CN106339699A

CN106339699A - 三维人脸识别方法和系统

Info

Publication number: CN106339699A
Application number: CN201610883797.3A
Authority: CN
Inventors: 滕书华; 鲁敏
Original assignee: Hunan Visualtouring Information Technology Co Ltd
Current assignee: Hunan Fenghua Intelligent Technology Co ltd
Priority date: 2016-10-10
Filing date: 2016-10-10
Publication date: 2017-01-18
Anticipated expiration: 2036-10-10
Also published as: CN106339699B

Abstract

本发明实施例提供了一种三维人脸识别方法和系统，其中，所述方法包括：获取待识别的三维人体数据的人脸特征，以及用于三维人脸识别的识别规则，其中，所述三维人体数据包括人的面部的数据；对所述人脸特征进行维数约简；按照所述识别规则对维数约简后的人脸特征进行三维人脸识别。本发明实施例降低人脸特征的维数，减少了根据人脸特征进行三维人脸识别的计算量，提高了三维人脸识别的速度和精度。

Description

三维人脸识别方法和系统

技术领域

本发明实施例涉及生物特征识别技术领域，尤其涉及一种三维人脸识别方法和系统。

背景技术

随着计算机技术、网络技术和信息技术的飞速发展，身份识别已在多个领域(如信息安全以及涉及到隐私和权限的领域)显示出前所未有的重要性，特别是在网上银行、电子商务、公共安全等领域对身份识别的可靠性、安全性和认证的方式提出了新的要求。人脸识别作为生物特征识别的一种识别方式，具有不会遗失、不易被复制、采集方便、唯一性和不被察觉等优点，正越来越受到人们的重视，已经进入了社会生活的各个领域。与视网膜、指纹、虹膜、语音、掌纹等其它人体生物特征识别系统相比，人脸识别系统以其方便、友好等特点，具有十分广泛的应用前景，特别是应用在人脸识别门禁考勤系统、人脸识别ATM机智能视频报警系统、人脸识别公安罪犯追逃智能报警系统的身份识别、视频会议以及医学等方面的应用，已成为目前模式识别和基于内容检索领域的一个研究热点。

虽然目前的人脸识别已取得了丰富的成果，但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。随着点云获取设备的逐步推广，越来越多的关于人脸识别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，且三维人脸数据的采集不受光照影响。但是三维人脸识别的劣势明显，高分辨率下的三维人脸数据匹配需要消耗大量的计算时间，而且三维人脸数据更易受到表情变化的影响，识别精度还远未达到实用化程度。因此，需要研究新的方法来消除表情变化的影响，提高识别精度，并尽量减少识别过程所需的匹配时间。

发明内容

本发明实施例提供了一种三维人脸识别方法和系统，以解决现有的三维人脸识别方法需要消耗大量的计算时间，识别精度低的问题。

根据本发明实施例的一方面，提供了一种三维人脸识别方法，包括：

获取待识别的三维人体数据的人脸特征，以及用于三维人脸识别的识别规则，其中，所述三维人体数据包括人的面部的数据；

对所述人脸特征进行维数约简；

按照所述识别规则对维数约简后的人脸特征进行三维人脸识别。

根据本发明实施例的另一方面，提供了一种三维人脸识别系统，包括：

获取模块，用于获取待识别的三维人体数据的人脸特征，以及用于三维人脸识别的识别规则，其中，所述三维人体数据包括人的面部的数据；

约简模块，用于对所述人脸特征进行维数约简；

识别模块，用于按照所述识别规则对维数约简后的人脸特征进行三维人脸识别。

根据本发明实施例提供的三维人脸识别方法和系统，获取待识别的三维人体数据的人脸特征，以及用于三维人脸识别的识别规则，其中，三维人体数据包括人的面部的数据，识别规则为预先确定的识别规则。对获取到的人脸特征进行维数约简，降低人脸特征的维数，减少了根据人脸特征进行三维人脸识别的计算量，提高了三维人脸识别的速度。

