CN103679816A - 一种面向刑侦的未知身源颅骨的计算机辅助面貌复原方法 - Google Patents

Abstract

本发明涉及法医人类学、计算机图形学等领域中的一种面向刑侦的未知身源颅骨的计算机辅助面貌复原方法，主要步骤包括：步骤一，未知身源颅骨的三维建模；步骤二，未知身源颅骨的性别判别；步骤三，基于稠密点的面部软组织规律分析；步骤四，基于稠密点配准的颅骨面貌复原方法；步骤五，基于主成分分析的未知身源颅骨的面貌估计；步骤六，基于三维面貌模型的排查照片的生成。本发明提供的面向刑侦的未知身源颅骨的计算机辅助面貌复原方法能够快速实现未知身源颅骨的面貌复原，可为刑事案件侦查预测受害人的生前面貌。

Description

一种面向刑侦的未知身源颅骨的计算机辅助面貌复原方法

技术领域

本发明涉及法医人类学、计算机图形学等领域中的面向刑侦的未知身源颅骨的计算机辅助面貌复原方法，能够实现未知身源颅骨的性别鉴定、分析发现面部软组织的分布规律，实现未知身源颅骨的三维面貌复原，可应用于刑侦现场未知身源颅骨的面貌复原，可为刑事案件侦查预测受害人的生前面貌。并可以进一步推广应用于考古学领域中古代名人的面貌复原、人类学领域中人类面貌的演化分析等领域。

背景技术

颅骨是人类面貌内在的生物特征，面貌是人与人之间最直接的识别依据，颅骨的形态决定人体面貌的基本形态。颅骨面貌复原是以法医人类学的基本理论和方法为基础，针对大数据集颅面数据，通过测量、分析及统计方法，发现颅骨和面貌的相互关系，并结合颅面形态规律实现给定颅骨的面貌估计。

传统颅骨面貌复原方法涉及法医人类学、解剖学、艺术雕塑等学科，主要针对尸体进行测量统计。受到颅面样本数量有限、用于测量软组织厚度的颅骨特征点数量少等因素的制约，导致颅面形态规律的分析结果缺乏有效的数据支持；并且，由于传统手工面貌复原方法的结果在很大程度上取决于个人对颅面形态的理解，复原结果容易受主观因素影响。近年来，随着CT、MRI等高分辨率医学图像数字采集设备的快速发展及广泛应用，计算机图形学、可视化技术、医学图像处理等信息科学新技术为颅面形态研究及其应用提供新的研究方法和实现技术。信息科学技术能够快速实现大样本颅面三维建模，基于颅骨的性别判别和面部软组织分布规律分析，实现客观、科学和具有可重复性的面貌复原结果。

目前，基于颅骨数据配准的面貌复原方法已经被广泛应用于面貌复原，其实质是将参考数据的软组织作为待复原颅骨的软组织进行面貌复原。基本过程如下：首先基于颅骨特征点实现参考颅骨向待复原颅骨的非刚性配准，然后将该变换应用于参考面貌模型，从而实现面貌复原。Philips等和周明全等人最早提出利用CT进行活体样本数据的采集和大数据集软组织厚度的测量，保证面貌复原结果的准确性。Turner等人采用薄板样条函数实现参考颅骨向待复原颅骨的配准，然后将此变换应用于参考面貌模型，实现面貌复原。Peter Tu等人在进行颅骨非刚性配准前，首先将颅骨进行柱面展开，从而将三维颅骨模型的非刚性配准问题转化为二维展开图的非刚性配准，通过非线性优化方法实现颅骨配准及面貌复原。邓擎琼等人提出全局与局部配准相结合的方法，实现待复原颅骨与参考颅骨的配准。裴玉茹等人生成颅骨软组织的二维展开图，将其作为待复原颅骨的软组织分布，采用径向基网RBFN（radialbasis function network）实现面貌复原。基于面貌特征点配准的方法实质是模拟传统基于软组织厚度的三维手工复原方法。首先根据测量得到的软组织厚度估计待复原颅骨特征点对应面貌点的几何坐标p，然后实现参考面貌特征点向待复原面貌特征点p的变形，实现面貌复原。李江等人采用移动最小二乘方法，实现了基于面貌特征点的复原。然而上述两类复原方法并未涉及颅面参考数据的选择，并存在以下问题亟待解决：（a）缺少有效的面部软组织规律分析方法；（b）缺少有效的颅面数据分类方法；（c）颅骨面貌复原方法亟待改进。

本专利对基于颅骨的面貌复原方法进行了扩展，提出了一种面向刑侦的未知身源颅骨的计算机辅助复原方法。该方法依据颅骨的少量几何测量指标建立了颅骨性别判别方程，实现了完整颅骨和缺少下颌骨的颅骨的性别判别。定义了面部软组织分析六项评价指标，建立了面部软组织分布图，分析了面部软组织分布与性别、年龄的关系。提出了颅面数据分类方法和基于主成分分析的颅骨颅面复原方法，克服了仅依靠单一颅面样本决定面貌复原结果的局限。最后通过替换眼睛、鼻子、嘴、头发等信息实现了受害人生前照片的预测。

