CN105243374B - 三维人脸识别方法、系统及应用其的数据处理装置 - Google Patents

三维人脸识别方法、系统及应用其的数据处理装置 Download PDF

Info

Publication number
CN105243374B
CN105243374B CN201510731843.3A CN201510731843A CN105243374B CN 105243374 B CN105243374 B CN 105243374B CN 201510731843 A CN201510731843 A CN 201510731843A CN 105243374 B CN105243374 B CN 105243374B
Authority
CN
China
Prior art keywords
dimensional face
point
point cloud
dimensional
identified
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.)
Active
Application number
CN201510731843.3A
Other languages
English (en)
Other versions
CN105243374A (zh
Inventor
郭裕兰
滕书华
李洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Fenghua Intelligent Technology Co ltd
National University of Defense Technology
Original Assignee
Hunan Visualtouring Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Visualtouring Information Technology Co Ltd filed Critical Hunan Visualtouring Information Technology Co Ltd
Priority to CN201510731843.3A priority Critical patent/CN105243374B/zh
Publication of CN105243374A publication Critical patent/CN105243374A/zh
Application granted granted Critical
Publication of CN105243374B publication Critical patent/CN105243374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种三维人脸识别方法、系统及应用其的数据处理装置，本发明实施例首先在人脸上检测一系列具有较强类属关联性的关键点，这些关键点的分布在不同个体人脸上存在较明显的差异。在此基础上，通过局部特征匹配与点云配准实现对三维人脸的融合识别。首先，本发明采用局部特征可有效降低表情变化对人脸识别的不利影响；其次，本发明综合利用人脸局部和全局信息，采用特征匹配和点云配准实现融合识别，进一步提高了识别方法的精度。相比于现有方法，本发明的识别精度和鲁棒性得到了大大提升。

