CN101894254A - 一种基于等高线法的三维人脸识别方法 - Google Patents

Abstract

一种基于等高线法的三维人脸识别方法，涉及一种生物识别方法，具体涉及一种利用三维人脸模型实现人脸识别的算法。本发明的目的在于提供一种有效的，快速的三维人脸识别算法。本发明的基于等高线法的三维人脸识别方法，通过提取等高线的方法，将三维人脸模型变成容易处理的二维曲线图，基于该曲线图提出了相应的算法；该方法包括特征提取和识别分析两个部分，这两部分分别由特征提取算法和识别分析算法来实现。三维人脸模型是凹凸不平的曲面，本发明通过绘制三维人脸的等高线图提取特征从而实现三维人脸识别，达到身份认证的目的。本发明的要点在于提供一种利用三维人脸的等高线图提取特征信息实现人脸识别算法。识别的准确性和速度方面大大提高。

Description

一种基于等高线法的三维人脸识别方法

【技术领域】：

本发明涉及一种生物识别方法，具体涉及一种利用三维人脸模型实现人脸识别的算法。

【背景技术】：

随着科技的迅猛发展，各种身份识别技术层出不穷。其中，基于生物特征不可复制、难以伪造、唯一、相对稳定等特点而发展起来的身份认证技术，已经成为人们普遍认同的身份识别安全技术。目前常用的基于生物特征的识别技术有：DNA、指纹、视网膜、虹膜和人脸识别等。而在这些技术中，人脸识别以其直接、友好、方便、隐秘等特点，成为了一种最容易被接受的身份鉴定方法，从而成为生物特征的身份认证技术中最活跃的领域之一。

但是，目前最常见的人脸识别方法大多基于二维图像识别技术，其方法为根据二维平面人脸侧影或某视角照片，通过特定的算法，提取并识别人脸特征。该方法的最大不足是可靠性差，不同识别算法在受到姿态、光照、角度以及面部涂覆(化妆)等因素影响时表现出很大的不确定性，使得识别准确度和适用场合受到很大限制。此外，由于二维图像本身提供的信息不充分，使得许多建立在基于经验估算的算法基础之上，致使识别的真实性和可靠性严重下降。

随着机器视觉技术和计算机技术的发展，基于三维模型的人脸识别技术已渐渐被人们所关注。同二维人脸识别技术相比，三维人脸识别技术准确度高、适应性强、抗攻击性强、抗欺诈性强，是一种比较理想的身份识别技术。目前常见的三维人脸识别算法有子空间方法、弹性匹配法、神经网络法、HMM法、形变模型方法等。但是这些算法在识别的准确性和速度方面还有着比较明显的不足。

【发明内容】：

本发明的目的在于提供一种有效的，快速的三维人脸识别算法。

本发明的基于等高线法的三维人脸识别方法，通过提取等高线的方法，将三维人脸模型变成容易处理的二维曲线图，基于该曲线图提出了相应的算法；该方法包括特征提取和识别分析两个部分，这两部分分别由特征提取算法和识别分析算法来实现：

3)特征提取算法的步骤为：

d)对三维模型进行标准化使之具有相同大小和方向；

e)通过对Z设定基准值，继而得到高于基准值的全部散点，将其投影到X-Y平面上，提取散点图边缘，得到类似等高线图的人脸分层切片图；

f)计算封闭切片曲线图的几何重心和面积来表征其特征，将各层的特征向量依次排列，得到表征三维人脸等高线图的特征矩阵[n(1)、n(2)、……n(i)]；

4)识别分析算法的步骤如下

e)将识别过程分为粗识别和精识别两个部分；

f)将待识别人脸用特征提取算法进行处理，得到其特征向量，通过计算欧氏距离的方法在数据库中寻找相似目标；

g)通过计算曲线间重叠面积判定相似度；

h)将待识别人脸与数据库中的人脸模型对应同一部位的闭合曲线的几何重心相互重合，以重心为原点建立极轴，用等间距的中心放射线与两曲线相交，求出交点距离s和与极轴夹角θ去掉该函数的直流分量后得到新的s-θ函数，求∫s²dθ作为相似度的表征量。

三维人脸模型是凹凸不平的曲面，本发明通过绘制三维人脸的等高线图提取特征从而实现三维人脸识别，达到身份认证的目的。本发明的要点在于提供一种利用三维人脸的等高线图提取特征信息实现人脸识别算法。

【附图说明】：

图1为人脸侧面切片示意图

图2为人脸正面切片示意图

图3为人脸1的等高线图

图4为人脸2的等高线图

图5为人脸1等高线的重心图

图6为人脸1等高线重心的局部放大图

图7为为人脸2等高线的重心图

图8为人脸1和2等高线重心的叠加图

【具体实施方式】：

本发明依据的原理说明如下：

(一)特征提取算法：

分析三维模型并提取三个特征点，选取鼻尖和眼角，根据这三个点的位置确定人脸的方向，并通过矩阵变换使之得到统一。

选定一个基准点作为人脸的三维坐标的坐标原点，再选定合适的轴，并以此为基准对三维人脸模型进行等高线的分割。依Z轴为例阐述具体分割方法：首先设定一个Z值，设为T，再将Z＞T的点投影到一张图上，得到一个二维图像。对这个二维图像做边缘提取即可得到Z＝T的等高线图。通过设定不同的T值即可等到不同的等高线，从而得到整个三维人脸模型的等高线图。

