CN104298995A - 基于三维点云的三维人脸识别装置及方法 - Google Patents
基于三维点云的三维人脸识别装置及方法 Download PDFInfo
- Publication number
- CN104298995A CN104298995A CN201410189508.0A CN201410189508A CN104298995A CN 104298995 A CN104298995 A CN 104298995A CN 201410189508 A CN201410189508 A CN 201410189508A CN 104298995 A CN104298995 A CN 104298995A
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- point cloud
- dimensional face
- lid
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/12—Acquisition of 3D measurements of objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开一种基于三维点云的三维人脸识别装置及方法，所述装置包括：对于三维点云特征区域进行定位的特征区域检测单元；将三维点云进行归一化映射到深度图像空间的深度图像映射单元；利用不同尺度和方向的盖博滤波器对三维人脸数据进行不同尺度和方向的响应计算的盖博响应计算单元；用于储存训练获得的三维人脸数据的视觉词典的储存单元；以及对于每个像素获得的盖博响应向量，与视觉词典进行直方图映射的直方图映射计算单元。本发明通过先提取三维人脸区域的特征区域进行定位和配准，然后根据深度信息将点云数据映射成深度图像，然后按照训练好的三维人脸视觉词典进行三维数据的视觉词典直方图向量，最后利用分类器实现识别，识别精度高。
Description
技术领域
本发明涉及人脸识别技术领域，尤其是指基于三维点云的三维人脸识别装置及方法。
背景技术
三维人脸识别相对于二维人脸识别，有着其对光照鲁棒、受姿态以及表情等因素影响较小等优点，因此，在三维数据采集技术飞速发展以及三维数据的质量和精度大大提升之后，很多研究者都将研究重点投入到该领域中。
其中，2010年12月29日公开的201010256907.6号中国发明专利申请提出了采用三维弯曲不变量的相关特征用来进行人脸特性描述的方法，该方法通过编码三维人脸表面相邻节点的弯曲不变量的局部特征，提取弯曲不变量相关特征；对所述弯曲不变量的相关特征进行签名并采用谱回归进行降维，获得主成分，并运用Ｋ最近邻分类方法对三维人脸进行识别。但是由于提取变量相关特征时需要复杂的计算量，因此在效率上限制了该方法的进一步应用。
而2011年5月4日公开的200910197378.4号中国发明专利申请则提出了一种全自动三维人脸检测和姿势纠正的方法，该方法通过对人脸三维曲面进行多尺度的矩分析，提出了脸部区域特征来粗糙地检测人脸曲面，及提出鼻尖区域特征来准确地定位鼻尖的位置，然后进一步精确地分割出完整的人脸曲面，根据人脸曲面的距离信息提出鼻根区域特征来检测鼻根的位置后，建立了一个人脸坐标系，并据此自动地进行人脸姿势的纠正应用。该方法目的在于对三维人脸数据的姿态进行估计，属于三维人脸识别系统的数据预处理阶段。
三维人脸识别是三维人脸领域中许多应用的基础性工作，该领域的初始工作大部分是利用三维数据的信息：如曲率、深度等数据对人脸进行描述，但是由于三维数据的采集中有很多数据的噪点，因此曲率等特征数据由于其本身对于噪音的敏感特性，使得其作为三维人脸的特征描述向量在识别结果上精度不高。在将三维数据映射到深度图数据后，很多二维人脸的表象特征开始应用到该领域，如主成分分析（PCA）以及盖博（Gabor）滤波器特征；但是这些特征也有各自的缺点：（1）对于PCA特征，由于其隶属于全局的表象特征，因此对于三维数据的细节纹理描述能力不足；（2）对于盖博滤波器特征，由于三维数据的噪音问题，导致其对于三维人脸数据的描述能力依赖于获取的三维人脸数据的质量。
发明内容
本发明所要解决的技术问题在于，提供一种基于三维点云的三维人脸识别装置，以提升对三维人脸数据的描述和识别能力及精度。
本发明进一步所要解决的技术问题在于，提供一种基于三维点云的三维人脸识别方法，以提升对三维人脸数据的描述和识别能力及精度。
为解决上述技术问题，本发明提供如下技术方案：一种基于三维点云的三维人脸识别装置，其包括：
对于三维点云特征区域进行定位的特征区域检测单元；
将三维点云进行归一化映射到深度图像空间的深度图像映射单元；
