CN103984920A - 一种基于稀疏表示与多特征点的三维人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于稀疏表示与多特征点的三维人脸识别方法，步骤(一)在尺度空间中提取三维人脸扫描数据中的特征点并对其进行描述；步骤(二)根据步骤(一)中确定的待测人脸的三维数据特征构建三维人脸数据库；步骤(三)运用步骤(一)提取得到待测人脸的特征描述算子集合，在步骤(二)中所确定的三维人脸数据库比较以确定待测人脸身份的方法。本发明所示的三维人脸识别方法选取固定列数的特征描述算子构建子字典，并进行稀疏滤波，从而提高识别效率与精确度，可用于对身份识别有严格要求的场合，解决了三维人脸扫描数据中存在的人脸部分缺失、表情变化大、面部被遮挡等问题。

Description

一种基于稀疏表示与多特征点的三维人脸识别方法

技术领域

本发明涉及一种基于稀疏表示与多特征点的三维人脸识别方法，属于模式识别领域，可应用于对身份识别要严格要求的场合。

背景技术

人脸识别(Face Recognition)，作为计算机生物特征(Biometric)识别技术中的典范一直受到社会各界及各个科学领域的广泛关注，其已经不再仅仅作为计算机视觉研究性的课题。随着社会硬件技术和视频监控技术的发展，许多监控及鉴别领域需要精准及快速的身份确认技术：在国外人脸识别技术应用于国家重要部门及军事区国防区等安防部门，在国内这一项技术也被广泛地应用于公安，交通，金融以及物业管理等领域，随着近年来新媒体技术带动的人机交互热潮以及简易计算机摄像头在社会民众间的逐渐普及，人们逐渐将人脸识别看成是一种人机交互的方式，将其运用于网络或新媒体交互产品也是今后一个发展新媒体技术的切入点。

目前已经有能够获取目标三维信息的深度摄像机，随着各种三维摄像机和打印机在工程界的热议和发展，带有深度信息的三维摄像机已经成为了未来摄像相机硬件发展的趋势，现在生物特征界已经有一批学者在进行三维人脸识别研究。和通过普通摄像头获取人脸数据不同，三维人脸数据获取的是目标信息的三维形状，而不再是目标信息的色彩图，所以和普通的二维人脸识别相比，三维人脸识别相对于光照以及遮挡等问题并不敏感，在不同的光照和遮挡下也做到较高的识别率，故应用范围及效果更佳。

发明内容

本发明的目的在于提供一种基于稀疏表示与多特征点的三维人脸识别方法，其针对三维人脸扫描数据中存在的人脸部分缺失、表情变化大、面部被遮挡等问题，通过三维人脸数据上局部特征描述算子的确定以及多特征点稀疏表示(3DMKDSRC)，从而建立了一种精确、快速的三维人脸识别方法。

为达到上述目的，本发明的解决方案是：

一种基于稀疏表示与多特征点的三维人脸识别方法：

(一)确定待测人脸的三维数据特征：

(1)定义人脸网状结构M包含顶点数据{V}与边缘数据{E}，V为各顶点在三维空间中的具体坐标，E为包含所有两两相连的顶点对，对人脸网状结构M构建平滑尺度空间：在建立k个尺度空间的过程中，选取k个不同大小的σ值，对顶点数据{V}进行平滑操作，得到k组顶点数据集，所述k个不同大小的σ值通过得到，其中，表示所选取的第s个σ的估计值，σ₀表示用于创建k个尺度空间的基准值，表示边缘数据的平均值；