Description

三维人脸识别方法、系统及应用其的数据处理装置
技术领域
本发明涉及计算机视觉及图像处理领域，具体涉及一种基于局部特征的三维人脸识别方法和系统以及应用其的数据处理装置。
背景技术
人脸识别在近几十年来得到了大量的研究，并取得丰富的成果。现有大部分研究均集中于基于二维图像的人脸识别，而二维图像对光照、姿态、表情、年龄等的变化适应性较差。随着点云获取设备(也即三维图像获取设备)的逐步推广，越来越多的研究开始转向基于点云的三维人脸识别。三维人脸数据在信息量方面拥有更为丰富的形状信息，且三维数据的采集不受光照影响。但是三维人脸识别也存在一定问题，高分辨率下的三维数据匹配需要消耗大量的计算时间，而且三维人脸容易受到表情变化的影响，非刚性变换区域将直接影响识别率。因此，需要研究新的方法来消除表情变化的影响，并尽量减少识别过程所需的匹配时间。
依据处理表情变化带来的非刚性形变影响所采取措施的不同，现有三维人脸识别方法可分为三类：基于区域的方法、基于统计模型的方法以及基于等距形变模型的方法。基于区域的方法采用人脸中不受或少受表情变化影响的区域进行人脸识别。基于统计模型的方法采用主成分分析、独立成分分析或线性鉴别分析等工具来构建人脸表情模型从而实现对人脸的有效识别。基于等距形变模型的方法将人脸表情变化引起的表面变化近似为一个等距形变过程，从而利用测地距离等实现对人脸表情变化的不变性，该方法普遍存在计算量过大的问题。现有的三类人脸识别方法虽然得到了深入研究，但识别精度还远未达到实用化程度，特别是对表情变化的人脸，识别精度有待提高。
人脸识别在生物特征识别领域一直都是具有挑战性的研究课题，其中特征提取是人脸识别的核心问题，是后续正确识别的基础。理想的人脸描述特征应该只反映人的类别信息，对各种内外在变化不敏感。全局特征和局部特征在现有的人脸识别中得到了广泛应用。其中基于全局特征的人脸识别方法主要利用人脸的整体属性进行描述，对于正常的人脸表情识别精度较高，但对于表情变化的人脸，识别精度不理想；基于局部特征的人脸识别方法主要通过对人脸细节的刻画来进行识别，对表情变化具有一定的鲁棒性，但由于缺少全局的结构信息，很难满足人脸识别的精度要求。而一些新的方法虽然统一了全局特征和局部特征，但是其人脸子区域的分割依赖于手工的姿势矫正，实用性较差。
发明内容
有鉴于此，本发明提供一种三维人脸识别方法和系统以及应用其的数据处理装置，基于局部特征进行三维人脸识别和匹配，以获取更高的识别精度和鲁棒性。
第一方面，提供一种三维人脸识别方法，包括：
获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面部；
根据待识别三维人体图像获取仅包括人脸信息的待识别三维人脸点云；
提取所述待识别三维人脸点云的关键点，其中，所述关键点为三维人脸点云中对应的局部邻域点集的扩展比例大于预定阈值的点；
计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子；
根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量；
根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量获取最相似的模板三维人脸点云。
优选地，所述提取待识别三维人脸点云的关键点包括：
在x y平面上以预定间隔进行均匀采样，获取采样点集；
对于所述采样点集中的每一个采样点，取出采样点集中在预定邻域半径内的所有采样点获取局部邻域点集；
利用主成分分析计算所述局部邻域点集的主轴，将局部邻域点集与所述主轴对齐以获得对齐后的局部邻域点集；
计算对齐后的局部邻域点集的扩展比率，将对应的所述扩展比率大于第一预定阈值的采样点作为所述待识别三维人脸点云的关键点。
优选地，计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子包括：
将每个特征的在所述三维人脸点云上的预定描述半径的邻域点信息转换为高维特征描述子；
计算所有高维特征描述子的协方差矩阵C：
其中，Nd为所述高维特征描述子的总数量，为所述高维特征描述子；
对所述协方差矩阵进行特征值分解获得特征向量和对应的特征值，基于如下公式获取低维特征描述子：
其中，为第i个低维特征描述子，fi为第i个高维特征描述子，为所有特征值中最大的Nsf个特征值所对应的特征向量为列组成的矩阵的转置矩阵。
优选地，根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量包括：
获取待识别三维人脸点云的关键点在特定模板三维人脸点云中的匹配点，其中，所述匹配点为与所述关键点距离最小且最小距离和次小距离的比值小于第二预定阈值的模板三维人脸点云中关键点，所述关键点之间的距离为关键点所对应的低维特征描述子之间的差值的二阶范数；
获取特定模板三维人脸点云中的关键点在待识别三维人脸点云中的匹配点，其中，所述匹配点为与所述关键点距离最小且最小距离和次小距离的比值小于第二预定阈值的待识别三维人脸点云的关键点；
将所有互为匹配点且在图像中的相对位置差小于第一距离阈值的三维人脸点云的关键点和模板三维人脸点云中的关键点对作为第一匹配点对；
获取待识别三维人脸点云与模板三维人脸点云的第一匹配点对数量作为第一相似性度量。
优选地，根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量还包括：
根据所有的匹配点对对待识别三维人脸点云和模板三维人脸点云进行配准，使得配准后的三维人脸点云和模板三维人脸点云的关键点间的误差最小；
获取配准后的三维人脸点云和模板三维人脸点云中所有互为匹配点且在图像中的相对位置差小于第二距离阈值的关键点对作为第二匹配点对；
获取第二匹配点对的数量作为第二相似性度量。
优选地，根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量获取最相似的模板三维人脸点云包括:
根据第一权重和第二权重计算融合相似性度量；
将融合相似性度量最大的模板三维人脸点云选取为最相似的三维人脸点云；
其中，所述第一权重根据所有模板三维人脸点云的第一相似性度量的均值、最小值、次小值计算获得，所述第二权重根据所有模板三维人脸点云的第二相似性度量的均值、最小值、次小值计算获得；或者，所述第一权重和所述第二权重通过机器学习方法统计获得。
优选地，根据所述待识别三维人脸点云与图像库中每一个资料三维人脸点云的相似性度量获取最相似的资料三维人脸点云包括:
将第一相似性度量最大的资料三维人脸点云选取为最相似的三维人脸点云。
优选地，根据所述待识别三维人脸点云与图像库中每一个资料三维人脸点云的相似性度量获取最相似的资料三维人脸点云包括:
将第二相似性度量最大的资料三维人脸点云选取为最相似的三维人脸点云。