用于选择三维人脸数据鲁棒区域的鲁棒选择单元；
存储有不同尺度和方向的盖博滤波器系数的第一存储单元；
利用不同尺度和方向的盖博滤波器系数对三维人脸数据进行不同尺度和方向的响应计算的盖博响应计算单元；
用于储存训练获得的三维人脸数据的视觉词典的第二储存单元；以及
对于每个像素获得的盖博响应向量，与视觉词典进行直方图映射的直方图映射计算单元。
进一步地，所述特征区域检测单元包括：
针对三维点云特征区域的各项特性并提取点云数据的各种特征的特征提取模块；以及
针对特征提取模块提取的特征数据进行数据点的分类计算，以判断其是否属于特征区域的分类器模块，所述分类器模块是支持向量机或阿德布斯特（Adaboost）分类器。
进一步地，所述深度图像映射单元包括：
按照深度信息将原始三维点云映射为深度图像的映射模块；以及
利用滤波器对获取的深度图像的空洞或者噪点信息进行去噪的去噪模块。
另一方面，本发明还提供一种基于三维点云的三维人脸识别方法，包括如下步骤：
特征区域检测步骤，对于三维点云特征区域进行定位，作为配准的基准数据，然后对输入点云数据与基础人脸数据进行配准；
深度图像映射步骤，将三维点云进行归一化映射到深度图像空间；
提取表情鲁棒区域步骤，从所映射的深度图像中提取出表情鲁棒区域；
盖博响应计算步骤，利用不同尺度和方向的盖博滤波器对三维人脸数据进行不同尺度和方向的响应计算；以及
直方图映射计算步骤，对于每个像素获得的盖博响应向量，与预存于储存单元中的视觉词典进行直方图映射，从而得到视觉词典直方图；
识别步骤，将输入数据的视觉词典特征向量与数据库中存储的特征向量利用最近邻分类器进行分类，从而实现三维人脸识别。
进一步地，所述特征区域检测步骤，选择鼻尖区域作为特征区域进行定位，所述三维点云特征区域的各项特性包括数据深度、数据密度以及更进一步计算数据的三维曲率等内在信息，而提取的点云数据的特征包括：高斯曲率、平均曲率、法向量以及数据深度值。
进一步地，对鼻尖区域进行定位主要包括如下步骤：
步骤1，确定域平均负有效能量密度的阈值，定义为thr；
步骤2，利用数据的深度信息，提取在一定深度范围内的人脸数据作为待处理数据，所述一定深度范围是指最大z值往后一个范围（20mm，适用于姿态不大的数据）的z值域；
步骤3，按照区域平均负有效能量密度的定义，求出待处理数据中各连通域的平均负有效能量密度，选择其中密度值最大的连通域，对于每一个数据点P，NP表示该点的法线向量，Pi表示它的临近点，则每一个临近点的有效能量di的计算公式为 ；
步骤4，当该区域的阈值大于预定义的thr时，则确定该区域即为鼻尖区域，否则回到第1步循环进行。
进一步地，所述深度图像映射步骤中，以空间信息的（x，y）作为映射的参考空间位置，空间信息的z值作为映射对应数据值，构建从三维点云到深度图像的映射。
进一步地，所述盖博响应计算步骤中，由盖博响应计算单元利用已储存好的不同尺度不同方向的盖博滤波器系数，对于三维人脸深度图像进行常规的卷积运算，对于每个深度图像像素获取得到其对应的盖博滤波响应向量。
进一步地，所述视觉词典的储存单元，是储存的盖博响应向量组，如盖博响应向量为n维，获取的聚类中心为m个，则该向量组为一个mхn的数据矩阵。
进一步地，所述直方图映射计算步骤中，由直方图映射计算单元通过计算每个像素盖博响应后的向量与其距离最近的视觉词汇，构建基于视觉词典的直方图描述，所述视觉词典的储存单元中的聚类中心为m个，则得到的对于三维人脸数据的直方图描述向量为m维。
采用上述技术方案后，本发明至少具有如下有益效果：本发明提供了完整的三维人脸识别解决方案，涵盖：数据配准、数据预处理、特征提取以及数据分类，具体是通过先提取三维人脸区域的特征区域进行定位和配准，然后根据深度信息将点云数据映射成深度图像，然后按照训练好的三维人脸视觉词典进行三维数据的视觉词典直方图向量，最后利用分类器实现识别，识别精度高。
附图说明
图1是本发明基于三维点云的三维人脸识别装置的系统原理框图。
图2是本发明基于三维点云的三维人脸识别方法的流程示意图。
图3所示是三维人脸鼻尖区域示意图。
图4所示是三维人脸鼻尖定位示意图。
图5所示是不同姿态的三维人脸配准示意图。
图6所示是三维点云数据映射为深度图像的示意图。
图7所示是三维人脸数据的盖博滤波响应示意图。
图8所示是三维人脸视觉词典的K均值聚类获取过程示意图。
图9所示是三维人脸视觉词典向量特征的建立过程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示，本发明提供一种基于三维点云的三维人脸识别装置，其包括：
对于三维点云特征区域进行定位的特征区域检测单元；
将三维点云进行归一化映射到深度图像空间的深度图像映射单元；
用于选择三维人脸数据鲁棒区域的鲁棒选择单元；