(2)提取特征点：

(2-1)分别确定输入的k组顶点数据集中各顶点的平均曲率其中，与分别代表该第i个顶点在平滑尺度s中的最大和最小曲率；

(2-2)分别确定输入的人脸网状结构中所有顶点在相邻平滑尺度下的曲率差 ${\mathrm{dH}}_i^s=H_i^{s+1}-H_i^s;$

(2-3)选取满足顶点在相邻平滑尺度下的曲率差的值同时大于或者同时小于其所有邻居顶点的曲率差的值的顶点为特征点；

(3)创建特征点描述算子，用于描述特征点周围的信息：

(3-1)选取每个特征点的邻居顶点，对于每一个特征点P，选取以该点为球心、r为半径的球形区域内的所有顶点为其邻居顶点，并确定该点的正则方向；

(3-2)将所有的邻居顶点的法线投影到过P点的切平面上，同时将投影后的法线向量归纳到含h项的带权重的直方图中；

(3-3)划分若干个子区域，确定每个子区域的形状索引信息直方图与倾斜角信息直方图：将球形区域划分为q个子区域，每个子区域使用两个直方图p_s和p_θ用于构造描述算子，其中，p_s的值通过公式S_i＝2/πtan^-1((c_i，１+c_i，２)/(c_i，１-c_i，２))得到，c_i，１与c_i，２分别表示最大、最小曲率，p_θ定义为投影后的法线向量与正则方向间的倾斜角；

(3-4)将所有子区域的两个直方图值连接在一起得到特征点的描述算子f：将q个区域的直方图连接成向量，得到f＝[p_s，1p_θ，1…p_s，qp_θ，q]^T，作为特征点的描述算子；

其中，r,h,q根据实际构建特征点的描述算子维度的大小来调整选取；

(二)根据步骤(1)中确定的待测人脸的三维数据特征构建三维人脸数据库D：对于每一个对象，建立其对应的特征池S_i＝[F₁，F₂，…F_j]，所述特征池中包含所有该对象历次注册后经计算而得的特征点的描述算子集，则三维人脸数据库D中，将所有对象的特征池根据其对应的身份序号依次排序而构成，即D＝[S₁，S₂，…，S_c]，其中C为三维人脸数据库D中注册成功的对象个数；

(三)比较待测人脸与数据库中数据信息以确定待测人脸的身份：

(I)多特征点稀疏表示：将待识别人脸的特征点的描述算子集F_probe，使用多特征点稀疏表示方法求解方程式F_probe＝DX中与D对应的系数矩阵X，由于D的列数太大，对于每一个f我们通过提取D中与f最相似的前L个特征描述算子构建D的子字典A，矩阵X通过n次并行计算满足f＝Ax来确定；

(Ⅱ)稀疏滤波，筛选待测人脸的特征点的描述算子集对应的系数向量：若待检测人脸中的一个特征描述算子f与子字典A中的一个特征描述算子对应的系数x的各个数值分布的非常离散，则此特征描述算子f视为噪音向量，将其排除出进一步的人脸身份识别参考范围；

(Ⅲ)误差重构，确定待识别人脸身份：分别确定筛选得到的待测人脸特征描述算子集与子字典中各类的关联程度，选取最大的关联度的对象作为待测人脸的身份，关联度通过确定重构误差而得到，重构误差越小，关联度越高。

所述步骤(一)中，顶点数据{V}进行平滑操作如下：

(1-1)确定所需创建的尺度空间的个数k，并选取用于创建k个尺度空间的基准值σ₀；

(1-2)分别确定k个尺度空间对应的σ估计值，第s个尺度空间对应的σ的估计值 ${\widetilde{\mathrm{\σ}}}_s=\stackrel{\‾}{e}\sqrt{{2\mathrm{\σ}}_0/3}{2}^{\frac{s-1}{k}},$ 表示E的平均值；

(1-3)初始化临时变量σ₀＝0，依次确定k组平滑后的顶点数据：在创建第s组顶点数据的过程中，使用第s-1组的顶点数据V_s-1作为第s组顶点数据V_s的初始值，当确定第一组顶点数据v₁时使用输入的顶点数据作为初始值，并执行以下循环，迭代更新V_s：若则更新σ_c以及V_s中所有顶点的坐标，令σ_c＝σ_c+1，令 表示更新后的第s组顶点数据中的第i个顶点的坐标，N_i表示所有与第i个顶点相邻的顶点构成的集合，V_i表示第s组顶点数据中的第i个顶点的当前的坐标；若则得到第s组顶点数据V_s，退出更新V_s的循环，利用V_s继续确定V_s+1。

