人脸模型自转旋转和视频监控环绕旋转的人脸识别特征点云轨迹，建立3D人脸模型云模拟轨迹。

上述技术方案的工作原理为：采用模拟准备单元，通过视频监控云平台模拟视频监控空间范围，标定视频监控摄像头中心点；利用模拟操作单元，将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，并进行3D人脸模型自转旋转；利用模拟记录单元，记录3D人脸模型自转旋转和视频监控环绕旋转的人脸识别特征点云轨迹，建立3D人脸模型云模拟轨迹。

上述技术方案的有益效果为：采用本实施例提供的方案，通过标定视频监控摄像头中心点，保证有基本参照；将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，并进行3D人脸模型自转旋转，保证得到全面的数据。

在一个实施例中，所述获取模块包括：

标定单元，用于标定第一视频监控人脸图像的人脸轮廓识别像素点，获得第一识别像素点集；标定第二视频监控人脸图像的人脸轮廓识别像素点，获得第二识别像素点集；

连接单元，用于将第一识别像素点集和第二识别像素点集按照标定顺序进行像素点顺序连线；

构建单元，用于按照视频拍摄频率提取像素点顺序连线的移动轨迹，获得监控图像人脸移动轨迹；在提取人脸轮廓特征时包括识别目标的场景深度图像；根据获取的深度图像，提取图像中人脸轮廓数据，通过人脸轮廓数据提取方法提取数据平均值特征。

上述技术方案的工作原理为：利用标定单元，标定第一视频监控人脸图像的人脸轮廓识别像素点，获得第一识别像素点集；标定第二视频监控人脸图像的人脸轮廓识别像素点，获得第二识别像素点集；利用连接单元，将第一识别像素点集和第二识别像素点集按照标定顺序进行像素点顺序连线；利用构建单元，按照视频拍摄频率提取像素点顺序连线的移动轨迹，获得监控图像人脸移动轨迹；在提取人脸轮廓特征时包括识别目标的场景深度图像；根据获取的深度图像，提取图像中人脸轮廓数据，通过人脸轮廓数据提取方法提取数据平均值特征。

上述技术方案的有益效果为：采用本实施例提供的方案，标定单元，标定第一视频监控人脸图像的人脸轮廓识别像素点，获得第一识别像素点集；标定第二视频监控人脸图像的人脸轮廓识别像素点，获得第二识别像素点集；连接单元，将第一识别像素点集和第二识别像素点集按照标定顺序进行像素点顺序连线；构建单元，按照视频拍摄频率提取像素点顺序连线的移动轨迹，获得监控图像人脸移动轨迹；在提取人脸轮廓特征时包括识别目标的场景深度图像；根据获取的深度图像，提取图像中人脸轮廓数据，通过人脸轮廓数据提取方法提取数据平均值特征；通过标定识别像素点，获得识别像素点集，并根据像素点集连线，得到人脸移动轨迹；在提取人脸轮廓特征时包括识别目标的场景深度图像；根据获取的深度图像，提取图像中人脸轮廓数据，通过人脸轮廓数据提取方法提取数据平均值特征；并保证了像素的精确性。

在一个实施例中，所述分析模块包括：

起始点对比分析单元，用于将3D人脸模型云模拟轨迹云模拟起始点和监控图像人脸移动轨迹的监控采集起始点进行对比，获得识别缩放比例；

比例缩放分析单元，用于根据识别缩放比例，对监控图像人脸移动轨迹进行轨迹比例缩放，获得监控图像人脸移动比例轨迹；

点集重合度分析单元，用于将3D人脸模型云模拟轨迹和监控图像人脸移动比例轨迹进行点集重合度云对比分析，获得轨迹重合度分析结果；通过视频监控获得待识别对象的脸部3D数据；对获得的3D数据进行去噪、填孔、切割等预处理；将预处理后的3D人脸模型与预设的3D人脸模型中作对比分析，构成特征向量；使用分类器对提取的特征向量识别分类，输出识别结果。

上述技术方案的工作原理为：通过起始点对比分析单元，将3D人脸模型云模拟轨迹云模拟起始点和监控图像人脸移动轨迹的监控采集起始点进行对比，获得识别缩放比例；通过比例缩放分析单元，根据识别缩放比例，对监控图像人脸移动轨迹进行轨迹比例缩放，获得监控图像人脸移动比例轨迹；通过点集重合度分析单元，将3D人脸模型云模拟轨迹和监控图像人脸移动比例轨迹进行点集重合度云对比分析，获得轨迹重合度分析结果；通过视频监控获得待识别对象的脸部3D数据；对获得的3D数据进行去噪、填孔、切割等预处理；将预处理后的3D人脸模型与预设的3D人脸模型中作对比分析，构成特征向量；使用分类器对提取的特征向量识别分类，输出识别结果；

