CN106096555A - 三维面部检测的方法和装置 - Google Patents

Abstract

本发明实施例提供一种三维面部检测的方法和装置。所述方法包括：获取待检测的三维人体点云数据，其中，所述三维人体点云数据至少包括人的面部点云数据；根据预定的局部结构提取方法和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置；以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸点云数据。本发明实施例，通过采用三维点云数据的方式进行人脸检测，可以避免三维物体的信息丢失，且三维点云数据不易受到尺度变化、视点变化以及光照变化等因素影响，从而提高面部检测的准确度。

Description

三维面部检测的方法和装置

技术领域

本发明涉及计算机视觉技术，尤其涉及一种三维面部检测的方法和装置。

背景技术

随着计算机视觉技术的不断发展，照相机或摄像机等会设置有人脸检测等功能，从而为照相或摄像带来方便。

目前，人脸检测主要是基于二维图像的方式进行。具体地，在拍摄某区域的图像时，照相机或摄像机会将上述区域的三维空间数据通过映射的方式映射到二维图像空间中，从而形成相应的二维图像，通过对该二维图像中的光照信息和视点信息等进行人脸的检测。

然而，由于二维图像的成像过程涉及从三维物理空间到二维图像空间的映射，因此会导致三维物体部分信息的丢失，从而使得二维图像难以实现对三维物体的精确表示，而且，二维图像容易受到尺度变化、视点变化以及光照变化等因素影响，从而降低了面部检测的准确度。

发明内容

本发明的目的在于，提供一种用于人脸检测的三维面部检测的方法，以及实现该方法的装置，通过采用三维点云数据的方式进行人脸检测，从而提高面部检测的准确度。

根据本发明的一方面，提供一种三维面部检测的方法。所述方法包括，获取待检测的三维人体点云数据，其中，所述三维人体点云数据至少包括人的面部点云数据；根据预定的局部结构提取方法和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置；以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸点云数据。

优选地，所述获取待检测的三维人体点云的处理包括：获取预定背景下人体的三维点云数据；根据所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据，确定待检测的三维人体点云数据。

优选地，所述根据所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据，确定待检测的三维人体点云数据的处理包括：对所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据进行背景差分，得到差分的三维点云数据作为待检测的三维人体点云数据。

优选地，所述以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸点云数据的处理包括：以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸基础点云数据；根据预定的三维面部虚警滤除模型对所述三维人脸基础点云数据进行虚警滤除，得到三维人脸点云数据；其中，所述预定的三维面部虚警滤除模型基于机器学习的方式构建。

优选地，所述预定的局部结构提取方法为超体素分割方法，所述根据预定的局部结构提取方法和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置的处理包括：根据超体素分割方法对所述三维人体点云数据进行过分割，得到多个超体素；以每个超体素为中心，基于其邻域属性特征提取三维局部结构；基于提取的三维局部结构、上一帧三维人体点云数据的三维人脸鼻尖所在的位置和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到待检测的三维人体点云数据中的三维人脸鼻尖所在的位置。

根据本发明的另一方面，提供一种三维面部检测的装置。所述装置包括：人体点云获取模块，用于获取待检测的三维人体点云数据，其中，所述三维人体点云数据至少包括人的面部点云数据；鼻尖位置确定模块，用于根据预定的局部结构提取方法和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置；人脸点云截取模块，用于以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸点云数据。

优选地，所述人体点云获取模块包括：三维点云获取单元，用于获取预定背景下人体的三维点云数据；人体点云确定单元，用于根据所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据，确定待检测的三维人体点云数据。

优选地，所述人体点云确定单元，用于对所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据进行背景差分，得到差分的三维点云数据作为待检测的三维人体点云数据。

优选地，所述人脸点云截取模块包括：基础点云确定单元，用于以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸基础点云数据；虚警滤除单元，用于根据预定的三维面部虚警滤除模型对所述三维人脸基础点云数据进行虚警滤除，得到三维人脸点云数据；其中，所述预定的三维面部虚警滤除模型基于机器学习的方式构建。