第二方面，提供一种三维人脸识别系统，包括：
图像获取装置，用于获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面部；
预处理装置，用于根据待识别三维人体图像获取仅包括人脸信息的待识别三维人脸点云；
关键点提取装置，用于提取所述待识别三维人脸点云的关键点，其中，所述关键点为三维人脸点云中对应的局部邻域点集的扩展比例大于预定阈值的点；
特征提取装置，用于计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子；
匹配装置，用于根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量；
识别装置，用于根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量获取最相似的模板三维人脸点云。
第三方面，提供一种数据处理装置，包括处理器，所述处理器适于执行如上所述的方法。
本发明实施例首先在人脸上检测一系列具有较强的类属关联性的关键点，这些关键点的分布在不同个体人脸上存在较明显的差异。在此基础上，通过局部特征匹配与点云配准实现对三维人脸的融合识别。首先，该方法采用局部特征可有效降低表情变化对人脸识别的不利影响；其次，该方法综合利用人脸局部和全局信息，采用特征匹配和点云配准实现融合识别，进一步提高了识别方法的精度。相比于现有方法，本方法的识别精度和鲁棒性得到了大大提升。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的三维人脸识别方法的流程图；
图2是本发明实施例中基于三维人脸图像获取三维人脸点云的过程示意图；
图3a是本发明实施例中进行鼻尖检测的三维人脸图像示意图；
图3b是本发明实施例中进行鼻尖检测的原理示意图；
图4是本发明实施例对一个实验个体在不同三维人脸表情时提取的关键点的示意图；
图5是本发明实施例对另一个实验个体在不同三维人脸表情时提取的关键点的示意图；
图6a-6d是本发明实施例中基于三维人脸识别方法对人脸进行匹配的结果示意图；
图7是基于本发明实施例的三维人脸相似度测试实验结果的曲线图；
图8是基于本发明实施例的三维人脸识别方法的人脸鉴别实验结果的曲线图；
图9是基于本发明实施例的三维人脸识别方法的人脸验证实验结果的曲线图；
图10是本发明实施例的三维人脸识别系统的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
图1是本发明实施例的三维人脸识别方法的流程图。
如图1所示，本实施例的三维人脸识别方法包括：
步骤S100、获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面部。
步骤S200、根据待识别三维人体图像获取仅包括人脸信息的待识别三维人脸点云。
步骤S300、提取所述待识别三维人脸点云的关键点，其中，所述关键点为三维人脸点云中对应的局部邻域点集的扩展比例大于预定阈值的点。这些点具有较强的显著性。
步骤S400、计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子。
步骤S500、根据对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量。
步骤S600、根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量获取最相似的模板三维人脸点云。
对于步骤S100、图像获取
三维人体图像为具有深度信息的图像，图像文件中的点包括三维坐标信息以及对应的坐标点的灰度信息。在本实施例中，需要获取包括人的面部的三维人体图像以进行进一步处理获取人脸点云。在步骤S100中，可以采用各种现有的三维图像获取装置获取三维人体图像。
对于步骤S200、图像预处理
在本步骤，对三维人体图像进行图像预处理以去除由于拍摄以及环境等原因造成的影响并获取仅包括人脸信息的待识别三维人脸点云供后续处理使用。给定肩膀以上的三维头像作为输入，首先采用一个由粗到精的方法精确地检测出鼻尖，进而由鼻尖得到三维人脸点云。得到人脸点云后，还要对逸出点进行剔除，并通过重采样使得点云在xy平面上均匀分布，由于剔除逸出点和重采样会在新点云上带来一些孔洞，因此进一步采用立方插值法对孔洞进行填充，并采用中值滤波在xy平面上对点云的z值进行平滑去噪，从而得到高精度的三维人脸点云。不同步骤后获得的结果图像如图2所示。
在对本实施例的说明中，以人脸图像投影面积最大的面为xy平面，以与xy平面垂直的方向为z轴。
具体地，步骤S200包括：
步骤S210、对三维人体图像进行鼻尖检测，获取鼻尖位置。
如图2所示，初始的三维人体图像可以被准确地获取到鼻尖位置。
具体地，对于三维头像，采用一系列以dv为间隔的水平面与头像相交，从而得到一系列的三维头像水平切片轮廓，如图3a所示。对每一个水平切片轮廓，对其进行均匀采样并填补相应的孔洞。在该轮廓线上以dh为间隔选取一系列点并在每个点上放置一个圆，如图3b所示。将该圆与轮廓线的两个交点以及圆心连接起来得到一个三角形，并计算该三角形的高度h。将具有最大h的点作为该轮廓线上的候选鼻尖点，并以高度h作为该候选鼻尖点的置信度。理论上，所有水平切片轮廓上的候选鼻尖点均应位于鼻梁线上，然而实际中依然会有少量的候选鼻尖点与鼻梁线存在较大的距离。为获得更加精确的结果，本发明采用随机采样一致性(RANSAC)方法对候选鼻尖点进行筛选，并将经过筛选后具有最大置信度的点作为真正的鼻尖点。上述间隔dv和dh的取值直接关系到鼻尖检测的精度和效率。其取值越小，检测的精度越高，但消耗的时间也越多。为了获得较好的运算效率，首先采用较大的dv和dh值以检测到鼻尖点的初值，然后在该初值附近区域采用较小的dv和dh值继续进行鼻尖检测以获得较高的精度。
步骤S220、根据鼻尖位置，将到鼻尖距离小于脸部判定半径rf的点从三维人体图像中提取，从而得到未处理点云。
优选地，对大量人脸的统计结果表明，rf取值为80mm时能取得较好的性能。
步骤S230、剔除逸出点并对未处理点云进行重采样以使得点云均匀分布，再进一步采用立方插值法对由于剔除逸出点和重采样造成的孔洞进行填充，并利用中值滤波在xy平面上对点云的z值进行平滑去噪以获得三维人脸点云。
具体地，在本实施例中，对未处理点云进行重采样以使得在xy平面上的投影以1毫米的分辨率均匀分布。
优选地，在本实施例中，还对于待识别三维人脸点云基于如下方法对人脸姿态进行归一化，该方法记载于“Mian A,Bennamoun M,Owens R.Anefficient multimodal 2D-3D hybrid approach to automatic face recognition.IEEETransactions on Pattern Analysis and Machine Intelligence.2007,29(11):1927–1943”