发明内容

针对上述缺陷，本发明的目的是提供一种面向刑侦的未知身源颅骨的计算机辅助面貌复原方法，以解决现有技术的不足。

为实现上述目的，本发明采用了以下的技术方案：

步骤一：未知身源颅骨的三维建模；

步骤二：未知身源颅骨的性别判别；

步骤三：基于稠密点的面部软组织规律分析；

步骤四：基于稠密点配准的颅骨面貌复原方法；

步骤五：基于主成分分析的未知身源颅骨的面貌估计。

所述步骤二可以进一步包括：

步骤2.1：定义如下测量指标：

X1：颅面最大长，颅顶最高点至颏下点的距离；

X2：左右额颞点（ft-ft）之间的距离；

X3：左右颧颌点（zm-zm）间的距离；

X4：右眼眶眶高：右眼眶轮廓线垂直方向的最大长；

X5：右眼眶眶宽：右眼眶轮廓线水平方向的最大宽；

X6：眉间点(g)至鼻棘下点(ss)的距离；

X7：下颌骨拟合直线夹角，由左颏孔下后点、左下颌角点、左下颌支前下点拟合直线与由右颏孔下后点、右下颌角点、右下颌支前下点拟合直线间的夹角。

步骤2.2：建立颅骨性别判别方法。针对完整颅骨，建立由X1、X5、X6、X7四个指标作为因子的性别判别方程，性别判别公式为：

Z1＝1.853×X1+2.039×X5+7.126×X6+3.720×X7-559.449

Z2＝1.743×X1+1.786×X5+6.864×X6+4.007×X7-516.919

其中当Z1>Z2时，待检测颅骨为男性；当Z1<Z2时，待检测颅骨为女性；

针对无下颌的颅骨，性别判别方程为：

Z1＝5.226×X2+2.397×X3+1.962×X4+7.321×X6-649.853

Z2＝5.027×X2+2.262×X3+1.784×X4+6.986×X6-586.881

其中当Z1>Z2时，待检测颅骨为男性；当Z1<Z2时，待检测颅骨为女性。

所述步骤三可以进一步包括：

步骤3.1：计算颅面样本库中每个样本顶点处的软组织厚度；

步骤3.2：采用非刚性配准技术实现颅面数据库中颅骨的非刚性配准，建立颅骨样本间顶点的稠密对应关系，使得具有对应关系的顶点具有近似相同的解剖学位置对应；

步骤3.3：基于稠密点的软组织厚度，分析面部软组织分布规律；

步骤3.4：基于软组织厚度分布，实现面貌胖瘦体态的分类；

步骤3.5：依据性别、年龄、体态和地域信息完成颅面数据的分类。

所述步骤3.3可以进一步包括：

步骤3.3.1：定义基于稠密点的面部软组织分布的六个评价指标，包括总体软组织厚度均值mean、总体软组织厚度标准差sd、各部分的软组织厚度均值mean_p、各部分的软组织厚度标准差sd_p、各部分软组织厚度变化情况ksd_p和软组织厚度百分比。依据上述六个指标发现面部软组织的分布规律及变化规律：（1）各年龄段中，男性30-40岁阶段的软组织均值最大、胖瘦变化最显著。女性40-50岁阶段的软组织均值最大、胖瘦变化最显著。男性和女性均在20-30岁阶段软组织均值最小、胖瘦变化最不显著。（2）男性的面貌胖瘦随着年龄的增加软组织厚度及其胖瘦变化迅速增加，均值达到最大值后随着年龄的增加再逐步减小。女性的面貌胖瘦随着年龄的增加软组织厚度及其胖瘦变化在逐渐增加，均值达到最大值后随着年龄的增加逐渐减小。男性面貌在30-50岁阶段，女性在40-60岁阶段面貌处于较胖的时期。

所述总体软组织厚度均值mean和标准差sd计算方法：

$\mathrm{mean}=\frac{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{mThick}}_j}{k}$

其中

j∈{1,2,3,...,k}，thick_ij表示第i个颅骨的第j个顶点的软组织厚度测量值。

$\mathrm{sd}=\frac{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{mSd}}_j}{k},$ 其中 ${\mathrm{mSd}}_j=\sqrt{\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({\mathrm{thick}}_{\mathrm{ij}}-{\mathrm{mThick}}_j)}^2}{m-1}},$ j∈{1,2,3,...,k}

其中m表示颅骨样本的个数，k表示颅骨的顶点个数，实验中k=90198。

第p部分的软组织厚度均值mean_p和标准差sd_p计算方法：

${\mathrm{mean}}_p=\frac{\underset{j=1}{\overset{{\mathrm{number}}_p}{\mathrm{\&Sigma;}}}{\mathrm{mThick}}_j}{{\mathrm{number}}_p},$ p∈{1,2,3,4,5}， ${\mathrm{mThick}}_j=\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{thick}}_{\mathrm{ij}}}{m},$ j∈{kind_p}

${\mathrm{sd}}_p=\frac{\underset{j=1}{\overset{{\mathrm{number}}_p}{\mathrm{\&Sigma;}}}{\mathrm{mSd}}_j}{{\mathrm{number}}_p},$ 其中 ${\mathrm{mSd}}_j=\sqrt{\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({\mathrm{thick}}_{\mathrm{ij}}-{\mathrm{mThick}}_j)}^2}{m-1}},$ j∈{kind_p}

其中{kind_p}表示属于第p部分的顶点序号的集合，m表示颅骨样本的个数，number_p表示第p部分对应的顶点个数。

不同于总体均值和标准差，各部分软组织厚度变化情况ksd_p仅考虑所属部分的软组织厚度均值，反映在该部分范围内软组织分布的变化程度，计算方法如下：

${\mathrm{ksd}}_p=\frac{\underset{j=1}{\overset{{\mathrm{number}}_p}{\mathrm{\&Sigma;}}}{\mathrm{mSd}}_j}{{\mathrm{number}}_p}$

