CN104463111A - 多尺度特征区域曲率相融合的三维人脸识别方法 - Google Patents

Abstract

本发明属于模式识别领域，具体为一种多尺度特征区域曲率相融合的三维人脸识别方法。依据人眼对不规则特征的感知原理，在多尺度空间理论分析的基础上，通过分析人脸深度信息图中眼睛、鼻子、以及嘴唇等有显著特征区域的曲率变化在不同尺度系数的相关性和相邻角度的系数的相关性，提出多尺度特征区域曲率相融合的三维人脸识别方法，建立显著特征区域的曲率在多个尺度的不同位置、不同方向、多个相邻尺度的同位置、同方向的不同维数的系数模型，克服噪音的影响，提取了可以用来描述人脸深度特征的左右眼、鼻子以及嘴唇等有效低维特征。最后用模糊聚类法进行识别。本发明可应用于人脸识别和掌纹识别等其它模式识别领域。

Description

多尺度特征区域曲率相融合的三维人脸识别方法

技术领域

本发明属于基于机器视觉的检测技术领域，涉及一种三维人脸识别的方法，特别涉及一种采用多尺度特征区域曲率相融合的方法提取人脸局部特征，实现三维人脸的检测以及识别。

背景技术

在人脸识别领域，由于容易受到光照条件、化妆、人脸姿势等的因素影响，二维人脸识别的发展已经陷入了瓶颈时期。但是，应时而来的三维人脸识别则比二维人脸识别有更多的优势。一方面，三维人脸识别采用的数据包含了更多人脸的几何信息，二维人脸只是三维人脸在平面上进行投影得到的，会丢失一些重要的信息，如人脸深度信息等。其次，三维人脸数据描绘了人脸的真实形状，不易受外界条件的影响，如姿势、光照等的变化。光照不会影响原始三维数据点云的获取，而且从三维人脸上提取的形状特征和光照变化无关，所以光照不再是影响三维数据处理的因素。因此，三维人脸图像的深度信息能够准确的描述人脸的形状，能更好的表示出人脸重要的区域特征，在识别时有比二维人脸识别更好的识别效果。但是，到目前为止无论是从三维信息来源、数据的存储和处理、数据的预处理还是最后的识别过程相关技术都还不是很成熟，因此，研究出一种高效的准确的三维人脸识别方法是非常有必要的。

曲线波变换理论主要模拟人类视觉系统的特点，在多个尺度和多个方向上寻求各自有效的基函数，从而实现对信号的最优逼近。在视觉检测领域中展现了良好的发展潜力和广阔的市场应用前景。

因此，提出多尺度特征区域曲率相融合的技术，设计一种多尺度特征区域曲率相融合的三维人脸识别方法，能够提高三维人脸识别的准确性以及识别速率，并对其他应用领域的特征检测和识别有很好的指导借鉴意义，具有一定的应用价值。

发明内容

本发明所要解决的技术问题是，设计一种多尺度特征区域曲率相融合的三维人脸识别方法，适用于三维人脸识别准确度和高效性的要求。

本发明所采用的技术方案是：依据人眼对缺陷局部不规则特征的感知原理，在多尺度空间理论分析的基础上，通过分析人脸的局部特征区域，眼睛、鼻子、嘴巴四个区域分别在不同尺度系数的相关性和相邻角度的系数的相关性，提出一种多尺度特征区域曲率相融合的三维人脸识别方法，建立显著特征区域的曲率在多个尺度的不同位置、不同方向、多个相邻尺度的同位置、同方向的不同维数的系数模型，克服噪音的影响，提取了用来描述人脸特征的四个区域的有效低维特征。最后用模糊聚类法进行识别。本发明可应用于各种人脸识别场合。