所述步骤(3-1)中，选取直方图中的最高峰值以及大于最高峰值的t％的峰值作为正则方向；

所述步骤(3-2)中，直方图中各项权重为到点P的测地距离的高斯权重。

所述步骤(3-4)中，r取值为9σ_s，h取值为360，t取值为80，q取值为9。

所述步骤(I)中，通过确定f与D中的每一列的内积而确定相似度。

所述步骤(I)中，L根据实际运算速度需要在200到1000内选取。

所述步骤(Ⅱ)中，系数向量x的稀疏度通过公式 $\mathrm{sparsity}\left(\hat{x}\right)=(l\×\mathrm{Main}\left(\hat{x}\right)/{\left|\right|\hat{x}\left|\right|}_1-1)/(l-1)$ 获得，其中，表示x中最大的前u％的元素之和，l表示子字典A中的对象的个数。

重构误差的经由公式 $\mathrm{identity}=\arg \underset{j}{\min }{\mathrm{\Σ}}_{i=1}^{n^i}{\left|\right|y_i{-\mathrm{A\δ}}_i\left({\hat{x}}_i\right)\left|\right|}_2$ 确定，其中，nⁱ为筛选后的系数向量的个数，意为选取中只与类别j相关的系数。

由于采用上述方案，本发明的有益效果是：

步骤(一)在尺度空间中提取三维人脸扫描数据中的特征点并对其进行描述，由于所选取的特征描述算子通过局部区域内的邻居顶点信息得到，因此即使产生人脸表情变化后，特征描述算子中包含的特征信息可以被很好地保留下来。得益于此，在三维人脸识别过程中，可以排除表情的干扰，使用提取的多个计算特征描述算子进行相似度比较。通过本步骤，对于输入的三维人脸数据，可以提取出多个特征点，从而构成该人脸的特征描述算子集合。

步骤(二)根据步骤(一)中确定的待测人脸的三维数据特征构建三维人脸数据库。为了保证该数据库具有支持多人多次注册的性质，步骤(二)对于每一次注册的三维人脸数据标记上所属的用户编号与注册次数，进而可以满足三维人脸数据的注册、识别、验证等基本需求。

步骤(三)运用步骤(一)提取得到待测人脸的特征描述算子集合，在步骤(二)中所确定的三维人脸数据库比较以确定待测人脸身份的方法。首先，通过多特征点稀疏表示的方法，为待测人脸的每一个特征描述算子选取数据库中最接近的若干特征描述算子作为子字典，从而大幅度减少后续步骤中的运算量。其次，进行稀疏滤波，筛选待测人脸的特征点的描述算子集对应的系数向量。根据稀疏表示的理论，如果一个系数矩阵具有区分性，则其系数向量中的非零元素，应集中出现在对应某一个对象所选取的特征描述算子在子字典中的位置上。反之，若系数向量的非零元素均匀分布，则该系数向量缺少区分性，并不将其作为人脸进一步身份识别的参考，从而提高三维人脸的识别效果。重构误差的大小反映了待测样本与已知标记样本集合之间的差距，重构误差越小，说明待测样本与标记样本集合越接近。因此，运用重构误差描述待测人脸与数据库的关联程度，选取关联程度最大，即重构误差最小的对象作为待测人脸的身份。

通过执行以上三个步骤并根据实际需求稍作调整，即可实现三维人脸扫描数据的注册、识别和验证等基本功能，同时，也解决了三维人脸扫描数据中存在的人脸部分缺失、表情变化大、面部被遮挡等问题。

附图说明

图1为本发明基于稀疏表示与局部多特征点的三维人脸识别方法的工作流程图。

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

针对三维人脸扫描数据中存在的人脸部分缺失、表情变化大、面部被遮挡等问题，本发明提供一种基于稀疏表示与局部多特征点的三维人脸识别方法，具体流程如图1所示：

(一)确定待测人脸的三维数据特征：

(1)平滑处理。对于每一张输入的人脸数据，我们以网状结构M表示，其中应该包含的是顶点数据{V}，边缘数据{E}，V包含各顶点在三维空间中的具体坐标，E包含所有两两相连的顶点对。在此之上，我们对M构建平滑尺度空间：在建立k个尺度空间的过程中，选取k个不同大小的σ值，随后对顶点数据{V}进行一系列类似二维图像卷积的平滑操作，得到k组顶点数据集。具体过程如下：