其中j∈{kind_p}，m表示颅骨样本的个数，number_p表示第p部分对应的颅骨顶点个数。

各部分所占百分比Pos：

${\mathrm{pos}}_p=\frac{{\mathrm{number}}_p}{k},$ p∈{1，2，3，4，5}

其中

number_p表示第p部分包含的颅骨顶点个数，k表示颅骨的顶点个数，软组织分析过程之中主要观测软组织厚度大于10mm和大于20mm的百分比，分别表示为posA和posB：

posA＝pos₂+pos₃+pos₄+pos₅

posB＝pos₄+pos₅

步骤3.3.2：将软组织厚度测量值分为(0，10mm)、[10mm，15mm)、[15mm，20mm)、[20mm，25mm)和[25mm，45mm)五个部分，通过将相同区间内的软组织厚度赋予相同的颜色值，建立不同性别、年龄段的面部软组织厚度分布图，在此基础上按照2mm为间隔进一步细分每个部分，建立细分软组织厚度分布图，通过观察颜色分布图发现软组织厚度的分布情况。

所述步骤四可以进一步包括：

步骤4.1：利用欧几里德矩阵度量颅骨间的几何形态差异，进而从颅面分类数据库中选择与待复原颅骨几何形状最相似的颅骨；

步骤4.2：利用非刚性配准方法实现颅面样本库中选择的参考颅骨向待复原颅骨的非刚性变形，应用该变形驱动参考面貌模型的变形；

步骤4.3：依据未知身源颅骨的信息，针对不同颅面分类库，实现未知身源颅骨的面貌复原。

所述步骤4.1可以通过以下公式实现：

$\mathrm{ref}({\mathrm{skull}}_P,{\mathrm{skull}}_Q)=a\&CenterDot;\left|\frac{[\mathrm{lX}({\mathrm{sk}}_P,{\mathrm{sk}}_Q)+\mathrm{lY}({\mathrm{sk}}_P,{\mathrm{sk}}_Q)+\mathrm{lZ}({\mathrm{sk}}_P,{\mathrm{sk}}_Q)]}{3}\right|+\frac{b}{n}\underset{j=1}{\overset{j=n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\mathrm{dist}(d{(i,j)}_p,d{(i,j)}_q)$

其中sk_P,sk_Q分别表示两个颅骨模型，P、Q分别为两个颅骨模型的对应点dist(d(i,j)_p,d(i,j)_q)＝||d(i,j)_p/d(i,j)_q||²，其中d(i,j)_p＝||p_i-p_j||_p，d(i,j)_q＝||p_i-p_j||_q，lX(sk_P,sk_Q)表示颅骨模型间沿X轴的长度差、lY(sk_P,sk_Q)表示颅骨模型间沿Y轴的长度差，lZ(sk_P,sk_Q)表示颅骨间模型沿z轴的长度差，n表示对应点个数，a、b为系数权重调节局部形状和整体形状的权重。

所述步骤五可以进一步包括：

步骤5.1：采用主成分分析方法计算复原面貌的主成分，通过调整主成分系数实现未知身源颅骨的面貌复原；

所述步骤5.1可以通过以下公式实现：

$\mathrm{cov}=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{face}}_i-\stackrel{\&OverBar;}{\mathrm{face}}){({\mathrm{face}}_i-\stackrel{\&OverBar;}{\mathrm{face}})}^T$

其中

face＝{p_i,|i＝1,2,...,m}表示不同颅面分类库复原的结果，cov表示协方差矩阵，

计算协方差矩阵的特征值λ₁，λ₂，…，λ_n(特征值由大到小排列)及特征向量eigV₁，eigV₂，…，eigV_n，

通过调节主成分系数产生的面貌复原模型为：

${\mathrm{face}}_{\mathrm{new}}=\stackrel{\&OverBar;}{\mathrm{face}}+\left[\begin{array}{cccc}\mathrm{eig}{V}_1& \mathrm{eig}{V}_2& \&CenterDot;\&CenterDot;\&CenterDot;& \mathrm{eig}{V}_t\end{array}\right]\left[\begin{array}{c}{\mathrm{\&lambda;}}_1\\ {\mathrm{\&lambda;}}_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ {\mathrm{\&lambda;}}_t\end{array}\right]$

步骤5.2：从五官数据库中选择五官库模型来替换复原后的人脸模型中的相应区域，同时保证拼接边界的完全吻合与平滑过度。采用基于配准点集的非刚性配准方法实现五官与复原面貌的配准，解决配准结果在轮廓边缘可能存在不连续的问题。配准过程中首先提取面貌五官边缘轮廓，计算轮廓点集的k邻域顶点集；然后将轮廓点集中的顶点与五官模型间的欧式距离按降序排序，寻找距离最大的轮廓顶点集Pt以及该点集与五官模型上的对应点Qt；最后采用非刚性配准算法实现五官与面貌的配准。

所述方法还可以包括步骤六：基于三维面貌模型的排查照片的生成。

所述步骤六可以进一步包括：

步骤6.1：针对三维面貌复原结果的正侧面截图，从已经建立的五官数字图像库中，选择合适的眼睛、鼻子、嘴、眉毛、头发的图像进行替换；

步骤6.2：针对三维面貌复原结果的正侧面截图，手绘复原结果。

由于采用了以上的技术特征，使得本发明相比于现有技术具有如下的优点和积极效果：

（1）面部软组织规律分析方法。面貌复原结果与面部软组织分布具有直接关系，现有基于特征点的软组织分布研究方法的关键是试图通过少量特征点的软组织厚度分布反映整个面部的软组织分布，因此很难准确地分析和描述面部软组织分布和变化规律。本方法通过定义、计算和分析面部稠密点的软组织厚度的六个评价指标和面部软组织分布图，分析面部软组织分布与性别和年龄的变化规律，提高了面貌复原结果的可靠性。