优选地，所述预定的局部结构提取方法为超体素分割方法，所述鼻尖位置确定模块包括：超体素获取单元，用于根据超体素分割方法对所述三维人体点云数据进行过分割，得到多个超体素；局部结构提取单元，用于以每个超体素为中心，基于其邻域属性特征提取三维局部结构；鼻尖位置确定单元，用于基于提取的三维局部结构、上一帧三维人体点云数据的三维人脸鼻尖所在的位置和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到待检测的三维人体点云数据中的三维人脸鼻尖所在的位置。

根据本发明实施例提供的三维面部检测的方法和装置，通过获取的至少包括人的面部点云数据的待检测的三维人体点云数据，并使用预定的局部结构提取方法和预定的三维鼻尖检测模型进行三维人脸鼻尖位置检测，得到三维人体点云数据中的鼻尖所在的位置，以该鼻尖所在的位置为中心从三维人体点云数据中截取出三维人脸点云数据，这样，通过采用三维点云数据的方式进行人脸检测，可以避免三维物体的信息丢失，且三维点云数据不易受到尺度变化、视点变化以及光照变化等因素影响，从而提高面部检测的准确度。

附图说明

图1是示出根据本发明实施例一的三维面部检测的方法的流程图；

图2是示出根据本发明实施例二的三维面部检测的方法的流程图；

图3是示出根据本发明实施例三的三维面部检测的装置的一种逻辑框图；

图4是示出根据本发明实施例三的三维面部检测的装置的另一种逻辑框图；

图5是示出根据本发明实施例三的三维面部检测的装置的又一种逻辑框图；

图6是示出根据本发明实施例三的三维面部检测的装置的又一种逻辑框图。

具体实施方式

本方案的发明构思是，通过获取的至少包括人的面部点云数据的待检测的三维人体点云数据，并使用预定的局部结构提取方法和预定的三维鼻尖检测模型进行三维人脸鼻尖位置检测，得到三维人体点云数据中的鼻尖所在的位置，以该鼻尖所在的位置为中心从三维人体点云数据中截取出三维人脸点云数据，这样，通过采用三维点云数据的方式进行人脸检测，可以避免三维物体的信息丢失，且三维点云数据不易受到尺度变化、视点变化以及光照变化等因素影响，从而提高面部检测的准确度。

下面结合附图详细描述本发明的示例性实施例。

实施例一

图1是示出根据本发明实施例一的三维面部检测的方法的流程图。通过包括如图3所示的装置执行所述方法。

参照图1，在步骤S110，获取待检测的三维人体点云数据，其中，所述三维人体点云数据至少包括人的面部点云数据。

其中，三维人体点云数据为以点的形式记录人体结构的数据，每一个点包含有三维坐标，并且其中的每一个点还可以包含有灰度等其他信息。三维人体点云数据中包含有人体的几何结构信息。面部点云数据为以点的形式记录人的面部特征的数据。

在实施中，可以通过多种方式获取某人体的三维人体点云数据，例如，可以通过深度摄像机、深度照相机、深度传感器或激光雷达等获取该人体的各个部位的深度信息，并可以基于得到的深度信息得到该人体的三维人体点云数据。本发明实施例中，具体可以使用深度传感器的方式获取三维人体点云数据，其中，深度传感器可以具体包括如Kinect深度传感器和RealSense深度传感器等。

可以将深度摄像机或深度传感器等安装在指定的位置(如房间的屋顶角落中，或者，在街角弯路处等)，通过安装的深度摄像机或深度传感器可以采集其当前正对区域内的二维深度图像，然后，可以从采集的二维深度图像中获取人体三维点云数据。

在步骤S120，根据预定的局部结构提取方法和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置。

其中，局部结构提取方法可以包括多种，例如超体素分割方法或基于八叉树的局部结构提取方法等，超体素分割方法可以是将待分割的数据根据预定的规律分割成多个相对较大的分块的方法。预定的三维鼻尖检测模型可以包括多种，例如，基于曲率分析方法的模型、基于特征向量法的模型或者基于投影法的模型等。

在实施中，预定的局部结构提取方法以超体素分割方法为例，对于基于八叉树的局部结构提取方法可以根据其现已提供的方法步骤执行，在此不再赘述。可以通过超体素分割方法将所述三维人体点云数据进行分割，将所述三维人体点云数据分割为多个部分，然后，分析每一个超体素部分所属的人体局部结构，可以将得到的多个部分的超体素点云数据输入到预定的三维鼻尖检测模型中进行计算，得到输出的数据，即为所述三维人体点云数据中的三维人脸鼻尖所在的位置。

