CN104091162A - 基于特征点的三维人脸识别方法 - Google Patents
基于特征点的三维人脸识别方法 Download PDFInfo
- Publication number
- CN104091162A CN104091162A CN201410343015.8A CN201410343015A CN104091162A CN 104091162 A CN104091162 A CN 104091162A CN 201410343015 A CN201410343015 A CN 201410343015A CN 104091162 A CN104091162 A CN 104091162A
- Authority
- CN
- China
- Prior art keywords
- point
- beta
- alpha
- faceform
- distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种基于特征点的三维人脸识别方法,步骤如下:首先,对三维人脸模型进行预处理,通过线性插值将点云数据映射为深度图像;然后,在深度图上应用Gabor滤波粗略定位出人脸特征点,再根据ShapeIndex特征在人脸点云上精确定位出特征点;其次,提取以鼻中为中心的一系列等测地轮廓线来表征人脸形状,提取具有姿态不变性的Procrustean向量特征(距离和角度)作为识别特征;最后,对各条等测地轮廓线特征进行加权融合用于最后的识别。本发明提出的三维人脸识别方法具有很好的定位和识别性能,并且对表情、姿态具有较好的鲁棒性。
Description
技术领域
本发明涉及一种基于特征点的三维人脸识别方法,涉及数字图像处理和模式识别领域。
背景技术
生物特征识别如人脸识别、指纹识别、虹膜识别在安全领域有着广泛的应用前景,特别人脸识别技术,由于人脸识别的对用户干扰小、隐蔽性好等特性,而成为目前模式识别领域的研究热点。传统的基于二维图像的人脸识别已经取得了较大的发展,但是识别的效果依然受光照、姿态和表情等因素的限制,而三维人脸模型受光照、姿态影响较小,且三维人脸模型中包含更多的几何信息,因而三维人脸识别受到越来越多的关注。
三维人脸模型与二维图像相比具有更丰富的信息,它包含了人脸的几何和空间信息。但是,三维人脸模型多以点云形式保存,数据量大,加长了计算时间,且人脸表情变化引起的非刚性形变造成了三维人脸识别性能的下降。因此,如何减小计算量、减弱表情变化对人脸识别的影响成为三维人脸识别技术的关键问题,也是研究的难点。
发明内容
技术问题:本发明提出了一种基于特征点提取人脸局部区域特征的三维人脸识别方法。
技术方案:一种基于特征点的三维人脸识别方法,该方法包括以下步骤:
步骤1)、分别对测试人脸模型、N个库集人脸模型和M个训练集人脸模型进行平滑去噪:将三维人脸点云数据转化为三维网格,采用基于网格的平滑算法对三维人脸模型进行平滑去噪处理,然后将经过10次迭代处理得到的平滑的三维人脸网格恢复成人脸点云;
步骤2)、分别将经过步骤1)处理过的测试人脸模型、库集人脸模型和训练集人脸模型人脸的点云坐标信息映射到平面上,分别形成测试人脸模型、库集人脸模型和训练集人脸模型的深度图像,获取深度图像的方法如下:
步骤2.1)、计算平滑去噪后的三维人脸点云在空间坐标系下三个坐标轴x,y,z方向上的最大、最小值,根据x,y方向上的最大、最小值将x,y坐标值归一化后将点云投影到大小为640*480的图像上,根据z方向上的最大、最小值将z坐标值归一化到0-255之间作为相应位置的灰度值,这样得到的图像称为深度图像;归一化的公式如下:
步骤3)、分别对测试集人脸模型和库集人脸模型的深度图像进行Gabor滤波特征点粗定位以及形状指数Shape Index特征点精定位:
步骤3.1)、Gabor滤波粗定位,具体步骤如下:
步骤3.1.1)、Gabor滤波器定义为:
其中p为给定点坐标(g,h),ku,v=[kv cosφu,kv sinφu]T,u,v分别为Gabor滤波器的方向与尺度。其中参数σ=2π,kv=2-(v+1),v={0,1,2,3,4},
步骤3.1.2)、对M张训练集中的每张深度图像进行7个特征点(鼻尖点、左右内眼角点、左右外眼角点和左右嘴角点)的手动标定,对于训练集中所有深度图像中第j个(j=1,2,...,7)特征点的Gabor系数,构建Gabor系数向量Gj=(G1,j,G2,j,...,GM,j),Gi,j为训练集中第i幅图像中第j个特征点的Gabor系数,计算如下:其中Ii是第i幅图像像素点坐标矩阵,q为第j个特征点的坐标(s,t),*是卷积运算符,将计算所得的Gabor系数表示成这种形式,其中ai,j为其幅值,φi,j为其相位;
步骤3.1.3)、待测深度图像(包括测试集和库集)上第j个候选特征点由Gabor系数的相似度S(Jm,Gj)由下式确定:
其中 Jm,n为第m幅待测图像第n点的Gabor系数;根据相似度S(Jm,Gj)确定粗定位的第m幅第j个特征点:即相似度最大所对应的坐标为第m幅待测图像上粗定位的第j个特征点所在位置,粗定位的第j个特征点称为第j个候选特征点;
步骤3.2)、人脸特征点精定位:
步骤3.2.1)、对第j个候选特征点选取邻域,以其为圆心,r=90mm为半径做圆,圆内包含的区域即为第j个候选特征点的邻域,求取第j个特征点邻域内每个像素点的一阶和二阶梯度,计算方式如下:
利用公式 求得邻域内每个像素点的高斯曲率K和平均曲率H,由高斯曲率K和平均曲率H得到每个像素点的最大主曲率k1和最小主曲率k2:
计算第j个候选特征点邻域内每个像素点的形状索引值(Shape Index):
其中e为第j个候选特征点邻域内一点;
步骤3.2.2)、根据步骤3.2.1)得到的形状索引值精确定位出特征点位置:其中候选鼻尖点邻域内形状索引值最大的则为精确定位鼻尖点所在位置,左右内眼角点、左右外眼角点、左右嘴角点邻域内形状索引值最小的则为精确定位左右内眼角点、左右外眼角点、左右嘴角点所在位置;