存储有不同尺度和方向的盖博滤波器系数的第一存储单元；
利用不同尺度和方向的盖博滤波器系数对三维人脸数据进行不同尺度和方向的响应计算的盖博响应计算单元；
用于储存训练获得的三维人脸数据的视觉词典的第二储存单元；以及
对于每个像素获得的盖博响应向量，与视觉词典进行直方图映射的直方图映射计算单元。
其中，所述特征区域检测单元包括：
针对三维点云特征区域的各项特性并提取点云数据的各种特征的特征提取模块；以及
针对特征提取模块提取的特征数据进行数据点的分类计算，以判断其是否属于特征区域的分类器模块，所述分类器模块是支持向量机或阿德布斯特（Adaboost）分类器。
而所述深度图像映射单元包括：
按照深度信息将原始三维点云映射为深度图像的映射模块；以及
利用滤波器对获取的深度图像的空洞或者噪点信息进行去噪的去噪模块。
另一方面，如图2所示，本发明还提供一种基于三维点云的三维人脸识别方法，包括如下步骤：
特征区域检测步骤，对于三维点云特征区域进行定位，作为配准的基准数据，然后对输入点云数据与基础人脸数据进行配准；
深度图像映射步骤，将三维点云进行归一化映射到深度图像空间；
提取表情鲁棒区域步骤，从所映射的深度图像中提取出表情鲁棒区域；
盖博响应计算步骤，对于提取的表情鲁棒区域，利用不同尺度和方向的盖博滤波器对三维人脸数据进行不同尺度和方向的响应计算；以及
直方图映射计算步骤，对于每个像素获得的盖博响应向量，与预存于储存单元中的视觉词典进行直方图映射，从而得到视觉词典直方图；
分类识别步骤，将输入数据的视觉词典特征向量与数据库中存储的特征向量利用最近邻分类器进行分类，从而实现三维人脸识别。
其中，所述特征区域检测步骤，所述三维点云特征区域的各项特性包括数据深度、数据密度以及更进一步计算数据的三维曲率等内在信息，而提取的点云数据的特征包括：高斯曲率、平均曲率、法向量以及数据深度值。优选地，选择鼻尖区域作为特征区域进行定位，从图3所示的三维人脸鼻尖区域示意图可以看出，三维鼻尖区域具有最高的z值（深度值），明显的曲率值以及较大的数据密度值，因此适合作为数据配准的参考区域。
如图4所示，对鼻尖区域进行定位时，主要包括如下步骤：
步骤1，确定域平均负有效能量密度的阈值，定义为thr；
步骤2，利用数据的深度信息，提取在一定深度范围内的人脸数据作为待处理数据，所述一定深度范围是指最大z值往后一个范围（20mm，适用于姿态不大的数据）的z值域；
步骤3，按照区域平均负有效能量密度的定义，求出待处理数据中各连通域的平均负有效能量密度，选择其中密度值最大的连通域，对于每一个数据点P，NP表示该点的法线向量，Pi表示它的临近点，则每一个临近点的有效能量di的计算公式为；
步骤4，当该区域的阈值大于预定义的thr时，则确定该区域即为鼻尖区域，否则回到第1步循环进行。
优选地，在所述深度图像映射步骤中，以空间信息的（x，y）作为映射的参考空间位置，空间信息的z值作为映射对应数据值，构建从三维点云到深度图像的映射。
而在所述盖博响应计算步骤中，由盖博响应计算单元利用已储存好的不同尺度不同方向的盖博滤波器系数，对于三维人脸深度图像进行常规的卷积运算，对于每个深度图像像素获取得到其对应的盖博滤波响应向量。
进一步地，所述视觉词典的储存单元，是储存的盖博响应向量组，如盖博响应向量为n维，获取的聚类中心为m个，则该向量组为一个mхn的数据矩阵。
进一步地，所述直方图映射计算步骤中，由直方图映射计算单元通过计算每个像素盖博响应后的向量与其距离最近的视觉词汇，构建基于视觉词典的直方图描述，所述视觉词典的储存单元中的聚类中心为m个，则得到的对于三维人脸数据的直方图描述向量为m维。。
对于不同姿态的三维数据，得到配准的参考区域后，按照ICP算法进行数据的配准；配准前后的对比如图5所示。
配准后，首先按照深度信息进行深度图像的获取，然后利用滤波器对于映射后的深度图像中的噪音点（数据突起点或者空洞点）进行补偿去噪，最后对表情鲁棒区域进行选择，得到最终的三维人脸深度图像，如图6所示。
如图7所示，对于每一个尺度每一个方向，三维深度图像都会得到其对应的频域响应。例如四个方向和五个尺度的盖博核函数，则可以得到20个频域响应图像。每一个深度图像的像素点，则得到一个对应的20维频域响应向量。
图8示出了三维人脸视觉词典的K均值聚类获取过程。该视觉词典是在三维人脸数据训练集中通过对大量数据的盖博滤波响应向量集合进行常规的K均值聚类获取的。在相应的实验数据中，每幅深度人脸图像的大小是80х120，任意选取100幅中性表情人脸图像作为训练集。如果将这些图像的盖博滤波响应向量数据直接存入一个三维张量中，其数据量规模将会是5х4х80х120х100，包括了960000个20维向量。对于K均值聚类算法来说这是非常巨大的数据量。为了解决这个问题，需要将人脸数据首先分割成一系列局部纹理图像，并对每个局部纹理分配一个三维张量以存储其盖博滤波响应数据。这样通过将原始数据分解，每个局部纹理三维张量的大小为5х4х20х20х100，是原数据规模的1/24，大大提高了算法的效率。