在步骤S130，以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸点云数据。

在实施中，由于鼻尖所在的位置通常是人脸的中间位置，通过人脸的中间位置可以更加方便的确定人脸所在的区域，因此，可以所述三维人脸鼻尖所在的位置为中心，并以预定长度为半径得到相应的球体区域，可以将所述球体区域与所述三维人体点云数据所对应的坐标区域相重合的区域作为人脸点云数据所在的区域，此时，可以获取所述重合的区域中位于所述人体点云数据中人体正面的点云数据，得到的点云数据即为所述三维人体点云数据中的三维人脸点云数据。

本发明实施例提供的三维面部检测的方法，通过获取的至少包括人的面部点云数据的待检测的三维人体点云数据，并使用预定的局部结构提取方法和预定的三维鼻尖检测模型进行三维人脸鼻尖位置检测，得到三维人体点云数据中的鼻尖所在的位置，以该鼻尖所在的位置为中心从三维人体点云数据中截取出三维人脸点云数据，这样，通过采用三维点云数据的方式进行人脸检测，可以避免三维物体的信息丢失，且三维点云数据不易受到尺度变化、视点变化以及光照变化等因素影响，从而提高面部检测的准确度。

实施例二

图2是示出根据本发明实施例二的三维面部检测的方法的流程图，所述实施例可视为图1的又一种具体的实现方案。

参照图2，在步骤S210，获取预定背景下人体的三维点云数据。

其中，预定背景可以是任意背景，例如纯白色背景或纯蓝色背景等，还可以是某公共场合中的指定位置处(具体如车辆的出入口等)。

在实施中，随着小型、廉价的实时深度传感器的推出(如Kinect深度传感器和RealSense深度传感器等)，基于三维点云的面部实时检测将替代二维图像的面部检测成为主要的面部检测方法。为此，本发明提供一种基于三维点云的面部实时检测方法，具体地，在进行三维面部检测前，需要对深度传感器当前感应范围内的场景(即拍摄人体图像时，人体所在的背景)进行初始化，即首先利用Kinect等深度传感器获取上述场景(即预定背景)的深度图像，然后，根据得到的深度图像与当前预定背景的实际三维空间的几何映射关系，确定所述预定背景的三维点云数据。

在进行三维面部检测时，可以开启Kinect等深度传感器，该深度传感器可以实时采集所述预定背景下的深度图像。当人体进入所述深度传感器的感应范围内时，所述深度传感器可以获取包括所述人体相关数据的所述预定背景下的深度图像，可以对上述深度图像进行分析计算得到预定背景下人体的三维点云数据。

在步骤S220，根据所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据，确定待检测的三维人体点云数据。

在实施中，可以对所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据进行分析，确定所述预定背景的三维点云数据与所述预定背景下人体的三维点云数据中相同的数据以及不同的数据，并可以将得到的相同的数据从所述预定背景下人体的三维点云数据中删除，最终，可以得到人体的三维点云数据，即可作为待检测的三维人体点云数据。

此外，上述步骤S220的处理除了可以通过上述方式确定待检测的三维人体点云数据外，还可以通过其它多种方式确定待检测的三维人体图像，以下提供一种可选的处理方式，具体可以包括以下内容：对所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据进行背景差分，得到差分的三维点云数据作为待检测的三维人体点云数据。

在实施中，为了加快从所述预定背景下人体的三维点云数据中提取出三维人体点云数据，可以采用相应的计算方法实现上述过程。可以通过Kinect等深度传感器采集当前预定背景下的深度图像，根据所述深度图像中包含的与所述深度传感器之间的距离信息，将所述深度图像转换为三维点云数据，从而得到预定背景下人体的三维点云数据。然后，可以通过所述预定背景的三维点云数据对所述预定背景下人体的三维点云数据进行差分计算，以将所述预定背景下人体的三维点云数据中包含的所述预定背景的三维点云数据删除，得到差分计算后的三维点云数据即作为待检测的三维人体点云数据。

需要说明的是，在理想情况下，如果实时获取到的三维点云数据与预定背景的三维点云数据相同，则通过上述差分计算后得到的三维点云数据非常少或者没有数据，此时，可以确定实时获取到的三维点云数据中不包含三维人体点云数据。

