CN113158892B - 一种与纹理和表情无关的人脸识别方法 - Google Patents

一种与纹理和表情无关的人脸识别方法 Download PDF

Info

Publication number
CN113158892B
CN113158892B CN202110424397.7A CN202110424397A CN113158892B CN 113158892 B CN113158892 B CN 113158892B CN 202110424397 A CN202110424397 A CN 202110424397A CN 113158892 B CN113158892 B CN 113158892B
Authority
CN
China
Prior art keywords
point
face
point cloud
clouds
distance
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
CN202110424397.7A
Other languages
English (en)
Other versions
CN113158892A (zh
Inventor
袁杰
齐梦娅
代家印
戴恬
马小莉
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202110424397.7A priority Critical patent/CN113158892B/zh
Publication of CN113158892A publication Critical patent/CN113158892A/zh
Application granted granted Critical
Publication of CN113158892B publication Critical patent/CN113158892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168Feature extraction; Face representation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/50Depth or shape recovery
    • G06T7/55Depth or shape recovery from multiple images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/32Normalisation of the pattern dimensions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172Classification, e.g. identification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40Spoof detection, e.g. liveness detection
    • G06V40/45Detection of the body part being alive
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30196Human being; Person
    • G06T2207/30201Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种与纹理和表情无关的人脸识别方法,包括:(1)对双目相机采集重建后的人脸点云数据进行预处理,过滤背景点云,压缩点云数据,通过检测鼻尖点,动态截取出待识别的人脸点云数据。(2)将待测点云缩放到标准尺度,计算鼻尖点到其他点云的测地线距离,保留等测地线轮廓上的点云数据,提取刚性区域的特征点云。(3)将特征点云与数据库点云采用迭代最近点算法进行匹配,构造误差函数,多次迭代,得到最终的匹配误差。(4)计算出人脸数据库所有点云的匹配误差,选择误差最小的人脸,与阈值进行比较,完成识别。

Description

一种与纹理和表情无关的人脸识别方法
技术领域
本发明属于图像处理及模式识别技术领域,更具体的是涉及一种与纹理和表情无关的人脸识别方法。
背景技术
近年来,二维人脸识别一直存在的一些问题,光照影响大,图像、视频和高仿面具破解人脸识别事件时有发生。另一方面,随着三维人脸采集技术的发展,三维人脸识别成为研究热点,能够很好地解决二维人脸识别中存在的一些问题。同样三维人脸识别也存在一些问题,不同的表情变化对整个面部的三维识别带来很大的影响,因此如何解决不同表情的识别是一大难点。三维人脸点云数据量巨大,三维识别存在运算量大,识别速度慢的特点,难以满足市场要求,如何进行快速点云处理和人脸识别也是一大难点。
发明内容
发明目的:本发明的主要目的在于解决现有技术中存在的问题,提供一种与纹理和表情无关的人脸识别方法,通过对三维点云的处理,能够利用基于等测地线的刚性区域特征,实现对不同纹理和表情下人脸的快速识别。
一种与纹理和表情无关的人脸识别方法,方法应用于三维点云处理,其特征在于,所述方法包括步骤:
步骤1:对双目相机采集重建后的人脸点云数据进行预处理,动态截取出待识别的人脸点云数据;
步骤2:将待测点云缩放到标准尺度,计算鼻尖点到其他点云的测地线距离,保留等测地线轮廓上的点云数据,提取刚性区域的特征点云;
步骤3:将特征点云与数据库点云采用迭代最近点算法进行匹配,得到最终的匹配误差;
步骤4:计算出人脸数据库所有点云的匹配误差,选择误差最小的人脸,完成识别。
步骤1包含如下步骤:
步骤1.1:使用双目相机采集人脸图像,利用采集到的左右目图像计算出视差值,利用视差值计算出深度值并且生成N个原始点云;
步骤1.2:使用体素化网格方法对原始点云进行处理,通过设定立方体的大小参数s,选取立方体的重心代替点云其他的点,对原始点云进行下采样,获得压缩后的N′个点云同时维持点云的形状和大小;
步骤1.3:点云以双目相机的左相机中心为原点,建立xyz世界坐标系,点云在坐标轴中的分布如图2所示,人脸朝向z轴负方向,遍历点云获得z轴方向数值最小的坐标zmin,选取阈值l(一般取200),令z轴最大值为zmax=zmin+l,保留z轴坐标在zmin到zmax之间的点云,删除坐标值高于zmax的点云,过滤掉背景点云。
步骤1.4:采用线性插值的方法对点云进行网格化处理,将点云网格化成m行n列,从上到下遍历每行格点,针对每行格点,从左到右依次遍历,具体的,设定当前遍历第i行第j个格点为α(xα,yα,zα),以每个格点为圆心画圆,圆的半径为r,计算出圆与当前行相交的两个格点β(xβ,yβ,zβ)和γ(xγ,yγ,zγ),满足如下关系:
计算α到直线的距离di,j,di,j满足如下关系:
令第i行最大的距离为di=max{di,j|1<j<n},此时的点为αi(xi,yi,zi),其中αi∈D,从点集D中选择距离最大的前n0个点云,进行直线拟合,(滤除偏离过大的点云),滤除到直线距离小于1的点云,在剩下的点云中选择出z轴坐标值最小的点云α0(x0,y0,z0)作为鼻尖点;
步骤1.5:根据鼻尖点α0(x0,y0,z0)的z轴坐标计算出人脸截取半径R和缩放比例ε,遍历剩余所有点云,当点云中任意一点(x,y,z)满足如下条件时:
(x-x0)2+(y-y0)2+(z-z0)2<r2 (3)
保留所述点云作为面部区域的N0个点云;
以鼻尖点α0(x0,y0,z0)为球心进行缩放,令所有点云(x,y,z)满足如下关系:
使得不同距离采集的点云人脸面部区域能够采集到正确的轮廓,同时使得点云保持在同样的尺度。
步骤2包含如下步骤:
步骤2.1:对整个点云进行三角化,使得每个点云与周围的点云构成三角形,将三角面片数据保存到矩阵S中;
依次计算鼻尖点到周围面部点云的距离,从矩阵S中获取相关路径信息,采用迪克斯特拉算法得到鼻尖点α0(x0,y0,z0)到每个面部点云的最短距离dk,k=1,2,…,N0,当N0>>4,即为足够大时,鼻尖点到其他点云的测地线距离近似等于最短距离dk,即