上述技术方案的有益效果为：采用本实施例提供的方案，通过识别缩放比例来对监控图像人脸移动轨迹进行轨迹比例缩放，以实施重合对比分析工作；起始点对比分析单元，将3D人脸模型云模拟轨迹云模拟起始点和监控图像人脸移动轨迹的监控采集起始点进行对比，获得识别缩放比例；比例缩放分析单元，根据识别缩放比例，对监控图像人脸移动轨迹进行轨迹比例缩放，获得监控图像人脸移动比例轨迹；点集重合度分析单元，将3D人脸模型云模拟轨迹和监控图像人脸移动比例轨迹进行点集重合度云对比分析，获得轨迹重合度分析结果；通过视频监控获得待识别对象的脸部3D数据；对获得的3D数据进行去噪、填孔、切割等预处理；将预处理后的3D人脸模型与预设的3D人脸模型中作对比分析，构成特征向量；使用分类器对提取的特征向量识别分类，输出识别结果；能够更精确地获得分析结果。

在一个实施例中，所述识别模块包括：

误差值存储单元，用于将轨迹重合度分析结果和设定轨迹重合度进行对比计算，获得轨迹重合度对比误差值；

误差值对比单元，用于将轨迹重合度对比误差值与系统设置对比误差值进行对比，当轨迹重合度对比误差值处于系统设置对比误差值范围内，人脸识别通过；当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过；

误差值对比确认单元，用于确认轨迹重合度对比误差值与系统设置对比误差值的对比结果，当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过时，提示再次进行人脸识别；如果再次进行人脸识别仍然不能通过，则判定为人脸识别失败。

上述技术方案的工作原理为：通过误差值存储单元，将轨迹重合度分析结果和设定轨迹重合度进行对比计算，获得轨迹重合度对比误差值；通过误差值对比单元，将轨迹重合度对比误差值与系统设置对比误差值进行对比，当轨迹重合度对比误差值处于系统设置对比误差值范围内，人脸识别通过；当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过；通过误差值对比确认单元进行二次确认，当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过时，提示再次进行人脸识别；如果再次进行人脸识别仍然不能通过，则判定为人脸识别失败；通过识别模块对人脸中心侧影线提取垂直对称轴，为了提取垂直对称轴，基于表面曲率的形状索引值作为对称描述符，一个表面点P的形状索引值计算公式如下：

其中，S(P)表示点P的形状索引值；K₁(P)表示点P最大曲率值；K₂(P)表示点P最小曲率值，tan表示正切函数。

上述技术方案的有益效果为：采用本实施例提供的方案，通过设置误差值对比单元，将两个对比误差值对比，用比值大小来判定轨迹是否重合；误差值存储单元，将轨迹重合度分析结果和设定轨迹重合度进行对比计算，获得轨迹重合度对比误差值；误差值对比单元，将轨迹重合度对比误差值与系统设置对比误差值进行对比，当轨迹重合度对比误差值处于系统设置对比误差值范围内，人脸识别通过；当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过；误差值对比确认单元，确认轨迹重合度对比误差值与系统设置对比误差值的对比结果，当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过时，提示再次进行人脸识别；如果再次进行人脸识别仍然不能通过，则判定为人脸识别失败；一个表面点P的形状索引值计算，其中，S(P)表示点P的形状索引值；K₁(P)表示点P最大曲率值；K₂(P)表示点P最小曲率值；通过识别模块对人脸中心侧影线提取垂直对称轴，为了提取垂直对称轴，基于表面曲率的形状索引值作为对称描述符；从而决定人脸是否识别一致，同时采用了二次确认操作，更好地实现了识别判定。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节与这里示出与描述的图例。

Claims (10)