计算待识别三维人脸点云P的均值和协方差C，也即：
进而对协方差矩阵C进行主成分分析(PCA)得到特征向量矩阵V和特征值矩阵E，也即：
CV＝VE
采用特征向量矩阵V将点云P旋转与其主轴对齐，从而可以实现姿态归一化，也即：
为得到更加精细的姿态归一化结果，采用1毫米分辨率对旋转后的点云进行重采样，得到新的点云。然后对该点云重复进行上述姿态归一化操作，直到得到的矩阵V趋近于单位矩阵为止。采用1毫米进行重采样一方面有利于降低分辨率变化对姿态归一化的影响，另一方面也有利于提高后续特征匹配的性能。为便于描述，下文中继续采用P代表姿态归一化后的点云
对于步骤S300、关键点检测
为了更好的描述人脸，需要在三维人脸点云上提取一系列具有较高可重复性且具有较强类属关联性的关键点实现人脸的空间分布表示。这些点对噪声、姿态变化以及脸部表情变化等干扰应较为稳健，且在这些点上提取到的特征描述子应具有很强的描述性。本步骤通过均匀采样获取局部区域点，再利用扩展比率来选出可重复性高、数量较多的关键点。
具体地，步骤S300可以包括：
步骤S310、在xy平面上以预定间隔进行均匀采样，获取采样点集。
优选地，给定输入人脸点云后，在x y平面上以4mm为间隔进行均匀采样，得到一系列采样点，这些采样点构成了所述的采样点集。
步骤S320、对于所述采样点集中的每一个采样点ps，取出采样点集中在预定邻域半径rk内的所有采样点获取局部邻域点集。
步骤S330、利用主成分分析计算所述局部邻域点集的主轴，将局部邻域点集与所述主轴对齐以获得对齐后的局部邻域点集。
在此，半径rk的大小决定了Ps上特征的“局部性”程度。越大的rk得到的特征鉴别力越强，但与此同时，其对表情变化等干扰也越敏感。优选地，将rk设置为20mm。
为对采样点做进一步筛选，采用预处理步骤中给出的PCA方法计算局部邻域点集的主轴，并将局部邻域点集与该主轴对齐，得到对齐后的邻域点集。
步骤S340、计算对齐后的局部邻域点集的扩展比率，将对应的所述扩展比率大于预定阈值τγ的采样点作为所述待识别三维人脸点云的关键点。
其中，基于如下公式计算该点集在x轴和y轴方向的扩展比率γ：
该扩展比率γ反映了局部邻域点集的变化性。若局部表面为平面或球面等对称平面，则该比率取值为1；若该局部表面为非对称表面，则其值大于1。将γ取值大于τγ的采样点提取作为三维人脸点云的关键点。τγ的取值大小决定了关键点的重复性以及数量。τγ越大，则得到的关键点可重复性越高，但其数量越少，因而在实际应用中需要综合两方面情况进行折衷选择。图4和图5给出了两个个体在不同表情下的三维人脸图像提取的关键点。根据图4和图5可知本方法检测到的关键点主要分布于形状变化较大的区域。提取到的关键点具有较好的可重复提取性，大部分关键点集中在鼻子及眼角等区域。虽然表情变化会引起部分关键点变化(如嘴巴附近的关键点)，但大部分关键点依然能稳定的提取到。此外，由图4和图5可以看出，不同个体的人脸上检测到的关键点分布具有较大的差异性。比如，图4所示个体的人脸关键点主要分布在鼻子区域，在脸颊区域几乎没有关键点；而图5所示个体的人脸关键点则在鼻子和脸颊区域均有分布。这种不同个体间的关键点分布差异性有利于进一步提高人脸识别的性能。
对于步骤S400、局部特征提取：
得到一系列关键点后，在每个关键点上均采用文献“Yulan Guo,Ferdous Sohel,Mohammed Bennamoun,Min Lu,Jianwei Wan.Rotational Projection Statistics for 3DLocal Surface Description and Object Recognition.International Journal ofComputer Vision(IJCV).105(1):63-86,2013”提出的RoPS方法提取局部特征描述子，实现对局部区域形状的有效描述。为了使特征描述子更加紧凑，采用PCA方法对特征描述子做了进一步压缩。
具体地，步骤S400包括：
步骤S410、将每个特征在所述三维人脸点云上预定描述半径内的邻域点的信息转化为高维特征描述子。
如上所述，RoPS方法实际上是将与关键点距离小于支撑半径r的邻域点的信息转化为一个高维特征描述子的过程。支撑半径r的大小决定了高维特征描述子的鉴别力以及对遮挡和背景干扰的稳健性。
步骤S420、计算所有高维特征描述子的协方差矩阵C：
其中，Nd为所述高维特征描述子的总数量，为所述高维特征描述子。
为使特征描述子更加紧凑，采用PCA方法对特征描述子做进一步压缩。PCA子空间采用一系列特征描述子计算得到，其中Nd为关键点的总数量，其也等于高维特征表述子的总数量。
步骤S430、对所述协方差矩阵进行特征值分解获得特征向量和对应的特征值，基于如下公式获取低维特征描述子：
其中，为第i个低维特征描述子，fi为第i个高维特征描述子，为所有特征值中最大的Nsf个特征值所对应的特征向量为列组成的矩阵的转置矩阵。
具体地，在本步骤，对所有特征值进行排序，选取其中最大的Nsf个特征值所对应的特征向量便构成了一个PCA子空间，利用该PCA子空间来以较低维度表达关键点的特征，也即获取一个低维特征描述子。通常选择一个特定的Nsf值以使得压缩后的特征描述子能保留原有特征描述子中比例值为υ的能量。其中，υ为大于0且小于1的正数，通常选择接近于1的数值。
由此，可以计算获得每个关键点所对应的低维特征描述子
对于步骤S500、相似性度量计算：
在本步骤，利用特征相似性度量准则及特征匹配一致性验证策略计算来自两个三维人脸点云的关键点所对应的特征描述子的相似性度量。其中，一个关键点来自于待识别三维人脸点云，该关键点的低维特征描述子基于上述步骤S100-步骤S400提取获得；另一个关键点来自于图像库中的模板三维人脸点云，这些点云作为人脸识别的匹配基础被预先检测关键点，并针对每个关键点提取低维特征描述子，提取方法可以与上述的步骤S100-步骤S400相同。由此，通过预先提取图像库中所有的模板三维人脸点云的关键点和对应的低维特征描述子，在本步骤，可以在线地进行待识别三维人脸图像的相似性度量计算。
在本实施例中，假设Fi和Fj分别为三维人脸点云Pi和Pj上提取到的低维特征描述子，采用文献“Mikolajczyk K,Schmid C.A performance evaluation of localdescriptors.IEEE Transactions on Pattern Analysis and MachineIntelligence.2005,27(10):1615–1630”中的距离比值法(NNDR)来进行匹配。具体地，先对Fi中的每一个低维特征描述子在Fj中查找满足预定条件的匹配点，再对在Fj中的每一个低维特征描述子在Fi中查找满足预定条件的匹配点。如果两个关键点互为匹配点，且满足在三维人脸点云中的相对位置靠近，则可以将两个关键点配对为匹配点对。可以将两个三维人脸点云的所有关键点中匹配点对的数量作为相似性度量。