详细过程如下：

1.通过对Z设定阈值得到高于Z₀的全部散点，将其投影到X-Y平面上，如附图1和2所示。一系列阈值的疏密设定视具体精度要求而定，高则密，低则疏。

2.通过膨胀等操作将散点图变成连续图片，通过区域生长可使图片中的空洞被填满。膨胀算法：

$E=X\⊗B=\{x,y|B_{\mathrm{xy}}\⊆\mathrm{xX}\}$

B——结构元素

X——原始二值图像

E——B对X腐蚀所产生的二值图像

(x，y)——图像上像素点的坐标

区域生长：

步骤(1)：使用阈值集合将图像分割为R₁，R₂，R，…，R_m。

步骤(2)：从图像的分割描述中生成区域邻接图。

步骤(3)：对于每个R_j，i＝1，2，…，m，从RAG中确定所有R_j，j≠i，如R_i和R_j邻接。

步骤(4)：对于所有i和j，计算在R_i和R_j之间合适的相似性度量S_ij。

步骤(5)：如果S_ij＞T，那么合并R_i和R_j

步骤(6)：根据相似性标准，重复步骤(3)～步骤(5)，直到没有合并的区域为止。

3.用sobel算子提取图像边缘。

$G_X=\left(\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right)\×A$

$G_Y=\left(\begin{array}{ccc}+1& +2& +1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right)\×A$

得到等高线图如附图(3)和附图(4)所示

(二)特征信息的识别分析算法：

第一步，粗识别——几何重心法

1、标签识别

对于得到的每一幅等高线图，如附图(3)和附图(4)所示，将其存入数据库后进行预处理。具体做法：找出等高线图中每个等高线的重心，如附图(5)、(6)、(7)所示。每一层的等高线的重心用各个重心点相对于已知原点的坐标(x，y)表示。得到重心的坐标后，再计算每层等高线的面积s，进而可以得到一个的三维特征向量n(X，Y，S)去表示每层等高线的特征信息。各层的特征向量依次排列在一起，就得到一个表征三维人脸等高线图的特征矩阵[n(1)，n(2)，……n(i)]，其中n(i)为第i层等高线的特征向量，并将该特征矩阵作为该幅等高线图的标签存入数据库。

然后进行三维人脸标签识别，即是对两幅图的标签进行处理。具体做法如下：

设某个待识别等高线图的特征矩阵为[m(1)、m(2)……m(i)]，数据库中对应的标准等高线图的特征矩阵为[n(1)、n(2)……n(i)]。对两个特征矩阵中对应矩阵元素分别计算欧氏距离，即d(i)＝|m(i)-n(i)|。再对d(i)进行求和，即d＝∑d(i)，用d表征两幅等高线图相似度。将d与已经设好的阈值比较，如果小于阈值则进行下一步的精识别，否则认为此等高线图与标准等高线图不是来自同一个人的三维人脸模型。

2、基于重叠面积的识别

将待检测模型的等高线图与数据库中标准等高线图进行对比，首先将两图中对应同一部位的闭合曲线的几何重叠到一起，得到一组相互交叠的曲线，每组包含分别来自两幅图中对应同一z值范围的两条曲线，然后计算重合面积，并与标准闭合曲线面积的相比，将得到的比值与预定阈值相比较，若大多数比值在一定阈值内则认为相似，从而进行下一步精识别，否则认为不相似。

第二步，精识别——差异程度分析

1.以上一步中的重叠图的几何中心点为原点，竖直向上方向为极轴建立极坐标。

2.将与极轴成θ角的射线分别与各组等高线相交，分别计算两幅等高线图各层等高线相应交点的绝对距离s。

3.当θ在0°～360°范围内变化时，即可得到表征两幅等高线图每层等高线形状差异程度的函数s(θ)，然后做出θ和s的关系曲线，滤掉该关系曲线的直流分量，并对曲线各点的绝对值积分，就得到表征两等高线的差异程度的值T。

4.将T与设定好的阈值比较，如果T小于阈值，则认为两幅等高线形状一样，即来自同一个人的三维人脸模型；否则认为来自不同人的三维人脸模型。

经过以上步骤的识别，即可实现精度较高的人脸识别。

Claims (1)

1.一种基于等高线法的三维人脸识别方法，其特征在于：通过提取等高线的方法，将三维人脸模型变成容易处理的二维曲线图，基于该曲线图提出了相应的算法；该方法包括特征提取和识别分析两个部分，这两部分分别由特征提取算法和识别分析算法来实现：

1)特征提取算法的步骤为：

a)对三维模型进行标准化使之具有相同大小和方向；

b)通过对Z设定基准值，继而得到高于基准值的全部散点，将其投影到X-Y平面上，提取散点图边缘，得到类似等高线图的人脸分层切片图；

c)计算封闭切片曲线图的几何重心和面积来表征其特征，将各层的特征向量依次排列，得到表征三维人脸等高线图的特征矩阵[n(1)、n(2)、……n(i)]；

2)识别分析算法的步骤如下

a)将识别过程分为粗识别和精识别两个部分；

b)将待识别人脸用特征提取算法进行处理，得到其特征向量，通过计算欧氏距离的方法在数据库中寻找相似目标；

c)通过计算曲线间重叠面积判定相似度；

d)将待识别人脸与数据库中的人脸模型对应同一部位的闭合曲线的几何重心相互重合，以重心为原点建立极轴，用等间距的中心放射线与两曲线相交，求出交点距离s和与极轴夹角θ去掉该函数的直流分量后得到新的s-θ函数，求∫s²dθ作为相似度的表征量。

Images