（2）颅骨性别的判别方法。现有法医学方法大多针对尸体的颅骨实物进行研究，然而受制于尸体样本数量有限、实物颅骨不易保存、不易反复测量等因素的制约，影响了该方法的推广。本方法将活体人群的颅骨作为测量样本，拓展了训练样本集合的数量，利用计算机软件辅助测量各类测量指标，建立了多元性别判别函数，实现了完整颅骨和无下颌的颅骨的性别判别，判别方法无需具备人类学专业知识，判别结果相对客观，为开展面貌复原奠定基础。

（3）未知身源颅骨的面貌复原方法。本方法综合考虑性别、年龄、面貌胖瘦体态等多种因素建立了颅面分类库，利用非刚性配准方法实现了基于配准的面貌复原。在此基础上采用主成分分析方法，通过调节各特征向量的主成分系数实现了未知身源颅骨的三维面貌复原。该方法克服了现有基于配准的复原方法复原结果受制于参考样本软组织分布的制约，提高了局部特征的准确性，复原结果更加可靠。

（4）法医学专家采用手绘和计算机方法对复原面貌的正侧面照片进行进一步加工和处理，实现了计算机复原结果与法医学专家经验的有效结合。

当然，实施本发明内容的任何一个具体实施例所述的构造方法，并不一定同时达到以上全部的技术效果。

附图说明

图1算法流程图；

图2颅骨三维模型；

图3A到图3D为颅骨几何相似度排序结果图；

图4A到图4E为非刚性配准方法的面貌复原结果图；

图5A到图5D为面貌复原结果处理结果图,其中图5A和5C为复原结果，图5B和5D为处理后的结果。

具体实施方式

以下结合附图对本发明的具体实施方式和优选实施例进行详细描述，但本发明并不仅仅限于以下实施例。本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。

本发明的具体实施方式的步骤如图1所示，包括：

第一步：未知身源颅骨的三维建模；

第二步：未知身源颅骨的性别判别；

第三步：基于稠密点的面部软组织规律分析；

第四步：基于稠密点配准的颅骨面貌复原；

第五步：基于主成分分析的未知身源颅骨的面貌估计；

第六步：基于三维面貌模型的排查照片的生成。

1.未知身源颅骨的三维建模

第一步：将送检颅骨放置在云台上，调节扫描环境的外部光源强度以及三维激光扫描仪的焦距、激光强度等设备参数，确保颅骨深度图像的正常采集。扫描过程中，以固定角度作为旋转角度间隔（如30度），按照固定方向转动云台，每转动一次云台采集一次颅骨的深度图像，最后再分别从颅骨正上方和正下方采集深度图像；

第二步：基于深度图像的颅骨建模，采用多视深度图像间刚性与非刚性配准算法，实现未知身源颅骨的三维建模；

第三步：采用曲面拟合和非刚性配准算法实现颅骨模型孔洞区域的几何填充。

2.未知身源颅骨的性别判别

第一步：定义颅骨特征点，测量颅骨的7项测量指标。X1，颅顶最高点至颏下点的距离；X2，左右额颞点（ft-ft）之间的距离；X3，左右颧颌点（zm-zm）间的距离；X4，右眼眶眶高：右眼眶轮廓线垂直方向的最大长；X5，右眼眶眶宽：右眼眶轮廓线水平方向的最大宽；X6，眉间点(g)至鼻棘下点(ss)之间的距离；X7,下颌骨拟合直线夹角，由左颏孔下后点、左下颌角点、左下颌支前下点拟合直线与由右颏孔下后点、右下颌角点、右下颌支前下点拟合直线间的夹角；

第二步：建立颅骨性别判别方法。针对完整颅骨，建立由X1、X5、X6、X7四个指标作为因子的性别判别方程，性别判别公式为：

Z1＝1.853×X1+2.039×X5+7.126×X6+3.720×X7-559.449

Z2＝1.743×X1+1.786×X5+6.864×X6+4.007×X7-516.919

其中当Z1>Z2时，待检测颅骨为男性；当Z1<Z2时，待检测颅骨为女性；

针对无下颌的颅骨，建立由X2、X3、X4、X6四个指标作为因子的性别判别方程，性别判别公式为：

Z1＝5.226×X2+2.397×X3+1.962×X4+7.321×X6-649.853

Z2＝5.027×X2+2.262×X3+1.784×X4+6.986×X6-586.881

其中当Z1>Z2时，待检测颅骨为男性；当Z1<Z2时，待检测颅骨为女性。

3.基于稠密点的面部软组织规律分析

第一步：计算颅面样本库中每个样本顶点处的软组织厚度。本方法定义软组织测量方向为采用沿直线方向进行测量。对于校正在法兰克福坐标系下的颅面模型，将颅骨上的点p₀(x₀,y₀,z₀)向同层坐标Z轴的中心点o(0,0,z₀)发射射线，沿该射线的反方向将p₀作为起点，则和面貌产生交点p₁(x₁,y₁,z₁)，两点之间的欧式距离定义为p₀的软组织厚度。

第二步：采用非刚性配准技术实现颅面数据库中颅骨的非刚性配准，建立颅骨间顶点的稠密对应关系，使得具有对应关系的顶点具有近似相同的解剖学位置对应关系。颅骨非刚性配准时，首先从颅骨模型数据集中选择任意颅骨作为标准颅骨模型，其余颅骨模型作为待规格化模型。然后将已经标定的颅骨特征点集作为标志点集，采用由Iterative Closest Point及Thin plateSpline等刚性与非刚性相结合的方法实现待规格化颅骨模型的变形，将两个模型间的最近点作为对应点建立颅骨间的对应关系。

