專利名稱：一種基于模擬退火算法的三維人臉識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識別，圖像處理等領(lǐng)域，提供了一種基于模擬退火算法的三維 人臉識別方法。
背景技術(shù)：
隨著信息技術(shù)和社會的飛速發(fā)展，利用生物特征進(jìn)行身份認(rèn)證的技術(shù)受到了廣泛 關(guān)注，如人臉識別、指紋識別、虹膜識別等。人臉作為一種獨特的生物特征，因其直接性、唯 一性、方便性等特點，成為學(xué)者們最為青睞的識別技術(shù)。經(jīng)過幾十年的不懈努力，二維人臉識別技術(shù)在一定約束條件下已經(jīng)能夠獲得理想 的識別效果，并能達(dá)到某些實際應(yīng)用的要求。但是由于二維圖像信息具有一定的局限性、人 臉具有的可塑多變性以及成像過程中容易受到諸多因素的影響，使得二維人臉識別受到各 種限制而無法準(zhǔn)確處理表情、姿勢和光照等可變因素帶來的影響。另一方面，隨著數(shù)據(jù)獲取 技術(shù)以及相關(guān)硬件設(shè)備的不斷成熟，越來越多的學(xué)者開始對三維人臉識別技術(shù)進(jìn)行研究， 希望其能解決困擾二維人臉識別的難點問題。三維人臉相較二維人臉而言，擁有更為豐富 的人臉信息(譬如形狀信息等)和姿勢不變性等優(yōu)點，這些都預(yù)示著三維人臉識別技術(shù)必將 成為未來人臉識別技術(shù)的主要研究方向。三維人臉識別(3D Face Recognition)萌芽于上個世紀(jì)80年代末90年代初，高速 發(fā)展于上世紀(jì)90年代末，尤其是2004年由美國FBI，NIST等多個部門聯(lián)合資助發(fā)起的“人 臉識別大挑戰(zhàn)計劃(Face Recognition Grand Challenge, FRGC)”更是大大促進(jìn)了國際上 對三維人臉識別技術(shù)的研究，并推動其走向了實際應(yīng)用，可以說三維人臉識別已經(jīng)代替二 維人臉識別成為學(xué)術(shù)界的新寵。深度彳目息是二維人臉的主要表不方式，表現(xiàn)為3D點集(X，y, z),意味著在X-Y平面 上存儲的是深度信息z?？梢杂没叶葓D來解釋，白像素表示曲面上的點，而黑像素代表的是 背景，深度圖中的像素值是深度信息?，F(xiàn)在的大部分的研究都是基于深度圖的研究，而已知 的大部分二維人臉識別算法都可以直接應(yīng)用于人臉深度圖，常見的有ICP，PCA，模擬退火算法等。模擬退火算法(Simulated Annealing Algorithm, SA)是一種通用且常用的優(yōu)化 算法，該算法通過給予整個搜索過程一個時變且最后趨向零的概率突變性，跳出了局部最 優(yōu)解而具有了全局最優(yōu)解，該算法以其卓越的性能現(xiàn)已在各工程領(lǐng)域得到了廣泛的應(yīng)用。 通過在匹配過程中使用SA搜索最優(yōu)轉(zhuǎn)換矩陣，根據(jù)匹配結(jié)果得出識別結(jié)果。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是提供一種精準(zhǔn)的三維人臉自動識別方法，使其能夠更 好的應(yīng)用于身份認(rèn)證領(lǐng)域和安防系統(tǒng)，現(xiàn)在三維人臉識別方法的難點包括表情、姿態(tài)等，當(dāng) 人臉存在表情，或者姿態(tài)變化時，都會對自動三維人臉識別造成相當(dāng)大的阻礙。為了解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案一種基于模擬退火算法的三維人臉識別方法，包括如下步驟
(1)對三維人臉進(jìn)行特征點的提取，使用曲率信息和相關(guān)先驗知識提取面部特征占.
(2)根據(jù)上述面部征點劃分人臉區(qū)域，用于后續(xù)的識別算法；
(3)利用模擬退火算法進(jìn)行三維人臉匹配；
(4)計算對應(yīng)點集的SIM值，并與事先設(shè)定的閾值相比較，高于識別閾值，則是同一 個人，低于拒絕閾值，則不是同一個人；
(5)當(dāng)SIM值位于兩閾值之間導(dǎo)致無法作出判斷時，即低于識別閾值，高于拒絕閾值 時，轉(zhuǎn)入步驟(6)；
(6)利用分層模型對無法識別人臉進(jìn)行匹配，只有當(dāng)前一層次的識別值無法對人臉 做出判定時，才繼續(xù)下一層次的分析；
(7)與閾值相比較得出最終識別結(jié)果。進(jìn)一步的說，步驟(1)所述的面部特征點包括鼻尖、眼角、鼻翼、鼻基這六個特征 點。進(jìn)一步的說，所述步驟(2)根據(jù)不同的目的分別有兩種不同的人臉區(qū)域劃分方 式
1)劃分人臉為鼻子橢圓區(qū)域、鼻子圓形區(qū)域和面部區(qū)域上半部分，適用于后續(xù)的分層 模型；
2)根據(jù)特征點劃分人臉為九個區(qū)域，適用于后續(xù)的精準(zhǔn)匹配過程。進(jìn)一步的說，所述步驟(3)中模擬退火算法進(jìn)行三維人臉匹配包括以下步驟
1)基于重心對齊的初始匹配；
2)基于MLESAC的粗略匹配；
3)基于SIM的精準(zhǔn)匹配。
進(jìn)一步的說，所述步驟(6)中所述分成模型共有六個層次
1)鼻子圓形區(qū)域；
2)鼻子橢圓區(qū)域；
3)面部區(qū)域上半部分；
4)整個面部區(qū)域；
5)基于改進(jìn)SA的面部區(qū)域；
6)使用求和規(guī)則對所有區(qū)域相加。進(jìn)一步的說，所述鼻尖、眼角、鼻翼、鼻基這六個特征點提取包括如下步驟
(1)對每一點定義局部平面，確定局部平面的系數(shù)；
(2)計算局部平面的高斯曲率和平均曲率，根據(jù)兩者的符號確定每一點的曲面類型；
(3)計算y軸方向的投影以及相關(guān)的差異曲線，通過深度信息和最大差異曲線范圍確 定鼻尖1坐標(biāo)信息；
(4)根據(jù)步驟(2)所得的曲率圖像計算x軸投影，即鄰域內(nèi)頂面點的百分比，通過確定 該投影的峰值確定鼻尖x坐標(biāo)信息；
(5)確定鼻翼的y坐標(biāo)設(shè)定鼻翼的y坐標(biāo)等于鼻尖的y坐標(biāo)；
(6)計算鼻尖的水平側(cè)面曲線，即具有相同y值點集的各個x坐標(biāo)下的深度信息曲線；(7)計算水平側(cè)面曲線的梯度曲線，根據(jù)峰值確定鼻翼x坐標(biāo)信息；
(8)根據(jù)步驟(2)所得的曲率圖像計算y軸投影，即相同y值下的凹坑面的百分比，根 據(jù)相關(guān)先驗知識可確定兩個內(nèi)眼角和鼻基的y坐標(biāo)位置；
(9)確定鼻基的x坐標(biāo)等于鼻尖的x坐標(biāo)；
(10)通過計算鄰域內(nèi)曲率圖像凹坑面的百分比得出兩個眼角的x坐標(biāo)；
(11)使用ARMS方法，根據(jù)特征點和一些函數(shù)公式簡單劃分人臉區(qū)域為1)鼻子橢 圓區(qū)域，2)鼻子圓形區(qū)域，3)上半部人臉區(qū)域，4)整張人臉，該種劃分應(yīng)用于后續(xù)的分層模型。進(jìn)一步的說，所述基于MLESAC的粗略匹配包括如下步驟
(1)獲取目標(biāo)點集D，模型點集M，我們基于等距對圖像中的點進(jìn)行采樣率為s的采樣， 在該階段只對采樣點進(jìn)行匹配；
(2)初始化參數(shù)；
(3)利用位于[-1，1]之間的隨機值產(chǎn)生新解仏；
(4)根據(jù)MLESAC算法計算新舊解對應(yīng)的
權(quán)利要求
1.一種基于模擬退火算法的三維人臉識別方法，包括如下步驟 (1)對三維人臉進(jìn)行特征點的提取，使用曲率信息和相關(guān)先驗知識提取面部特征點； (2)根據(jù)上述面部征點劃分人臉區(qū)域，用于后續(xù)的識別算法； (3)利用模擬退火算法進(jìn)行三維人臉匹配； (4)計算對應(yīng)點集的SIM值，并與事先設(shè)定的閾值相比較，高于識別閾值，則是同一個人，低于拒絕閾值，則不是同一個人； (5)當(dāng)SIM值位于兩閾值之間導(dǎo)致無法作出判斷時，即低于識別閾值，高于拒絕閾值時，轉(zhuǎn)入步驟(6)； (6)利用分層模型對無法識別人臉進(jìn)行匹配，只有當(dāng)前一層次的識別值無法對人臉做出判定吋，才繼續(xù)下一層次的分析； (7)與閾值相比較得出最終識別結(jié)果。
2.根據(jù)權(quán)利要求I所述的ー種基于模擬退火算法的三維人臉識別方法，其特征在干，步驟(I)所述的面部特征點包括鼻尖、眼角、鼻翼、鼻基這六個特征點。