同时，对人脸特征进行维数约简，删除了冗余或者起到干扰作用的人脸特征，提高了根据人脸特征进行三维人脸识别的精度。

附图说明

图1是本发明实施例中人脸识别的示例性示意图；

图2是本发明实施例中三维人脸识别的技术方案示意图；

图3是本发明实施例中三维人脸识别中预处理的示意图；

图4a是本发明实施例中三维人脸识别中鼻尖检测的三维人脸图像示意图；

图4b是本发明实施例中三维人脸识别中鼻尖检测的原理示意图；

图5是本发明实施例中三维人脸识别中姿态校正的示意图；

图6a是本发明实施例中三维人脸识别中所用特征示意图；

图6b是本发明实施例中三维人脸识别中所用特征的放大示意图；

图7是本发明实施例一的三维人脸识别方法的步骤流程图；

图8是本发明实施例一的三维人脸识别方法的阶段执行示意图；

图9是本发明实施例二的三维人脸识别方法的步骤流程图；

图10是本发明实施例三的三维人脸识别系统及结构示意图；

图11是本发明实施例四的三维人脸识别系统及结构示意图。

具体实施方式

下面结合附图(若干附图中相同的标号表示相同的元素)和实施例，对本发明实施例的具体实施方式作进一步详细说明。以下实施例用于说明本发明，但不用来限制本发明的范围。

本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

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，通常，人脸识别主要包括人脸图像预处理(人脸的定位、检测和标准化处理)、特征提取与选择，以及识别结果输出等过程，如图1所示。其中，特征提取与选择是人脸识别的核心问题，是后续正确识别的基础。

全局特征和局部特征在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特征进行描述，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。理想的人脸特征应该只反映人的类别信息，对各种内在变化或者外在变化不敏感。

本发明实施例提供了一种三维人脸识别方法和系统，总体技术方案主要包括如下四个部分，如图2所示。

(1)三维人体数据预处理

对三维人体数据预处理，目的是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三维人脸点云供后续处理使用。三维人体数据预处理主要包括：鼻尖检测、人脸分割、平滑滤波补洞重采样等，如图3所示。给定肩膀以上的三维人体数据作为输入，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。得到三维人脸点云后，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。本实施例中，以三维人体数据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，其中，xy平面的正负方向，以及z轴的正负方向可以根据实际情况设定，本实施例对xy平面的正负方向，以及z轴的正负方向不做限制。

具体地，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。图3给出了鼻尖检测算法的示意图，对于三维头像，采用一系列以d_v(图中未示出)为间隔的水平面与三维人体数据(三维头像)相交，从而得到一系列的三维头像水平切片轮廓，如图4a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d_h(图中未示出)为间隔选取一系列点并在每个点上放置一个圆，如图4b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，如图4b所示。将具有最大h的点当做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，本发明实施例采用随机采样一致性(RANSAC)算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d_v和d_h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d_v和d_h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d_v和d_h值继续进行鼻尖检测以获得较高的精度。得到鼻尖的精确位置后，将离鼻尖距离小于rf的点从三维头像中分割出来，从而得到三维人脸点云。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。得到三维人脸点云后，需要进一步剔除逸出点，并对该点云进行重采样使得其在xy平面上的投影以1mm的分辨率均匀分布。此外，剔除逸出点和重采样会在新点云上带来一些孔洞，因此需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。

本实施例中，得到三维人脸点云后，采用PCA(Principal Component Analysis，主成分分析)方法进一步对人脸姿态进行校正。为了提高姿态校正的精度采用迭代校正的过程，采用PCA方法对初始点云进行校正，然后进行归一化重采样，得到姿态校正后的点云。在归一化重采样后，若旋转矩阵不为单位矩阵，则重新采用PCA方法对初始点云进行校正，具体如图5所示。

其中，令P为3×n的矩阵，每一列对应一个点(x，y，z)坐标，即：

P = [\begin{matrix} x_{1} & x_{2} & ... & x_{n} \\ y_{1} & y_{2} & ... & y_{n} \\ z_{1} & z_{2} & ... & z_{n} \end{matrix}],

首先计算P的均值和协方差C:

\overset{&OverBar;}{p} = \frac{1}{n} Σ_{i = 1}^{n} p_{i}

C = \frac{1}{n} Σ_{i = 1}^{n} p_{i} {p_{i}}^{T} - \overset{&OverBar;}{p} {\overset{&OverBar;}{p}}^{T}

其中P_i是第i个点。求姿态校正的旋转矩阵就是对协方差C进行SVD(Singularvalue decomposition，奇异值分解)，得到矩阵V和E。

CV＝VE

其中，矩阵V中的每一列为C的特征向量，矩阵E对角线上的取值为C的特征值。采用V将P与其主轴对齐，从而实现了姿态校正，即:

\hat{P} = V (P - \overset{&OverBar;}{p})

为得到更加精细的姿态校正结果，采用1mm分辨率对旋转后的进行重采样，得到新的三维人脸点云。然后对该新三维人脸点云重复进行上述姿态校正操作，直到得到的矩阵V趋近于单位矩阵为止。采用1mm进行重采样一方面有利于降低分辨率变化对姿态校正的影响，另一方面也有利于提高后续特征匹配的性能。为便于描述，后文中继续采用P代表姿态校正后的

(2)特征提取

本实施例中，可以采用任意特征提取方法对人脸区域形状进行有效描述，在一个可行的实施方式中，180度范围内的17个方向上的340维ARS(Angular Radial Signature，径向角标记)特征示意图如图6a所示，340维ARS特征的放大示意图如图6b所示。

(3)特征选择

为了减少特征的维数和降低计算的复杂度，使特征更加紧凑，采用近似特征约简算法对人脸特征进行选择。通过人脸特征构建一个知识表达系统，知识表达系统的基本成分是研究对象(即不同的人脸)的集合，关于这些对象的知识是通过指定人脸的特征和它们的特征值来描述的。也就是说把前面提取的340维特征作为条件特征，把条件特征所对应的人作为决策特征，在此基础上给出一种新的特征度量方法用于约简人脸特征，选择出有效的人脸特征，简化人脸知识库。

(4)基于CART(Classification And Regression Tree，分类回归树)算法的三维人脸识别

为了比较选择特征的分类能力，可以利用经典的CART算法以10折交叉验证的分类精度对三维人脸进行识别。

实施例一

图7示出了根据本发明实施例一的三维人脸识别方法的步骤流程图。

参照图7，本实施例的三维人脸识别方法包括以下步骤。

步骤S700、获取待识别的三维人体数据的人脸特征，以及用于三维人脸识别的识别规则。

本实施例中，待识别的三维人体数据可以包括人的面部的数据，本实施例中的三维人脸识别方法主要针对三维人体数据中的面部的数据进行处理。

本步骤中，获取待识别的三维人体数据的人脸特征的具体执行过程，可以参照上述(1)三维人体数据预处理和(2)特征提取的执行过程，在此不再赘述。

本实施例的三维人脸识别方法可以包括两个执行阶段，分别为离线训练阶段和在线识别阶段，如图8所示。本实施例中，用于三维人脸识别的识别规则可以在离线识别阶段获得。离线训练阶段，通过对输入的三维人脸训练数据进行预处理、特征提取、特征选择(近似特征约简)，得到每个三维人脸点云上约简后的ARS特征，通过CART算法进行训练得到识别规则。在线识别阶段，输入一幅待识别的三维人脸图像，采用与离线训练阶段相同的预处理和特征提取步骤获得一系列ARS特征，利用离线训练阶段特征选择的结果来对在线识别阶段获得的ARS特征进行约简，得到约简后的ARS特征，输入离线训练阶段得到的识别规则进行在线识别，即得到最终识别结果。

步骤S702、对人脸特征进行维数约简。

提取到340维ARS特征后，为了减少特征维数和降低计算复杂度，使特征更加紧凑，本实施例采用近似粗糙集约简算法对人脸特征进行维数约简。

步骤S704、按照识别规则对维数约简后的人脸特征进行三维人脸识别。

利用粗糙集约简算法得到约简后的特征，维数为N<340，利用CART算法对三维人脸进行分类。CART算法采用一种二分递归分割的技术，将当前的样本集(本实施例中，样本集为约简后特征)分为两个子样本集，使得生成的每个非叶子节点都有两个分支。因此，CART算法生成的决策树是结构简洁的二叉树。