具体地，步骤S500可以包括：
步骤S510、获取待识别三维人脸点云的关键点在特定模板三维人脸点云中的匹配点，其中，所述匹配点为与所述关键点距离最小且最小距离和次小距离的比值小于预定阈值的模板三维人脸点云中关键点，所述关键点之间的距离为关键点所对应的低维特征描述子之间的差值的二阶范数。
步骤S520、获取特定模板三维人脸点云中的关键点在待识别三维人脸点云中的匹配点，其中，所述匹配点为与所述关键点距离最小且最小距离和次小距离的比值小于预定阈值的待识别三维人脸点云的关键点。
对于步骤S510和步骤S520，将特征与Fi中的所有特征进行匹配以获得最近特征以及次近特征 其中，‖‖2为二阶范数，为特征集Fi中去掉特征之后的集合。最近距离和次近距离之间的比值根据下式计算，即：若比值rdis低于预定阈值τf，则认为()是一个潜在的特征对。
进而，在步骤S520中，继续将特征与Fj中的所有特征进行匹配。
步骤S530、将所有互为匹配点且在图像中的相对位置差小于第一距离阈值的三维人脸点云的关键点和模板三维人脸点云中的关键点对作为第一匹配点对。
将Fi中的所有特征与Fj中的特征进行匹配，从而得到一系列的匹配点对其中为一匹配点对。特征匹配结果直接反映了三维人脸点云Pi和Pj之间的相似性。我们采用Cij中的第一匹配点对数量nfc作为相似性的度量。
在上述特征匹配的过程中，太小的阈值得到的特征对太少以致不能很好地实现后续的变换关系估计，而太大的阈值得到的特征对过多，且其中存在的大量错误特征对将使得变换估计的精度很差。
图6a-6d给出了预定阈值τf设置为0.7时的三维人脸点云特征匹配示意图。图6a-6d中，若匹配点对之间的空间距离小于距离阈值4mm，则认为是正确的匹配点对；否则认为是错误的匹配点对。匹配点对采用连接线进行标识。其中，图6a为相同个体正常表情的匹配结果，其中匹配点对数量为85，错误匹配点对数量为4。图6b为不同个体正常表情的匹配结果，其中匹配点对数量为6，错误匹配数量为6。图6c为相同个体在表情变化条件下的匹配结果，其中匹配点对数量为42，错误匹配点对数量为13。图6d为相同个体在表情变化以及头发干扰前提下进行匹配的结果，其中匹配点对数量为41，错误匹配数量为8。由图6a-6d可知，相同个体即使在不同表情及头发等的干扰下，其人脸点云之间亦能很好地实现特征匹配。而不同个体即使表情相同，也难以实现良好的特征匹配。因此，基于本发明实施例的三维人脸识别方法能有效地识别出不同表情下的相同个体，并区分相同表情下的不同个体。
步骤S540、获取待识别三维人脸点云与模板三维人脸点云的第一匹配点对数量作为第一相似性度量。
在一个可选实施方式中，可以直接将第一相似性度量作为两个三维人脸点云的相似性度量。
在另一个可选实施方式中，可以进一步基于匹配结果计算第二匹配点对，并统计其数量作为第二相似性度量，将其作为两个三维人脸点云的相似性度量。
在此前提下，步骤S500可以进一步包括：
步骤S550、根据所有的匹配点对对待识别三维人脸点云和模板三维人脸点云进行配准，使得配准后的三维人脸点云和模板三维人脸点云的关键点间的误差最小。
本步骤可以采用文献“Goodall C.Procrustes methods in the statisticalanalysis of shape[J].Journal of the Royal Statistical Society.Series B(Methodological).1991:285–339]”中的Procrustes方法将两个人脸点云配准。假设 分别为三维人脸点云Pi和Pj上的匹配关键点。Procrustes方法的目的在于计算约束矩阵T，使得变换后的点集T(Pi)与Pj之间的误差最小，即：
通常约束矩阵T为正交矩阵，即TTT＝I。T的求解可采用奇异值分解或者迭代法实现。
步骤S560、获取配准后的三维人脸点云和模板三维人脸点云中所有互为匹配点且在图像中的相对位置差小于第二距离阈值的关键点对作为第二匹配点对。
优选地，在本实施例中第二距离阈值选取为2毫米。
步骤S570、获取第二匹配点对的数量npc作为第二相似性度量。
在一个优选地的实施方式中，可以同时将第一相似性度量和第二相似性度量用于相似性的获取。这需要根据上述两者来计算融合相似性度量。
对于步骤S600、识别：
对于本步骤，根据对于相似性度量的选择，有不同的处理方式。
如果将第一相似性度量作为相似性度量，则本步骤为：将第一相似性度量最大的模板三维人脸点云选取为最相似的三维人脸点云。
如果将第二相似性度量作为相似性度量，则本步骤为：将第二相似性度量最大的模板三维人脸点云选取为最相似的三维人脸点云。
如果将第一相似性度量和第二相似性度量一同作为相似性度量，则本步骤包括：
步骤S610、根据第一权重和第二权重计算融合相似性度量。
优选地，基于下式计算所述融合相似性度量n：
n＝ω1nfc+ω2npc
其中，所述第一权重根据所有模板三维人脸点云的第一相似性度量的均值、最小值、次小值计算获得，所述第二权重根据所有模板三维人脸点云的第二相似性度量的均值、最小值、次小值计算获得；或者，所述第一权重和所述第二权重通过机器学习方法统计获得。
在基于在线计算获得第一权重和第二权重时，可以基于如下公式进行计算：
其中，ω1和ω2分别为第一权重和第二权重，为归一化的第一相似性度量，为归一化的第二相似性度量，mean()为求取均值，而min()为最小值，min2()为次小值，也即根据大小排序第二小的值。
步骤S620、将融合相似性度量最大的模板三维人脸点云选取为最相似的三维人脸点云。
基于本发明实施例的三维人脸识别方法进行人脸鉴别(face identification)实验和人脸验证(face verification)实验。人脸鉴别在于找到人脸库中与测试人脸最相近的人脸，从而获得测试人脸的身份信息。人脸鉴别需要计算测试人脸与库中所有人脸的相似度，因此是个一对多的匹配过程。人脸鉴别的常用评估指标为“累积匹配特性曲线(Cumulative Match Characteristic，CMC)”及“一阶识别率(Rank-1 Recognition Rate，R1RR)”。CMC的横坐标为正确识别的阶数，纵坐标为某阶数下对应的识别率。当阶数为k时，只要测试人脸对应的库人脸与该测试人脸的相似度排在库中所有人脸的前k名，则认为成功实现了人脸鉴别。在最严格的条件下，只有测试人脸对应的库人脸与该测试人脸的相似度排在库中所有人脸的最前面时，才认为成功实现了人脸鉴别，此时得到的识别率为R1RR。