(1-1)确定所需创建的尺度空间的个数k，并选取用于创建k个尺度空间的基准值σ₀，其特征在于：k可取为5，σ₀可取为5；

(1-2)分别确定k个尺度空间对应的σ估计值，第s个尺度空间对应的σ的估计值 ${\widetilde{\mathrm{\σ}}}_s=\stackrel{\‾}{e}\sqrt{{2\mathrm{\σ}}_0/3}{2}^{\frac{s-1}{k}},$ 表示E的平均值；

(1-3)初始化临时变量σ₀＝0，依次确定k组平滑后的顶点数据：在创建第s组顶点数据的过程中，使用第s-1组的顶点数据V_s-1作为第s组顶点数据V_s的初始值(当确定第一组顶点数据V₁时可使用输入的顶点数据作为初始值)，并执行以下循环，迭代更新V_s：若则更新σ_c以及V_s中所有顶点的坐标，令σ_c＝σ_c+1令 表示更新后的第s组顶点数据中的第i个顶点的坐标，N_i表示所有与第i个顶点相邻的顶点构成的集合，V_i表示第s组顶点数据中的第i个顶点的当前的坐标；反之，若则得到第s组顶点数据V_s，退出更新V_s的循环，利用V_s继续确定V_s+1；

(2)提取特征点：

(2-1)分别确定平滑后的k组顶点数据集中各顶点的平均曲率即k组平滑后的顶点数据集中的每个顶点的曲率，第s组顶点数据集中的第i个顶点的平均曲率其中与分别代表该顶点在第s个尺度空间中的最大和最小曲率；

(2-2)分别确定输入的人脸网状结构中所有顶点在相邻平滑尺度下的曲率差 ${\mathrm{dH}}_i^s=H_i^{s+1}-H_i^s;$

(2-3)选取满足顶点在相邻平滑尺度下的曲率差的值同时大于或者同时小于其所有邻居顶点的曲率差的顶点为特征点；

(3)创建特征点描述算子，用于描述特征点周围的信息：

(3-1)选取每个特征点的邻居顶点，对于每一个特征点P，选取以该点为球心、r为半径的球形区域内的所有顶点为其邻居顶点，并确定该点的正则方向；本实施例中，选取直方图中的最高峰值以及大于最高峰值的t％的峰值作为正则方向。

(3-2)将所有的邻居顶点的法线投影到过P点的切平面上，同时将投影后的法线向量归纳到含h项的带权重的直方图中；本实施例中，直方图中的各项权重为到点P的测地距离的高斯权重。

(3-3)划分若干个子区域，确定每个子区域的形状索引信息直方图与倾斜角信息直方图：将球形区域划分为q个子区域，每个子区域使用两个直方图p_s和p_θ用于构造描述算子，其中，p_s的值通过公式S_i＝2/πtan^-1((c_i，１+c_i，2)/(c_i，1-c_i，2))得到，c_i，1与c_i，2分别表示最大、最小曲率，p_θ定义为投影后的法线向量与正则方向间的倾斜角；

(3-4)将所有子区域的两个直方图值连接在一起得到特征点的描述算子f：将q个区域的直方图连接成向量，得到作为特征点的描述算子；

r,h,t,q可根据实际构建特征描述算子维度的大小来调整选取，本实施例中，r可取为9σ_s，h可取为360，t可取为80，q可取为9。

(二)根据步骤(1)中确定的待测人脸的三维数据特征构建三维人脸数据库D。对于任意一个给定的三维人脸数据，若其满足步骤A中所阐述的条件，则可以通过如上步骤，可得出一组极值特征描述算子F＝[f₁,f₂,…,f_n]^T用于表示该张人脸。

对于构造的三维人脸数据库，其应满足支持多人注册，同时也需要支持每人多次注册的需求。为此，我们建议为每一个对象，即每一个人，建立其对应的特征池S，该特征池中包含所有该对象历次注册后，经计算机计算而得的极值特征算子集。比如，对象H_i曾在数据库中有j次注册记录，则其特征池S_i＝[F₁，F₂，...，F_j]。若三维人脸数据库D中有c个注册成功的对象，我们建议将所有对象的特征池根据其对应的身份序号依次排序而构成，即D＝[S₁，Ｓ_２，...，S_c]。