在CART算法中主要分为两个步骤：

(1)将样本递归划分进行建树过程。

假定第k个人脸图像的n个特征为(x₁,x₂,…,x_N)，令y_k表示该人脸的类别。CART算法通过递归的方式将N维的空间划分为不重叠的矩形。划分建树过程步骤大致如下：

步骤1、选一个自变量x_i，再选取x_i的一个值v_i，v_i把N维空间划分为两部分，一部分的所有点都满足x_i≤v_i，另一部分的所有点都满足x_i>v_i，对非连续变量来说特征的取值只有两个，即等于该值或不等于该值。

步骤2、递归处理，将上面得到的两部分按步骤1重新选取一个特征继续划分，直到把整个N维空间都划分完。

(2)用验证数据进行剪枝。

在CART算法中第二个关键的思想是用独立的验证数据集对训练集生长的树进行剪枝。树剪枝方法用于处理过分适应数据问题。通常，这种方法使用统计度量，减去最不可靠的分支，提高分类的速度，同时提高树独立于训练数据正确分类的能力。

根据本发明实施例提供的三维人脸识别方法，获取待识别的三维人体数据的人脸特征，以及用于三维人脸识别的识别规则，其中，三维人体数据包括人的面部的数据，识别规则为预先确定的识别规则。对获取到的人脸特征进行维数约简，降低人脸特征的维数，减少了根据人脸特征进行三维人脸识别的计算量，提高了三维人脸识别的速度。

实施例二

图9示出了根据本发明实施例二的三维人脸识别方法的步骤流程图。

参照图9，本实施例的三维人脸识别方法包括以下步骤。

本实施例重点强调与上述实施例不同之处，相同之处可以参照上述实施例的相关说明。

步骤S900、获取用于三维人脸识别的识别规则。

具体可以包括如下步骤：

步骤S9000、获取三维人体训练数据。三维人体训练数据包括人的面部的训练数据。

步骤S9002、对三维人体训练数据依次进行预处理、特征提取和特征选择，得到三维人体训练数据的人脸特征。

步骤S9004、采用CART算法对三维人体训练数据的人脸特征进行训练，得到识别规则。

本步骤中具体的预处理、特征提取、特征选择和CART算法识别可以参照上述相关的介绍，在此不再赘述。

步骤S902、获取待识别的三维人体数据的人脸特征，三维人体数据包括人的面部的数据。

步骤S904、利用粗糙集约简算法对人脸特征进行维数约简。

提取到340维特征后，为了减少特征维数和降低计算复杂度，使特征更加紧凑，采用粗糙集约简算法对人脸特征进行约简。

①构建知识表达系统I＝(U,C,D,V,f)，其中U＝{u₁,u₂,…,u_l}是l个人脸的集合，称为论域；C＝{a₁,a₂,…,a₃₄₀}是人脸特征的集合；D是人脸的类标签；V是所有人脸特征的值域，即表示特征a_k所有可能取值的集合；令A＝C∪D，则f:U×A→V是一个信息函数，f(u_i,c_k)表示人脸u_i在特征c_k上的取值。下文所述的知识表达系统可以简写为I＝(U,C,D)。

②特征值离散化：采用离散化算法对知识表达系统进行离散化。

③构建特征重要性度量

粗糙集理论认为知识是对论域的划分而得到的，是由特征决定的对象空间的划分或覆盖。直观上，基本知识颗粒越精细，系统的区分能力越强。基于这种观点，给出了单个特征的可区分度和多个特征的同可区分度的概念，并给出它们的性质。下面给出相关定义。

定义1.信息系统S＝(U,A)中，特征子集P的可区分度(discernibility)DIS(P)定义为：

D I S (P) = {(x, y) &Element; U \times U | &Exists; a &Element; P, f (x, a) &NotEqual; f (y, a)},

如果(x,y)∈DIS(P)，则称x和y是P可区分的。D_P(x)是与x可区分对象的最大集合，即D_P(x)＝{y∈U|(x,y)∈DIS(P)}。特征子集P的可区分度|DIS(P)|定义为

显然特征子集P的可区分度等于DIS(P)中有序对元素的个数。|DIS(P)|是对特征子集P可区分能力大小的度量。

定义2.信息系统S＝(U,A)中，U＝{x₁,x₂,…,x_|U|}。同可区分度|DIS(Q；P)|为：

| D I S (Q; P) | = Σ_{i = 1}^{| U |} | D_{P} (x_{i}) | + Σ_{i = 1}^{| U |} | D_{Q} (x_{i}) | - Σ_{i = 1}^{| U |} | D_{P \cup Q} (x_{i}) |

其中，D_P∪Q(x_i)＝D_Q(x_i)∪D_P(x_i)。由同可区分度定义可知它具备如下性质:

性质1(单调性)

决策表S＝(U,C,D),如果则|DIS(D；Q)|≤|DIS(D；C)|。

性质1表明同可区分度|DIS(Q；D)|反映了条件特征子集Q和决策特征子集D之间的一致程度。在决策特征子集D能区分的元素对数不变的情况下，特征子集Q区分元素对的数目越多(分类越细)，决策特征子集D和条件特征子集Q共同区分元素对的数目越多，即|DIS(Q；D)|越大，Q和D间的一致程度越强。

定义3.决策表S＝(U,C,D)中，a∈(C-Q)。特征a的重要性SGF(a,Q,D)定义为：

SGF(a,Q,D)＝|DIS(D；(Q∪{a}))|-|DIS(D；Q)

其中，SGF(a,Q,D)描述了向特征子集Q中添加特征a后不一致有序对的减少量。SGF(a,Q,D)越大，说明在Q已知的条件下a对D就越重要。在前向添加约简过程中，选择使SGF(a,Q,D)最大的条件特征作为约简元素，直至找到和原决策表具有近似相同的不一致有序对的最小条件特征集合为止。为了减小噪声的影响，可以选择和原决策表具有近似相同的不一致有序对的最小条件特征子集作为约简结果，即对约简算法的停止条件取近似值，这样并不会对原决策表的区分能力带来多大影响。

进而给出决策信息系统中具有抗噪性能的近似特征约简的定义。

定义4.决策表S＝(U,C,D)中，λ为条件特征相对决策特征的不一致率，0≤λ<0.5。Q是A的一个近似约简，当且仅当满足：

条件1：

条件2：对于都有

则称Q是C相对于D的一个近似约简。

定义4给出了基于同可区分度的近似约简定义。其中，条件1保证了约简后的知识表达系统与原知识表达系统具有近似相同的信息量，即约简前后不一致有序对的数目相差不大；条件2保证了所得的约简是最紧凑的。由定义4可知，基于同可区分度的近似约简算法的目标就是寻找和原知识表达系统具有近似相同一致度的最小条件特征子集。

当λ值近似等于0时，如λ＝1×10^-4，此时Q相比条件特征集合C最多增加|DIS(R^D)|×10^-4个不一致有序对，这可能是由误差引起的，也可能是由数据库中的某个不重要的特征来区分，将这个特征从约简中去掉，将不会对数据库的一致性带来多大影响；随着λ值的增加，约简后的决策表的不一致性逐渐增加。因此，近似约简对数据不一致性有一定的容忍度，它解决了由于少量数据的干扰引起的不一致性，使得到的特征约简具有一定的容错性，可以更好的抵抗噪声，增强了约简特征的鲁棒性。

根据同可区分度的单调性，以基于同可区分度的特征重要度为启发信息，构建基于同可区分度的近似特征约简算法步骤如下：

算法1：基于AAR-CDD(Approximate attribute reduction algorithm based oncommon discernibility degree，同可区分度的近似特征约简算法)