人脸验证通过计算测试人脸与库中某个特定人脸的相似度以判断这两个人脸是否属于同一个个体。人脸验证只需计算测试人脸与某个特定人脸的相似度并将该相似度与一个门限进行比较，因此是个一对一的匹配过程。人脸验证的常用评估指标为“ROC曲线”以及错误接受率为0.1％时的确认率(VR@0.1％FAR)。ROC曲线的横坐标为错误接受率(FalseAccept Rate，FAR)，纵坐标为确认率(Verification Rate，VR)。FAR为错误接受的测试人脸的比率，VR为正确接受的测试人脸的比率，通过不断改变接受两个人脸来自同一个个体的相似度门限便可得到ROC曲线。
在融合识别实验中，分别采用第一相似性度量nfc、第二相似性度量npc和融合相似性度量n作为相似性度量来对方法的性能进行比较，得到的ROC曲线如图7所示。
如图7所示，nfc能取得最好的性能，得到的VR@0.1％FAR为98.05％；npc次之，得到的VR@0.1％FAR为96.42％。我们进一步测试了采用加法准则进行融合识别的性能，采用单模态测度获得的VR@0.1％FAR作为其权值进行加权融合。可知第一匹配点对数量nfc和第二匹配点对数量npc二者的融合识别性能VR@0.1％FAR为98.47％，这说明，将第一匹配点对数量nfc和第二匹配点对数量npc进行融合可以进一步提高方法的识别率。
在人脸鉴别实验中，其实验结果如图8所示，对于自然表情的人脸，基于本实施例的方法获得的一阶识别率为99.4％。该结果表明本实施例的方法能高精度地识别自然表情下的人脸。对于包含厌恶、高兴、悲伤、惊喜以及愤怒等各种非自然表情的人脸，本实施例方法的识别性能略有下降，但其一阶识别率仍能达到94.0％。这表明本文方法对表情变化带来的三维人脸非刚性形变具有很好的稳健性。此外，本实施例方法对于所有人脸的平均识别率为97.0％。本实施例方法所提人脸识别方法的高识别率及对表情变化的稳健性来自多个方面。首先，方法提取到的关键点具有很好的可重复性，即使表情变化会引起部分关键点的变化，但是大部分关键点依然能稳健地提取，从而保证了识别方法对表情变化的稳健性。其次，本文采用的RoPS特征描述子具有很强的描述性和对干扰的稳健性，确保了识别方法的高精度和强稳健性。再次，采用匹配关键点对数及点云对应点数为测度的加权融合识别，进一步提高了方法的识别性能。
在人脸验证实验中，其实验结果如图9所示，在自然表情下，本实施例方法的错误接受率为0.1％时的正确验证率为99.9％，这表明本实施例的方法非常适合合作条件下的人脸验证应用。即便在非自然表情下，本实施例的方法在错误接受率为0.1％时的验证率依然能达到97.12％。这表明即便是非合作的表情变化目标，本实施例的方法依然可以达到很高的识别率。本文方法对自然表情和非自然表情人脸的平均识别率为99.01％。
本发明实施例首先在人脸上检测一系列具有较强的类属关联性的关键点，这些关键点在不同个体人脸上的分布存在较明显的差异。在此基础上，通过局部特征匹配与点云配准实现对三维人脸的融合识别。首先，该方法采用局部特征可有效降低表情变化对人脸识别的不利影响；其次，该方法综合利用人脸局部和全局信息，采用特征匹配和点云配准实现融合识别，进一步提高了识别方法的精度。相比于现有三维人脸识别方法，本方法的识别精度和鲁棒性得到了大大提升。
该方法有如下几个优点：
(1)充分利用了不同个体的人脸上检测到的关键点分布具有较大的差异性,这种不同个体间的关键点分布差异性进一步提高了人脸识别的性能。
(2)采用局部特征匹配实现三维人脸识别，可以有效处理由手掌、围巾和眼镜等引起的遮挡、由侧脸等原因引起的数据缺失以及表情变化等情形。
(3)既利用了点云配准所代表的全局信息，又利用了局部特征的稳健性，通过局部特征匹配和点云配准实现对三维人脸的融合识别，不仅能获得很高的识别精度，且对遮挡、数据缺失、表情变化等干扰十分稳健。
图10是本发明实施例的三维人脸识别系统的示意图。如图10所示，所述系统包括图像获取装置101、预处理装置102、关键点提取装置103、特征提取装置104、匹配装置105和识别装置106。
其中，图像获取装置101用于获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面部。
预处理装置102用于根据待识别三维人体图像获取仅包括人脸信息的待识别三维人脸点云。
关键点提取装置103用于提取所述待识别三维人脸点云的关键点，其中，所述关键点为三维人脸点云中对应的局部邻域点集的扩展比例大于预定阈值的点。这些点具有较强的显著性。
特征提取装置104用于计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子。
匹配装置105用于根据对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量。
识别装置106用于根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量获取最相似的模板三维人脸点云。
本发明实施例通过首先在人脸上检测一系列具有较强的类属关联性的关键点，这些关键点在不同个体人脸上的分布存在较明显的差异。在此基础上，通过局部特征匹配与点云配准实现对三维人脸的融合识别。首先，该方法采用局部特征可有效降低表情变化对人脸识别的不利影响；其次，该方法综合利用人脸局部和全局信息，采用特征匹配和点云配准实现融合识别，进一步提高了识别方法的精度。相比于现有三维人脸识别方法，本方法的识别精度和鲁棒性得到了大大提升。
上述的方法和装置可以被应用于数据处理系统，由其处理器执行。此具体实施方式中描述的数据结构和代码通常存储在计算机可读存储介质上，其可以是能够存储供计算机系统使用的代码和/或数据的任何设备或介质。计算机可读存储介质包括但不限于易失性存储器、非易失性存储器、磁性和光学存储设备，例如磁盘驱动器、磁带、CD(光盘)、DVD(数字多功能光盘或数字视频光盘)、或现在已知或以后开发的能够存储代码和/或数据的其他介质。
可以将具体实施方式部分描述的方法和过程具体化为代码和/或数据，该代码和/或数据可存储在如上所述的计算机可读存储介质中。当计算机系统读取并执行计算机可读存储介质上存储的代码和/或数据时，计算机系统执行具体化为数据结构和代码并存储于计算机可读存储介质内的方法和过程。
此外，可以将本文描述的方法和过程包括在硬件模块或装置中。这些模块或装置可以包括但不限于专用集成电路(ASIC)芯片、现场可编程门阵列(FPGA)、在特定时间执行特定软件模块或一段代码的专用或共享处理器和/或其他现在已知或以后开发的可编程逻辑设备。当激活硬件模块或装置时，它们执行包括在其中的方法和过程。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种三维人脸识别方法，包括：
获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面部；
