一种3D人脸识别方法技术

本发明专利技术公开了一种3D人脸识别方法。本发明专利技术通过3D摄像头实时捕捉待识别目标的人体3D骨架数据，提取重要关节点位置，根据头部位置获取人脸3D数据，运用深度算法进行特征提取，并在特征库中找出最佳匹配。本发明专利技术解决了光照对人脸识别的影响，还能实时地从复杂背景中实现人脸定位和识别，具有良好的精度和实时性。

A 3D face recognition method

The invention discloses a 3D face recognition method. The 3D camera can capture the 3D skeleton data of the target to be identified in real time, extract the important joint points, extract the face 3D data according to the head position, extract the feature using depth algorithm, and find the best match in the feature library. The invention solves the influence of illumination on face recognition, and also realizes real-time face location and recognition from complex background, and has good accuracy and real-time performance.

【技术实现步骤摘要】
一种3D人脸识别方法
本专利技术属于计算机图像识别
，特别涉及了一种3D人脸识别方法。
技术介绍
在计算机技术的高速发展以及社会信息化、网络化程度高度发达的今天，各个领域对快速有效的自动身份验证技术提出了更高的需求，生物特征识别作为一种安全、可靠的身份验证技术在近几十年中得到了快速发展。人脸识别作为一种重要的生物特征识别技术，与虹膜、指纹、声音等其他生物特征识别方法相比，具有更高的可采集性，是一种友好、快捷、容易被人接受的非侵犯性识别方法。由于其友好性、方便性等优点，受到了人们的青睐。尽管人脸识别技术有着广阔的应用前景，但是无论是在识别率，还是在防伪性上，都与指纹，视网膜等有着较大的差距，归根结底，影响人脸识别效果的原因主要有以下2个方面：1.背景环境的复杂性，人脸与背景无法区分2.光照条件的复杂性，对识别效果影响很大。
技术实现思路
为了解决上述
技术介绍
提出的技术问题，本专利技术旨在提供一种3D人脸识别方法，克服现有技术的缺陷，从复杂环境中准确实现定位人脸，并在人脸识别的过程中避免复杂光照环境对识别率造成的不良影响，提高人脸实时识别的精度。为了实现上述技术目的，本专利技术的技术方案为：一种3D人脸识别方法，包括以下步骤：(1)构建深度模型，设置参数优化算法，采用人脸数据库求解最优化的模型参数，并根据模型参数初始化深度模型；(2)采用3D摄像头实时采集包含识别目标的场景深度图像；(3)根据获取的深度图像，提取图像中人体的骨架数据，所述骨架数据包含人体重要的关节点数据，并对骨架数据进行归一化处理；(4)从骨架数据中枚举出头部关节点数据，根据头部关节点数据得到头部的深度位置，并从深度图像中抠出人脸，对抠出的人脸数据进行插值填洞操作，重采样后生成3D点云人脸图；(5)根据3D摄像头的角度，调整3D点云人脸图的角度；(6)将3D点云人脸图输入步骤(1)构建的深度模型，提取人脸特征向量；(7)步骤(6)提取的人脸特征向量与人脸数据库中保存的人脸特征通过SVM或者邻近聚类算法进行分类，并根据分类结果输出识别结果和可信度。进一步地，在步骤(1)中，所述深度模型采用CNN模型，所述参数优化方法采用小批量随机梯度下降算法。进一步地，在步骤(3)中，根据像素点的深度信息，将深度图像中的前景与背景进行分割，前景作为人体的候选对象与标准人体模型进行比较，得到包含20个关节点数据的骨架数据，所述20个关节点数据包括：头部关节点数据、肩关节中心数据、左肩关节数据、右肩关节数据、左肘关节数据、右肘关节数据、左腕关节数据、右腕关节数据、左手数据、右手数据、脊椎数据、髋关节中心数据、左髋关节数据、右髋关节数据、左膝关节数据、右膝关节数据、左踝关节数据、右踝关节数据、左脚数据、右脚数据。