步骤4)、按步骤3)所述对所有库集和测试集人脸模型的深度图像进行鼻尖点、左右外眼角点、左右内眼角点和左右嘴角点的精定位,根据左右内眼角和鼻尖点确定鼻中点:先确定位于左右内眼角中心的点,再取位于该点与鼻尖中心的点作为鼻中点;根据深度图像与点云数据的对应关系,找到点云数据上的鼻中点,对应关系如下:
步骤5)、分别对测试集和库集人脸模型提取以鼻中点为中心的8条等测地轮廓线并对等测地轮廓线进行重采样:
步骤5.1)、计算点云数据上每点到鼻中点的测地距离,测地距离定义为:曲面上两点之间最短的距离称为测地距离;将距离值归一化到[0,1]之间,分别取到鼻中点距离为[δl-λ,δl+λ]的点组成等测地轮廓线Pl,l=1,2,...,8,其中δ1=0.06,δ2=0.12,δ3=0.18,δ4=0.24,δ5=0.30,δ6=0.36,δ7=0.42,δ8=0.50,λ=0.005;
步骤5.2)、以鼻中点为中心在平面坐标系XOY中构造一个椭圆,方程如下:
步骤6)、建立库集人脸模型与测试集人脸模型特征向量:
步骤6.1)、构造一个单位圆C,在单位圆上等距采样60个点,然后用Procrustes分析将单位圆经过旋转、平移、伸缩等保形变换,使得单位圆上各点与等测地轮廓线Pl对应点之间的距离总和最小,这样得到Procrustean拟合圆提取等测地轮廓线Pl上的采样点po(o=1,2...,60)与Procrustean拟合圆上对应点之间的距离特征do和角度特征θo:
构造Procrustean距离特征向量d={do},o=1,2...,60,Procrustean角度特征向量θ={θo},o=1,2...,60;
步骤6.2)、将Procrustean距离特征d和Procrustean角度特征θ进行特征融合:
利用最大最小原则将Procrustean距离特征d,Procrustean角度特征θ归一化为d′,θ′,即:
得到最后的识别特征Q={d′,θ′},其中d′={d′1,d′2,...,d′60},θ′={θ′1,θ′2,...,θ′60};
步骤7)、计算测试集人脸模型与库集人脸模型的相似度:
步骤7.1)、选取测试人脸模型上的一条等测地轮廓线Pl,记等测地轮廓线Pl的识别特征为{d1′,d2′,...,d′60,θ′1,θ′2,...,θ′60},计算等测地轮廓线Pl与库集人脸模型对应的等测地轮廓线的识别特征之间的欧式距离Dl;
步骤7.2)、按照所述步骤7.1),求取测试人脸模型所有的等测地轮廓线的识别特征与库集人脸模型对应的等测地轮廓线的识别特征的欧式距离Dl,l=1,2,...,8,对所有Dl进行加权融合作为最后测试人脸模型与库集人脸模型的距离D:
其中权重因子ω1=0.08,ω2=0.126,ω3=0.134,ω4=0.132,ω5=0.128,ω6=0.132,ω7=0.135,ω8=0.133;
步骤8)、三维人脸模型的身份验证:
重复步骤1)-步骤7),得到测试人脸模型与各个库集人脸模型的距离度量D,比较测试人脸模型与各个库集人脸模型的距离度量D,将距离度量最小的库集人脸模型与测试集人脸模型判定为同一个人;
本发明首先定位人脸区域的特征点,根据特征点提取一系列等测地轮廓线来表征人脸形状,避免了受表情变化影响较大的嘴部区域,进一步提取具有姿态不变性的Procrustean向量特征作为识别特征。该方法主要有一下几个优点:
1.提出一种自动定位特征点的方法,该方法将应用于二维图像的Gabor滤波运用到三维人脸识别中,能够快速准确地定位出鼻尖,眼角和嘴角等关键点。
2.预处理部分无须进行姿态矫正操作以及区域切割,这是因为等测地轮廓线的提取以及Procrustean特征的匹配不依赖于统一的坐标系,从而减少了预处理时间。
3.采用的等测地轮廓线与Procrustean拟合圆之间的特征具有姿态不变性,同时提取的特征位于人脸近似刚性区域,因而在一定程度上克服了姿态、表情变化对识别的影响。
附图说明
图1是本发明提供的基于特征点的三维人脸识别方法的整体流程图;
图2是在深度图像上定位的特征点;
图3是原始人脸模型;
图4是经切割后的人脸区域模型;
图5是鼻中点;
图6是人脸其余点到鼻中点的测地距离颜色分布显示图;
图7是以鼻中为中心的一条等测地轮廓线与Procrustean拟合圆之间对应点的向量表示图。
具体实施方式
参考说明书附图,下面对本发明的具体实施方式进一步描述。
本发明的基于特征点的三维人脸识别方法,在Windows操作系统中通过Matlab R2010b编程工具实现三维人脸识别流程。实验数据来自FRGC V2.0三维人脸数据库,该数据库中包含用于测试的466个人的4007张人脸模型。图1是本发明方法整体流程图,具体步骤如下:
步骤1)、分别对测试人脸模型、N个库集人脸模型和M个训练集人脸模型进行平滑去噪;
步骤1.1)、将人脸点云数据投影到XOY平面,用2.5维网格算法对投影的点云数据进行曲面重构,这样得到人脸点云的三角网格W,其顶点为人脸点云数据中的点wκ,κ=1,2,...,μ,其中μ为三角网格的顶点个数;构造实数域矩阵V∈Rμ×μ,且
其中υκγ是wκ和wγ组成的边的余割系数υκγ=cot(ξκγ)+cot(ζκγ),ξκγ和ζκγ是wκ和wγ组成的边所在的两个三角形中,与边相对的两个角。将平滑算子作用于三角网格W上对网格进行平滑去噪处理,平滑算子定义为:其中D=diag(dκ),E是有边点的集合,对网格进行10次迭代平滑处理得到平滑的三角网格
步骤2)、分别将经过步骤1)处理过的测试人脸模型、库集人脸模型和训练集人脸模型人脸的点云坐标信息映射到平面上,分别形成测试人脸模型、库集人脸模型和训练集人脸模型的深度图像,获取深度图像的方法如下:
步骤2.1)、计算平滑去噪后的三维人脸点云在空间坐标系下三个坐标轴x,y,z方向上的最大、最小值,根据x,y方向上的最大、最小值将x,y坐标值归一化后将点云投影到大小为640*480的图像上,根据z方向上的最大、最小值将z坐标值归一化到0-255之间作为相应位置的灰度值,这样得到的图像称为深度图像;归一化的公式如下:
步骤3)、分别对测试集人脸模型和库集人脸模型的深度图像进行Gabor滤波特征点粗定位以及形状指数Shape Index特征点精定位:
步骤3.1)、Gabor滤波粗定位,具体步骤如下:
步骤3.1.1)、Gabor滤波器定义为:
其中p为给定点坐标(g,h),ku,v=[kv cosφu,kv sinφu]T,u,v分别为Gabor滤波器的方向与尺度。其中参数σ=2π,kv=2-(v+1),v={0,1,2,3,4},
步骤3.1.2)、对M张训练集中的每张深度图像进行7个特征点(鼻尖点、左右内眼角点、左右外眼角点和左右嘴角点)的手动标定,对于训练集中所有深度图像中第j个(j=1,2,...,7)特征点的Gabor系数,构建Gabor系数向量Gj=(G1,j,G2,j,...,GM,j),Gi,j为训练集中第i幅图像中第j个特征点的Gabor系数,计算如下:其中Ii是第i幅图像像素点坐标矩阵,q为第j个特征点的坐标(s,t),*是卷积运算符,将计算所得的Gabor系数表示成这种形式,其中ai,j为其幅值,φi,j为其相位;
步骤3.1.3)、待测深度图像(包括测试集和库集)上第j个候选特征点由Gabor系数的相似度S(Jm,Gj)由下式确定:
其中 Jm,n为第m幅待测图像第n点的Gabor系数;根据相似度S(Jm,Gj)确定粗定位的第m幅第j个特征点:即相似度最大所对应的坐标为第m幅待测图像上粗定位的第j个特征点所在位置,粗定位的第j个特征点称为第j个候选特征点;
步骤3.2)、人脸特征点精定位:
步骤3.2.1)、对第j个候选特征点选取邻域,以其为圆心,r=90mm为半径做圆,圆内包含的区域即为第j个候选特征点的邻域,求取第j个特征点邻域内每个像素点的一阶和二阶梯度,计算方式如下:
利用公式 求得邻域内每个像素点的高斯曲率K和平均曲率H,由高斯曲率K和平均曲率H得到每个像素点的最大主曲率k1和最小主曲率k2:
计算第j个候选特征点邻域内每个像素点的形状索引值(Shape Index):
其中e为第j个候选特征点邻域内一点;
步骤3.2.2)、根据步骤3.2.1)得到的形状索引值精确定位出特征点位置:其中候选鼻尖点邻域内形状索引值最大的则为精确定位鼻尖点所在位置,左右内眼角点、左右外眼角点、左右嘴角点邻域内形状索引值最小的则为精确定位左右内眼角点、左右外眼角点、左右嘴角点所在位置;
步骤4)、按步骤3)所述对所有库集和测试集人脸模型的深度图像进行鼻尖点、左右外眼角点、左右内眼角点和左右嘴角点的精定位,根据左右内眼角和鼻尖点确定鼻中点:先确定位于左右内眼角中心的点,再取位于该点与鼻尖中心的点作为鼻中点;根据深度图像与点云数据的对应关系,找到点云数据上的鼻中点,对应关系如下:
步骤5)、分别对测试集和库集人脸模型提取以鼻中点为中心的8条等测地轮廓线并对等测地轮廓线进行重采样:
步骤5.1)、计算点云数据上每点到鼻中点的测地距离,测地距离定义为:曲面上两点之间最短的距离称为测地距离;将距离值归一化到[0,1]之间,分别取到鼻中点距离为[δl-λ,δl+λ]的点组成等测地轮廓线Pl,l=1,2,...,8,其中δ1=0.06,δ2=0.12,δ3=0.18,δ4=0.24,δ5=0.30,δ6=0.36,δ7=0.42,δ8=0.50,λ=0.005;
步骤5.2)、以鼻中点为中心在平面坐标系XOY中构造一个椭圆,方程如下:
步骤6)、建立库集人脸模型与测试集人脸模型特征向量:
步骤6.1)、构造一个单位圆C,在单位圆上等距采样60个点,然后用Procrustes分析将单位圆经过旋转、平移、伸缩等保形变换,使得单位圆上各点与等测地轮廓线Pl对应点之间的距离总和最小,这样得到Procrustean拟合圆提取等测地轮廓线Pl上的采样点po(o=1,2...,60)与Procrustean拟合圆上对应点之间的距离特征do和角度特征θo:
构造Procrustean距离特征向量d={do},o=1,2...,60,Procrustean角度特征向量θ={θo},o=1,2...,60;
步骤6.2)、将Procrustean距离特征d和Procrustean角度特征θ进行特征融合:
利用最大最小原则将Procrustean距离特征d,Procrustean角度特征θ归一化为d′,θ′,即:
得到最后的识别特征Q={d′,θ′},其中d′={d′1,d′2,...,d′60},θ′={θ′1,θ′2,...,θ′60};
步骤7)、计算测试集人脸模型与库集人脸模型的相似度:
步骤7.1)、选取测试人脸模型上的一条等测地轮廓线Pl,记等测地轮廓线Pl的识别特征为{d′1,d′2,...,d′60,θ′1,θ′2,...,θ′60},计算等测地轮廓线Pl与库集人脸模型对应的等测地轮廓线的识别特征之间的欧式距离Dl;
步骤7.2)、按照所述步骤7.1),求取测试人脸模型所有的等测地轮廓线的识别特征与库集人脸模型对应的等测地轮廓线的识别特征的欧式距离Dl,l=1,2,...,8,对所有Dl进行加权融合作为最后测试人脸模型与库集人脸模型的距离D:
其中权重因子ω1=0.08,ω2=0.126,ω3=0.134,ω4=0.132,ω5=0.128,ω6=0.132,ω7=0.135,ω8=0.133;
步骤8)、三维人脸模型的身份验证:
重复步骤1)-步骤7),得到测试人脸模型与各个库集人脸模型的距离度量D,比较测试人脸模型与各个库集人脸模型的距离度量D,将距离度量最小的库集人脸模型与测试集人脸模型判定为同一个人。
Claims (7)
1.一种基于特征点的三维人脸识别方法,其特征在于,该方法包括以下步骤:
步骤1)、分别对测试人脸模型、N个库集人脸模型和M个训练集人脸模型进行平滑去噪:将三维人脸点云数据转化为三维网格,采用基于网格的平滑算法对三维人脸模型进行平滑去噪处理,然后将经过10次迭代处理得到的平滑的三维人脸网格恢复成人脸点云;
步骤2)、分别将经过步骤1)处理过的测试人脸模型、库集人脸模型和训练集人脸模型人脸的点云坐标信息映射到平面上,分别形成测试人脸模型、库集人脸模型和训练集人脸模型的深度图像;
步骤3)、分别对测试集人脸模型和库集人脸模型的深度图像进行Gabor滤波特征点粗定位以及形状指数Shape Index特征点精定位;
步骤4)、按步骤3)所述对所有库集和测试集人脸模型的深度图像进行鼻尖点、左右外眼角点、左右内眼角点和左右嘴角点的精定位,根据左右内眼角和鼻尖点确定鼻中点:先确定位于左右内眼角中心的点,再取位于该点与鼻尖中心的点作为鼻中点;根据深度图像与点云数据的对应关系,找到点云数据上的鼻中点,对应关系如下:
步骤5)、分别对测试集和库集人脸模型提取以鼻中点为中心的8条等测地轮廓线并对等测地轮廓线进行重采样;
步骤6)、建立库集人脸模型与测试集人脸模型特征向量;
步骤7)、计算测试集人脸模型与库集人脸模型的相似度;
步骤8)、三维人脸模型的身份验证。
2.如权利要求1所述基于特征点的三维人脸识别方法,其中步骤2)所述获取深度图像的方法如下:
计算平滑去噪后的三维人脸点云在空间坐标系下三个坐标轴x,y,z方向上的最大、最小值,根据x,y方向上的最大、最小值将x,y坐标值归一化后将点云投影到大小为640*480的图像上,根据z方向上的最大、最小值将z坐标值归一化到0-255之间作为相应位置的灰度值,这样得到的图像称为深度图像;其中,归一化的公式如下:
3.如权利要求1所述基于特征点的三维人脸识别方法,其中步骤3)包括以下步骤:
步骤3.1)、Gabor滤波粗定位,具体步骤如下:
步骤3.1.1)、Gabor滤波器定义为:
其中p为给定点坐标(g,h),ku,v=[kv cosφu,kv sinφu]T,u,v分别为Gabor滤波器的方向与尺度。其中参数σ=2π,kv=2-(v+1),v={0,1,2,3,4},
步骤3.1.2)、对M张训练集中的每张深度图像进行7个特征点(鼻尖点、左右内眼角点、左右外眼角点和左右嘴角点)的手动标定,对于训练集中所有深度图像中第j个(j=1,2,...,7)特征点的Gabor系数,构建Gabor系数向量Gj=(G1,j,G2,j,...,GM,j),Gi,j为训练集中第i幅图像中第j个特征点的Gabor系数,计算如下:其中Ii是第i幅图像像素点坐标矩阵,q为第j个特征点的坐标(s,t),*是卷积运算符,将计算所得的Gabor系数表示成这种形式,其中ai,j为其幅值,φi,j为其相位;
步骤3.1.3)、待测深度图像(包括测试集和库集)上第j个候选特征点由Gabor系数的相似度S(Jm,Gj)由下式确定:
其中 Jm,n为第m幅待测图像第n点的Gabor系数;根据相似度S(Jm,Gj)确定粗定位的第m幅第j个特征点:即相似度最大所对应的坐标为第m幅待测图像上粗定位的第j个特征点所在位置,粗定位的第j个特征点称为第j个候选特征点;
步骤3.2)、人脸特征点精定位:
步骤3.2.1)、对第j个候选特征点选取邻域,以其为圆心,r=90mm为半径做圆,圆内包含的区域即为第j个候选特征点的邻域,求取第j个特征点邻域内每个像素点的一阶和二阶梯度,计算方式如下:
利用公式 求得邻域内每个像素点的高斯曲率K和平均曲率H,由高斯曲率K和平均曲率H得到每个像素点的最大主曲率k1和最小主曲率k2:
计算第j个候选特征点邻域内每个像素点的形状索引值(Shape Index):
其中e为第j个候选特征点邻域内一点;
步骤3.2.2)、根据步骤3.2.1)得到的形状索引值精确定位出特征点位置:其中候选鼻尖点邻域内形状索引值最大的则为精确定位鼻尖点所在位置,左右内眼角点、左右外眼角点、左右嘴角点邻域内形状索引值最小的则为精确定位左右内眼角点、左右外眼角点、左右嘴角点所在位置。
4.如权利要求1所述基于特征点的三维人脸识别方法,其中步骤5)包括以下步骤:
步骤5.1)、计算点云数据上每点到鼻中点的测地距离,测地距离定义为:曲面上两点之间最短的距离称为测地距离;将距离值归一化到[0,1]之间,分别取到鼻中点距离为[δl-λ,δl+λ]的点组成等测地轮廓线Pl,l=1,2,...,8,其中δ1=0.06,δ2=0.12,δ3=0.18,δ4=0.24,δ5=0.30,δ6=0.36,δ7=0.42,δ8=0.50,λ=0.005;
步骤5.2)、以鼻中点为中心在平面坐标系XOY中构造一个椭圆,方程如下:
5.如权利要求1所述基于特征点的三维人脸识别方法,其中步骤6)包括以下步骤:
步骤6.1)、构造一个单位圆C,在单位圆上等距采样60个点,然后用Procrustes分析将单位圆经过旋转、平移、伸缩等保形变换,使得单位圆上各点与等测地轮廓线Pl对应点之间的距离总和最小,这样得到Procrustean拟合圆提取等测地轮廓线Pl上的采样点po(o=1,2...,60)与Procrustean拟合圆上对应点之间的距离特征do和角度特征θo:
构造Procrustean距离特征向量d={do},o=1,2...,60,Procrustean角度特征向量θ={θo},o=1,2...,60;
步骤6.2)、将Procrustean距离特征d和Procrustean角度特征θ进行特征融合:
利用最大最小原则将Procrustean距离特征d,Procrustean角度特征θ归一化为d′,θ′,即:
得到最后的识别特征Q={d′,θ′},其中d′={d′1,d′2,...,d′60},θ′={θ′1,θ′2,...,θ′60}。
6.如权利要求1所述基于特征点的三维人脸识别方法,其中步骤7)包括以下步骤:
步骤7.1)、选取测试人脸模型上的一条等测地轮廓线Pl,记等测地轮廓线Pl的识别特征为{d′1,d′2,...,d′60,θ′1,θ′2,...,θ′60},计算等测地轮廓线Pl与库集人脸模型对应的等测地轮廓线的识别特征之间的欧式距离Dl;
步骤7.2)、按照所述步骤7.1),求取测试人脸模型所有的等测地轮廓线的识别特征与库集人脸模型对应的等测地轮廓线的识别特征的欧式距离Dl,l=1,2,...,8,对所有Dl进行加权融合作为最后测试人脸模型与库集人脸模型的距离D:
其中权重因子ω1=0.08,ω2=0.126,ω3=0.134,ω4=0.132,ω5=0.128,ω6=0.132,ω7=0.135,ω8=0.133。
7.如权利要求1所述基于特征点的三维人脸识别方法,其中步骤8):
重复步骤1)-步骤7),得到测试人脸模型与各个库集人脸模型的距离度量D,比较测试人脸模型与各个库集人脸模型的距离度量D,将距离度量最小的库集人脸模型与测试集人脸模型判定为同一个人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410343015.8A CN104091162B (zh) | 2014-07-17 | 2014-07-17 | 基于特征点的三维人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410343015.8A CN104091162B (zh) | 2014-07-17 | 2014-07-17 | 基于特征点的三维人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104091162A true CN104091162A (zh) | 2014-10-08 |
CN104091162B CN104091162B (zh) | 2017-06-23 |
Family
ID=51638877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410343015.8A Active CN104091162B (zh) | 2014-07-17 | 2014-07-17 | 基于特征点的三维人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091162B (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318100A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于特征敏感投影算子的厚度点云薄化方法 |
CN104408769A (zh) * | 2014-11-27 | 2015-03-11 | 苏州福丰科技有限公司 | 基于三维人脸识别的虚拟网络会议方法 |
CN104504410A (zh) * | 2015-01-07 | 2015-04-08 | 深圳市唯特视科技有限公司 | 基于三维点云的三维人脸识别装置和方法 |
CN104636729A (zh) * | 2015-02-10 | 2015-05-20 | 浙江工业大学 | 基于贝叶斯多元分布特征提取的三维人脸识别方法 |
CN104794487A (zh) * | 2015-04-16 | 2015-07-22 | 重庆大学 | 一种基于颅像重合原理的照片与照片的同一认定方法 |
CN105095715A (zh) * | 2015-06-30 | 2015-11-25 | 国网山东莒县供电公司 | 一种电力系统网络的身份认证方法 |
CN106096555A (zh) * | 2016-06-15 | 2016-11-09 | 湖南拓视觉信息技术有限公司 | 三维面部检测的方法和装置 |
CN106529502A (zh) * | 2016-08-01 | 2017-03-22 | 深圳奥比中光科技有限公司 | 唇语识别方法以及装置 |
CN106682575A (zh) * | 2016-11-21 | 2017-05-17 | 广东工业大学 | Elm算法的人眼点云特征定位 |
CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
CN106920277A (zh) * | 2017-03-01 | 2017-07-04 | 浙江神造科技有限公司 | 模拟美容整形效果可视化在线自由面雕的方法及系统 |
CN107045385A (zh) * | 2016-08-01 | 2017-08-15 | 深圳奥比中光科技有限公司 | 基于深度图像的唇语交互方法以及唇语交互装置 |
CN107392995A (zh) * | 2017-07-05 | 2017-11-24 | 天津大学 | 机械轴导航系统中的人体下肢配准方法 |
CN107423712A (zh) * | 2017-07-28 | 2017-12-01 | 南京华捷艾米软件科技有限公司 | 一种3d人脸识别方法 |
CN107944435A (zh) * | 2017-12-27 | 2018-04-20 | 广州图语信息科技有限公司 | 一种三维人脸识别方法、装置及处理终端 |
CN108038475A (zh) * | 2017-12-29 | 2018-05-15 | 浪潮金融信息技术有限公司 | 人脸图像识别方法及装置、计算机存储介质、终端 |
CN108229378A (zh) * | 2017-12-29 | 2018-06-29 | 浪潮金融信息技术有限公司 | 人脸图像数据生成方法及装置、计算机存储介质、终端 |
CN108389172A (zh) * | 2018-03-21 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108549873A (zh) * | 2018-04-19 | 2018-09-18 | 北京华捷艾米科技有限公司 | 三维人脸识别方法和三维人脸识别系统 |
CN108615007A (zh) * | 2018-04-23 | 2018-10-02 | 深圳大学 | 基于特征张量的三维人脸识别方法、装置及存储介质 |
CN109117726A (zh) * | 2018-07-10 | 2019-01-01 | 深圳超多维科技有限公司 | 一种识别认证方法、装置、系统及存储介质 |
CN109446912A (zh) * | 2018-09-28 | 2019-03-08 | 北京市商汤科技开发有限公司 | 人脸图像的处理方法及装置、电子设备和存储介质 |
CN109670487A (zh) * | 2019-01-30 | 2019-04-23 | 汉王科技股份有限公司 | 一种人脸识别方法、装置及电子设备 |
WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN110006372A (zh) * | 2019-03-18 | 2019-07-12 | 华中科技大学 | 一种基于局部优化的三维点云平面度计算方法 |
CN110728196A (zh) * | 2019-09-18 | 2020-01-24 | 平安科技(深圳)有限公司 | 一种人脸识别的方法、装置及终端设备 |
WO2020034542A1 (zh) * | 2018-08-17 | 2020-02-20 | 平安科技(深圳)有限公司 | 神经网络模型训练、人脸识别方法、装置、设备及介质 |
CN111523398A (zh) * | 2020-03-30 | 2020-08-11 | 西安交通大学 | 一种融合2d人脸检测和3d人脸识别的方法及装置 |
CN111652086A (zh) * | 2020-05-15 | 2020-09-11 | 汉王科技股份有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN111724478A (zh) * | 2020-05-19 | 2020-09-29 | 华南理工大学 | 一种基于深度学习的点云上采样方法 |
CN112528766A (zh) * | 2020-11-25 | 2021-03-19 | 维沃移动通信有限公司 | 唇语识别方法、装置及电子设备 |
CN113158892A (zh) * | 2021-04-20 | 2021-07-23 | 南京大学 | 一种与纹理和表情无关的人脸识别方法 |
CN113554007A (zh) * | 2021-09-18 | 2021-10-26 | 上海齐感电子信息科技有限公司 | 人脸框的计算方法及计算系统 |
CN113792718A (zh) * | 2021-11-18 | 2021-12-14 | 北京的卢深视科技有限公司 | 深度图中人脸区域定位方法、电子设备及存储介质 |
CN114120386A (zh) * | 2020-08-31 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN114463825A (zh) * | 2022-04-08 | 2022-05-10 | 北京邮电大学 | 基于多模态融合的人脸预测方法及相关设备 |
-
2014
- 2014-07-17 CN CN201410343015.8A patent/CN104091162B/zh active Active
Non-Patent Citations (5)
Title |
---|
PANAGIOTIS PERAKIS ETAL.: "3D Facial Landmark Detection under Large Yaw and Expression Variations", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
STEFANO BERRETTI ETAL: "3D Face Recognition Using Isogeodesic Stripes", 《IEEE TRANSACTIONS ON OATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
常俊彦等: "基于特征融合的三维人脸识别", 《东南大学学报(自然科学版)》 * |
邹红艳等: "基于多尺度Gabor特征的三维人脸识别方法", 《东南大学学报(自然科学版)》 * |
邹红艳等: "基于面部曲线特征融合的三维人脸识别", 《东南大学学报(自然科学版)》 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318100A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于特征敏感投影算子的厚度点云薄化方法 |
CN104408769A (zh) * | 2014-11-27 | 2015-03-11 | 苏州福丰科技有限公司 | 基于三维人脸识别的虚拟网络会议方法 |
CN104504410A (zh) * | 2015-01-07 | 2015-04-08 | 深圳市唯特视科技有限公司 | 基于三维点云的三维人脸识别装置和方法 |
WO2016110007A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于三维点云的三维人脸识别装置和方法 |
CN104636729B (zh) * | 2015-02-10 | 2017-12-29 | 浙江工业大学 | 基于贝叶斯多元分布特征提取的三维人脸识别方法 |
CN104636729A (zh) * | 2015-02-10 | 2015-05-20 | 浙江工业大学 | 基于贝叶斯多元分布特征提取的三维人脸识别方法 |