第三步：基于稠密点的软组织厚度，分析面部软组织分布规律。定义基于稠密点的面部软组织分布的六个评价指标，包括总体软组织厚度均值mean、总体软组织厚度标准差sd、各部分的软组织厚度均值mean_p、各部分的软组织厚度标准差sd_p、各部分软组织厚度变化情况ksd_p和软组织厚度百分比。依据上述六个指标描述面部软组织的分布规律及变化规律；将软组织厚度测量值分为(0mm，10mm)、[10mm，15mm)、[15mm，20mm)、[20mm，25mm)和[25mm，45mm)五个部分，通过将相同区间内的软组织厚度赋予相同的颜色值，建立不同性别、年龄段的面部软组织厚度分布图，在此基础上按照2mm为间隔进一步细分每个部分，建立细分软组织厚度分布图，通过观察颜色分布图发现软组织厚度的分布情况。

总体软组织厚度均值mean和标准差sd计算方法：

$\mathrm{mean}=\frac{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{mThick}}_j}{k}$

其中

j∈{1,2,3,...,k}，thick_ij表示第i个颅骨的第j个顶点的软组织厚度测量值。

$\mathrm{sd}=\frac{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{mSd}}_j}{k},$ 其中 ${\mathrm{mSd}}_j=\sqrt{\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({\mathrm{thick}}_{\mathrm{ij}}-{\mathrm{mThick}}_j)}^2}{m-1}},$ j∈{1,2,3,...,k}

其中m表示颅骨样本的个数，k表示颅骨的顶点个数，实验中k=90198。

第p部分的软组织厚度均值mean_p和标准差sd_p计算方法：

${\mathrm{mean}}_p=\frac{\underset{j=1}{\overset{{\mathrm{number}}_p}{\mathrm{\&Sigma;}}}{\mathrm{mThick}}_j}{{\mathrm{number}}_p},$ p∈{1,2,3,4,5}， ${\mathrm{mThick}}_j=\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{thick}}_{\mathrm{ij}}}{m},$ j∈{kind_p}

${\mathrm{sd}}_p=\frac{\underset{j=1}{\overset{{\mathrm{number}}_p}{\mathrm{\&Sigma;}}}{\mathrm{mSd}}_j}{{\mathrm{number}}_p},$ 其中 ${\mathrm{mSd}}_j=\sqrt{\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({\mathrm{thick}}_{\mathrm{ij}}-{\mathrm{mThick}}_j)}^2}{m-1}},$ j∈{kind_p}

其中{kind_p}表示属于第p部分的顶点序号的集合，m表示颅骨样本的个数，number_p表示第p部分对应的顶点个数。

不同于总体均值和标准差，各部分软组织厚度变化情况ksd_p仅考虑所属部分的软组织厚度均值，反映在该部分范围内软组织分布的变化程度，计算方法如下：

${\mathrm{ksd}}_p=\frac{\underset{j=1}{\overset{{\mathrm{number}}_p}{\mathrm{\&Sigma;}}}{\mathrm{mSd}}_j}{{\mathrm{number}}_p}$

其中

j∈{kind_p}，m表示颅骨样本的个数，number_p表示第p部分对应的颅骨顶点个数。

各部分所占百分比Pos：

${\mathrm{pos}}_p=\frac{{\mathrm{number}}_p}{k},$ p∈{1,2,3,4,5}

其中

number_p表示第p部分包含的颅骨顶点个数，k表示颅骨的顶点个数，软组织分析过程之中主要观测软组织厚度大于10mm和大于20mm的百分比，分别表示为posA和posB：

posA＝pos₂+pos₃+pos₄+pos₅

posB＝pos₄+pos₅

第四步：基于软组织厚度分布，实现面貌胖瘦体态的分类。依据法医人类学知识，选择脸颊区域中左侧颏孔下点、左侧下颌支中部后点、左侧下颌支中点、左侧下颌支中部前点、左侧下颌角点、右侧颏孔下点、右侧下颌支中部后点、右侧下颌支中点、右侧下颌支中部前点、右侧下颌角点共10个特征点的软组织厚度thickness_i作为评判标准，每个特征点的胖瘦体态的分类方法为：

其中mean_i表示当前性别、年龄段的所有样本中，第i个颅骨特征点软组织厚度的均值，?表示偏差范围。选择?为样本集中对应颅骨特征点处软组织厚度的标准差。对每个颅骨特征点进行类型判断后投票，分类规则为：（1）10个颅骨特征点均为瘦，则对应面貌类型为瘦；（2）10个特征点中4个以上为胖，则面貌类型为胖；（3）其余情况对应面貌类型为中等。

第五步：依据性别、年龄、体态、地域等信息完成颅面数据的分类，分类标准为：

地域划分为：{北方}、{南方}；

性别划分为：{男}、{女}；

民族划分为：{汉族}、{其他}；

年龄划分为：{20—30岁}、{30—40岁}、{40—50岁}、{50—60岁}、{60—70岁}；

面貌体态分为：{胖}、{瘦}、{中}；

4.基于稠密点配准的颅骨面貌复原

第一步：利用欧几里德矩阵度量颅骨间的几何形态差异，进而从颅面分类数据库中选择与待复原颅骨几何形状最相似的颅骨。颅骨的相似度度量公式如下：

$\mathrm{ref}({\mathrm{skull}}_P,{\mathrm{skull}}_Q)=a\&CenterDot;\left|\frac{[\mathrm{lX}({\mathrm{sk}}_P,{\mathrm{sk}}_Q)+\mathrm{lY}({\mathrm{sk}}_P,{\mathrm{sk}}_Q)+\mathrm{lZ}({\mathrm{sk}}_P,{\mathrm{sk}}_Q)]}{3}\right|+\frac{b}{n}\underset{j=1}{\overset{j=n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\mathrm{dist}(d{(i,j)}_p,d{(i,j)}_q)$