进一步地，在步骤(3)中，对骨架数据进行归一化处理的方法为，计算骨架数据中每对父子关节点的空间位置关系，所述父子关节点为骨架中相邻相连的两个关节点，将所有父子关节点的空间位置关系与标准人体模型的父子关节点的空间位置关系进行比较，调整前者与后者相匹配。进一步地，在步骤(4)中，所述头部的深度位置为头部与3D摄像头中心位置的距离，设距离为z毫米，则认为深度图像上z-15毫米至z+25毫米的范围为人脸区域，受3D摄像头的精度所限，人脸区域上含有黑洞、凸起或者凹陷，对这些区域按照其周围正常值进行插值填洞操作。进一步地，在步骤(5)中，根据生成的3D点云人脸图，获取3D点云人脸图的三维坐标系公式，根据平面坐标系旋转变换公式，将3D点云人脸图进行旋转变换，使其调整到与3D摄像头平视的位置。采用上述技术方案带来的有益效果：本专利技术通过3D摄像头实时捕捉待识别目标的人体3D骨架数据，提取重要关节点位置，根据头部位置获取人脸3D数据，运用深度算法进行特征提取，并在特征库中找出最佳匹配。本专利技术解决了光照对人脸识别的影响，还能实时地从复杂背景中实现人脸定位和识别，具有良好的精度和实时性。附图说明图1是本专利技术的方法流程图；图2是本专利技术中骨架数据示意图。具体实施方式以下将结合附图，对本专利技术的技术方案进行详细说明。一种3D人脸识别方法，包括以下步骤：步骤1：构建深度模型，设置参数优化算法，采用人脸数据库求解最优化的模型参数，并根据模型参数初始化深度模型。在本实施例中，所述深度模型采用CNN(卷积神经网络)模型，所述参数优化算法采用MSGD(小批量随机梯度下降)算法。步骤2：采用3D摄像头实时采集包含识别目标的场景深度图像。步骤3：根据获取的深度图像，提取图像中人体的骨架数据，所述骨架数据包含人体重要的关节点数据，并对骨架数据进行归一化处理。根据像素点的深度信息，将深度图像中的前景与背景进行分割，前景作为人体的候选对象与标准人体模型进行比较，得到包含20个关节点数据的骨架数据，如图2所示，所述20个关节点数据包括：头部关节点数据(HEAD)、肩关节中心数据(SHOULDER_CENTER)、左肩关节数据(SHOULDER_LEFT)、右肩关节数据(SHOULDER_RIGHT)、左肘关节数据(ELBOW_LEFT)、右肘关节数据(ELBOW_RIGHT)、左腕关节数据(WRIST_LEFT)、右腕关节数据(WRIST_RIGHT)、左手数据(HAND_LEFT)、右手数据(HAND_RIGHT)、脊椎数据(SPINE)、髋关节中心数据(HIP_CENTER)、左髋关节数据(HIP_LEFT)、右髋关节数据(HIP_RIGHT)、左膝关节数据(KNEE_LEFT)、右膝关节数据(KNEE_RIGHT)、左踝关节数据(ANKLE_LEFT)、右踝关节数据(ANKLE_RIGHT)、左脚数据(FOOT_LEFT)、右脚数据(FOOT_RIGHT)。对骨架数据进行归一化处理的方法为，计算骨架数据中每对父子关节点的空间位置关系，所述父子关节点为骨架中相邻相连的两个关节点(例如HEAD与SHOULDER_CENTER，SPINE与HIP_CENTER)，将所有父子关节点的空间位置关系与标准人体模型(身高170cm体重70KG)的父子关节点的空间位置关系进行比较，调整前者与后者相匹配。步骤4：从骨架数据中枚举出头部关节点数据，根据头部关节点数据得到头部的深度位置，并从深度图像中抠出人脸，对抠出的人脸数据进行插值填洞操作，重采样后生成3D点云人脸图。所述头部的深度位置即为头部与3D摄像头中心位置的距离，设距离为z，则人脸区域实际为深度值在z毫米附近的区域，可以认为深度图像上z-15至z+25的范围为人脸区域。但是受3D摄像头的精度所限，人脸区域上含有黑洞、凸起或者凹陷，为解决此类问题，对这些与周边差别特别明显的点，按照周边正常值进行插值填洞操作，重采样后生成3D点云人脸图。步骤5：根据3D摄像头的角度，调整3D点云人脸图的角度。根据生成的3D点云人脸图，获取3D点云人脸图的三维坐标系公式，通过平面坐标系旋转变换公式，将3D点云人脸图进行旋转变换，为提升人脸识别效果，统一将3D点云人脸图调整到与3D摄像头平视的位置。步骤6：将3D点云人脸图输入步骤1构建的深度模型，提取人脸特征向量。步骤7：步骤6提取的人脸特征向量与人脸数据库中保存的人脸特征通过SVM或者邻近聚类算法进行分类，并根据分类结果输出识别本文档来自技高网...

【技术保护点】
一种3D人脸识别方法，其特征在于，包括以下步骤：(1)构建深度模型，设置参数优化算法，采用人脸数据库求解最优化的模型参数，并根据模型参数初始化深度模型；(2)采用3D摄像头实时采集包含识别目标的场景深度图像；(3)根据获取的深度图像，提取图像中人体的骨架数据，所述骨架数据包含人体重要的关节点数据，并对骨架数据进行归一化处理；(4)从骨架数据中枚举出头部关节点数据，根据头部关节点数据得到头部的深度位置，并从深度图像中抠出人脸，对抠出的人脸数据进行插值填洞操作，重采样后生成3D点云人脸图；(5)根据3D摄像头的角度，调整3D点云人脸图的角度；(6)将3D点云人脸图输入步骤(1)构建的深度模型，提取人脸特征向量；(7)步骤(6)提取的人脸特征向量与人脸数据库中保存的人脸特征通过SVM或者邻近聚类算法进行分类，并根据分类结果输出识别结果和可信度。

【技术特征摘要】
1.一种3D人脸识别方法，其特征在于，包括以下步骤：(1)构建深度模型，设置参数优化算法，采用人脸数据库求解最优化的模型参数，并根据模型参数初始化深度模型；(2)采用3D摄像头实时采集包含识别目标的场景深度图像；(3)根据获取的深度图像，提取图像中人体的骨架数据，所述骨架数据包含人体重要的关节点数据，并对骨架数据进行归一化处理；(4)从骨架数据中枚举出头部关节点数据，根据头部关节点数据得到头部的深度位置，并从深度图像中抠出人脸，对抠出的人脸数据进行插值填洞操作，重采样后生成3D点云人脸图；(5)根据3D摄像头的角度，调整3D点云人脸图的角度；(6)将3D点云人脸图输入步骤(1)构建的深度模型，提取人脸特征向量；(7)步骤(6)提取的人脸特征向量与人脸数据库中保存的人脸特征通过SVM或者邻近聚类算法进行分类，并根据分类结果输出识别结果和可信度。2.根据权利要求1所述一种3D人脸识别方法，其特征在于：在步骤(1)中，所述深度模型采用CNN模型，所述参数优化方法采用小批量随机梯度下降算法。3.根据权利要求1所述一种3D人脸识别方法，其特征在于：在步骤(3)中，根据像素点的深度信息，将深度图像中的前景与背景进行分割，前景作为人体的候选对象与标准人体模型进行比较，得到包含20个关节点数据的骨架数据，所述...

【专利技术属性】
技术研发人员：周晓军，李骊，杨高峰，王行，李朔，
申请(专利权)人：南京华捷艾米软件科技有限公司，
类型：发明
国别省市：江苏,32