CN104794487A (zh) * | 2015-04-16 | 2015-07-22 | 重庆大学 | 一种基于颅像重合原理的照片与照片的同一认定方法 |
CN105095715A (zh) * | 2015-06-30 | 2015-11-25 | 国网山东莒县供电公司 | 一种电力系统网络的身份认证方法 |
CN106096555A (zh) * | 2016-06-15 | 2016-11-09 | 湖南拓视觉信息技术有限公司 | 三维面部检测的方法和装置 |
CN107045385A (zh) * | 2016-08-01 | 2017-08-15 | 深圳奥比中光科技有限公司 | 基于深度图像的唇语交互方法以及唇语交互装置 |
CN106529502A (zh) * | 2016-08-01 | 2017-03-22 | 深圳奥比中光科技有限公司 | 唇语识别方法以及装置 |
CN106682575A (zh) * | 2016-11-21 | 2017-05-17 | 广东工业大学 | Elm算法的人眼点云特征定位 |
CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
CN106920277A (zh) * | 2017-03-01 | 2017-07-04 | 浙江神造科技有限公司 | 模拟美容整形效果可视化在线自由面雕的方法及系统 |
CN107392995A (zh) * | 2017-07-05 | 2017-11-24 | 天津大学 | 机械轴导航系统中的人体下肢配准方法 |
CN107392995B (zh) * | 2017-07-05 | 2021-12-07 | 天津大学 | 机械轴导航系统中的人体下肢配准系统 |
CN107423712A (zh) * | 2017-07-28 | 2017-12-01 | 南京华捷艾米软件科技有限公司 | 一种3d人脸识别方法 |
WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN107944435A (zh) * | 2017-12-27 | 2018-04-20 | 广州图语信息科技有限公司 | 一种三维人脸识别方法、装置及处理终端 |
CN108229378A (zh) * | 2017-12-29 | 2018-06-29 | 浪潮金融信息技术有限公司 | 人脸图像数据生成方法及装置、计算机存储介质、终端 |
CN108038475A (zh) * | 2017-12-29 | 2018-05-15 | 浪潮金融信息技术有限公司 | 人脸图像识别方法及装置、计算机存储介质、终端 |
CN108389172A (zh) * | 2018-03-21 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108549873A (zh) * | 2018-04-19 | 2018-09-18 | 北京华捷艾米科技有限公司 | 三维人脸识别方法和三维人脸识别系统 |
CN108615007A (zh) * | 2018-04-23 | 2018-10-02 | 深圳大学 | 基于特征张量的三维人脸识别方法、装置及存储介质 |
CN109117726A (zh) * | 2018-07-10 | 2019-01-01 | 深圳超多维科技有限公司 | 一种识别认证方法、装置、系统及存储介质 |
WO2020034542A1 (zh) * | 2018-08-17 | 2020-02-20 | 平安科技(深圳)有限公司 | 神经网络模型训练、人脸识别方法、装置、设备及介质 |
US11341768B2 (en) | 2018-09-28 | 2022-05-24 | Beijing Sensetime Technology Development Co., Ltd. | Face image processing method and apparatus, electronic device, and storage medium |
US11741583B2 (en) | 2018-09-28 | 2023-08-29 | Beijing Sensetime Technology Development Co., Ltd. | Face image processing method and apparatus, electronic device, and storage medium |
US11734804B2 (en) | 2018-09-28 | 2023-08-22 | Beijing Sensetime Technology Development Co., Ltd. | Face image processing method and apparatus, electronic device, and storage medium |
CN109446912A (zh) * | 2018-09-28 | 2019-03-08 | 北京市商汤科技开发有限公司 | 人脸图像的处理方法及装置、电子设备和存储介质 |
CN109670487A (zh) * | 2019-01-30 | 2019-04-23 | 汉王科技股份有限公司 | 一种人脸识别方法、装置及电子设备 |
CN110006372A (zh) * | 2019-03-18 | 2019-07-12 | 华中科技大学 | 一种基于局部优化的三维点云平面度计算方法 |
CN110728196B (zh) * | 2019-09-18 | 2024-04-05 | 平安科技(深圳)有限公司 | 一种人脸识别的方法、装置及终端设备 |