1.基于3D人脸模型的视频监控动态人脸识别方法，其特征在于，包括：

S100、将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹；

S200、将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹；

S300、对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；

S400、对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果。

2.根据权利要求1所述的基于3D人脸模型的视频监控动态人脸识别方法，其特征在于，S100包括：

S101、通过视频监控云平台模拟视频监控空间范围，标定视频监控摄像头中心点；

S102、将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，并进行3D人脸模型自转旋转；

S103、记录3D人脸模型自转旋转和视频监控环绕旋转的人脸识别特征点云轨迹，建立3D人脸模型云模拟轨迹。

3.根据权利要求1所述的基于3D人脸模型的视频监控动态人脸识别方法，其特征在于，S200包括：

S201、标定第一视频监控人脸图像的人脸轮廓识别像素点，获得第一识别像素点集；标定第二视频监控人脸图像的人脸轮廓识别像素点，获得第二识别像素点集；

S202、将第一识别像素点集和第二识别像素点集按照标定顺序进行像素点顺序连线；

S203、按照视频拍摄频率提取像素点顺序连线的移动轨迹，获得监控图像人脸移动轨迹。

4.根据权利要求1所述的基于3D人脸模型的视频监控动态人脸识别方法，其特征在于，S300包括：

S301、将3D人脸模型云模拟轨迹云模拟起始点和监控图像人脸移动轨迹的监控采集起始点进行对比，获得识别缩放比例；

S302、根据识别缩放比例，对监控图像人脸移动轨迹进行轨迹比例缩放，获得监控图像人脸移动比例轨迹；

S303、将3D人脸模型云模拟轨迹和监控图像人脸移动比例轨迹进行点集重合度云对比分析，获得轨迹重合度分析结果。

5.根据权利要求1所述的基于3D人脸模型的视频监控动态人脸识别方法，其特征在于，S400包括：

S401、将轨迹重合度分析结果和设定轨迹重合度进行对比计算，获得轨迹重合度对比误差值；

S402、当轨迹重合度对比误差值处于系统设置对比误差值范围内，人脸识别通过；当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过；

S403、当人脸识别不能通过时，提示再次进行人脸识别；如果再次进行人脸识别仍然不能通过，则判定为人脸识别失败。

6.基于3D人脸模型的视频监控动态人脸识别装置，其特征在于，包括：

模拟模块，用于将3D人脸模型按照视频拍摄频率进行3D模型动态云模拟，建立3D人脸模型云模拟轨迹；

获取模块，用于将视频监控人脸图像按照视频拍摄频率进行人脸移动轨迹提取，获得监控图像人脸移动轨迹；

分析模块，用于对3D人脸模型云模拟轨迹和监控图像人脸移动轨迹进行轨迹重合度分析，获得轨迹重合度分析结果；

识别模块，用于对轨迹重合度分析结果和设定轨迹重合度进行判断，获得人脸识别结果。

7.根据权利要求6所述的基于3D人脸模型的视频监控动态人脸识别装置，其特征在于，所述模拟模块包括：

模拟准备单元，用于通过视频监控云平台模拟视频监控空间范围，标定视频监控摄像头中心点；

模拟操作单元，用于将3D人脸模型绕标定视频监控摄像头中心点进行视频监控环绕旋转，并进行3D人脸模型自转旋转；

模拟记录单元，用于记录3D人脸模型自转旋转和视频监控环绕旋转的人脸识别特征点云轨迹，建立3D人脸模型云模拟轨迹。

8.根据权利要求6所述的基于3D人脸模型的视频监控动态人脸识别装置，其特征在于，所述获取模块包括：

标定单元，用于标定第一视频监控人脸图像的人脸轮廓识别像素点，获得第一识别像素点集；标定第二视频监控人脸图像的人脸轮廓识别像素点，获得第二识别像素点集；

连接单元，用于将第一识别像素点集和第二识别像素点集按照标定顺序进行像素点顺序连线；

构建单元，用于按照视频拍摄频率提取像素点顺序连线的移动轨迹，获得监控图像人脸移动轨迹；在提取人脸轮廓特征时包括识别目标的场景深度图像；根据获取的深度图像，提取图像中人脸轮廓数据，通过人脸轮廓数据提取方法提取数据平均值特征。

9.根据权利要求6所述的基于3D人脸模型的视频监控动态人脸识别装置，其特征在于，所述分析模块包括：

起始点对比分析单元，用于将3D人脸模型云模拟轨迹云模拟起始点和监控图像人脸移动轨迹的监控采集起始点进行对比，获得识别缩放比例；

比例缩放分析单元，用于根据识别缩放比例，对监控图像人脸移动轨迹进行轨迹比例缩放，获得监控图像人脸移动比例轨迹；

点集重合度分析单元，用于将3D人脸模型云模拟轨迹和监控图像人脸移动比例轨迹进行点集重合度云对比分析，获得轨迹重合度分析结果；通过视频监控获得待识别对象的脸部3D数据；对获得的3D数据进行去噪、填孔、切割等预处理；将预处理后的3D人脸模型与预设的3D人脸模型中作对比分析，构成特征向量；使用分类器对提取的特征向量识别分类，输出识别结果。

10.根据权利要求6所述的基于3D人脸模型的视频监控动态人脸识别装置，其特征在于，所述识别模块包括：

误差值存储单元，用于将轨迹重合度分析结果和设定轨迹重合度进行对比计算，获得轨迹重合度对比误差值；

误差值对比单元，用于将轨迹重合度对比误差值与系统设置对比误差值进行对比，当轨迹重合度对比误差值处于系统设置对比误差值范围内，人脸识别通过；当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过；

误差值对比确认单元，用于确认轨迹重合度对比误差值与系统设置对比误差值的对比结果，当轨迹重合度对比误差值超出系统设置对比误差值范围，人脸识别不能通过时，提示再次进行人脸识别；如果再次进行人脸识别仍然不能通过，则判定为人脸识别失败。

Images