图9说明了三维深度图像的视觉词典直方图特征向量提取流程，当测试人脸图像输入后，经过盖博滤波后，将任一滤波向量都与其所在位置相对应的视觉分词典中的所有基元词汇比较，通过距离匹配的方式，把它映射到与之距离最为接近的基元上，通过这种方式，就可以提取出原始深度图像的视觉词典直方图特征。其大致的流程如下：
将三维人脸深度图像分割成一些局部纹理区域；
对每个盖博滤波响应向量，按照位置的不同将其映射到其对应的视觉分词典的词汇中，并以此为基础建立视觉词典直方图向量作为三维人脸的特征表达；
最近邻分类器被用来作为最后的人脸识别，其中L1距离被选作为距离度量，所述L1距离的定义为。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。
Claims (10)
1.一种基于三维点云的三维人脸识别装置，其特征在于，其包括：
对于三维点云特征区域进行定位的特征区域检测单元；
将三维点云进行归一化映射到深度图像空间的深度图像映射单元；
用于选择三维人脸数据鲁棒区域的鲁棒选择单元；
存储有不同尺度和方向的盖博滤波器系数的第一存储单元；
利用不同尺度和方向的盖博滤波器系数对三维人脸数据进行不同尺度和方向的响应计算的盖博响应计算单元；
用于储存训练获得的三维人脸数据的视觉词典的第二储存单元；以及
对于每个像素获得的盖博响应向量，与视觉词典进行直方图映射的直方图映射计算单元。
2.如权利要求1所述的基于三维点云的三维人脸识别装置，其特征在于，所述特征区域检测单元包括：
针对三维点云特征区域的各项特性并提取点云数据的各种特征的特征提取模块；以及
针对特征提取模块提取的特征数据进行数据点的分类计算，以判断其是否属于特征区域的分类器模块，所述分类器模块是支持向量机或阿德布斯特分类器。
3.如权利要求1所述的基于三维点云的三维人脸识别装置，其特征在于，所述深度图像映射单元包括：
按照深度信息将原始三维点云映射为深度图像的映射模块；以及
利用滤波器对获取的深度图像的空洞或者噪点信息进行去噪的去噪模块。
4.一种基于三维点云的三维人脸识别方法，其特征在于，包括如下步骤：
特征区域检测步骤，对于三维点云特征区域进行定位，作为配准的基准数据，然后对输入点云数据与基础人脸数据进行配准；
深度图像映射步骤，将三维点云进行归一化映射到深度图像空间；
提取表情鲁棒区域步骤，从所映射的深度图像中提取出表情鲁棒区域；
盖博响应计算步骤，利用不同尺度和方向的盖博滤波器对三维人脸数据进行不同尺度和方向的响应计算；以及
直方图映射计算步骤，对于每个像素获得的盖博响应向量，与预存于储存单元中的视觉词典进行直方图映射，从而得到视觉词典直方图；
识别步骤，将输入数据的视觉词典特征向量与数据库中存储的特征向量利用最近邻分类器进行分类，从而实现三维人脸识别。
5.如权利要求4所述的基于三维点云的三维人脸识别方法，其特征在于，所述特征区域检测步骤，选择鼻尖区域作为特征区域进行定位，所述三维点云特征区域的各项特性包括数据深度、数据密度以及更进一步计算数据的三维曲率等内在信息，而提取的点云数据的特征包括：高斯曲率、平均曲率、法向量以及数据深度值。
6.如权利要求5所述的基于三维点云的三维人脸识别方法，其特征在于，对鼻尖区域进行定位主要包括如下步骤：
步骤1，确定域平均负有效能量密度的阈值，定义为thr；
步骤2，利用数据的深度信息，提取在一定深度范围内的人脸数据作为待处理数据，所述一定深度范围是指最大z值往后一个范围（20mm，适用于姿态不大的数据）的z值域；
步骤3，按照区域平均负有效能量密度的定义，求出待处理数据中各连通域的平均负有效能量密度，选择其中密度值最大的连通域，对于每一个数据点P，NP表示该点的法线向量，Pi表示它的临近点，则每一个临近点的有效能量di的计算公式为 ；
步骤4，当该区域的阈值大于预定义的thr时，则确定该区域即为鼻尖区域，否则回到第1步循环进行。
7.如权利要求5所述的基于三维点云的三维人脸识别方法，其特征在于，所述深度图像映射步骤中，以空间信息的（x，y）作为映射的参考空间位置，空间信息的z值作为映射对应数据值，构建从三维点云到深度图像的映射。
8.如权利要求5所述的基于三维点云的三维人脸识别装置，其特征在于，所述盖博响应计算步骤中，由盖博响应计算单元利用已储存好的不同尺度不同方向的盖博滤波器系数，对于三维人脸深度图像进行常规的卷积运算，对于每个深度图像像素获取得到其对应的盖博滤波响应向量。