(三)比较待测人脸与数据库中数据信息以确定待测人脸的身份：

(Ⅰ)多特征点稀疏表示，为了比较待测身份的人脸与三维数据人脸数据库，我们将该人脸的极值特征描述算子集F_probe，通过使用多特征点稀疏表示方法，求解方程式Ｆ_probe＝DX中与D对应的系数矩阵X，并根据稀疏表示理论进一步确定待测人脸的身份。其中，求解方程的过程为：对于F_probe中的每一个特征描述算子f，分别求解范数1最小化的优化解，即 $\hat{x}=\arg \min {\left|\right|x\left|\right|}_1,$ 满足f＝Dx。

由于D的列数太大，通常情况下超过了百万，为了优化计算效率，对于每一个f我们通过提取D中与f最相似的前L个特征描述算子构建D的子字典A。其中，确定相似度的方法可通过确定f与D中的每一列的内积而确定。由于A的列数是固定值，矩阵X通过数次并行计算满足f＝Ax而完成，使得整个计算过程更加有效。在实际操作中，L可根据实际运算速度需要在200到1000内选取，本实施例中L取值为400。

(Ⅱ)稀疏滤波，筛选待测人脸的特征描述算子集对应的系数向量。为了提高识别的准确性，我们在进一步运算前，根据待测人脸的特征描述算子集对应的系数向量，保留其中具有区分性的系数向量，排除缺乏区分性的向量。

根据稀疏表示的理论，如果一个系数矩阵具有区分性，则其在本步骤中得到的系数向量x中的非零元素，应集中出现在某一个对象在子字典A中的所有选取的特征描述算子在x中所对应的位置上；反之，若系数向量x的非零元素均匀分布，则该系数向量缺少区分性，则不将其作为人脸进一步身份识别的参考。本实施例中，系数向量x的稀疏度可以通过计算公式 $\mathrm{sparsity}\left(\hat{x}\right)=(l\×\mathrm{Main}\left(\hat{x}\right)/{\left|\right|\hat{x}\left|\right|}_{1}1)/(l1)$ 获得，其中，表示x中最大的前u％的元素之和，l表示子字典A中的对象的个数。在实际操作中，u可取5。

(Ⅲ)误差重构，确定待测人脸身份。通过上一步骤筛选得到的待测人脸特征描述算子集，分别计算其与子字典中各类的关联程度，选取最大的关联度的对象作为待测人脸的身份。关联度通过计算重构误差而得到，重构误差越小，关联度越高。重构误差的计算公式为其中，nⁱ为筛选后的系数向量的个数，意为选取中只与类别j相关的系数，即保留系数向量x中，对应于子字典A中所选取的、属于类别j的极值特征描述算子，在系数向量x中对应位置的系数值，将x中其余位置的元素的值都设为0。

以下结合具体实验对本发明的有益效果进行说明：

实验一：Bosphorus基准数据库中包含105人的4666张人脸深度扫描数据。这些数据中包含面部表情变化、头部旋转以及遮挡问题。

在实验中，对于数据库中的每一人，各选取三张正脸的扫描数据作为已知样本集合，其余的正脸扫描数据用于测试。实验采用一阶识别率作为识别的评判标准，表1总结了包括meshSIFT等方法在内的其他方法的实验结果，其中，Dibeklioglu等提出的方法以及Alyuz等提出的方法针对表情变化的问题，在面部的部分区域(主要是鼻子区域)中，具有很好的鲁棒性。此外，表1中所列的迭代最近点算法(ICP)以及基于主成分分析(PCA)处理深度图像的方法是在Bosphorus2.0基准数据库中验证的，该数据库只包含47个人的2491张面部扫描图像，且所有采样都是正脸。

表1

从表1中可以看出，在仅包含正脸和使用各类人脸数据情形下，本方法的一阶识别率都高于相比较的方法。由此可以说明，应用本方法识别三维人脸，可以克服个体采样中的表情变化、头部旋转、遮挡等问题，同时对比现有方法，取得了更高的准确率。