根据待识别三维人体图像获取仅包括人脸信息的待识别三维人脸点云；
提取所述待识别三维人脸点云的关键点，其中，所述关键点为三维人脸点云中对应的局部邻域点集的扩展比率大于预定阈值的点，其中，所述扩展比率γ根据如下公式计算：
其中，为对齐后的所述局部邻域点集，为所述邻域点集中x轴坐标的最大值，为所述邻域点集中x轴坐标的最小值，为所述邻域点集中y轴坐标的最大值，为所述邻域点集中y轴坐标的最小值；
计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子；
根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量；
根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量获取最相似的模板三维人脸点云。
2.根据权利要求1所述的三维人脸识别方法，其特征在于，所述提取待识别三维人脸点云的关键点包括：
在x y平面上以预定间隔进行均匀采样，获取采样点集；
对于所述采样点集中的每一个采样点，取出采样点集中在预定邻域半径内的所有采样点获取局部邻域点集；
利用主成分分析计算所述局部邻域点集的主轴，将局部邻域点集与所述主轴对齐以获得对齐后的局部邻域点集；
计算对齐后的局部邻域点集的扩展比率，将对应的所述扩展比率大于第一预定阈值的采样点作为所述待识别三维人脸点云的关键点。
3.根据权利要求1所述的三维人脸识别方法，其特征在于，计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子包括：
将与关键点的距离小于预定描述半径的邻域点信息转换为高维特征描述子；
计算所有高维特征描述子的协方差矩阵C：
其中，Nd为所述高维特征描述子的总数量，为所述高维特征描述子；
对所述协方差矩阵进行特征值分解获得特征向量和对应的特征值，基于如下公式获取低维特征描述子：
其中，为第i个低维特征描述子，fi为第i个高维特征描述子，为所有特征值中最大的Nsf个特征值所对应的特征向量为列组成的矩阵的转置矩阵。
4.根据权利要求1所述的三维人脸识别方法，其特征在于，根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量包括：
获取待识别三维人脸点云的关键点在特定模板三维人脸点云中的匹配点，其中，所述匹配点为与所述关键点距离最小且最小距离和次小距离的比值小于第二预定阈值的模板三维人脸点云中的关键点，所述关键点之间的距离为关键点所对应的低维特征描述子之间的差值的二阶范数；
获取特定模板三维人脸点云中的关键点在待识别三维人脸点云中的匹配点，其中，所述匹配点为与所述关键点距离最小且最小距离和次小距离的比值小于第二预定阈值的待识别三维人脸点云的关键点；
将所有互为匹配点且在图像中的相对位置差小于第一距离阈值的三维人脸点云的关键点和模板三维人脸点云中的关键点对作为第一匹配点对；
获取待识别三维人脸点云与模板三维人脸点云的第一匹配点对数量作为第一相似性度量。
5.根据权利要求4所述的三维人脸识别方法，其特征在于，根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量还包括：
根据所有的匹配点对对待识别三维人脸点云和模板三维人脸点云进行配准，使得配准后的三维人脸点云和模板三维人脸点云的关键点间的误差最小；
获取配准后的三维人脸点云和模板三维人脸点云中所有互为匹配点且在图像中的相对位置差小于第二距离阈值的关键点对作为第二匹配点对；
获取第二匹配点对的数量作为第二相似性度量。
6.根据权利要求5所述的三维人脸识别方法，其特征在于，根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量获取最相似的模板三维人脸点云包括:
根据第一权重和第二权重计算融合相似性度量；
将融合相似性度量最大的模板三维人脸点云选取为最相似的三维人脸点云；
其中，所述第一权重根据所有模板三维人脸点云的第一相似性度量的均值、最小值、次小值计算获得，所述第二权重根据所有模板三维人脸点云的第二相似性度量的均值、最小值、次小值计算获得；或者，所述第一权重和所述第二权重通过机器学习方法统计获得。
7.根据权利要求4所述的三维人脸识别方法，其特征在于，根据所述待识别三维人脸点云与图像库中每一个资料三维人脸点云的相似性度量获取最相似的资料三维人脸点云包括:
将第一相似性度量最大的资料三维人脸点云选取为最相似的三维人脸点云。
8.根据权利要求5所述的三维人脸识别方法，其特征在于，根据所述待识别三维人脸点云与图像库中每一个资料三维人脸点云的相似性度量获取最相似的资料三维人脸点云包括:
将第二相似性度量最大的资料三维人脸点云选取为最相似的三维人脸点云。
9.一种三维人脸识别系统，包括：
图像获取装置，用于获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面部；
预处理装置，用于根据待识别三维人体图像获取仅包括人脸信息的待识别三维人脸点云；
关键点提取装置，用于提取所述待识别三维人脸点云的关键点，其中，所述关键点为三维人脸点云中对应的局部邻域点集的扩展比率大于预定阈值的点，其中，所述扩展比率γ根据如下公式计算：
其中，为对齐后的所述局部邻域点集，为所述邻域点集中x轴坐标的最大值，为所述邻域点集中x轴坐标的最小值，为所述邻域点集中y轴坐标的最大值，为所述邻域点集中y轴坐标的最小值；
特征提取装置，用于计算所述待识别三维人脸点云中每一个关键点对应的低维特征描述子；
匹配装置，用于根据所有关键点对应的低维特征描述子，计算所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量；
识别装置，用于根据所述待识别三维人脸点云与图像库中每一个模板三维人脸点云的相似性度量获取最相似的模板三维人脸点云。
10.一种数据处理装置，包括处理器，所述处理器适于执行如权利要求1-8中任一项所述的方法。
CN201510731843.3A 2015-11-02 2015-11-02 三维人脸识别方法、系统及应用其的数据处理装置 Active CN105243374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510731843.3A CN105243374B (zh) 2015-11-02 2015-11-02 三维人脸识别方法、系统及应用其的数据处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510731843.3A CN105243374B (zh) 2015-11-02 2015-11-02 三维人脸识别方法、系统及应用其的数据处理装置