9.如权利要求5所述的基于三维点云的三维人脸识别装置，其特征在于，所述视觉词典是储存一个mхn的数据矩阵的盖博响应向量组，其中，n为盖博响应向量的维数，m为获取的聚类中心的个数。
10.如权利要求5所述的基于三维点云的三维人脸识别装置，其特征在于，所述直方图映射计算步骤中，由直方图映射计算单元通过计算每个像素盖博响应后的向量与其距离最近的视觉词汇，构建基于视觉词典的直方图描述，所述视觉词典的储存单元中的聚类中心为m个，则得到的对于三维人脸数据的直方图描述向量为m维。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410189508.0A CN104298995B (zh) | 2014-05-06 | 2014-05-06 | 基于三维点云的三维人脸识别装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410189508.0A CN104298995B (zh) | 2014-05-06 | 2014-05-06 | 基于三维点云的三维人脸识别装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104298995A true CN104298995A (zh) | 2015-01-21 |
| CN104298995B CN104298995B (zh) | 2017-08-08 |
Family
ID=52318716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410189508.0A Active CN104298995B (zh) | 2014-05-06 | 2014-05-06 | 基于三维点云的三维人脸识别装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104298995B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105678235A (zh) * | 2015-12-30 | 2016-06-15 | 北京工业大学 | 基于典型区域多维度特征的三维人脸表情识别方法 |
| CN105956582A (zh) * | 2016-06-24 | 2016-09-21 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸识别系统 |
| CN107451510A (zh) * | 2016-05-30 | 2017-12-08 | 北京旷视科技有限公司 | 活体检测方法和活体检测系统 |
| CN107463933A (zh) * | 2017-07-24 | 2017-12-12 | 宗晖（上海）机器人有限公司 | 一种图像目标检测方法 |
| 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 |
| CN109657559A (zh) * | 2018-11-23 | 2019-04-19 | 盎锐（上海）信息科技有限公司 | 点云深度感知编码引擎 |
| CN110348344A (zh) * | 2019-06-28 | 2019-10-18 | 浙江大学 | 一种基于二维和三维融合的特殊人脸表情识别的方法 |
| CN110458041A (zh) * | 2019-07-19 | 2019-11-15 | 国网安徽省电力有限公司建设分公司 | 一种基于rgb-d相机的人脸识别方法及系统 |
| CN111369651A (zh) * | 2018-12-25 | 2020-07-03 | 浙江舜宇智能光学技术有限公司 | 三维表情动画生成方法及系统 |
| CN116631022A (zh) * | 2023-04-11 | 2023-08-22 | 广东德融汇科技有限公司 | 一种人脸精准识别方法、装置、设备以及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7848548B1 (en) * | 2007-06-11 | 2010-12-07 | Videomining Corporation | Method and system for robust demographic classification using pose independent model from sequence of face images |
| CN102024141A (zh) * | 2010-06-29 | 2011-04-20 | 上海大学 | 基于Gabor小波变换和局部二值模式优化的人脸识别方法 |
| US20120257800A1 (en) * | 2011-04-05 | 2012-10-11 | Yufeng Zheng | Face recognition system and method using face pattern words and face pattern bytes |
| CN103745200A (zh) * | 2014-01-02 | 2014-04-23 | 哈尔滨工程大学 | 一种基于词带模型的人脸图像识别方法 |
-
2014
- 2014-05-06 CN CN201410189508.0A patent/CN104298995B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7848548B1 (en) * | 2007-06-11 | 2010-12-07 | Videomining Corporation | Method and system for robust demographic classification using pose independent model from sequence of face images |
| CN102024141A (zh) * | 2010-06-29 | 2011-04-20 | 上海大学 | 基于Gabor小波变换和局部二值模式优化的人脸识别方法 |
| US20120257800A1 (en) * | 2011-04-05 | 2012-10-11 | Yufeng Zheng | Face recognition system and method using face pattern words and face pattern bytes |
| CN103745200A (zh) * | 2014-01-02 | 2014-04-23 | 哈尔滨工程大学 | 一种基于词带模型的人脸图像识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 邹艳红 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）》 * |
| 陈立生 等: "基于几何特征与深度数据的三维人脸识别", 《人工智能及识别技术》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105678235A (zh) * | 2015-12-30 | 2016-06-15 | 北京工业大学 | 基于典型区域多维度特征的三维人脸表情识别方法 |
| CN105678235B (zh) * | 2015-12-30 | 2018-08-14 | 北京工业大学 | 基于典型区域多维度特征的三维人脸表情识别方法 |
| CN107451510B (zh) * | 2016-05-30 | 2023-07-21 | 北京旷视科技有限公司 | 活体检测方法和活体检测系统 |
| CN107451510A (zh) * | 2016-05-30 | 2017-12-08 | 北京旷视科技有限公司 | 活体检测方法和活体检测系统 |
| CN105956582A (zh) * | 2016-06-24 | 2016-09-21 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸识别系统 |
| CN105956582B (zh) * | 2016-06-24 | 2019-07-30 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸识别系统 |
| CN107463933A (zh) * | 2017-07-24 | 2017-12-12 | 宗晖（上海）机器人有限公司 | 一种图像目标检测方法 |
| 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 |
| CN108615007B (zh) * | 2018-04-23 | 2019-07-19 | 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 |
| CN109657559A (zh) * | 2018-11-23 | 2019-04-19 | 盎锐（上海）信息科技有限公司 | 点云深度感知编码引擎 |
| CN109657559B (zh) * | 2018-11-23 | 2023-02-07 | 盎锐（上海）信息科技有限公司 | 点云深度感知编码引擎装置 |
| CN111369651A (zh) * | 2018-12-25 | 2020-07-03 | 浙江舜宇智能光学技术有限公司 | 三维表情动画生成方法及系统 |
| CN110348344A (zh) * | 2019-06-28 | 2019-10-18 | 浙江大学 | 一种基于二维和三维融合的特殊人脸表情识别的方法 |
| CN110458041A (zh) * | 2019-07-19 | 2019-11-15 | 国网安徽省电力有限公司建设分公司 | 一种基于rgb-d相机的人脸识别方法及系统 |
| CN110458041B (zh) * | 2019-07-19 | 2023-04-14 | 国网安徽省电力有限公司建设分公司 | 一种基于rgb-d相机的人脸识别方法及系统 |
| CN116631022A (zh) * | 2023-04-11 | 2023-08-22 | 广东德融汇科技有限公司 | 一种人脸精准识别方法、装置、设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104298995B (zh) | 2017-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104298995A (zh) | 基于三维点云的三维人脸识别装置及方法 | |
| CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
| CN104504410A (zh) | 基于三维点云的三维人脸识别装置和方法 | |
| CN103996052B (zh) | 基于三维点云的三维人脸性别分类方法 | |
| 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 | |
| CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
| WO2016110005A1 (zh) | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 | |
| CN111723721A (zh) | 基于rgb-d的三维目标检测方法、系统及装置 | |
| CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
| CN108009222B (zh) | 基于较优视图和深度卷积神经网络的三维模型检索方法 | |
| CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
| CN103971122B (zh) | 基于深度图像的三维人脸描述方法 | |
| CN107862267A (zh) | 基于完全对称局部韦伯描述子的人脸识别特征提取算法 | |
| CN105512674B (zh) | 基于密集匹配子自适应相似性度量的rgb-d物体识别方法和装置 | |
| CN106980848A (zh) | 基于曲波变换和稀疏学习的人脸表情识别方法 | |
| CN105373777A (zh) | 一种用于人脸识别的方法及装置 | |
| CN107886539B (zh) | 一种工业场景下高精度齿轮视觉检测方法 | |
| CN104537353A (zh) | 基于三维点云的三维人脸年龄分类装置及方法 | |
| CN104573722A (zh) | 基于三维点云的三维人脸种族分类装置和方法 | |
| CN103984920A (zh) | 一种基于稀疏表示与多特征点的三维人脸识别方法 | |
| CN111209873A (zh) | 一种基于深度学习的高精度人脸关键点定位方法及系统 | |
| Liu et al. | Shape context based mesh saliency detection and its applications: A survey | |
| CN106778491B (zh) | 人脸3d特征信息的获取方法及设备 | |
| CN104268550A (zh) | 特征提取方法及装置 | |
| Vezzetti et al. | Application of geometry to rgb images for facial landmark localisation-a preliminary approach |
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 |