将测地线距离数据保存到矩阵DGD中;
步骤2.2:将测地线距离相近的点云记为轮廓线,设定选择n0条轮廓线,遍历点云,寻找出点云中距离鼻尖点最远的点的坐标αmax(xmax,ymax,zmax),并计算出最远距离dmax,则每个轮廓线之间的间隔距离/>
设定每个轮廓线覆盖的范围是de,则以鼻尖点为球心,对点云进行筛选,使得满足如下条件:
其中,i=1,2,…,n0
将满足条件的点云存储到点集PLG中;
步骤2.3:计算点集PLG中任意一点与鼻尖点α0(x0,y0,z0)合成的向量/>与y轴正方向/>夹角θ,满足如下关系:
令夹角阈值为δ,一般取180°,如果θ<δ判定为刚性区域,即鼻尖点以上的扇形区域;如果θ>δ判定为非刚性区域,即鼻尖点以下区域;
将刚性区域的点云保存到点集Pface中,一共包含用Nface个点云于面部识别。
步骤3包含如下步骤:
步骤3.1:从人脸数据库中获取一个人脸点集P1,计算Pface中每一个点在人脸点集P1中对应最近的点/>计算平均距离e满足如下条件:
根据对应点信息,计算出旋转矩阵P和平移矩阵R,更新点集P1中点的坐标;
步骤3.2:设置迭代次数为nf,重复步骤3.1,迭代nf次,停止迭代,计算出最终的平均距离e,e为最终的匹配误差。
步骤4包含如下步骤:
步骤4.1:将点集Pface与人脸数据库中人脸进行匹配,人脸数据库包含nnum个人脸信息表示第nnum个人脸信息,计算出每个对应的匹配误差/>表示第nnum个匹配误差;
步骤4.2:令最小的匹配误差为并且设定此时人脸数据库对应的人脸序号为kface;设置人脸相似度判断阈值εface,一般设置为15,如果eminface,则判定待测人脸为人脸数据库中的kface号人脸,如果emin>εface,则判定待测人脸不在人脸数据库中。
有益效果:本发明相对于传统的二维人脸识别而言,能够有效的抑制光照的干扰,能够有效的防止由图像视频引起的人脸欺诈问题。本发明相对于其他的三维人脸识别技术而言,能够有效的解决纹理和表情的干扰,在不同的纹理和表情下,能够进行较好的识别,算法具有鲁棒性。本发明相对于其他的三维人脸识别算法采用全部的点云而言,可以通过提取轮廓线的方式能够大大降低点云数据量,提高算法的运行速度,提高人脸的识别速度,具有实用性和可行性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明所述方法的系统流程图。
图2为本发明所述方法的压缩后的原始点云图。
图3为本发明所述方法的提取后的人脸面部区域点云图。
图4为本发明所述方法的等测地线的人脸轮廓图。
图5为本发明所述方法的待测人脸和数据库人脸匹配效果图。
具体实施方式
如图1所示,本发明提供了一种与纹理和表情无关的人脸识别方法,方法应用于三维点云处理,包括如下步骤:
S1:对双目相机采集重建后的人脸点云数据进行预处理,过滤背景点云,压缩点云数据,通过检测鼻尖点,动态截取出待识别的人脸点云数据。
S2:将待测点云缩放到标准尺度,计算鼻尖点到其他点云的测地线距离,保留等测地线轮廓上的点云数据,提取刚性区域的特征点云。
S3:将特征点云与数据库点云采用迭代最近点算法进行匹配,构造误差函数,多次迭代,得到最终的匹配误差。
S4:计算出人脸数据库所有点云的匹配误差,选择误差最小的人脸,与阈值进行比较,完成识别。
进一步地,S1中存在如下步骤:
步骤1.1:使用双目摄像头采集人脸图像,利用采集到的左右目图像计算出视差值,利用视差值计算出深度值并且生成328329个原始点云。
步骤1.2:使用体素化网格方法对原始点云进行处理,通过设定立方体的大小参数5,选取立方体的重心代替点云其他的点,对原始点云进行下采样,获得压缩后的21492个点云同时维持点云的形状和大小。压缩后的点云如图2所示。
步骤1.3:遍历点云获得z轴方向数值最小的坐标zmin=278.9690,选取阈值l=200,令z轴最大值为zmax=478.9690,保留z轴坐标在zmin到zmax之间的点云,删除坐标值高于zmax的点云,过滤掉背景点云。
步骤1.4:采用线性插值的方法对点云进行网格化处理,将点云网格化成400行100列,从上到下遍历每行格点,针对每行格点,从左到右依次遍历,具体的,假设当前遍历第i行第j个格点为α(xα,yα,zα),以每个格点为圆心画圆,圆的半径为r=45,计算出圆与当前行相交的两个格点β(xβ,yβ,zβ)和γ(xγ,yγ,zγ),其满足如下关系:
计算α到直线的距离,假设距离为di,j则满足如下关系:
令第i行最大的距离为di=max{di,j|1<j<n},此时的点为αi(xi,yi,zi),其中αi∈D,从D中选择距离最大的前20个点云,进行直线拟合,滤除偏离过大的点云。在剩下的点云中选择出z值最小的点云α0(40.12,-14.12,279.54)作为鼻尖点。
步骤1.5:根据鼻尖点的α0(40.12,-14.12,279.54)的z轴坐标计算出人脸截取半径R=80和缩放比例ε=0.9,遍历剩余所有点云,当点云(x,y,z)满足如下条件时:
(x-x0)2+(y-y0)2+(z-z0)2<R2 (3)
保留这些点云作为面部区域的N0=10514个点云。以鼻尖点α0为球心进行缩放,令所有点云(x,y,z)满足如下关系:
使得不同距离采集的点云人脸面部区域能够采集到正确的轮廓,同时使得点云保持在同样的尺度,具体如图3所示。
进一步地,S2中存在如下步骤:
步骤2.1:首先对整个点云进行三角化,使得每个点云与周围的点云构成三角形,将三角面片数据保存到矩阵S中。依次计算鼻尖点到周围面部点云的距离,从矩阵S中获取相关路径信息,采用迪克斯特拉算法得到鼻尖点α0(40.12,-14.12,279.54)到每个面部点云的最短距离dk,k=1,2,…,N0,其中当N0足够大时,鼻尖点到其他点云的测地线距离近似等于最短距离dk,即
将测地线距离数据保存到矩阵DGD中。
步骤2.2:选择n0=18条轮廓线,遍历点云,40.12,-14.12,279.54寻找出点云中距离鼻尖点最远的点的坐标αmax(39.34,-89.32,305.76),并计算出最远距离79.64,因此每个轮廓线之间的间隔距离假设每个轮廓线覆盖的范围是de=0.5,则以鼻尖点为球心,对点云进行筛选,使得/>满足如下条件:
将满足条件的点云存储到点集PLG中,具体如图4所示。
步骤2.3:计算点集PLG中任意一点与鼻尖点α0合成的向量/>与y轴正方向/>夹角θ,满足如下关系:
令夹角阈值为δ=85°,如果θ<δ判定为刚性区域,即鼻尖点以上的扇形区域,受表情变化影响较小,如果θ>δ判定为非刚性区域,即鼻尖点以下区域,受表情变化影响较大。将刚性区域的点云保存到点集Pface中,一共包含用Nface个点云于面部识别。
进一步地,S3中存在如下步骤:
步骤3.1:从数据库中获取一个人脸点集P1,计算Pface中每一个点在P1点集中对应最近的点/>计算平均距离e满足如下条件:
根据对应点信息,计算出旋转矩阵P和平移矩阵R,更新点集P1中点的坐标。
步骤3.2:设置迭代次数为nf=10,重复步骤3.1,迭代nf次,停止迭代,计算出最终的误差e。
进一步地,S4中存在如下步骤:
步骤4.1:将点集Pface与人脸数据库中人脸进行匹配,人脸库包含nnum=5个人脸信息计算出每个对应的匹配误差/>
步骤4.2:令最小的匹配误差为并且假设此时数据库对应的人脸序号为kface=3;设置人脸相似度判断阈值εface=15,因为eminface,则判定待测人脸为数据库中的3号人脸,具体如图5所示。
本发明提供了一种与纹理和表情无关的人脸识别方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (1)

1.一种与纹理和表情无关的人脸识别方法,其特征在于,包括如下步骤:
步骤1:对双目相机采集重建后的人脸点云数据进行预处理,动态截取出待识别的人脸点云数据;
步骤2:将待测点云缩放到标准尺度,计算鼻尖点到其他点云的测地线距离,保留等测地线轮廓上的点云数据,提取刚性区域的特征点云;
步骤3:将特征点云与数据库点云采用迭代最近点算法进行匹配,得到最终的匹配误差;
步骤4:计算出人脸数据库所有点云的匹配误差,选择误差最小的人脸,完成识别;
步骤1包含如下步骤:
步骤1.1:使用双目相机采集人脸图像,利用采集到的左右目图像计算出视差值,利用视差值计算出深度值并且生成N个原始点云;
步骤1.2:使用体素化网格方法对原始点云进行处理,通过设定立方体的大小参数s,选取立方体的重心代替点云其他的点,对原始点云进行下采样,获得压缩后的N′个点云同时维持点云的形状和大小;
步骤1.3:点云以双目相机的左相机中心为原点,建立xyz世界坐标系,人脸朝向z轴负方向,遍历点云获得z轴方向数值最小的坐标zmin,选取阈值l,令z轴最大值为zmax=zmin+l,保留z轴坐标在zmin到zmax之间的点云,删除坐标值高于zmax的点云,过滤掉背景点云;
步骤1.4:采用线性插值的方法对点云进行网格化处理,将点云网格化成m行n列,从上到下遍历每行格点,针对每行格点,从左到右依次遍历,具体的,设定当前遍历第i行第j个格点为α(xα,yα,zα),以每个格点为圆心画圆,圆的半径为r,计算出圆与当前行相交的两个格点β(xβ,yβ,zβ)和γ(xγ,yγ,zγ),满足如下关系:
计算α到直线的距离di,j,di,j满足如下关系:
令第i行最大的距离为di=max{di,j|1<j<n},此时的点为αi(xi,yi,zi),其中αi∈D,从点集D中选择距离最大的前n0个点云,进行直线拟合,滤除到直线距离小于1的点云,在剩下的点云中选择出z轴坐标值最小的点云α0(x0,y0,z0)作为鼻尖点;
步骤1.5:根据鼻尖点α0(x0,y0,z0)的z轴坐标计算出人脸截取半径R和缩放比例ε,遍历剩余所有点云,当点云中任意一点(x,y,z)满足如下条件时:
(x-x0)2+(y-y0)2+(z-z0)2<R2 (3)
保留所述点云作为面部区域的N0个点云;
以鼻尖点α0(x0,y0,z0)为球心进行缩放,令所有点云(x,y,z)满足如下关系:
使得不同距离采集的点云人脸面部区域能够采集到正确的轮廓,同时使得点云保持在同样的尺度;
步骤2包含如下步骤:
步骤2.1:对整个点云进行三角化,使得每个点云与周围的点云构成三角形,将三角面片数据保存到矩阵S中;
依次计算鼻尖点到周围面部点云的距离,从矩阵S中获取相关路径信息,采用迪克斯特拉算法得到鼻尖点α0(x0,y0,z0)到每个面部点云的最短距离dk,k=1,2,...,N0,当N0足够大时,鼻尖点到其他点云的测地线距离近似等于最短距离dk,即
将测地线距离数据保存到矩阵DGD中;
步骤2.2:将测地线距离相近的点云记为轮廓线,设定选择n0条轮廓线,遍历点云,寻找出点云中距离鼻尖点最远的点的坐标αmax(xmax,ymax,zmax),并计算出最远距离dmax,则每个轮廓线之间的间隔距离/>
设定每个轮廓线覆盖的范围是de,则以鼻尖点为球心,对点云进行筛选,使得满足如下条件:
其中,i=1,2,...,n0
将满足条件的点云存储到点集PLG中;
步骤2.3:计算点集PLG中任意一点与鼻尖点α0(x0,y0,z0)合成的向量/>与y轴正方向/>夹角θ,满足如下关系:
令夹角阈值为δ,如果θ<δ判定为刚性区域,即鼻尖点以上的扇形区域;如果θ>δ判定为非刚性区域,即鼻尖点以下区域;
将刚性区域的点云保存到点集Pface中,一共包含用Nface个点云于面部识别;
步骤3包含如下步骤:
步骤3.1:从人脸数据库中获取一个人脸点集P1,计算Pface中每一个点在人脸点集P1中对应最近的点/>计算平均距离e满足如下条件:
根据对应点信息,计算出旋转矩阵P和平移矩阵R,更新点集P1中点的坐标;
步骤3.2:设置迭代次数为nf,重复步骤3.1,迭代nf次,停止迭代,计算出最终的平均距离e,e为最终的匹配误差;
步骤4包含如下步骤:
步骤4.1:将点集Pface与人脸数据库中人脸进行匹配,人脸数据库包含nnum个人脸信息 表示第nnum个人脸信息,计算出每个对应的匹配误差/> 表示第nnum个匹配误差;
步骤4.2:令最小的匹配误差为并且设定此时人脸数据库对应的人脸序号为kface;设置人脸相似度判断阈值εface,如果emin<εface,则判定待测人脸为人脸数据库中的良face号人脸,如果emin>εface,则判定待测人脸不在人脸数据库中。
CN202110424397.7A 2021-04-20 2021-04-20 一种与纹理和表情无关的人脸识别方法 Active CN113158892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110424397.7A CN113158892B (zh) 2021-04-20 2021-04-20 一种与纹理和表情无关的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110424397.7A CN113158892B (zh) 2021-04-20 2021-04-20 一种与纹理和表情无关的人脸识别方法

Publications (2)

Publication Number Publication Date
CN113158892A CN113158892A (zh) 2021-07-23
CN113158892B true CN113158892B (zh) 2024-01-26

Family

ID=76869307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110424397.7A Active CN113158892B (zh) 2021-04-20 2021-04-20 一种与纹理和表情无关的人脸识别方法

Country Status (1)

Country Link
CN (1) CN113158892B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947799B (zh) * 2021-11-11 2023-03-14 石家庄学院 三维人脸数据预处理方法及设备
CN114283090A (zh) * 2021-12-27 2022-04-05 深圳朗道智通科技有限公司 一种地面滤除方法、设备、存储介质及计算机程序产品
CN115146401B (zh) * 2022-06-07 2024-02-23 西北工业大学 空心涡轮叶片陶瓷型芯检测截面线点云外轮廓过滤方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398886A (zh) * 2008-03-17 2009-04-01 杭州大清智能技术开发有限公司 一种基于双目被动立体视觉的快速三维人脸识别方法
CN104091162A (zh) * 2014-07-17 2014-10-08 东南大学 基于特征点的三维人脸识别方法
CN104850838A (zh) * 2015-05-19 2015-08-19 电子科技大学 基于表情不变区域的三维人脸识别方法
CN105354555A (zh) * 2015-11-17 2016-02-24 南京航空航天大学 一种基于概率图模型的三维人脸识别方法
CN105868727A (zh) * 2016-04-08 2016-08-17 青岛大学 一种三维人脸相似性度量方法
CN109871818A (zh) * 2019-02-27 2019-06-11 东南大学 基于法向量分布直方图和协方差描述子的人脸识别方法
CN110046543A (zh) * 2019-02-27 2019-07-23 视缘(上海)智能科技有限公司 一种基于平面参数化的三维人脸识别方法
CN110688947A (zh) * 2019-09-26 2020-01-14 西安知象光电科技有限公司 一种同步实现人脸三维点云特征点定位和人脸分割的方法
CN111160233A (zh) * 2019-12-27 2020-05-15 中国科学院苏州纳米技术与纳米仿生研究所 基于三维成像辅助的人脸活体检测方法、介质及系统
WO2020248096A1 (zh) * 2019-06-10 2020-12-17 哈尔滨工业大学(深圳) 基于局部特征的三维人脸识别方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9721146B1 (en) * 2015-12-28 2017-08-01 Andrew John-Haidukewych Hayduke System and method for analyzing features of a human face using one or more overlay facial grids
US9959455B2 (en) * 2016-06-30 2018-05-01 The United States Of America As Represented By The Secretary Of The Army System and method for face recognition using three dimensions