另外，由于受到深度传感器中相关参数扰动等因素的影响，当没有人体进入所述预定背景内时，通过上述差分计算后仍然可以得到相应的点云数据，因此，需要在进行上述差分计算之前对上述实时获取的三维点云数据进行分析判断，去除深度传感器中相关参数扰动等因素的影响。本发明实施例中，可以采用但不限于与深度传感器之间的距离、实时获取的三维点云数据的长宽高等几何属性的方式来滤除上述参数扰动对差分计算的影响。

在步骤S230，根据超体素分割方法对所述三维人体点云数据进行过分割，得到多个超体素。

其中，超体素可以是二维图像中的超像素在三维图像中的拓展，能够高效的将三维无规则的点云数据过分割为有意义的三维局部结构。每个超体素中的三维数据点相互连通，且具有一定的相似的几何特征。

在实施中，超体素分割方法可以是VCCS(Voxel Cloud ConnectivitySegmentation)分割方法等，以VCCS分割算法为例，首先，可以根据所述三维人体点云数据对应的空间的分辨率，可以使用八叉树算法从所述三维人体点云数据中构建超体素空间，可以基于构建的超体素空间确定所述三维人体点云数据对应的超体素邻域图。

在步骤S240，以每个超体素为中心，基于其邻域属性特征提取三维局部结构。

在实施中，基于上述步骤S240中的相关内容，在得到的超体素邻域图中以其一阶邻域提取三维局部结构，并将超体素的中心作为三维局部结构的中心。对每个三维局部结构的描述可以包含四个组成成分：特征描述向量、局部参考框架、类别标记和局部结构相对于鼻尖位置的空间偏移量。

其中，上述四个组成成分的获取与构成可以根据现有的技术方案执行，在此不再赘述。

需要说明的是，除了可以采用一阶邻域的方式提取三维局部结构外，也可以采用二阶邻域甚至更高阶邻域的方式来提取三维局部结构。

在步骤S250，基于提取的三维局部结构和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置。

其中，所述三维鼻尖检测模型可以包括基于多种计算方法的鼻尖检测模型，本发明实施例中三维鼻尖检测模型具体可以为基于霍夫森林的三维鼻尖检测模型。

在实施中，可以先通过训练样本对基于霍夫森林的三维鼻尖检测模型进行训练，可以通过上述步骤S210～步骤S240的处理得到多个三维局部结构，可以将多个三维局部结构作为训练样本输入到基于霍夫森林的三维鼻尖检测模型进行训练。在训练基于霍夫森林的三维鼻尖检测模型时，可采用如下式所示的二元测试函数：

$t_{a,v}\left(I\right)=\{\begin{array}{cc}0& if{I}_v^a<\mathrm{\&tau;}\\ 1& otherwise\end{array}\mathrm{...}\left(1\right)$

其中，v表示三维局部结构，a∈{1,2,...C}表示选取的特征通道，C表示三维局部结构的特征维数，τ表示选取的特征通道对应的阈值。公式(1)所示的二元测试函数将三维局部结构视作整体来定义基于霍夫森林的三维鼻尖检测模型中随机树枝节点的分裂函数(不考虑三维局部结构内数据点的特征相对关系)。利用公式(1)所示的二元测试函数，交替的最小化类别不确定性(如公式(2))和偏移量不确定性(如公式(3))，得到最优参数对

类别不确定性定义如下：

$U_1=\left|A\right|\&CenterDot;\underset{c\&Element;\{0,1\}}{\&Sigma;}p\left(l\right|A)\ln p\left(l\right|A)\mathrm{...}\left(2\right)$

其中，|A|是局部图像块集A中元素的个数，p(l|A)是A中类别为l的元素所占的比例。

偏移量不确定性定义如下：

$U_2\left(A\right)=\underset{i:l_i=1}{\&Sigma;}{(d_i-d_A)}^2\mathrm{...}\left(3\right)$

其中，d_i为叶子节点处第i个三维局部结构相对于三维人脸鼻尖所在的位置的三维空间偏移量，d_A是集合A中所有正样本的平均偏移量。交替的最小化类别不确定性和偏移量不确定性保证了到达叶子节点的样本同时具有最小的类别不确定性和偏移量不确定性。因此，在广义霍夫投票阶段基于霍夫森林的三维鼻尖检测模型能够以较小的不确定性对三维人脸鼻尖所在的位置进行投票。