WO2021051539A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 一种人脸识别的方法、装置及终端设备 |
CN110728196A (zh) * | 2019-09-18 | 2020-01-24 | 平安科技(深圳)有限公司 | 一种人脸识别的方法、装置及终端设备 |
CN111523398A (zh) * | 2020-03-30 | 2020-08-11 | 西安交通大学 | 一种融合2d人脸检测和3d人脸识别的方法及装置 |
CN111652086A (zh) * | 2020-05-15 | 2020-09-11 | 汉王科技股份有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN111652086B (zh) * | 2020-05-15 | 2022-12-30 | 汉王科技股份有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN111724478A (zh) * | 2020-05-19 | 2020-09-29 | 华南理工大学 | 一种基于深度学习的点云上采样方法 |
CN114120386A (zh) * | 2020-08-31 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN112528766A (zh) * | 2020-11-25 | 2021-03-19 | 维沃移动通信有限公司 | 唇语识别方法、装置及电子设备 |
CN113158892A (zh) * | 2021-04-20 | 2021-07-23 | 南京大学 | 一种与纹理和表情无关的人脸识别方法 |
CN113158892B (zh) * | 2021-04-20 | 2024-01-26 | 南京大学 | 一种与纹理和表情无关的人脸识别方法 |
CN113554007A (zh) * | 2021-09-18 | 2021-10-26 | 上海齐感电子信息科技有限公司 | 人脸框的计算方法及计算系统 |
CN113554007B (zh) * | 2021-09-18 | 2022-01-11 | 上海齐感电子信息科技有限公司 | 人脸框的计算方法及计算系统 |
CN113792718A (zh) * | 2021-11-18 | 2021-12-14 | 北京的卢深视科技有限公司 | 深度图中人脸区域定位方法、电子设备及存储介质 |
CN114463825A (zh) * | 2022-04-08 | 2022-05-10 | 北京邮电大学 | 基于多模态融合的人脸预测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104091162B (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091162A (zh) | 基于特征点的三维人脸识别方法 | |
WO2017219391A1 (zh) | 一种基于三维数据的人脸识别系统 | |
Szeptycki et al. | A coarse-to-fine curvature analysis-based rotation invariant 3D face landmarking | |
CN101398886B (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
CN102880866B (zh) | 一种人脸特征提取方法 | |
CN106022228B (zh) | 一种基于网格纵横局部二值模式的三维人脸识别方法 | |
US8280150B2 (en) | Method and apparatus for determining similarity between surfaces | |
CN109685013B (zh) | 人体姿态识别中头部关键点的检测方法及装置 | |
CN106407985B (zh) | 一种三维人体头部点云特征提取方法及其装置 | |
CN105005755A (zh) | 三维人脸识别方法和系统 | |
CN102592136A (zh) | 基于几何图像中中频信息的三维人脸识别方法 | |
CN109902585B (zh) | 一种基于图模型的手指三模态融合识别方法 | |
JP4780198B2 (ja) | 認証システム及び認証方法 | |
CN107330901B (zh) | 一种基于骨架的物体构件分解方法 | |
CN101894254B (zh) | 一种基于等高线法的三维人脸识别方法 | |
CN106874850A (zh) | 一种基于三维人脸点云特征点定位方法 | |
CN103679151A (zh) | 一种融合LBP、Gabor特征的人脸聚类方法 | |
CN103246875A (zh) | 一种基于面部曲线弹性匹配的三维人脸识别方法 | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN102081733A (zh) | 多模态信息结合的多姿态三维人脸面部五官标志点定位方法 | |
CN104794441A (zh) | 复杂背景下基于主动形状模型和poem纹理模型的人脸特征定位方法 | |
CN105354555A (zh) | 一种基于概率图模型的三维人脸识别方法 | |
CN103400136A (zh) | 基于弹性匹配的目标识别方法 | |
CN106682575A (zh) | Elm算法的人眼点云特征定位 | |
CN103700135A (zh) | 一种三维模型局部球面调和特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |