CN109446879A - 一种智能人脸识别方法 - Google Patents

一种智能人脸识别方法 Download PDF

Info

Publication number
CN109446879A
CN109446879A CN201811027859.6A CN201811027859A CN109446879A CN 109446879 A CN109446879 A CN 109446879A CN 201811027859 A CN201811027859 A CN 201811027859A CN 109446879 A CN109446879 A CN 109446879A
Authority
CN
China
Prior art keywords
dimension
image
recognition methods
face
dimensional
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.)
Pending
Application number
CN201811027859.6A
Other languages
English (en)
Inventor
黄孝平
黄文哲
文芳
文芳一
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.)
Nanning University
Nanning Institute
Original Assignee
Nanning Institute
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 Nanning Institute filed Critical Nanning Institute
Priority to CN201811027859.6A priority Critical patent/CN109446879A/zh
Publication of CN109446879A publication Critical patent/CN109446879A/zh
Pending legal-status Critical Current

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
    • G06V40/168—Feature extraction; Face representation
    • G06T3/08—
    • 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
    • G06V40/172—Classification, e.g. identification

Abstract

本发明提供了一种智能人脸识别方法，包括如下步骤：①获取：获取外部输入的二维人脸图像；②旋转：利用旋转模型将二维人脸图像转换成二维正视图像；③增维：在二维正视图像中增加一个维度作为Z轴并赋值为0；④特征化：利用投影模型，根据二维正视图像计算Z轴取值，得到正视的三维人头模型；⑤对比识别：根据三维人头模型的空间几何特征进行识别，并将识别结果返回输出。本发明通过旋转模型和投影模型的应用方式，能在不知晓光线投射方向的前提下完成以二维人脸图像为输入数据的三维人脸识别，且计算量相对较小，可以很方便的应用到如微控制器等计算资源较为紧张的平台上。

Description

一种智能人脸识别方法
技术领域
本发明涉及一种智能人脸识别方法。
背景技术
现有技术中，基于二维人脸图像的人脸识别技术，一般都需要人脸正视图像，姿态问题始终存在，为了解决姿态问题，一般需要大量采集多视图的原始人脸数据，数据采集过程极为麻烦；与二维图像相比，三维数据是真实物体在三维空间中的直接表示形式，三维人脸的形状及各特征点拓扑结构等信息可以更好更全面地表示和存储且不受光照影响，因此三维人脸识别基本不存在姿态问题，但由于现实当中，当需要完成识别时，采集到的人脸数据显然都是二维人脸图像，作为以二维人脸图像作为输入来完成人脸识别，目前有体绘制算法，但是体绘制算法普遍的缺点是，需要明确知道光线投射方向，但实际上，很多时候光线投射方向是不可知的，或者是过于复杂的，这会导致体绘制算法难以有效应用，三维纹理映射算法可以在一定程度上解决光线投射方向带来的问题，然而三维纹理映射算法的计算量却极大，很难应用在如微控制器等计算资源较为紧张的平台上。
发明内容
为解决上述技术问题，本发明提供了一种智能人脸识别方法，该智能人脸识别方法通过旋转模型和投影模型的应用方式，能在不知晓光线投射方向的前提下完成以二维人脸图像为输入数据的三维人脸识别。
本发明通过以下技术方案得以实现。
本发明提供的一种智能人脸识别方法，包括如下步骤：
①获取：获取外部输入的二维人脸图像；
②旋转：利用旋转模型将二维人脸图像转换成二维正视图像；
③增维：在二维正视图像中增加一个维度作为Z轴并赋值为0；
④特征化：利用投影模型，根据二维正视图像计算Z轴取值，得到正视的三维人头模型；
⑤对比识别：根据三维人头模型的空间几何特征进行识别，并将识别结果返回输出。
所述步骤②旋转中，将二维人脸图像转换成二维正视图像时，对缺失像素采用对称复制的方式补充。
所述步骤②旋转中的旋转模型，分为两个部分，第一部分是坐标转换模型，第二部分是坐标变换模型。
所述坐标转换模型，通过三维人头模型在不同角度下投影的二维人脸图像相对于其二维正视图像建模得到，坐标转换模型的输出是变换向量。
所述坐标变换模型采用矩阵运算的方式。
所述步骤④特征化中的投影模型，以二维正视图像作为输入、对应的三维人头模型中像素Z轴值作为输出，通过训练得到。
所述投影模型采用SVR回归算法。
所述步骤⑤对比识别中，空间几何特征是三维人脸脊谷特征。
本发明的有益效果在于：通过旋转模型和投影模型的应用方式，能在不知晓光线投射方向的前提下完成以二维人脸图像为输入数据的三维人脸识别，且计算量相对较小，可以很方便的应用到如微控制器等计算资源较为紧张的平台上。
具体实施方式
下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。
本发明提供的智能人脸识别方法可采用库封装，包括如下步骤：
①获取：获取外部输入的二维人脸图像，在一般操作中，人脸图像的定位提取和识别是分为两个步骤进行，本发明仅关注识别的部分，因此输入可假定为经过定位提取得到的人脸图像，在工程实践中应对输入的图像作类型检查，确定是二维人脸图像；
②旋转：利用旋转模型将二维人脸图像转换成二维正视图像，对缺失像素采用对称复制的方式补充，例如人脸向左倾斜45°、向下倾斜30°，则左脸靠左下部分必然有部分像素无法直接还原，此时可以将右脸对应部分的像素复制，从而补足左脸靠左下部分不存在的部分像素；旋转模型分为两个部分，第一部分是坐标转换模型，第二部分是坐标变换模型，其中坐标转换模型通过三维人头模型在不同角度下投影的二维人脸图像相对于其二维正视图像建模得到，坐标转换模型的输出是变换向量，在具备变换向量之后，则可以很好的利用现有技术中的空间坐标变换改变像素点位置使得二维人脸图像转换成二维正视图像，具体的，坐标变换模型采用矩阵运算的方式，实质上是一个用矩阵的形式表达的坐标变换关系式；
③增维：在二维正视图像中增加一个维度作为Z轴并赋值为0，先增加Z轴并赋值为0，实质上是在内存中开设一定空间，以便于后续操作，否则后续操作中可能每计算一个像素就增加一个Z轴值的内存空间，会极大的影响操作效率；
④特征化：利用投影模型，根据二维正视图像计算Z轴取值，得到正视的三维人头模型，投影模型以二维正视图像作为输入、对应的三维人头模型中像素Z轴值作为输出，通过SVR回归算法训练得到；该步骤的实质是通过每一像素点周围的像素点数据，计算得到该像素点在Z轴上的坐标位置；
⑤对比识别：根据三维人头模型的空间几何特征进行识别，并将识别结果返回输出，空间几何特征是三维人脸脊谷特征。
一般的，上述旋转模型和投影模型所用的训练数据和测试数据，可以来自于同一三维人脸模型数据库，通过将三维人脸模型正视投影可得到二维正视图像，将三维人脸模型斜视或侧视投影可得到二维非正视图像，由此可得到足够的数据源。
关于用三维人脸脊谷特征进行人脸识别的，可以参考《基于脊谷特征提取的三维人脸识别》(李晔、王映辉等，2011.47，计算机工程与应用)。

Claims (8)

1.一种智能人脸识别方法，其特征在于：包括如下步骤：
①获取：获取外部输入的二维人脸图像；
②旋转：利用旋转模型将二维人脸图像转换成二维正视图像；
③增维：在二维正视图像中增加一个维度作为Z轴并赋值为0；
④特征化：利用投影模型，根据二维正视图像计算Z轴取值，得到正视的三维人头模型；
⑤对比识别：根据三维人头模型的空间几何特征进行识别，并将识别结果返回输出。
2.如权利要求1所述的智能人脸识别方法，其特征在于：所述步骤②旋转中，将二维人脸图像转换成二维正视图像时，对缺失像素采用对称复制的方式补充。
3.如权利要求1所述的智能人脸识别方法，其特征在于：所述步骤②旋转中的旋转模型，分为两个部分，第一部分是坐标转换模型，第二部分是坐标变换模型。
4.如权利要求3所述的智能人脸识别方法，其特征在于：所述坐标转换模型，通过三维人头模型在不同角度下投影的二维人脸图像相对于其二维正视图像建模得到，坐标转换模型的输出是变换向量。
5.如权利要求3所述的智能人脸识别方法，其特征在于：所述坐标变换模型采用矩阵运算的方式。
6.如权利要求1所述的智能人脸识别方法，其特征在于：所述步骤④特征化中的投影模型，以二维正视图像作为输入、对应的三维人头模型中像素Z轴值作为输出，通过训练得到。
7.如权利要求6所述的智能人脸识别方法，其特征在于：所述投影模型采用SVR回归算法。
8.如权利要求1所述的智能人脸识别方法，其特征在于：所述步骤⑤对比识别中，空间几何特征是三维人脸脊谷特征。
CN201811027859.6A 2018-09-04 2018-09-04 一种智能人脸识别方法 Pending CN109446879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811027859.6A CN109446879A (zh) 2018-09-04 2018-09-04 一种智能人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811027859.6A CN109446879A (zh) 2018-09-04 2018-09-04 一种智能人脸识别方法