实验二：GavabDB基准数据库是包含表情最丰富、噪音最多的三维人脸数据库。通过激光扫描的方式采集了61人的三维人脸数据。对于每个人，分别采集不同的头部旋转及不同面部表情在内的9张人脸扫描数据。

在实验中，去除了两类极大的头部旋转情形下的三维人脸扫描数据(±90°)，并针对每个人选取三张正常表情的三维人脸数据用于构造已知样本集合。实验采用两种情形分别作测试。一种为选取所有剩余的样本用于测试，另一种为选取剩余的自然表情的样本作测试。实验同样选取一阶识别率作为评判标准。表2总结了本方法以及其他一些具有代表性的算法的实验结果。

表2

从表2中可以看出，本方法相比其余方法所产生的实验结果，具有明显的优势。特别是在识别仅包含自然表情的人脸数据中，其一阶准确率达到了100％。

实验三：FRGC2.0基准数据库包含4007张，在受控制的光照条件下，采集得到的三维深度扫描数据。扫描对象共有466人。

在实验中，分别从每人所采集的扫描数据中随机抽取三张，组成已知样本集合。对于采集数量不满三张的人，则选取其全部的扫描数据，一并归入已知样本集合中。在构建完已知样本集合之后，选取所有剩余的人脸作为测试集合。表3总结了本方法与meshSIFT方法在上述实验条件下取得的实验结果。

表3

从表3中可以看出，本方法在同等实验条件下，所取得的一阶识别率高于meshSIFT方法。需要注意的是，实验是在未执行任何预处理的条件下展开的。实际上，目前的一些较好的方法在FRGC2.0上验证前，通常需要执行复杂的数据预处理过程，比如填补三维人脸数据中的孔洞，以改善数据的质量，因此会取得更好的结果。在不执行预处理的条件下，本方法在FRGC2.0基准数据库中取得识别率仍能接近90％。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (8)

1.一种基于稀疏表示与多特征点的三维人脸识别方法，其特征在于：

(一)确定待测人脸的三维数据特征：

(1)定义人脸网状结构M包含顶点数据{V}与边缘数据{E}，V为各顶点在三维空间中的具体坐标，E为包含所有两两相连的顶点对，对人脸网状结构M构建平滑尺度空间：在建立k个尺度空间的过程中，选取k个不同大小的σ值，对顶点数据{V}进行平滑操作，得到k组顶点数据集，所述k个不同大小的σ值通过得到，其中，表示所选取的第s个σ的估计值，σ₀表示用于创建k个尺度空间的基准值，表示边缘数据的平均值；

(2)提取特征点：

(2-1)分别计算输入的k组顶点数据集中各顶点的平均曲率其中，与分别代表该第i个顶点在平滑尺度s中的最大和最小曲率；

(2-2)分别计算输入的人脸网状结构中所有顶点在相邻平滑尺度下的曲率差 ${\mathrm{dH}}_i^s=H_i^{s+1}-H_i^s;$

(2-3)选取满足顶点在相邻平滑尺度下的曲率差的值同时大于或者同时小于其所有邻居顶点的曲率差的值的顶点为特征点；

(3)创建特征点描述算子，用于描述特征点周围的信息：

(3-1)选取每个特征点的邻居顶点，对于每一个特征点P，选取以该点为球心、r为半径的球形区域内的所有顶点为其邻居顶点，并确定该点的正则方向；

(3-2)将所有的邻居顶点的法线投影到过P点的切平面上，同时将投影后的法线向量归纳到含h项的带权重的直方图中；

(3-3)划分若干个子区域，确定每个子区域的形状索引信息直方图与倾斜角信息直方图：将球形区域划分为q个子区域，每个子区域使用两个直方图p_s和p_θ用于构造描述算子，其中，p_s的值通过公式S_i＝2/πtan^-1((c_i，1+c_i，2)/(c_i，1-c_i，2))得到，c_i，1与c_i，2分别表示最大、最小曲率，p_θ定义为投影后的法线向量与正则方向间的倾斜角；

(3-4)将所有子区域的两个直方图值连接在一起得到特征点的描述算子f：将q个区域的直方图连接成向量，得到f＝[p_s，1p_θ，1…p_s，qp_θ，q]^T作为特征点的描述算子；

其中，r,h,q根据实际构建特征点的描述算子维度的大小来调整选取；

(二)根据步骤(1)中确定的待测人脸的三维数据特征构建三维人脸数据库D：对于每一个对象，建立其对应的特征池S_i＝[F₁，F₂，···，F_j]所述特征池中包含所有该对象历次注册后经计算而得的特征点的描述算子集，则三维人脸数据库D中，将所有对象的特征池根据其对应的身份序号依次排序而构成，即D＝[S₁，S₂，…，S_c]，其中C为三维人脸数据库D中注册成功的对象个数；

(三)比较待测人脸与数据库中数据信息以确定待测人脸的身份：

(I)多特征点稀疏表示：将待识别人脸的特征点的描述算子集F_probe，使用多特征点稀疏表示方法求解方程式F_probe＝DX中与D对应的系数矩阵X，由于D的列数太大，对于每一个f通过提取D中与f最相似的前L个特征描述算子构建D的子字典A，矩阵X通过n次并行计算满足f＝Ax来确定；

(Ⅱ)稀疏滤波，筛选待测人脸的特征点的描述算子集对应的系数向量：若待检测人脸中的一个特征描述算子f与子字典A中的一个特征描述算子对应的系数x的各个数值分布的非常离散，则此特征描述算子f视为噪音向量，将其排除出进一步的人脸身份识别参考范围；

(Ⅲ)误差重构，确定待识别人脸身份：分别计算筛选得到的待测人脸特征描述算子集与子字典中各类的关联程度，选取最大的关联度的对象作为待测人脸的身份，关联度通过确定重构误差而得到，重构误差越小，关联度越高。

2.根据权利要求1所述的三维人脸识别方法，其特征如下：所述步骤(一)中，顶点数据{V}进行平滑操作如下：

(1-1)确定所需创建的尺度空间的个数k，并选取用于创建k个尺度空间的基准值σ₀；

(1-2)分别确定k个尺度空间对应的σ估计值，第s个尺度空间对应的σ的估计值 表示E的平均值；

(1-3)初始化临时变量σ_c＝0，依次确定k组平滑后的顶点数据：在创建第s组顶点数据的过程中，使用第s-1组的顶点数据V_s-1作为第s组顶点数据V_s的初始值，当确定第一组顶点数据V₁时使用输入的顶点数据作为初始值，并执行以下循环，迭代更新V_s：若则更新σ_c以及V_s中所有顶点的坐标，令σ_c＝σ_c+1，令 表示更新后的第s组顶点数据中的第i个顶点的坐标，N_i表示所有与第i个顶点相邻的顶点构成的集合，v_i表示第s组顶点数据中的第i个顶点的当前的坐标；若则得到第s组顶点数据V_s，退出更新V_s的循环，利用V_s继续确定V_s+1。

3.根据权利要求1所述的三维人脸识别方法，其特征在于：所述步骤(3-1)中，选取直方图中的最高峰值以及大于最高峰值的t％的峰值作为正则方向；

所述步骤(3-2)中，直方图中各项权重为到点P的测地距离的高斯权重。

4.根据权利要求3所述的三维人脸识别方法，其特征在于：所述步骤(3-4)中，r取值为9σ_s，h取值为360，t取值为80，q取值为9。

5.根据权利要求1所述的三维人脸识别方法，其特征在于：所述步骤(I)中，通过确定f与D中的每一列的内积而确定相似度。

6.根据权利要求5所述的三维人脸识别方法，其特征在于：所述步骤(I)中，L根据实际运算速度在200到1000内选取。

7.根据权利要求1所述的三维人脸识别方法，其特征在于：所述步骤(Ⅱ)中，系数向量x的稀疏度通过公式 $\mathrm{sparsity}\left(\hat{x}\right)=(l\×\mathrm{Main}\left(\hat{x}\right)/{\left|\right|\hat{x}\left|\right|}_1-1)/(l-1)$ 获得，其中，表示x中最大的前u％的元素之和，l表示子字典A中的对象的个数。

8.根据权利要求1所述的三维人脸识别方法，其特征在于：重构误差经由确定，其中，nⁱ为筛选后的系数向量的个数，意为选取中只与类别j相关的系数。