其中sk_P,sk_Q分别表示两个颅骨模型，P、Q分别为两个颅骨模型的对应点dist(d(i,j)_p,d(i,j)_q)＝||d(i,j)_p/d(i,j)_q||²，其中d(i,j)_p＝||p_i-p_j||_p，d(i,j)_q＝||p_i-p_j||_q。lX(sk_P,sk_Q)表示颅骨模型间沿X轴的长度差、lY(sk_P,sk_Q)表示颅骨模型间沿Y轴的长度差，lZ(sk_P,sk_Q)表示颅骨模型间沿z轴的长度差，n表示对应点的个数，a、b为系数权重调节局部形状和整体形状的权重。

第二步：利用非刚性配准方法实现颅面样本库中选择的参考颅骨向待复原颅骨的非刚性变形，应用该变形驱动参考面貌模型的变形；

第三步：依据未知身源颅骨的信息，针对不同颅面分类库，实现未知身源颅骨的面貌复原。

5.基于主成分分析的未知身源颅骨的面貌估计

第一步：采用主成分分析方法计算复原面貌的主成分，通过调整主成分稀疏实现未知身源颅骨的面貌复原；

$\mathrm{cov}=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{face}}_i-\stackrel{\&OverBar;}{\mathrm{face}}){({\mathrm{face}}_i-\stackrel{\&OverBar;}{\mathrm{face}})}^T$

其中 $\stackrel{\&OverBar;}{\mathrm{face}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{face}}_i\mathrm{face}=\{p_i,|i=\mathrm{1,2},...,m\}$ 表示不同颅面分类库复原的结果，cov表示协方差矩阵。

计算协方差矩阵的特征值λ₁，λ₂，…，λ_n(特征值由大到小排列)及特征向量eigV₁，eigV₂，…，eigV_n。

通过调节主成分系数产生的面貌复原模型为：

${\mathrm{face}}_{\mathrm{new}}=\stackrel{\&OverBar;}{\mathrm{face}}+\left[\begin{array}{cccc}\mathrm{eig}{V}_1& \mathrm{eig}{V}_2& \&CenterDot;\&CenterDot;\&CenterDot;& \mathrm{eig}{V}_t\end{array}\right]\left[\begin{array}{c}{\mathrm{\&lambda;}}_1\\ {\mathrm{\&lambda;}}_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ {\mathrm{\&lambda;}}_t\end{array}\right]$

第二步：依据法医学家提供的专业知识，从颅面五官库中选择合适的五官模型，实现面貌复原模型五官的替换。从五官数据库中选择五官库模型来替换复原后的人脸模型中的相应区域，同时保证拼接边界的完全吻合与平滑过度。采用基于配准点集的非刚性配准方法实现五官与复原面貌的配准，解决配准结果在轮廓边缘可能存在不连续的问题。配准过程如下：Step1：提取面貌五官边缘轮廓，计算轮廓点集的k邻域顶点集；Step2：将轮廓点集中的顶点与五官模型间的欧式距离按降序排序，寻找距离最大的轮廓顶点集Pt以及该点集与五官模型上的对应点Qt；Step3：采用非刚性配准算法实现五官与面貌的配准。

6.基于三维面貌模型的排查照片的生成

第一步：针对三维面貌复原结果的正侧面截图，从已经建立的五官数字图像库中，依据法医学家专业知识选择合适的眼睛、鼻子、嘴、眉毛、头发的图像进行替换；

第二步：针对三维面貌复原结果的正侧面截图，法医学家依据经验手绘复原结果。

本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

实施例：

实验中首先利用三维激光扫描仪采集未知身源颅骨的三维模型，如图2所示。然后通过测量颅骨的几何测量指标，判别颅骨的性别。面部软组织分布直接影响了面貌复原的结果，因此为了提高面貌复原的可靠性，针对颅面数据库，分析面部软组织分布与性别、年龄的分布关系，建立考虑年龄、性别、面貌胖瘦等多因素建立的颅面分类库。法医学专家依据刑侦现场遗留的其他线索，推测未知身源颅骨的年龄和面貌体态。针对符合未知身源颅骨属性的颅面分类库中的每个颅面样本，利用基于稠密点配准的面貌复原方法，将参考样本的软组织分布作为待复原颅骨的软组织分布，实现面貌的复原。将上述方法的复原结果，利用主成分分析方法，计算特征值和特征向量，通过调整主成分系数，实现所有可能三维面貌的估计。由法医学专家确定最符合颅骨形状特征的五官模型，实现面貌五官的复原。由于二维照片相比较于三维模型更容易被普通人辨认，因此针对三维面貌复原结果的正侧面照片，通过计算机或者法医学专家人工手绘的方法，添加嘴唇、眼睛、鼻、头饰等信息，为案件中的受害人员预测生前照片。

复原过程中，首先标定颅骨特征点并测量颅面数据库中颅骨模型的7项测量指标，特征点名称如表1所示，建立性别判别方程。将未知身源颅骨的测量值代入颅骨的性别判别方程，判别颅骨的性别。