所有到达枝节点的训练样本根据所选特征通道的值与最优阈值的相对关系被划分到左右子节点中。重复执行上述过程直到基于霍夫森林的三维鼻尖检测模型中决策树的深度达到了最大值或到达枝节点的样本数量小于给定阈值。每个枝节点存储所选择的特征通道和对应的阈值每个叶子节点存储所有到达该叶子节点的正样本的偏移向量、局部参考框架以及正样本数量在到达该节点的所有样本数量中的比例，从而得到预定的三维鼻尖检测模型。

在检测鼻尖所在的位置时，每提取一个三维局部结构，就将其输入到所述预定的三维鼻尖检测模型中进行特征匹配。根据每棵决策树枝节点中存储的特征通道及其对应阈值，三维局部结构将与每棵决策树中的某个叶子节点匹配。根据该叶子节点上存储的偏移量，三维局部结构就会对鼻尖位置进行投票，投票值为该叶子节点上存储的正样本的比例。由于叶子节点上偏移量的多样性以及随机森林通常包含多棵决策树，因此每个三维局部结构会对多个位置进行投票。所有三维局部结构投票值的累积构成了三维霍夫投票空间。霍夫空间中某处投票值的大小表示该处为鼻尖的置信度。可以通过非极大值抑制或均值漂移方法在三维霍夫投票空间中检测极值来估计鼻尖所在的位置。

考虑到人脸姿态的变化会对三维人体点云数据产生不同，为此，可以利用基于局部参考框架的旋转矩阵估计方法进行处理。具体地，如果得到的三维局部结构为非对称局部结构，则基于局部参考框架来估计检测样本和训练样本之间的旋转变换矩阵，然后根据估计的旋转矩阵来矫正目标中心的霍夫投票。具体方法如下：如果中心位置为p_s的三维局部结构v_s及其对应的局部参考框架F_s，将v_s作为基于霍夫森林的三维鼻尖检测模型的输入进行特征匹配。假设v_s与基于霍夫森林的三维鼻尖检测模型中的某个叶子节点相匹配，该叶子节点包含三维局部结构v_m，对应的局部参考框架为F_m，相对于目标中心的空间偏移量为d_m。那么，测试样本三维局部结构v_s与训练样本三维局部结构v_m之间的旋转变换矩阵R为：

$R=F_s^T{F}_m\mathrm{...}\left(4\right)$

利用旋转矩阵R来矫正训练样本局部结构的偏移量d_m的霍夫投票，则三维局部结构v_s相对于其目标中心的偏移量d_s为：

d_s＝d_mR........................(5)

测试样本的目标中心o为：

$o=p_s-d_s=p_s-d_m\left(F_s^T{F}_m\right)\mathrm{......}\left(6\right)$

所有三维局部结构投票完成后得到三维霍夫投票空间，在该三维霍夫投票空间内可通过检测局部极值的方法来估计鼻尖中心所在的位置。

考虑到在未给定鼻尖所在的初始位置时，均值漂移算法需要在整个霍夫投票空间中检测相应的极值，如果给定了鼻尖所在的初始位置，则可以在所述初始位置附近来确定相应的极值，因此，为了加快鼻尖所在的位置的检测效率，可以给定鼻尖所在的初始位置，本发明实施例中，可以将上一帧图像中鼻尖所在的位置的估计结果作为下一帧图像中鼻尖所在的位置的初始位置，相应的处理可以包括以下内容：基于提取的三维局部结构、上一帧三维人体点云数据的三维人脸鼻尖所在的位置和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到待检测的三维人体点云数据中的三维人脸鼻尖所在的位置。

上述内容的具体处理方法可以参见上述相关内容，在此不再赘述。

在步骤S260，以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸基础点云数据。

在实施中，可以基于所述三维人体点云数据建立三维坐标系，所述三维坐标系可以所述三维人脸鼻尖所在的位置为坐标原点建立，其中，三维坐标系的x轴和y轴确定的平面与人脸平行。可以分别设定x方向的阈值(或者门限值)、y方向的阈值和z方向的阈值，基于设定的上述阈值，从三维人体点云数据中截取相应的点云数据即为三维人脸基础点云数据。

