CN105205478A - 人体测量学和曲线波变换融合的3d人脸识别方法 - Google Patents

Abstract

本发明属于基于机器视觉的检测技术领域，具体为一种人体测量学和曲线波变换融合的3D人脸识别方法。依据人特测量学信息对人脸特征区域的良好表征，以及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，通过分析人脸表面特征区域的特征在不同尺度系数的相关性和相邻角度的系数的相关性，提出基于人体测量学和曲线波变换融合的3D人脸识别方法，建立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表面特征区域的显著特征的有效低维特征。最后用最近邻法进行识别。本发明可应用于各场所人脸的识别。

Description

人体测量学和曲线波变换融合的3D人脸识别方法

技术领域

本发明属于基于机器视觉的模式识别技术领域，涉及一种3D人脸的识别方法，特别涉及一种采用人体测量学特征定位人脸特征区域，采用曲线波变换(CurveletTransform)技术提取特征特征区域特征，实现3D人脸的识别。

背景技术

在人脸识别领域，由于二维人脸识别技术容易受到光照条件、化妆、人脸姿势等的因素影响，其发展已经陷入了瓶颈时期。应时而来的三维人脸识别比二维人脸识别有更多的优势。一方面，三维人脸数据包含了更多人脸的几何信息；另一方面，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。理论上讲，光照不会影响原始三维数据点云的获取，从而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，采用曲线波技术，设计一种人体测量学和曲线波变换融合的3D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，设计一种人体测量学和曲线波变换融合的3D人脸识别方法，能够较好解决3D人脸识别受表情变化影响的难题。

本发明所采用的技术方案是：依据人体测量学信息对人脸表面的描述，定位出人脸特征区域；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，通过分析人脸特征区域和噪声在不同尺度系数的相关性和相邻角度的系数的相关性，建立人脸特征区域的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区域特征的有效低维特征。最后用最近邻法进行识别。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曲线波变换描述人脸特征区域的特征，能准确的描述出人脸四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：鼻子特征区域的定位图

附图2是：左眼特征区域的定位图

附图3是：右眼特征区域的定位图

附图4是：嘴巴特征区域的定位图

附图5是：鼻子区域图像对应Curvelet系数图

附图6是：左眼区域图像对应Curvelet系数图

附图7是：右眼区域图像对应Curvelet系数图

附图8是：嘴巴区域图像对应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：

一、特征区域定位

1.鼻子区域的定位：

取人脸曲面表面的高斯曲率(K)和平均曲率(H)，当K＞0且H＜0，K和H取最大值时，所对应的位置为鼻尖点prn。

对于鼻翼两侧点，首先，确定搜索鼻子两侧点区域：根据人体测量学特征对鼻子的大小位置进行确定，然后，用高斯拉普拉斯算子检测搜索区域的边缘，检测边缘上关键点。最后从关键点中选取离鼻尖点最近的最左边和最右边的点作为鼻子两侧点al-al。

用所检测出的鼻尖以及鼻翼两侧点定位出的鼻子区域，归一化为128×NaN。

2左眼以及右眼区域的定位：

首先，根据人体测量学特征确定内眼角的上、下搜索区域以及左、右边界，取搜索区域内高斯曲率取绝对值最大值且为负值的点作为内眼角点en。其次，根据人体测量学特征取外眼角的近似位置ex。最后用所检测出的左右眼的内外眼角的位置，分别定位出左眼以及右眼的区域，归一化为128×NaN。

3嘴巴区域的定位：

首先，根据人体测量学特征确定嘴角的左、右搜索区域。其次，通过鼻尖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。在搜索区域内H取绝对值最大值且为正的位置为嘴角位置ch。最后，根据所定位的左右嘴角的位置定位出嘴巴区域，归一化为128×NaN。

二、特征提取

根据人脸特征区域的宽度和高度，将特征区域全部归一化为128×NaN的大小。利用FDCT_WARPING方法，对每个子块进行分解，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_{lowpasssub_1}和f_{lowpasssub_2}。

4)构造1个二维低通滤波器

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4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尺度的离散曲线波系数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

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

1)构造第3尺度的低通滤波器其方法与构造第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

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_{lowpass\_3}^{\′}\right)}_{\[2\×floor\left(2\×M_1\right)+1\]\×\[2\×floor\left(2\×M_2\right)+1\]}.$

4)用f_{hipass_2}对f′_{lowpass_3}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3尺度第2方向到第32方向的曲线波系数。

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。

三、曲线波有效特征提取

分析人脸表面特征区域的特征系数的性质，采用平均l₁范数提取去曲线波域中各层子带系数的特征，并将四个区域的有效特征进行融合得到最终的识别特征。

四、并通最近邻法进行识别，最终实现整个三维人脸识别。

本发明的优点在于，利用人体测量学特征定位人脸特征区域，减少了后面特征提取的计算量，用曲线波系数来表征人脸特征，提高了三维人脸识别的准确性和高效性。

Claims (2)

1.一种人体测量学和曲线波变换融合的3D人脸识别方法，其特征在于，所述对人脸表面的特征区域的定位以及各特征区域特征在不同尺度系数的相关性和相邻角度的系数相关性计算和分析，所述多个尺度的不同位置、不同方向的模型的系数模型的建立，所述方法的人脸表面特征区域特征的有效低维特征的提取，所述整个识别方法的实现。

2.根据权利1所述一种人体测量学特征和曲线波变换的三维人脸识别方法，其特征还在于，人脸表面特征区域的有效提取，特征区域最优特征的选择；所述的方法对于三维人脸的识别，不仅能准确的判别，并能实时显示特征信息、以及完成数据管理统计等功能。