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398886A (zh) * 2008-03-17 2009-04-01 杭州大清智能技术开发有限公司 一种基于双目被动立体视觉的快速三维人脸识别方法
CN104091162A (zh) * 2014-07-17 2014-10-08 东南大学 基于特征点的三维人脸识别方法
CN104850838A (zh) * 2015-05-19 2015-08-19 电子科技大学 基于表情不变区域的三维人脸识别方法
CN105354555A (zh) * 2015-11-17 2016-02-24 南京航空航天大学 一种基于概率图模型的三维人脸识别方法
CN105868727A (zh) * 2016-04-08 2016-08-17 青岛大学 一种三维人脸相似性度量方法
CN109871818A (zh) * 2019-02-27 2019-06-11 东南大学 基于法向量分布直方图和协方差描述子的人脸识别方法
CN110046543A (zh) * 2019-02-27 2019-07-23 视缘(上海)智能科技有限公司 一种基于平面参数化的三维人脸识别方法
WO2020248096A1 (zh) * 2019-06-10 2020-12-17 哈尔滨工业大学(深圳) 基于局部特征的三维人脸识别方法和系统
CN110688947A (zh) * 2019-09-26 2020-01-14 西安知象光电科技有限公司 一种同步实现人脸三维点云特征点定位和人脸分割的方法
CN111160233A (zh) * 2019-12-27 2020-05-15 中国科学院苏州纳米技术与纳米仿生研究所 基于三维成像辅助的人脸活体检测方法、介质及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"3D Face Recognition Using Isogeodesic Stripes";Stefano Berretti;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;全文 *
"基于测地线采样的三维表情人脸识别";曹元鹏;《南京航空航天大学自动化学院 》;全文 *
"复杂环境下的人脸识别研究";王盾;《自动化应用》;全文 *
形状空间下的3D面貌相似性比较;赵俊莉;武仲科;刘翠婷;段福庆;周明全;曹嘉谊;;光学精密工程(04);全文 *

Also Published As

Publication number Publication date
CN113158892A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113158892B (zh) 一种与纹理和表情无关的人脸识别方法
CN112489212B (zh) 一种基于多源遥感数据的建筑物智能化三维测图方法
CN109410321B (zh) 基于卷积神经网络的三维重建方法
CN111932688A (zh) 一种基于三维点云的室内平面要素提取方法、系统及设备
CN111696210A (zh) 一种基于三维点云数据特征轻量化的点云重构方法及系统
CN113178009B (zh) 一种利用点云分割和网格修补的室内三维重建方法
CN108920765B (zh) 一种基于建筑物三维线段模型的假设平面拟合方法
WO2022099958A1 (zh) 一种基于三维点云坐标的头面部号型分类方法
CN105631892B (zh) 一种基于阴影和纹理特征的航空影像建筑物损毁检测方法
CN112164145B (zh) 基于点云数据快速提取室内三维线段结构的方法
CN102222357B (zh) 基于图像分割和网格细分的脚型三维表面重建方法
CN103955710B (zh) 类地重力场环境下单目视觉空间识别方法
CN111340723B (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
CN108388902B (zh) 结合全局框架点与局部shot特征的复合3d描述子构建方法
WO2012082210A1 (en) Facial recognition using a sphericity metric
CN110176079B (zh) 一种基于准共形映射的三维模型变形算法
CN110807781A (zh) 一种保留细节与边界特征的点云精简方法
CN113296543B (zh) 航拍航线规划方法及系统
CN114266987A (zh) 一种无人机高边坡危岩体智能识别方法
CN112669462B (zh) 一种适用于扫描点云的模型处理方法及系统
CN111145129A (zh) 基于超体素的点云去噪方法
CN110348067B (zh) 一种气流表征物理参数提取方法及系统、介质、设备
CN115861247A (zh) 一种高分辨率遥感影像轮廓多级正则化方法、系统及应用
Jancosek et al. Scalable multi-view stereo
CN106910180A (zh) 一种图像质量评估方法及装置

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
GR01 Patent grant
GR01 Patent grant