表1颅骨特征点

通过定义和比较六个客观度量指标发现面部软组织分布具有规律性，年龄和性别对软组织分布均有影响，表现为：（1）面部软组织分布呈现近似对称性，且额头、眼眶等法兰克福平面以上的区域软组织薄，脸颊等法兰克福平面以下的区域厚；（2）男性软组织厚度均值及标准差大于女性。各年龄段中男性、女性面部软组织的变化均集中在脸颊区域，相比于其他部分该区域软组织变化更为显著，表明脸颊区域最容易受到年龄、性别因素的影响。（3）各年龄段中，男性30-40岁阶段的软组织均值最大、胖瘦变化均最显著。女性40-50岁阶段的软组织均值最大、胖瘦变化最显著。男性、女性均在20-30岁阶段软组织均值最小、胖瘦变化最不显著。（4）男性随着年龄的增加软组织厚度及其胖瘦变化迅速增加，30-40岁到最大值后随着年龄的增加再逐步减小。女性随着年龄的增加软组织厚度及其胖瘦变化在逐渐增加，40-50岁到最大值后随着年龄的增加逐渐减小。（5）男性在30-50岁阶段，女性在40-60岁阶段处于面貌较胖的时期。

实验中待复原颅骨的所属分类库中包括13个样本，将这些样本分别采用基于欧几里德均值的颅骨相似度度量方法，颅骨相似度比较实验结果如表2所示，可知待复原颅骨的相似度顺序为：4、3、1、13、5、9、8、12、7、11、6、2、10，图3A到图3D列出了颅骨几何相似度排序的结果，图3A表示待复原颅骨，图3B、3C、3D分别表示4、9、10号颅骨，其相似度度量值由小到大。相似度值越小，表明颅骨越相似。

表2参考颅骨与待复原颅骨的相似度

颅骨编号	整体	局部	加权	颅骨编号	整体	局部	加权
								1	0.8008	81.8389	78.7812	2	3.5109	84.5306	81.5329
3	0.5652	81.5589	78.5621	4	2.3390	81.4100	78.3113
								5	1.5379	82.7979	79.7913	6	3.7986	84.0701	81.1001
7	0.4446	84.0701	80.5116	8	1.9800	83.1911	80.1863
								9	0.0272	83.0014	79.9314	10	2.1558	85.7596	82.6663
11	4.0445	83.7328	80.7843	12	1.7598	83.5169	80.4919
								13	0.9399	82.8437	79.7437

图4A到4E列出了采用非刚性配准方法的面貌复原结果，图4A为参考颅骨，图4B为待复原颅骨，图4C为参考面貌，图4D为待复原颅骨的真实面貌，图4E为采用非刚性配准方法的复原结果。

图5A到图5D列出了针对面貌复原结果的正面截图，通过计算机软件和法医学专家手绘两种方法，实现眼睛、嘴唇、头发等纹理的替换，其中图5A为复原结果的正面截图，图5B为添加五官图像的结果。图5C为面貌复原结果的侧面截图，图5D为法医人类学专家处理后的结果。

Claims (10)

1.一种面向刑侦的未知身源颅骨的计算机辅助面貌复原方法，其特征在于，包括： 

步骤一：未知身源颅骨的三维建模； 

步骤二：未知身源颅骨的性别判别； 

步骤三：基于稠密点的面部软组织规律分析； 

步骤四：基于稠密点配准的颅骨面貌复原方法； 

步骤五：基于主成分分析的未知身源颅骨的面貌估计。 

2.如权利要求1所述的方法，其特征在于，所述步骤二进一步包括： 

步骤2.1：定义如下测量指标： 

X1：颅面最大长，颅顶最高点至颏下点的距离； 

X2：左右额颞点（ft-ft）之间的距离； 

X3：左右颧颌点（zm-zm）间的距离； 

X4：右眼眶眶高：右眼眶轮廓线垂直方向的最大长； 

X5：右眼眶眶宽：右眼眶轮廓线水平方向的最大宽； 

X6：眉间点(g)至鼻棘下点(ss)的距离； 

X7：下颌骨拟合直线夹角，由左颏孔下后点、左下颌角点、左下颌支前下点拟合直线与由右颏孔下后点、右下颌角点、右下颌支前下点拟合直线间的夹角， 

步骤2.2：建立颅骨性别判别方法，针对完整颅骨，建立由X1、X5、X6、X7四个指标作为因子的性别判别方程，性别判别公式为： 

Z1＝1.853×X1+2.039×X5+7.126×X6+3.720×X7-559.449 

Z2＝1.743×X1+1.786×X5+6.864×X6+4.007×X7-516.919 

其中当Z1>Z2时，待检测颅骨为男性；当Z1<Z2时，待检测颅骨为女性； 

针对无下颌的颅骨，性别判别方程为： 

Z1＝5.226×X2+2.397×X3+1.962×X4+7.321×X6-649.853 

Z2＝5.027×X2+2.262×X3+1.784×X4+6.986×X6-586.881 

其中当Z1>Z2时，待检测颅骨为男性；当Z1<Z2时，待检测颅骨为女性。 

3.如权利要求1所述的方法，其特征在于，所述步骤三进一步包括： 

步骤3.1：计算颅面样本库中每个样本顶点处的软组织厚度； 

步骤3.2：采用非刚性配准技术实现颅面数据库中颅骨的非刚性配准，建立颅骨样本间顶点的稠密对应关系，使得具有对应关系的顶点具有近似相同的解剖学位置对应； 

步骤3.3：基于稠密点的软组织厚度，分析面部软组织分布规律； 

步骤3.4：基于软组织厚度分布，实现面貌胖瘦体态的分类； 

步骤3.5：依据性别、年龄、体态和地域信息完成颅面数据的分类。 

4.如权利要求3所述的方法，其特征在于，所述步骤3.3进一步包括： 

步骤3.3.1：定义基于稠密点的面部软组织分布的六个评价指标，包括总体软组织厚度均值mean、总体软组织厚度标准差sd、各部分的软组织厚度均值mean_p、各部分的软组织厚度标准差sd_p、各部分软组织厚度变化情况ksd_p和软组织厚度百分比，依据上述六个指标发现面部软组织的分布规律及变化规律：（1）各年龄段中，男性30-40岁阶段的软组织均值最大、胖瘦变化最显著，女性40-50岁阶段的软组织均值最大、胖瘦变化最显著，男性和女性均在20-30岁阶段软组织均值最小、胖瘦变化最不显著，（2）男性的面貌胖瘦随着年龄的增加软组织厚度及其胖瘦变化迅速增加，均值达到最大值后随着年龄的增加再逐步减小，女性的面貌胖瘦随着年龄的增加软组织厚度及其胖瘦变化在逐渐增加，均值达到最大值后随着年龄的增加逐渐减小，男性面貌在30-50岁阶段，女性在40-60岁阶段面貌处于较胖的时期。 