其中，x方向的阈值、y方向的阈值和z方向的阈值可以根据实际情况确定，也可以是预先设定的固定值。本发明实施例中，x方向的阈值和y方向的阈值可以相同，例如，x方向的阈值和y方向的阈值都为80毫米，z方向的阈值可以为50毫米等。

在步骤S270，根据预定的三维面部虚警滤除模型对所述三维人脸基础点云数据进行虚警滤除，得到三维人脸点云数据。

在实施中，通过上述方式确定人脸鼻尖所在的位置后，可以其为中心从三维点云数据中截取人脸点云数据。又由于通过上述方式获取的鼻尖所在的位置可能存在虚警，因此可以通过对截取的所述三维人脸基础点云数据做进一步虚警滤除。

其中，所述预定的三维面部虚警滤除模型基于机器学习的方式构建。基于机器学习的方式构建所述三维面部虚警滤除模型，可分为离线训练和在线滤除两阶段。在离线训练阶段，可将数据集中的三维人脸基础点云数据作为正训练样本，除所述正训练样本外的点云数据作为负训练样本，基于上述正训练样本和负训练样本可以训练人脸分类的二类分类器，从而得到三维面部虚警滤除模型。在线滤除阶段，可将所述三维人脸基础点云数据送入训练出的三维面部虚警滤除模型中，得到分类器判定结果。如果判定结果为所述三维人脸基础点云数据是非人脸点云数据，则滤除所述三维人脸基础点云数据。如果判定结果为所述三维人脸基础点云数据是人脸点云数据，则可将所述三维人脸基础点云数据作为三维人脸点云数据输出。同时，还可以将所述三维人脸点云数据对应的鼻尖所在的位置送入到预定的三维鼻尖检测模型中，以加快预定的三维鼻尖检测模型的计算效率。

本发明实施例提供的三维面部检测的方法，通过获取的至少包括人的面部点云数据的待检测的三维人体点云数据，并使用超体素分割方法和预定的三维鼻尖检测模型进行三维人脸鼻尖位置检测，得到三维人体点云数据中的鼻尖所在的位置，以该鼻尖所在的位置为中心从三维人体点云数据中截取出三维人脸点云数据，这样，通过采用三维点云数据的方式进行人脸检测，可以避免三维物体的信息丢失，且三维点云数据不易受到尺度变化、视点变化以及光照变化等因素影响，从而提高面部检测的准确度。

实施例三

基于相同的技术构思，图3是示出根据本发明实施例三的三维面部检测的装置的逻辑框图。参照图3，所述装置包括人体点云获取模块310、鼻尖位置确定模块320和人脸点云截取模块330。其中，人体点云获取模块310与鼻尖位置确定模块320相连接，鼻尖位置确定模块320与人脸点云截取模块330相连接。

人体点云获取模块310用于获取待检测的三维人体点云数据，其中，所述三维人体点云数据至少包括人的面部点云数据。

鼻尖位置确定模块320用于根据预定的局部结构提取方法和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置。

人脸点云截取模块330用于以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸点云数据。

进一步地，在图3所示的实施例的基础上，如图4所述的人体点云获取模块310包括：三维点云获取单元311，用于获取预定背景下人体的三维点云数据；人体点云确定单元312，用于根据所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据，确定待检测的三维人体点云数据。

此外，人体点云确定单元312，用于对所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据进行背景差分，得到差分的三维点云数据作为待检测的三维人体点云数据。

进一步地，在如图4所示实施例的基础上，在如图5所示的人脸点云截取模块330包括：基础点云确定单元331，用于以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸基础点云数据；虚警滤除单元332，用于根据预定的三维面部虚警滤除模型对所述三维人脸基础点云数据进行虚警滤除，得到三维人脸点云数据；其中，所述预定的三维面部虚警滤除模型基于机器学习的方式构建。

进一步地，所述预定的局部结构提取方法为超体素分割方法，在如图5所示实施例的基础上，在如图6所示的鼻尖位置确定模块320包括：超体素获取单元321，用于根据超体素分割方法对所述三维人体点云数据进行过分割，得到多个超体素；局部结构提取单元322，用于以每个超体素为中心，基于其邻域属性特征提取三维局部结构；鼻尖位置确定单元323，用于基于提取的三维局部结构、上一帧三维人体点云数据的三维人脸鼻尖所在的位置和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到待检测的三维人体点云数据中的三维人脸鼻尖所在的位置。