算法1的输入：决策表S＝(U,C,D)；

算法1的输出：近似约简Q。

Step₁：计算|DIS(R^D)|，确定不一致率λ值；

Step2：初始化，令T＝C，计算|DIS(D；C)|；T为一个临时变量，表示条件特征的集合，Q为已选择特征的集合；

Step3：对计算1≤i≤|T|，若有多个特征都达到最大值，则从中选取一个与Q组和数最少的特征作为a_k。令Q＝Q∪a_k，T＝T-{a_k}；

Step4：如果则Q即为所求的约简；否则转Step3。

步骤S906、按照识别规则对维数约简后的人脸特征进行三维人脸识别。

同时，对人脸特征进行维数约简，删除了冗余或者起到干扰作用的人脸特征，提高了根据人脸特征进行三维人脸识别的精度，对变化的人脸表情具有一定的鲁棒性，具有更强的泛化性能。

本发明实施例基于特征区分能力的不同，定义了一种新的特征不确定性度量，用于度量特征集合的重要性。而且，提出了一种近似特征约简算法，用于从高维特征中选择出与人脸识别密切相关的特征集合，去除冗余的或者起到干扰作用的特征，从而得到最优的特征组合。

为了验证本发明实施例的技术效果，采用三维人脸识别领域应用最广泛的人脸识别大挑战(FRGC)数据集进行了测试实验。该数据集采用Minolta Vivid 900/910三维扫描仪获得，共采集了466个18岁以上的男性和女性个体的4950幅肩部以上正面头部点云。该数据集共包含一个训练数据集(即FRGC v1数据集)和一个验证数据集(即FRGC v2数据集)，其中，训练数据集FRGCv1共包含943幅三维人脸点云，验证数据集FRGC v2包含4007幅三维人脸点云。验证数据集中有2410幅人脸点云为自然表情下获得的人脸点云，剩余1597幅点云为在厌恶、高兴、悲伤、惊喜以及愤怒等非自然表情下获得的人脸点云。此外，这些点云中存在噪声、逸出点以及孔洞的干扰，且部分人脸点云中还存在头发等遮挡。实验中，从每个个体的人脸中选取5幅作为训练数据，将剩余的用作测试数据集。如果数据中个体的人脸数据不足5幅的，则随机选择一幅用作测试，其余用作训练。

实验环境为Windows 7系统，Intel处理器2.6GHz，8GB内存，算法采用Matlab2014a实现。在同样的实验设置前提下将本发明实施例与其他方法进行比较，其他方法包括：PCA，KPCA(Kernel Principal Component Analysis，核主成分分析)。实验中的参数设置：λ＝0.001。随机选择测试和训练样本重复30次，对每次分类精度取平均值，得到结果如表1所示，其中Non表示直接用340维特征进行识别，不进行特征选择，AAR-CDD表示近似约简方法，PCA和KPCA约简后的特征的能量是原有特征能量的95％。

识别方法	特征个数	耗时	识别率
				Non+CART	340	13.5ms	97.02％
PCA+CART	298	11.2ms	97.15％
				KPCA+CART	305	11.8ms	97.40％
AAR-CDD+CART	138	6.1ms	98.01％

表1

从表1可以看出，对于包含40％的非自然表情人脸的数据库，本发明实施例提出的三维人脸识别方法，相比于其他现有方法，得到了较高的识别率。通过有效删除冗余特征，大大降低了识别算法的运算时间，并提高了人脸的识别精度。实验结果表明，基于近似约简方法和CART算法的三维人脸识别方法具有高效性，对表情变化具有一定的鲁棒性。

实施例三

图10示出了根据本发明实施例三的三维人脸识别系统及结构示意图。

本实施例中的三维人脸识别系统包括：获取模块1000，用于获取待识别的三维人体数据的人脸特征，以及用于三维人脸识别的识别规则，其中，三维人体数据包括人的面部的数据。约简模块1002，用于对人脸特征进行维数约简。识别模块1004，用于按照识别规则对维数约简后的人脸特征进行三维人脸识别。

根据本发明实施例提供的三维人脸识别系统，获取待识别的三维人体数据的人脸特征，以及用于三维人脸识别的识别规则，其中，三维人体数据包括人的面部的数据，识别规则为预先确定的识别规则。对获取到的人脸特征进行维数约简，降低人脸特征的维数，减少了根据人脸特征进行三维人脸识别的计算量，提高了三维人脸识别的速度。