Publications (1)

Publication Number Publication Date
CN109446879A true CN109446879A (zh) 2019-03-08

Family

ID=65530124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811027859.6A Pending CN109446879A (zh) 2018-09-04 2018-09-04 一种智能人脸识别方法

Country Status (1)

Country Link
CN (1) CN109446879A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340943A (zh) * 2020-02-26 2020-06-26 北京市商汤科技开发有限公司 图像处理方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081733A (zh) * 2011-01-13 2011-06-01 西北工业大学 多模态信息结合的多姿态三维人脸面部五官标志点定位方法
WO2015066628A1 (en) * 2013-11-04 2015-05-07 Facebook, Inc. Systems and methods for facial representation
CN106446779A (zh) * 2016-08-29 2017-02-22 深圳市软数科技有限公司 身份识别方法和装置
CN106682690A (zh) * 2016-12-20 2017-05-17 电子科技大学 一种基于支持向量回归的视觉映射方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081733A (zh) * 2011-01-13 2011-06-01 西北工业大学 多模态信息结合的多姿态三维人脸面部五官标志点定位方法
WO2015066628A1 (en) * 2013-11-04 2015-05-07 Facebook, Inc. Systems and methods for facial representation
CN106446779A (zh) * 2016-08-29 2017-02-22 深圳市软数科技有限公司 身份识别方法和装置
CN106682690A (zh) * 2016-12-20 2017-05-17 电子科技大学 一种基于支持向量回归的视觉映射方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHANGSHUI ZHANG .ETC: ""Reconstruction and analysis of multi-pose face images based on nonlinear dimensionality reduction"", 《PATTERN RECOGNITION》 *
孙强，等: ""低质量无约束人脸图像下的超分辨率摆正"", 《计算机应用》 *
李晔，等: ""基于脊谷特征的三维人脸识别"", 《计算机工程与应用》 *
石翠萍: ""三维步态识别"", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340943A (zh) * 2020-02-26 2020-06-26 北京市商汤科技开发有限公司 图像处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Dai et al. A 3d morphable model of craniofacial shape and texture variation
Schmidt et al. Self-supervised visual descriptor learning for dense correspondence
Jeni et al. Dense 3D face alignment from 2D videos in real-time
Jeni et al. Dense 3D face alignment from 2D video for real-time use
Ge et al. Robust 3d hand pose estimation in single depth images: from single-view cnn to multi-view cnns
Zhou et al. Exemplar-based graph matching for robust facial landmark localization
Perakis et al. 3D facial landmark detection under large yaw and expression variations
Jiang et al. Efficient 3D reconstruction for face recognition
CN111354079A (zh) 三维人脸重建网络训练及虚拟人脸形象生成方法和装置
Kong et al. Head pose estimation from a 2D face image using 3D face morphing with depth parameters
US9916345B1 (en) Searching three-dimensional (3D) object data models
CN104346824A (zh) 基于单张人脸图像自动合成三维表情的方法及装置
Vezzetti et al. Geometrical descriptors for human face morphological analysis and recognition
Malik et al. Simultaneous hand pose and skeleton bone-lengths estimation from a single depth image
Dibra et al. Monocular RGB hand pose inference from unsupervised refinable nets
Song et al. Robust 3D face landmark localization based on local coordinate coding
Gou et al. Coupled cascade regression for simultaneous facial landmark detection and head pose estimation
Igual et al. Continuous generalized procrustes analysis
Kang et al. Competitive learning of facial fitting and synthesis using uv energy
Malik et al. Handvoxnet++: 3d hand shape and pose estimation using voxel-based neural networks
Yin et al. Estimation of the fundamental matrix from uncalibrated stereo hand images for 3D hand gesture recognition
CN111401157A (zh) 一种基于三维特征的人脸识别方法和系统
Li et al. Accurate and fast 3D head pose estimation with noisy RGBD images
CN109446879A (zh) 一种智能人脸识别方法
Lou et al. Real-time 3D facial tracking via cascaded compositional learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190308

RJ01 Rejection of invention patent application after publication