本发明的目的在于采用多尺度特征区域曲率相融合的技术检测人脸特征区域的特征，能准确的描述出人脸4个特征区域的曲率特征，并且能够高效、准确的实现三维人脸的识别。

附图说明

附图1是：人脸深度图左眼区域曲线波分解图

附图2是：人脸深度图右眼区域曲线波分解图

附图3是：人脸深度图鼻子区域曲线波分解图

附图4是：人脸深度图嘴唇区域曲线波分解图

附图5是：左眼区域图像对应Curvelet系数图

附图6是：右眼区域图像和对应Curvelet系数图

附图7是：鼻子区域图像和对应Curvelet系数图

附图8是：鼻子区域图像和对应Curvelet系数图

具体实施方式

下面结合附图对本发明作进一步详细说明。

具体过程如下：

1.分割人脸的特征区域

根据人体测量学特征，在三维人脸深度图中分割出左眼、右眼、鼻子以及嘴唇四个特征区域。

鼻子区域的分割：

1)设A(x，y，z(x，y))表示深度图像上的某个点，定位鼻尖点可利用高斯曲率和平均曲率来实现。当K＞0且H＜0，K和H取最大值时，所对应的位置为鼻尖点位置prn。

2)定搜索鼻子两侧点区域：一般男性鼻子宽度为(μ＝35mm，σ＝2.5mm)，高度为(μ＝53mm，σ＝3.4mm)，比女性略高、略宽一些。因此，搜索鼻尖两侧点的宽度区域al-al定义为μ+6σ，类似的搜索鼻子两侧点高度区域定义为0.6(μ+6σ)。用Gaussian-Laplacian算子检测搜索区域的边缘，其中σ＝7像素。

3)用所检测出的鼻尖以及鼻子区域分割出150×100的鼻子区域。

左右眼区域分割：

1)一对于成年人来说，内眼角点和鼻尖点垂直距离是头的顶部和鼻尖距离的0.3803倍。设搜索区域的最上部公式为prn_y+0.3803×1.5×|prn_y-v_y|，最下部公式为prn_y+0.3803×0.33×|prn_y-v_y|。其中其中prn_y是鼻尖垂直坐标，v_y是3D模型最高点坐标。考虑到左右两内眼角点距离和鼻子宽度比值统一，眼角的左右边界分别为al_x，left+0.5×|al_x，left-al_x，right|，al_x，right+0.5×|al_x，left-al_x，right|。取搜索区域内高斯曲率的最大值作为内眼角点en。

2)考虑到眼睛内眼角和外眼角距离与两只眼睛内眼角之间距离近似相等，故左右眼外眼角的位置定义分别为(en_x，left+|en_x，left-en_x，right|，(en_y，left+en_y，right)/2)，(en_x，right-|en_x，left-en_x，right|，(en_y，left+en_y，right)/2)。

3)根据左右眼的内外眼角的位置分割出180×100的左眼区域和右眼区域。

嘴唇区域分割：

1)根据人特比例，嘴角的左侧和右侧区域分别为al_x，left+0.7×|al_x，left-al_x，right|，al_x，right-0.7×|al_x，left-al_x，right|，根据下方区域的上嘴唇和下嘴唇椭圆高斯曲率最大来确定上下搜索边界。

2)平均曲率H取最大值且为正的位置为嘴角位置。

3)根据左右嘴角的位置以及搜索到上下嘴唇边界分割出240×100的嘴唇区域。

2.曲线波分解

根据所分割出的四个人脸特征区域，将四个区域的最小维数归一化为100，左眼、右眼、鼻子和嘴唇区域分别为180×100、180×100、150×100、240×100大小的图像。然后利用FDCT_WARPING方法，对这四个区域分别进行分解，分解层数为4。

曲线波分解过程如下：

第1步：对原始图像f(t₁，t₂)进行二维傅立叶变换，得到信号

第2步：获取第4尺度的系数C_4，1。

1)沿着水平方向构造右窗口向量W_r-1和左窗口向量W_l-1。

2)沿着垂直方向构造右窗口向量W_r-2和左窗口向量W_l-2。

3)构造2个一维低通滤波器f_lowpasssub1和f_lowpasssub2。

4)构造1个二维低通滤波器 ${\left(f_{\mathrm{lowpass}\_4}\right)}_{[2\×\mathrm{floor}(2\×M_1)+1]\×[2\×\mathrm{floor}(2\×M_2)+1]}.$

