專利名稱：：三維人臉本征屬性描述方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種人臉本征屬性描述方法，特別是一種三維人臉本征屬性描述方法。
背景技術(shù)：
：三維人臉特征描述是三維人臉配準(zhǔn)及識(shí)別的關(guān)鍵技術(shù)，有效簡(jiǎn)潔的特征是準(zhǔn)確快速識(shí)別的前提。特征提取的基本任務(wù)是研究如何從眾多特征中求出那些對(duì)分類識(shí)別最有效的特征，從而實(shí)現(xiàn)特征空間維數(shù)的壓縮。特征的有用性與特征提取、配準(zhǔn)，以及人臉識(shí)別的具體算法密切相關(guān)。文獻(xiàn)“S.Berretti,D.B.Alberto,P.Pietro.Analysisandretrievalof3Dfacialmodelsusingiso-geodesicstripes.InternationalworkshoponContent-basedmultimediaindexing,June18—20，2008.pp:257_264.”公開了一種三維人臉本征屬性描述方法。該方法通過提取三維人臉形狀模型中的等測(cè)地距條紋組來對(duì)人臉的本征屬性進(jìn)行分析與描述。首先，對(duì)人臉形狀模型中不同的等測(cè)地距區(qū)域進(jìn)行劃分；然后，通過建模技術(shù)對(duì)等測(cè)地距條紋進(jìn)行數(shù)學(xué)表達(dá)，同時(shí)，對(duì)不同等測(cè)地距條紋間的距離進(jìn)行等量的測(cè)量，分析不同間距等測(cè)地距條紋所表達(dá)的三維形狀；最后，通過一個(gè)屬性關(guān)系圖來提取人臉的本征屬性。但是，該方法存在以下問題首先，該方法要求人臉模型成正面標(biāo)準(zhǔn)姿態(tài)，不允許有姿態(tài)的變化，無法進(jìn)行多姿態(tài)人臉的自動(dòng)識(shí)別；其次，采用局部屬性特征對(duì)人臉進(jìn)行本征描述不能保證全局屬性的最優(yōu)；再次，該方法在三維空間對(duì)人臉表面進(jìn)行描述，算法復(fù)雜度較高，80%精度二維本征屬性圖單次識(shí)別所需時(shí)間為0.951秒。
發(fā)明內(nèi)容為了克服現(xiàn)有的三維人臉本征屬性描述方法對(duì)模型姿態(tài)要求高、三維空間計(jì)算復(fù)雜度大的不足，本發(fā)明提供一種三維人臉本征屬性描述方法。該方法采用改進(jìn)的QEM方法對(duì)三維人臉模型進(jìn)行五官區(qū)域特征保持的模型簡(jiǎn)化，能夠最大限度的簡(jiǎn)化三維模型，從而降低計(jì)算復(fù)雜度；采用基于特征約束的保形同構(gòu)映射網(wǎng)格參數(shù)化方法對(duì)三維網(wǎng)格數(shù)據(jù)在二維平面上進(jìn)行展開，將三維空間中的匹配問題簡(jiǎn)化為二維圖像的匹配問題，可以降低80%精度二維本征屬性圖單次識(shí)別的時(shí)間；而且可以對(duì)多姿態(tài)人臉進(jìn)行識(shí)別。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案一種三維人臉本征屬性描述方法，其特點(diǎn)是包括下述步驟(a)對(duì)高精度三維人臉模型S進(jìn)行簡(jiǎn)化，即對(duì)三維人臉模型中的每個(gè)頂點(diǎn)，根據(jù)特征保持的模型頂點(diǎn)誤差度量算法計(jì)算其收縮代價(jià)Δ‘V=AV^weight式中，AV是QEM算法的誤差測(cè)度；weight是收縮代價(jià)加權(quán)值；若S==Φ或簡(jiǎn)化到指定結(jié)束條件，算法結(jié)束；取出頂點(diǎn)vIiiincost'collapse(Vfrom，Vto)；4如果邊折疊后vt。的相鄰三角面存在重疊，對(duì)于重疊三角形上的每一個(gè)頂點(diǎn)，若其相鄰面全部都是重疊三角形，那么將其作為一個(gè)候選刪除點(diǎn)；在所有的候選刪除點(diǎn)中，選擇鄰接面數(shù)最少的一個(gè)頂點(diǎn)，作為當(dāng)前邊折疊的Vfram，選擇Vfram的任意一個(gè)相鄰頂點(diǎn)作為vt。，collapse(vfroffl,vt0)；其中，Vfram及vt。分別表示半邊收縮操作中被刪除和被保留的頂點(diǎn)；C0llapSe(Vl，v2)表示對(duì)vl、v2頂點(diǎn)進(jìn)行半邊收縮操作；vmin。。st表示當(dāng)前模型中半邊收縮代價(jià)最小的頂點(diǎn)；s表示三角網(wǎng)格模型；Φ表示沒有任何頂點(diǎn)和面片的空模型；(b)假設(shè)S'為由三維空間中的Ι-ring鄰域構(gòu)成的簡(jiǎn)單網(wǎng)格，D'為S'的二維保形結(jié)構(gòu)；如果映射邊界固定，二維I-ring形變僅與中心節(jié)點(diǎn)Iii相關(guān)；Dirichlet能量函數(shù)為eA=YjCotai7j^N(i)式中，|n「nj|表示D'中邊(i，j)的邊長(zhǎng)，N(i)為節(jié)點(diǎn)i的l_ring鄰接點(diǎn)，α。為夾角；令視/辦=0，則有QE—=Σ(cotCCij+COtβνXni-nj)=0。nij^N(i)對(duì)于整個(gè)人臉表面，由上式推導(dǎo)出BD=0式中，D是平面域的二維坐標(biāo)向量，B是一個(gè)稀疏矩陣，表示為rcot(a,j)+cot(總y)ifjeN(i)ΣJteW(Z)BiJc^i_J0otherwise給定映射邊界和相應(yīng)的特征約束點(diǎn)，得到對(duì)應(yīng)的二維平面展開B1.=BD=BDfree-0-0I^specCspecD被分解為自由點(diǎn)集Dfree和指定點(diǎn)集兩部分，該稀疏線性系統(tǒng)能夠通過廣義極小殘差算法有效求解；(c)利用改進(jìn)的QEM方法對(duì)原始人臉網(wǎng)格模型進(jìn)行不同簡(jiǎn)化率的多分辨簡(jiǎn)化，得到該原始人臉網(wǎng)格模型的多分辨簡(jiǎn)化模型表示；分別進(jìn)行20%，50%，70%簡(jiǎn)化率的網(wǎng)格簡(jiǎn)化，得到原始網(wǎng)格數(shù)據(jù)相應(yīng)80%，50%以及30%精度的多分辨描述；(d)給定兩個(gè)有著圓周拓?fù)涞谋砻鍿jPS2，首先通過spin-image來獲取曲率變化較大頂點(diǎn)間的相應(yīng)性，然后通過引入內(nèi)部相應(yīng)性作為約束，獲取兩表面相應(yīng)的二維平面屬性圖；表面S1和S2兩表面間的歸一化相應(yīng)性系數(shù)^sl,S2以及相似性度量S(S1;S2)通過對(duì)相應(yīng)二維平面屬性圖的計(jì)算獲得式中，N是三維表面S1和S2二維屬性圖中重疊部分頂點(diǎn)的個(gè)數(shù)，^ft表示表面Sk二維屬性圖中頂點(diǎn)i的屬性值，k=1，2。本發(fā)明的有益結(jié)果是由于本發(fā)明采用改進(jìn)的QEM方法對(duì)三維人臉模型進(jìn)行五官區(qū)域特征保持的模型簡(jiǎn)化，能夠最大限度的簡(jiǎn)化三維模型，從而降低了計(jì)算復(fù)雜度；采用基于特征約束的保形同構(gòu)映射網(wǎng)格參數(shù)化方法對(duì)三維網(wǎng)格數(shù)據(jù)在二維平面上進(jìn)行展開，將三維空間中的匹配問題簡(jiǎn)化為二維圖像的匹配問題，80%精度二維本征屬性圖單次識(shí)別所需時(shí)間由
背景技術(shù)：
的0.951秒降低到0.504秒；而且多姿態(tài)人臉識(shí)別正確率達(dá)到了89.7%。下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作詳細(xì)說明。附圖是本發(fā)明三維人臉本征屬性描述方法的流程圖。具體實(shí)施例方式1、將高精度三維人臉模型進(jìn)行基于改進(jìn)QEM算法的模型簡(jiǎn)化?；赒EM的邊收縮算法，在生成高質(zhì)量簡(jiǎn)化模型的同時(shí)，大大提高算法效率，是改進(jìn)漸進(jìn)網(wǎng)格算法中最常用的一種誤差測(cè)度。為解決QEM算法存在重疊三角形及丟失局部細(xì)節(jié)信息的問題，必須在邊收縮操作之后對(duì)重疊三角形進(jìn)行消除，同時(shí)修正模型頂點(diǎn)的誤差度量方法，使其對(duì)人臉五官區(qū)域進(jìn)行最大特征保持?；谝陨纤枷?，本發(fā)明提出一種QEM改進(jìn)算法，使用半邊折疊操作消除簡(jiǎn)化中間模型中所存在的重疊三角形，同時(shí)建立基于曲率的自適應(yīng)加權(quán)誤差度量來保留模型的細(xì)節(jié)特征。具體描述如下消除重疊三角形問題。(1)搜索邊折疊后與vt。相鄰三角面中所有的重疊三角形；(2)若存在重疊三角形，進(jìn)入步驟3，否則退出；(3)對(duì)于重疊三角形上的每一個(gè)頂點(diǎn)，若其相鄰面全部都是重疊三角形，那么將其作為一個(gè)候選刪除點(diǎn)；(4)在所有的候選刪除點(diǎn)中，選擇鄰接面數(shù)最少的一個(gè)頂點(diǎn)，作為當(dāng)前邊折疊的vfM，選擇vfM的任意一個(gè)相鄰頂點(diǎn)作為vto，collapse(Vfrom？vt0)；(5)返回步驟1。其中，Vfram及vt。分別表示半邊收縮操作中被刪除和被保留的頂點(diǎn)；C0llapSe(Vl，v2)表示對(duì)vl、v2頂點(diǎn)進(jìn)行半邊收縮操作。特征保持的模型頂點(diǎn)誤差度量。(1)計(jì)算人臉模型頂點(diǎn)曲率的變化范圍，記作[Cmin，CfflaJ；(2)令cmaxabs=max(|Cmin|,|Cmax)(1)則模型頂點(diǎn)曲率的存在區(qū)間可記為[-cmaxabs，cmaxabs]；(3)建立如下邊收縮代價(jià)加權(quán)函數(shù)由此構(gòu)造特征保持的頂點(diǎn)誤差測(cè)度其中c為頂點(diǎn)曲率，ΔV為QEM算法的誤差測(cè)度。c滿足|c|(cmaxabs,因此公式(2)的值域在之間。當(dāng)|c|為0即該頂點(diǎn)在平坦區(qū)域時(shí)，有Δ'V=AV*0.2，收縮代價(jià)減少，簡(jiǎn)化充分；隨著|c|的增大，頂點(diǎn)所在區(qū)域呈現(xiàn)越明顯的凹凸變化，即細(xì)節(jié)特征越加豐富，公式(2)所描述的收縮代價(jià)加權(quán)weight值相應(yīng)變大，簡(jiǎn)化削弱，對(duì)特征進(jìn)行保留?；谇笆雒枋?，改進(jìn)的QEM算法流程描述如下(1)對(duì)三角網(wǎng)格人臉模型S中的每個(gè)頂點(diǎn)，根據(jù)特征保持的模型頂點(diǎn)誤差度量算法計(jì)算其收縮代價(jià)△‘V；⑵若S==Φ，算法結(jié)束；(3)取出頂點(diǎn)Vmincost,collapse(vfrom,vt0)；(4)如果邊折疊后vt。的相鄰三角面存在重疊，執(zhí)行消除重疊三角形算法；(5)返回步驟2。其中，Vmin。。st表示當(dāng)前模型中半邊收縮代價(jià)最小的頂點(diǎn)；Φ表示沒有任何頂點(diǎn)和面片的空模型。2、特征約束的網(wǎng)格參數(shù)化。建立三維人臉模型間的內(nèi)在特征約束關(guān)系。首先選擇人臉模型中曲率超過給定閾值的點(diǎn)作為待選點(diǎn)，再通過比較這些待選點(diǎn)所對(duì)應(yīng)的旋轉(zhuǎn)圖像來檢測(cè)特征相應(yīng)性。假設(shè)S'為由三維空間中的Ι-ring鄰域構(gòu)成的簡(jiǎn)單網(wǎng)格，D'為S'的二維保形結(jié)構(gòu)。如果映射邊界固定，二維I-ring形變僅與中心節(jié)點(diǎn)Iii相關(guān)。Dirichlet能量有著良好的角度保持特性，其能量函數(shù)為(4)其中，|n「nj|表示D'中邊(i，j)的邊長(zhǎng)，N(i)為節(jié)點(diǎn)i的Ι-ring鄰接點(diǎn)，Qij為夾角令SEpA=O，則有如下公式QE對(duì)于整個(gè)人臉表面，由以上公式可以推導(dǎo)出BD=0(6)其中D為平面域的二維坐標(biāo)向量，B為一個(gè)稀疏矩陣，可以表示為'OOiialj)+coX(Phj)￥J^_-Σ剛nB“ifi=j(7)Ootherwise此時(shí)，只要給定映射邊界和相應(yīng)的特征約束點(diǎn)，就能夠得到對(duì)應(yīng)的二維平面展Bi=開7為了簡(jiǎn)便計(jì)算，D被分解為自由點(diǎn)集和指定點(diǎn)集Dspe。兩部分，該稀疏線性系統(tǒng)能夠通過廣義極小殘差算法有效求解。3、多分辨人臉本征屬性描述圖。對(duì)于三維人臉表面數(shù)據(jù)，首先借鑒多分辨分析的思想，采用改進(jìn)二次誤差測(cè)度算法對(duì)原始三角網(wǎng)格進(jìn)行不同簡(jiǎn)化比率的網(wǎng)格簡(jiǎn)化操作，分別進(jìn)行20%，50%，70%簡(jiǎn)化率的網(wǎng)格簡(jiǎn)化，得到原始網(wǎng)格數(shù)據(jù)相應(yīng)80%，50%以及30%精度的多分辨描述；其次，分別對(duì)得到的多分辨描述數(shù)據(jù)，利用保形同構(gòu)映射將三維空間表面數(shù)據(jù)映射到有約束的保形二維圖像平面。選擇離散均值曲率作為描述三維人臉表面的本征屬性，并采用雙線性插值方法來獲取與三維人臉表面相應(yīng)的二維本征屬性圖。4、基于本征屬性的三維人臉模型匹配度量。在獲得兩個(gè)三維表面的二維屬性圖像后，三維表面的匹配問題就可以簡(jiǎn)化為二維平面的匹配，對(duì)于二維平面中的映射，采用將目標(biāo)表面向參考表面的匹配通過匹配相應(yīng)的離散平面屬性圖來實(shí)現(xiàn)。給定兩個(gè)有著圓周拓?fù)涞谋砻鍿1和S2,首先通過spin-image來獲取曲率變化較大頂點(diǎn)間的相應(yīng)性，然后通過引入內(nèi)部相應(yīng)性作為約束，獲取兩表面相應(yīng)的二維平面屬性圖。此時(shí)，兩表面間的歸一化相應(yīng)性系數(shù)^^,S2以及相似性度量S(S1;S2)可以通過對(duì)相應(yīng)二維平面屬性圖的計(jì)算獲得其中，N為三維表面S1和S:維屬性圖中重疊部分頂點(diǎn)的個(gè)數(shù)，；^表示表面Sk二維屬性圖中頂點(diǎn)i的屬性值，k=1，2。由以上兩式可知，兩表面二維屬性圖相似度越高，mS1,S2越接近1，相應(yīng)的S(si;S2)值越大；反之，^^，52與S(S1;S2)均趨于0。權(quán)利要求一種三維人臉本征屬性描述方法，其特征在于包括下述步驟(a)對(duì)高精度三維人臉模型S進(jìn)行簡(jiǎn)化，即對(duì)三維人臉模型中的每個(gè)頂點(diǎn)，根據(jù)特征保持的模型頂點(diǎn)誤差度量算法計(jì)算其收縮代價(jià)Δ′V＝ΔV*weight式中，ΔV是QEM算法的誤差測(cè)度；weight是收縮代價(jià)加權(quán)值；若S＝＝φ或簡(jiǎn)化到指定結(jié)束條件，算法結(jié)束；取出頂點(diǎn)vmincost，collapse(vfrom，vto)；如果邊折疊后vto的相鄰三角面存在重疊，對(duì)于重疊三角形上的每一個(gè)頂點(diǎn)，若其相鄰面全部都是重疊三角形，那么將其作為一個(gè)候選刪除點(diǎn)；在所有的候選刪除點(diǎn)中，選擇鄰接面數(shù)最少的一個(gè)頂點(diǎn)，作為當(dāng)前邊折疊的vfrom，選擇vfrom的任意一個(gè)相鄰頂點(diǎn)作為vto，collapse(vfrom，vto)；其中，vfrom及vto分別表示半邊收縮操作中被刪除和被保留的頂點(diǎn)；collapse(v1，v2)表示對(duì)v1、v2頂點(diǎn)進(jìn)行半邊收縮操作；vmincost表示當(dāng)前模型中半邊收縮代價(jià)最小的頂點(diǎn)；S表示三角網(wǎng)格模型；φ表示沒有任何頂點(diǎn)和面片的空模型；(b)假設(shè)S′為由三維空間中的1ring鄰域構(gòu)成的簡(jiǎn)單網(wǎng)格，D′為S′的二維保形結(jié)構(gòu)；如果映射邊界固定，二維1ring形變僅與中心節(jié)點(diǎn)ni相關(guān)；Dirichlet能量函數(shù)為<mrow><msub><mi>E</mi><mi>A</mi></msub><mo>=</mo><munder><mi>&Sigma;</mi><mrow><mi>j</mi><mo>&Element;</mo><mi>N</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow></munder><mi>cot</mi><msub><mi>&alpha;</mi><mi>ij</mi></msub><msup><mrow><mo>|</mo><msub><mi>n</mi><mi>i</mi></msub><mo>-</mo><msub><mi>n</mi><mi>j</mi></msub><mo>|</mo></mrow><mn>2</mn></msup></mrow>式中，|ninj|表示D′中邊(i，j)的邊長(zhǎng)，N(i)為節(jié)點(diǎn)i的1ring鄰接點(diǎn)，αij為夾角；令則有<mrow><mfrac><mrow><mo>&PartialD;</mo><mi>E</mi></mrow><msub><mrow><mo>&PartialD;</mo><mi>n</mi></mrow><mi>i</mi></msub></mfrac><mo>=</mo><munder><mi>&Sigma;</mi><mrow><mi>j</mi><mo>&Element;</mo><mi>N</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow></munder><mrow><mo>(</mo><mi>cot</mi><msub><mi>&alpha;</mi><mi>ij</mi></msub><mo>+</mo><mi>cot</mi><msub><mi>&beta;</mi><mi>ij</mi></msub><mo>)</mo></mrow><mrow><mo>(</mo><msub><mi>n</mi><mi>i</mi></msub><mo>-</mo><msub><mi>n</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>=</mo><mn>0</mn></mrow>對(duì)于整個(gè)人臉表面，由上式推導(dǎo)出BD＝0式中，D是平面域的二維坐標(biāo)向量，B是一個(gè)稀疏矩陣，表示為<mrow><msub><mi>B</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>cot</mi><mrow><mo>(</mo><msub><mi>&alpha;</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>)</mo></mrow><mo>+</mo><mi>cot</mi><mrow><mo>(</mo><msub><mi>&beta;</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>)</mo></mrow></mtd><mtd><mi>ifj</mi><mo>&Element;</mo><mi>N</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>-</mo><msub><mi>&Sigma;</mi><mrow><mi>k</mi><mo>&Element;</mo><mi>N</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow></msub><msub><mi>B</mi><mrow><mi>i</mi><mo>,</mo><mi>k</mi></mrow></msub></mtd><mtd><mi>ifi</mi><mo>=</mo><mi>j</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>otherwise</mi></mtd></mtr></mtable></mfenced></mrow>給定映射邊界和相應(yīng)的特征約束點(diǎn)，得到對(duì)應(yīng)的二維平面展開<mrow><mover><mi>B</mi><mo>~</mo></mover><mi>D</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mi>B</mi></mtd></mtr><mtr><mtd><mfencedopen=''close=''><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mi>I</mi></mtd></mtr></mtable></mfenced></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>D</mi><mi>free</mi></msub></mtd></mtr><mtr><mtd><msub><mi>D</mi><mi>spec</mi></msub></mtd></mtr></mtable></mfenced><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd></mtr><mtr><mtd><msub><mi>C</mi><mi>spec</mi></msub></mtd></mtr></mtable></mfenced></mrow>D被分解為自由點(diǎn)集Dfree和指定點(diǎn)集Dspec兩部分，該稀疏線性系統(tǒng)能夠通過廣義極小殘差算法有效求解；(c)利用改進(jìn)的QEM方法對(duì)原始人臉網(wǎng)格模型進(jìn)行不同簡(jiǎn)化率的多分辨簡(jiǎn)化，得到該原始人臉網(wǎng)格模型的多分辨簡(jiǎn)化模型表示；分別進(jìn)行20％，50％，70％簡(jiǎn)化率的網(wǎng)格簡(jiǎn)化，得到原始網(wǎng)格數(shù)據(jù)相應(yīng)80％，50％以及30％精度的多分辨描述；(d)給定兩個(gè)有著圓周拓?fù)涞谋砻鍿1和S2，首先通過spinimage來獲取曲率變化較大頂點(diǎn)間的相應(yīng)性，然后通過引入內(nèi)部相應(yīng)性作為約束，獲取兩表面相應(yīng)的二維平面屬性圖；表面S1和S2兩表面間的歸一化相應(yīng)性系數(shù)以及相似性度量S(S1，S2)通過對(duì)相應(yīng)二維平面屬性圖的計(jì)算獲得<mfencedopen=''close=''><mtable><mtr><mtd><msub><mi>M</mi><mrow><msub><mi>S</mi><mn>1</mn></msub><mo>,</mo><msub><mi>S</mi><mn>2</mn></msub></mrow></msub><mo>=</mo><mfrac><mrow><mi>N&Sigma;</mi><msubsup><mi>p</mi><mi>i</mi><msub><mi>S</mi><mn>1</mn></msub></msubsup><msubsup><mi>p</mi><mi>i</mi><msub><mi>S</mi><mn>2</mn></msub></msubsup><mo>-</mo><mi>&Sigma;</mi><msubsup><mi>p</mi><mi>i</mi><msub><mi>S</mi><mn>1</mn></msub></msubsup><mi>&Sigma;</mi><msubsup><mi>p</mi><mi>i</mi><msub><mi>S</mi><mn>2</mn></msub></msubsup></mrow><msqrt><mrow><mo>(</mo><mi>N&Sigma;</mi><msup><mrow><mo>(</mo><msubsup><mi>p</mi><mi>i</mi><msub><mi>S</mi><mn>1</mn></msub></msubsup><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><msup><mrow><mo>(</mo><mi>&Sigma;</mi><msubsup><mi>p</mi><mi>i</mi><msub><mi>S</mi><mn>1</mn></msub></msubsup><mo>)</mo></mrow><mn>2</mn></msup><mo>)</mo></mrow><mrow><mo>(</mo><mi>N&Sigma;</mi><msup><mrow><mo>(</mo><msubsup><mi>p</mi><mi>i</mi><msub><mi>S</mi><mn>2</mn></msub></msubsup><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><msup><mrow><mo>(</mo><mi>&Sigma;</mi><msubsup><mi>p</mi><mi>i</mi><msub><mi>S</mi><mn>2</mn></msub></msubsup><mo>)</mo></mrow><mn>2</mn></msup><mo>)</mo></mrow></msqrt></mfrac></mtd></mtr><mtr><mtd><mi>S</mi><mrow><mo>(</mo><msub><mi>S</mi><mn>1</mn></msub><mo>,</mo><msub><mi>S</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>(</mo><mfrac><mrow><mn>1</mn><mo>+</mo><msub><mi>M</mi><mrow><msub><mi>S</mi><mn>1</mn></msub><mo>,</mo><msub><mi>S</mi><mn>2</mn></msub></mrow></msub></mrow><mrow><mn>1</mn><mo>-</mo><msub><mi>M</mi><mrow><msub><mi>S</mi><mn>1</mn></msub><mo>,</mo><msub><mi>S</mi><mn>2</mn></msub></mrow></msub></mrow></mfrac><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><mfrac><mn>1</mn><mrow><mn>2</mn><mi>N</mi></mrow></mfrac></mtd></mtr></mtable></mfenced>式中，N是三維表面S1和S2二維屬性圖中重疊部分頂點(diǎn)的個(gè)數(shù)，表示表面Sk二維屬性圖中頂點(diǎn)i的屬性值，k＝1，2。FSA00000236830900012.tif,FSA00000236830900021.tif,FSA00000236830900023.tif全文摘要本發(fā)明公開了一種三維人臉本征屬性描述方法，用于解決現(xiàn)有的三維人臉本征屬性描述方法算法復(fù)雜的技術(shù)問題。該方法對(duì)基于二次誤差測(cè)度的模型簡(jiǎn)化方法進(jìn)行分析并改進(jìn)，使其能夠在保持人臉五官區(qū)域特性的前提下最大限度的簡(jiǎn)化模型；采用基于特征約束的保形同構(gòu)映射網(wǎng)格參數(shù)化方法對(duì)三維網(wǎng)格數(shù)據(jù)在二維平面進(jìn)行展開；將三維人臉表面的本征屬性在二維圖像平面中進(jìn)行離散化表示。本發(fā)明在降低計(jì)算復(fù)雜度的同時(shí)，采用基于特征約束的保形同構(gòu)映射網(wǎng)格參數(shù)化方法對(duì)三維網(wǎng)格數(shù)據(jù)在二維平面上展開，將三維空間中的匹配問題簡(jiǎn)化為二維圖像的匹配問題，80％精度二維本征屬性圖單次識(shí)別所需時(shí)間由
背景技術(shù)：
的0.951秒降低到0.504秒；而且多姿態(tài)人臉識(shí)別正確率達(dá)到了89.7％。文檔編號(hào)G06K9/00GK101916367SQ20101025835公開日2010年12月15日申請(qǐng)日期2010年8月19日優(yōu)先權(quán)日2010年8月19日發(fā)明者張艷寧,林增剛,郭哲申請(qǐng)人:西北工業(yè)大學(xué)