本发明实施例提供的三维面部检测的装置，通过获取的至少包括人的面部点云数据的待检测的三维人体点云数据，并使用预定的局部结构提取方法和预定的三维鼻尖检测模型进行三维人脸鼻尖位置检测，得到三维人体点云数据中的鼻尖所在的位置，以该鼻尖所在的位置为中心从三维人体点云数据中截取出三维人脸点云数据，这样，通过采用三维点云数据的方式进行人脸检测，可以避免三维物体的信息丢失，且三维点云数据不易受到尺度变化、视点变化以及光照变化等因素影响，从而提高面部检测的准确度。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种三维面部检测的方法，其特征在于，所述方法包括：

获取待检测的三维人体点云数据，其中，所述三维人体点云数据至少包括人的面部点云数据；

根据预定的局部结构提取方法和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置；

以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸点云数据。

2.根据权利要求1所述的方法，其特征在于，所述获取待检测的三维人体点云的处理包括：

获取预定背景下人体的三维点云数据；

根据所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据，确定待检测的三维人体点云数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据，确定待检测的三维人体点云数据的处理包括：

对所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据进行背景差分，得到差分的三维点云数据作为待检测的三维人体点云数据。

4.根据权利要求1所述的方法，其特征在于，所述以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸点云数据的处理包括：

以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸基础点云数据；

根据预定的三维面部虚警滤除模型对所述三维人脸基础点云数据进行虚警滤除，得到三维人脸点云数据；

其中，所述预定的三维面部虚警滤除模型基于机器学习的方式构建。

5.根据权利要求1所述的方法，其特征在于，所述预定的局部结构提取方法为超体素分割方法，

所述根据预定的局部结构提取方法和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置的处理包括：

根据超体素分割方法对所述三维人体点云数据进行过分割，得到多个超体素；

以每个超体素为中心，基于其邻域属性特征提取三维局部结构；

基于提取的三维局部结构、上一帧三维人体点云数据的三维人脸鼻尖所在的位置和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到待检测的三维人体点云数据中的三维人脸鼻尖所在的位置。

6.一种三维面部检测的装置，其特征在于，所述装置包括：

人体点云获取模块，用于获取待检测的三维人体点云数据，其中，所述三维人体点云数据至少包括人的面部点云数据；

鼻尖位置确定模块，用于根据预定的局部结构提取方法和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到所述三维人体点云数据中的三维人脸鼻尖所在的位置；

人脸点云截取模块，用于以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸点云数据。

7.根据权利要求6所述的装置，其特征在于，所述人体点云获取模块包括：

三维点云获取单元，用于获取预定背景下人体的三维点云数据；

人体点云确定单元，用于根据所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据，确定待检测的三维人体点云数据。

8.根据权利要求7所述的装置，其特征在于，所述人体点云确定单元，用于对所述预定背景下人体的三维点云数据和所述预定背景的三维点云数据进行背景差分，得到差分的三维点云数据作为待检测的三维人体点云数据。

9.根据权利要求6所述的装置，其特征在于，所述人脸点云截取模块包括：

基础点云确定单元，用于以所述三维人脸鼻尖所在的位置为中心从所述三维人体点云数据截取出三维人脸基础点云数据；

虚警滤除单元，用于根据预定的三维面部虚警滤除模型对所述三维人脸基础点云数据进行虚警滤除，得到三维人脸点云数据；

其中，所述预定的三维面部虚警滤除模型基于机器学习的方式构建。

10.根据权利要求6所述的装置，其特征在于，所述预定的局部结构提取方法为超体素分割方法，所述鼻尖位置确定模块包括：

超体素获取单元，用于根据超体素分割方法对所述三维人体点云数据进行过分割，得到多个超体素；

局部结构提取单元，用于以每个超体素为中心，基于其邻域属性特征提取三维局部结构；

鼻尖位置确定单元，用于基于提取的三维局部结构、上一帧三维人体点云数据的三维人脸鼻尖所在的位置和预定的三维鼻尖检测模型对所述三维人体点云数据进行三维人脸鼻尖位置检测，得到待检测的三维人体点云数据中的三维人脸鼻尖所在的位置。