Publications (2)

Publication Number Publication Date
CN105243374A CN105243374A (zh) 2016-01-13
CN105243374B true CN105243374B (zh) 2018-11-20

Family

ID=55041015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510731843.3A Active CN105243374B (zh) 2015-11-02 2015-11-02 三维人脸识别方法、系统及应用其的数据处理装置

Country Status (1)

Country Link
CN (1) CN105243374B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719352B (zh) * 2016-01-26 2018-10-19 湖南拓视觉信息技术有限公司 人脸三维点云超分辨率融合方法及应用其的数据处理装置
CN108460600A (zh) * 2016-04-01 2018-08-28 王涛 基于指纹辅助身份识别的人脸支付装置
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
CN106909874B (zh) * 2016-07-07 2019-08-30 湖南拓视觉信息技术有限公司 一种鼻尖定位方法和装置
CN106910102A (zh) * 2016-07-25 2017-06-30 湖南拓视觉信息技术有限公司 眼镜虚拟试戴方法及装置
CN106530376B (zh) * 2016-10-10 2021-01-26 福建网龙计算机网络信息技术有限公司 一种三维角色创建方法及系统
CN106570931A (zh) * 2016-10-10 2017-04-19 福建网龙计算机网络信息技术有限公司 一种虚拟现实资源制作方法及系统
CN107463653A (zh) * 2017-07-27 2017-12-12 姜汉龙 一种视频的类型的鉴定方法以及设备
CN109948400A (zh) * 2017-12-20 2019-06-28 宁波盈芯信息科技有限公司 一种能够进行人脸特征3d识别的智能手机及其识别方法
CN108446737B (zh) * 2018-03-21 2022-07-05 百度在线网络技术（北京）有限公司 用于识别对象的方法和装置
CN108549873B (zh) * 2018-04-19 2019-12-24 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
CN109145737B (zh) * 2018-07-18 2022-04-15 新乡医学院 一种快速人脸识别方法、装置、电子设备及存储介质
CN109116433B (zh) * 2018-09-03 2020-02-04 深圳市华讯方舟太赫兹科技有限公司 一种安检设备及其成像方法
CN109767262B (zh) * 2018-12-18 2021-12-31 黎明职业大学 一种用于广告屏的三维人脸表情识别打分评估方法
CN110059660A (zh) * 2019-04-26 2019-07-26 北京迈格威科技有限公司 移动端平台3d人脸注册方法及装置
CN110210343B (zh) * 2019-05-20 2023-07-11 深圳供电局有限公司 一种大数据人脸识别方法及其系统、可读存储介质
CN110298275B (zh) * 2019-06-19 2022-02-22 东南大学 基于关键点和局部特征的三维人耳识别方法
CN110728172B (zh) * 2019-08-23 2022-10-18 北京迈格威科技有限公司 基于点云的人脸关键点检测方法、装置、系统及存储介质
CN110991294B (zh) * 2019-11-26 2023-06-02 吉林大学 一种快速构建的人脸动作单元识别方法及系统
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
CN111553409B (zh) * 2020-04-27 2022-11-01 哈尔滨工程大学 一种基于体素形状描述符的点云识别方法
CN111738292B (zh) * 2020-05-18 2024-01-23 北京百度网讯科技有限公司 点云数据的处理方法、装置、电子设备及可读存储介质
CN113420585A (zh) * 2021-04-21 2021-09-21 广州晟烨信息科技股份有限公司 一种人脸采集识别方法、系统及存储介质
CN114842543B (zh) * 2022-06-01 2024-05-28 华南师范大学 三维人脸识别方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101315665A (zh) * 2008-06-27 2008-12-03 浙江大学 一种基于三维鼻形的身份识别方法
CN101510259A (zh) * 2009-03-18 2009-08-19 西北民族大学 一种联机手写藏文字丁的识别方法和识别系统
CN101986328A (zh) * 2010-12-06 2011-03-16 东南大学 一种基于局部描述符的三维人脸识别方法
CN104408417A (zh) * 2014-11-25 2015-03-11 苏州福丰科技有限公司 基于三维人脸局部特征匹配的超市预付费支付方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101315665A (zh) * 2008-06-27 2008-12-03 浙江大学 一种基于三维鼻形的身份识别方法
CN101510259A (zh) * 2009-03-18 2009-08-19 西北民族大学 一种联机手写藏文字丁的识别方法和识别系统
CN101986328A (zh) * 2010-12-06 2011-03-16 东南大学 一种基于局部描述符的三维人脸识别方法
CN104408417A (zh) * 2014-11-25 2015-03-11 苏州福丰科技有限公司 基于三维人脸局部特征匹配的超市预付费支付方法

Also Published As

Publication number Publication date
CN105243374A (zh) 2016-01-13

Similar Documents

Publication Publication Date Title
CN105243374B (zh) 三维人脸识别方法、系统及应用其的数据处理装置
CN105956582B (zh) 一种基于三维数据的人脸识别系统
CN108334848B (zh) 一种基于生成对抗网络的微小人脸识别方法
JP6681729B2 (ja) オブジェクトの３ｄ姿勢およびオブジェクトのランドマーク点の３ｄロケーションを求める方法、およびオブジェクトの３ｄ姿勢およびオブジェクトのランドマークの３ｄロケーションを求めるシステム
Russ et al. 3D face recognition using 3D alignment for PCA
CN109214373B (zh) 一种用于考勤的人脸识别系统及方法
WO2015149696A1 (en) Method and system for extracting characteristic of three-dimensional face image
CN100397410C (zh) 基于视频的面部表情识别方法及装置
CN104850838B (zh) 基于表情不变区域的三维人脸识别方法
CN105740779B (zh) 人脸活体检测的方法和装置
WO2016150240A1 (zh) 身份认证方法和装置
CN106780906A (zh) 一种基于深度卷积神经网络的人证合一识别方法及系统
CN103020607B (zh) 一种人脸识别方法及装置
CN108182397B (zh) 一种多姿态多尺度的人脸验证方法
CN105809113B (zh) 三维人脸识别方法及应用其的数据处理装置
TW201137768A (en) Face recognition apparatus and methods
JP3938872B2 (ja) データ分類装置および物体認識装置
CN105654035B (zh) 三维人脸识别方法及应用其的数据处理装置
CN107610177B (zh) 一种同步定位与地图构建中确定特征点的方法和设备
CN106778489A (zh) 人脸3d特征身份信息库的建立方法及设备
KR101260367B1 (ko) 범주 인식에 의한 파지점 생성방법 및 그 방법에 대한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
CN113158777A (zh) 质量评分方法、质量评分模型的训练方法及相关装置
CN109145716A (zh) 基于脸部识别的登机口检验平台
Andiani et al. Face recognition for work attendance using multitask convolutional neural network (MTCNN) and pre-trained facenet
CN106778491A (zh) 人脸3d特征信息的获取方法及设备

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
TR01 Transfer of patent right

Effective date of registration: 20221012

Address after: Room 1016, Block C, Haiyong International Building 2, No. 489, Lusong Road, High tech Zone, Changsha City, Hunan Province, 410221

Patentee after: Hunan Fenghua Intelligent Technology Co.,Ltd.

Address before: Room A645, Headquarters Building of Changsha Key Software Park, No. 39, Jianshan Road, High tech Development Zone, Changsha, Hunan 410205

Patentee before: HUNAN VISUALTOURING INFORMATION TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230925

Address after: Room 1016, Block C, Haiyong International Building 2, No. 489, Lusong Road, High tech Zone, Changsha City, Hunan Province, 410221

Patentee after: Hunan Fenghua Intelligent Technology Co.,Ltd.

Patentee after: National University of Defense Technology

Address before: Room 1016, Block C, Haiyong International Building 2, No. 489, Lusong Road, High tech Zone, Changsha City, Hunan Province, 410221

Patentee before: Hunan Fenghua Intelligent Technology Co.,Ltd.

TR01 Transfer of patent right