5)构造1个二维高通滤波器f_{hipass_4}。

6)用f_{hipass_4}对进行高通滤波，产生第3尺度滤波后的高通信号。

7)对第4尺度滤波后的高通信号f′_{hipass_4}进行二维反傅立叶变换，获取第4尺度离散曲线波系数C_4，1。

8)用f_{lowpass_4}对进行低通滤波，产生第4尺度的低通滤波信号f′_{lowpass_4}。

第3步获取第3尺度上32个方向的离散曲线波系数。

首先，获取第3尺度第1方向上的曲线波系数C_3，1，然后依据C_3，1的获取方法获取第3尺度其它方向的曲线波系数。

1)构造第3尺度第1方向上的的低通滤波器， ${\left(f_{\mathrm{lowpass}\_3}\right)}_{[2\×\mathrm{floor}(2\×M_1)+1]\×[2\×\mathrm{floor}(2\×M_2)+1]},$ 其方法与构造第4尺度低通滤波器的方法相似。

2)构造第3尺度第1方向上的高通滤波器 ${\left(f_{\mathrm{highpass}\_3}\right)}_{[2\×\mathrm{floor}(2\×M_1)+1]\×[2\×\mathrm{floor}(2\×M_2)+1]},$ 其方法与构造第4尺度低通滤波器的方法相似。

3)用f_{lowpass_3}对f′_{lowpass_4}进行滤波，产生第3尺度的低通滤波信号 ${\left(f_{\mathrm{lowpass}\_3}^{\′}\right)}_{[2\×\mathrm{floor}(2\×M_1)+1]\×[2\×\mathrm{floor}(2\×M_2)+1]}.$

4)用f_{hipass_3}对f′_{lowpass_4}进行高通滤波，产生第3尺度的高通滤波信号，f′_{hipass_3}，其维数大小与f′_{lowpass_4}相同。

5)确定第3尺度第1方向上的离散定位窗口。第3尺度曲线波系数的获取被分成四个象限，每一个象限都有8个方向。

6)对锲形波的离散定位窗口矩阵W_data进行滤波和旋转，产生矩阵W_{data_2}。

7)对W_{data_2}进行2DFFT，产生了第3尺度第1方向的曲线波系数C_3，1。

8)重复步骤3中的5)，6)，7)，可以获取第2尺度第2方向到第8方向的曲线波系数。

9)第3尺度其他象限上的去曲线波系数的获取方法与第一象限相同。

第4步重复第3步，可以获得第2个尺度上的16个方向上的曲线波系数。

第5步对第2尺度的信号，f′_{lowpass_2}(n₁，n₂)进行2维反傅立叶变换，可以得到第1尺度上的曲线波系数C_1，1。

3.曲线波有效特征提取

分析人脸的四个特征区域在第2，3，4尺度系数的相关性和第2，3，4尺度任意相邻尺度系数之间的相关性，设置阈值，去掉噪声对人脸特征的影响。采用平均l₁范数提取去噪后曲线波域中各层子带系数的特征。

4.并通模糊聚类法对每个子块进行识别，最终实现整个三维人脸识别的过程。

本发明的优点在于，利用曲线波变换技术来识别三维人脸各个局部特征区域的深度特征，提高了三维人脸识别的准确度和三维人脸识别高效性的要求。

Claims (1)

1.一种多尺度特征区域曲率相融合的三维人脸识别方法，其特征在于，建立眼睛、鼻子、以及嘴唇等4个显著特征区域的曲率在多个尺度的不同位置、不同方向、多个相邻尺度的同位置、同方向的不同维数的系数模型，克服噪音的影响，实现了描述人脸深度特征的左右眼、鼻子以及嘴唇等有效低维特征的提取；所述整个识别方法的实现。