实施例四

图11示出了根据本发明实施例四的三维人脸识别系统及结构示意图。

本实施例中的三维人脸识别系统包括：获取模块1100，用于获取待识别的三维人体数据的人脸特征，以及用于三维人脸识别的识别规则，其中，三维人体数据包括人的面部的数据。约简模块1102，用于对人脸特征进行维数约简。识别模块1104，用于按照识别规则对维数约简后的人脸特征进行三维人脸识别。

可选地，约简模块1102，用于利用粗糙集约简算法对人脸特征进行维数约简。

可选地，约简模块1102包括：构建模块11020，用于构建知识表达系统I＝(U,C,D,V,f)，其中U＝{u₁,u₂,…,u_l}是l个人脸的集合；C＝{a₁,a₂,…,a₃₄₀}是人脸特征的集合；D是人脸的类标签；V是人脸特征的值域，其中表示特征a_k取值的集合；令A＝C∪D，则f:U×A→V是一个信息函数，f(u_i,c_k)表示人脸u_i在特征c_k上的取值。离散化模块11022，用于采用离散化算法对知识表达系统进行离散化。定义模块11024，用于根据离散化后的知识表达系统定义人脸特征的可区分度、同可区分度和重要性。确定模块11026，用于根据人脸特征的可区分度、同可区分度和重要性确定基于同可区分度的近似特征约简算法。维数约简模块11028，用于按照基于同可区分度的近似特征约简算法对人脸特征进行维数约简。

可选地，维数约简模块11026包括：第一计算模块，用于计算|DIS(R^D)|，确定条件特征相对于决策特征的的不一致率λ。初始化模块，用于初始化基于同可区分度的近似特征约简算法，令T＝C，计算|DIS(D；C)|，其中，C为待识别的三维人体数据的人脸特征的集合，Q为维数约简后的人脸特征的集合，D为人脸的类标签。第二计算模块，用于对计算1≤i≤|T|，若存在多个人脸特征均达到最大值，则从达到最大值的多个人脸特征中选取一个人脸特征与Q组和数量最少的人脸特征作为a_k，且令Q＝Q∪a_k，T＝T-{a_k}。结果确定模块，用于当时，确定Q。

可选地，获取模块1100包括：训练数据获取模块11000，用于获取三维人体训练数据，三维人体训练数据包括人的面部的训练数据。人脸特征确定模块11002，用于对三维人体训练数据依次进行预处理、特征提取和特征选择，得到三维人体训练数据的人脸特征。训练模块11004，用于采用CART算法对三维人体训练数据的人脸特征进行训练，得到识别规则。

需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。

上述根据本发明实施例的方法可在硬件、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，实现在此描述的三维人脸识别方法。此外，当通用计算机访问用于实现在此示出的三维人脸识别的代码时，代码的执行将通用计算机转换为用于执行在此示出的三维人脸识别的专用计算机。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的范围。

以上实施方式仅用于说明本发明实施例，而并非对本发明实施例的限制，有关技术领域的普通技术人员，在不脱离本发明实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明实施例的范畴，本发明实施例的专利保护范围应由权利要求限定。

Claims

1.一种三维人脸识别方法，其特征在于，包括：

对所述人脸特征进行维数约简；

2.根据权利要求1所述的方法，其特征在于，所述对所述人脸特征进行维数约简，包括：

利用粗糙集约简算法对所述人脸特征进行维数约简。

3.根据权利要求2所述的方法，其特征在于，所述利用粗糙集约简算法对所述人脸特征进行维数约简，包括：

构建知识表达系统I＝(U,C,D,V,f)，其中U＝{u₁,u₂,…,u_l}是l个人脸的集合；C＝{a₁,a₂,…,a₃₄₀}是人脸条件特征的集合；D是人脸决策特征，即人脸的类标签；V是人脸特征的值域，其中表示特征a_k取值的集合；令A＝C∪D，则f:U×A→V是一个信息函数，f(u_i,c_k)表示人脸u_i在特征c_k上的取值；