5.如权利要求3所述的方法，其特征在于，所述总体软组织厚度均值mean和标准差sd计算方法： 

其中

j∈{1,2,3,...,k}，thick_ij表示第i个颅骨的第j个顶点的软组织厚度测量值， 

其中

j∈{1,2,3,...,k} 

其中m表示颅骨样本的个数，k表示颅骨的顶点个数，实验中k=90198，第p部分的软组织厚度均值mean_p和标准差sd_p计算方法： 

p∈{1,2,3,4,5}，

j∈{kind_p} 

其中j∈{kind_p} 

其中{kind_p}表示属于第p部分的顶点序号的集合，m表示颅骨样本的个数，number_p表示第p部分对应的顶点个数， 

不同于总体均值和标准差，各部分软组织厚度变化情况ksd_p仅考虑所属部分的软组织厚度均值，该指标反映在该部分范围内软组织分布的变化程度，计算方法如下： 

其中

j∈{kind_p}，m表示颅骨样本的个数，number_p表示第p部分对应的颅骨顶点个数， 

各部分所占百分比Pos： 

p∈{1,2,3,4,5} 

其中number_p表示第p部分包含的颅骨顶点个数，k表示颅骨的顶点个数，软组织分析过程之中主要观测软组织厚度大于10mm和大于 20mm的百分比，分别表示为posA和posB： 

posA＝pos₂+pos₃+pos₄+pos₅

posB＝pos₄+pos₅

步骤3.3.2：将软组织厚度测量值分为(0，10mm)、[10mm，15mm)、[15mm，20mm)、[20mm，25mm)和[25mm，45mm)五个部分，通过将相同区间内的软组织厚度赋予相同的颜色值，建立不同性别、年龄段的面部软组织厚度分布图，在此基础上按照2mm为间隔进一步细分每个部分，建立细分软组织厚度分布图，通过观察颜色分布图发现软组织厚度的分布情况。 

6.如权利要求1所述的方法，其特征在于，所述步骤四进一步包括： 

步骤4.1：利用欧几里德矩阵度量颅骨间的几何形态差异，进而从颅面分类数据库中选择与待复原颅骨几何形状最相似的颅骨； 

步骤4.2：利用非刚性配准方法实现颅面样本库中选择的参考颅骨向待复原颅骨的非刚性变形，应用该变形驱动参考面貌模型的变形； 

步骤4.3：依据未知身源颅骨的信息，针对不同颅面分类库，实现未知身源颅骨的面貌复原。 

7.如权利要求6所述的方法，其特征在于，所述步骤4.1通过以下公式实现： 

其中sk_P,sk_Q分别表示两个颅骨模型，P、Q分别为两个颅骨模型的对应点，dist(d(i,j)_p,d(i,j)_q)＝||d(i,j)_p/d(i,j)_q||²，其中d(i,j)_p＝||p_i-p_j||_p，d(i,j)_q＝||p_i-p_j||_q，lX(sk_P,sk_Q)表示颅骨模型间沿X轴的长度差、lY(sk_P,sk_Q)表示颅骨模型间沿Y轴的长度差，lZ(sk_P,sk_Q)表示颅骨间模型沿z轴的长度差，n表示对应点个数，a、b为系数权重调节局部形状和整体形状的权重。 

8.如权利要求1所述的方法，其特征在于，所述步骤五进一步包括： 

步骤5.1：采用主成分分析方法计算复原面貌的主成分，建立复原面貌的表示模型；通过调整主成分系数实现未知身源颅骨的面貌复原， 

步骤5.2：从五官数据库中选择五官库模型来替换复原后的人脸模型中的相应区域，同时保证拼接边界的完全吻合与平滑过度，采用基于配准点集的非刚性配准方法实现所选五官模型与复原面貌的配准，解决配准结果在轮廓边缘可能存在不连续的问题，配准过程中首先提取面貌五官边缘轮廓，计算轮廓点集的k邻域顶点集；然后将轮廓点集中的顶点与五官模型间的欧式距离按降序排序，寻找距离最大的轮廓顶点集Pt以及该点集与五官模型上的对应点Qt；最后采用非刚性配准算法实现五官与面貌的配准。 

9.如权利要求1所述的方法，其特征在于，所述步骤5.1通过以下公式实现： 

其中

表示不同颅面分类库复原的结果，cov表示协方差矩阵， 

计算协方差矩阵的特征值λ₁，λ₂，…，λ_n(特征值由大到小排列)及特征向量eigV₁，eigV₂，…，eigV_n， 

通过调节主成分系数产生的面貌复原模型为： 

。

10.如权利要求1所述的方法，其特征在于，还包括步骤六：基于三维面貌模型的排查照片的生成， 

所述步骤六进一步包括： 

步骤6.1：针对三维面貌复原结果的正侧面截图，从已经建立的五官数字图像库中，选择合适的眼睛、鼻子、嘴、眉毛、头发的图像进行替换； 

步骤6.2：针对三维面貌复原结果的正侧面截图，手绘复原结果。 

Images