采用离散化算法对所述知识表达系统进行离散化；

根据离散化后的知识表达系统定义所述人脸特征的可区分度、同可区分度和重要性；

根据所述人脸特征的可区分度、同可区分度和重要性确定基于同可区分度的近似特征约简算法；

按照所述基于同可区分度的近似特征约简算法对所述人脸特征进行维数约简。

4.根据权利要求3所述的方法，其特征在于，所述按照所述基于同可区分度的近似特征约简算法对所述人脸特征进行维数约简，包括：

计算|DIS(R^D)|，确定条件特征相对于决策特征的不一致率λ；

初始化所述基于同可区分度的近似特征约简算法，令T＝C，计算|DIS(D；C)|，其中，C为所述待识别的三维人体数据的人脸特征的集合，Q为维数约简后的人脸特征的集合，D为人脸的类标签；

对计算1≤i≤|T|，若存在多个人脸特征均达到最大值，则从达到最大值的多个人脸特征中选取一个人脸特征与Q组和数量最少的人脸特征作为a_k，且令Q＝Q∪a_k，T＝T-{a_k}；

当时，确定Q。

5.根据权利要求1所述的方法，其特征在于，所述获取用于三维人脸识别的识别规则，包括：

获取三维人体训练数据，所述三维人体训练数据包括人的面部的训练数据；

对所述三维人体训练数据依次进行预处理、特征提取和特征选择，得到所述三维人体训练数据的人脸特征；

采用CART算法对所述三维人体训练数据的人脸特征进行训练，得到所述识别规则。

6.一种三维人脸识别系统，其特征在于，包括：

约简模块，用于对所述人脸特征进行维数约简；

7.根据权利要求6所述的系统，其特征在于，所述约简模块，用于利用粗糙集约简算法对所述人脸特征进行维数约简。

8.根据权利要求7所述的系统，其特征在于，所述约简模块，包括：

构建模块，用于构建知识表达系统I＝(U,C,D,V,f)，其中U＝{u₁,u₂,…,u_l}是l个人脸的集合；C＝{a₁,a₂,…,a₃₄₀}是人脸特征的集合；D是人脸的类标签；V是人脸特征的值域，其中表示特征a_k取值的集合；令A＝C∪D，则f:U×A→V是一个信息函数，f(u_i,c_k)表示人脸u_i在特征c_k上的取值；

离散化模块，用于采用离散化算法对所述知识表达系统进行离散化；

定义模块，用于根据离散化后的知识表达系统定义所述人脸特征的可区分度、同可区分度和重要性；

确定模块，用于根据所述人脸特征的可区分度、同可区分度和重要性确定基于同可区分度的近似特征约简算法；

维数约简模块，用于按照所述基于同可区分度的近似特征约简算法对所述人脸特征进行维数约简。

9.根据权利要求8所述的系统，其特征在于，所述维数约简模块，包括：

第一计算模块，用于计算|DIS(R^D)|，确定条件特征相对于决策特征的的不一致率λ；

初始化模块，用于初始化所述基于同可区分度的近似特征约简算法，令T＝C，计算|DIS(D；C)|，其中，C为所述待识别的三维人体数据的人脸特征的集合，Q为维数约简后的人脸特征的集合，D为人脸的类标签；

第二计算模块，用于对计算1≤i≤|T|，若存在多个人脸特征均达到最大值，则从达到最大值的多个人脸特征中选取一个人脸特征与Q组和数量最少的人脸特征作为a_k，且令Q＝Q∪a_k，T＝T-{a_k}；

结果确定模块，用于当时，确定Q。

10.根据权利要求6所述的系统，其特征在于，所述获取模块，包括：

训练数据获取模块，用于获取三维人体训练数据，所述三维人体训练数据包括人的面部的训练数据；

人脸特征确定模块，用于对所述三维人体训练数据依次进行预处理、特征提取和特征选择，得到所述三维人体训练数据的人脸特征；

训练模块，用于采用CART算法对所述三维人体训练数据的人脸特征进行训练，得到所述识别规则。