3.根據(jù)權(quán)利要求I所述的ー種基于模擬退火算法的三維人臉識別方法，其特征在于所述步驟(2)根據(jù)不同的目的分別有兩種不同的人臉區(qū)域劃分方式 1)劃分人臉為鼻子橢圓區(qū)域、鼻子圓形區(qū)域和面部區(qū)域上半部分，適用于后續(xù)的分層模型； 2)根據(jù)特征點劃分人臉為九個區(qū)域，適用于后續(xù)的精準(zhǔn)匹配過程。
4.根據(jù)權(quán)利要求I所述的ー種基于模擬退火算法的三維人臉識別方法，其特征在于所述步驟(3)中模擬退火算法進(jìn)行三維人臉匹配包括以下步驟 1)基于重心對齊的初始匹配； 2)基于MLESAC的粗略匹配； 3)基于SIM的精準(zhǔn)匹配。
5.根據(jù)權(quán)利要求I所述的ー種基于模擬退火算法的三維人臉識別方法，其特征在干，所述步驟(6)中所述分成模型共有六個層次 1)鼻子圓形區(qū)域； 2)鼻子橢圓區(qū)域； 3)面部區(qū)域上半部分； 4)整個面部區(qū)域； 5)基于改進(jìn)SA的面部區(qū)域； 6)使用求和規(guī)則對所有區(qū)域相加。
6.根據(jù)權(quán)利要求2所述的ー種基于模擬退火算法的三維人臉識別方法，其特征在干，所述鼻尖、眼角、鼻翼、鼻基這六個特征點提取包括如下步驟 (1)對每一點定義局部平面，確定局部平面的系數(shù)； (2)計算局部平面的高斯曲率和平均曲率，根據(jù)兩者的符號確定每一點的曲面類型； (3)計算y軸方向的投影以及相關(guān)的差異曲線，通過深度信息和最大差異曲線范圍確定鼻尖I坐標(biāo)信息； (4)根據(jù)步驟(2)所得的曲率圖像計算X軸投影，即鄰域內(nèi)頂面點的百分比，通過確定該投影的峰值確定鼻尖X坐標(biāo)信息；(5)確定鼻翼的y坐標(biāo)設(shè)定鼻翼的J坐標(biāo)等于鼻尖的J坐標(biāo)； (6)計算鼻尖的水平側(cè)面曲線，即具有相同y值點集的各個X坐標(biāo)下的深度信息曲線； (7)計算水平側(cè)面曲線的梯度曲線，根據(jù)峰值確定鼻翼X坐標(biāo)信息； (8)根據(jù)步驟(2)所得的曲率圖像計算y軸投影，即相同y值下的凹坑面的百分比，根據(jù)相關(guān)先驗知識可確定兩個內(nèi)眼角和鼻基的y坐標(biāo)位置； (9)確定鼻基的X坐標(biāo)等于鼻尖的X坐標(biāo)； (10)通過計算鄰域內(nèi)曲率圖像凹坑面的百分比得出兩個眼角的X坐標(biāo)； (11)使用ARMS方法，根據(jù)特征點和ー些函數(shù)公式簡單劃分人臉區(qū)域為1)鼻子橢圓區(qū)域，2)鼻子圓形區(qū)域，3)上半部人臉區(qū)域，4)整張人臉，該種劃分應(yīng)用于后續(xù)的分層模型。
7.根據(jù)權(quán)利要求4所述的ー種基于模擬退火算法的三維人臉識別方法，其特征在干，所述基于MLESAC的粗略匹配包括如下步驟 (1)獲取目標(biāo)點集D，模型點集M，我們基于等距對圖像中的點進(jìn)行采樣率為s的采樣，在該階段只對采樣點進(jìn)行匹配； (2)初始化參數(shù)； (3)利用位于[-1，I]之間的隨機值產(chǎn)生新解れ； (4)根據(jù)MLESAC算法計算新舊解對應(yīng)的
8.根據(jù)權(quán)利要求4所述的ー種基于模擬退火算法的三維人臉識別方法，其特征在干，所述基于SIM的精準(zhǔn)匹配包括如下步驟 (1)獲取目標(biāo)人臉和模型人臉各個人臉區(qū)域粗略匹配后的點集，包括五個區(qū)域I)鼻子圓形區(qū)域(C)，2)鼻子橢圓區(qū)域(E)，3)面部區(qū)域上半部分(U)，4)整個面部區(qū)域(F)，5)基于改進(jìn)SA的面部區(qū)域(M)，在此我們統(tǒng)稱各個區(qū)域的目標(biāo)人臉數(shù)據(jù)點集為Γ參考人臉數(shù)據(jù)點集為M ； (2)初始化參數(shù)； (3)利用位于[-1,1]之間的隨機值產(chǎn)生新解れ； (4)分別計算新舊參數(shù)下，目標(biāo)人臉與模型人臉的對應(yīng)點集
全文摘要
本發(fā)明公開了一種基于模擬退火算法的三維人臉識別方法，首先對待識別人臉進(jìn)行特征提取，其次分三步匹配待識別人臉，通過比較匹配結(jié)果和閾值得出待識別人臉的身份。本發(fā)明能夠更好的實現(xiàn)身份認(rèn)證，提高安全系統(tǒng)的適用性，滿足社會各方面的需求。運用模擬退火算法能夠跳出局部極值，無限接近全局最優(yōu)解，從而找到人臉匹配的最優(yōu)轉(zhuǎn)換矩陣；通過在不同匹配階段選擇不同的適應(yīng)度函數(shù)，控制了整個匹配過程；采用分層模型對無法識別人臉進(jìn)行匹配；這些措施都提高了人臉匹配的精準(zhǔn)性。特別的，通過特征點劃分人臉區(qū)域，在精準(zhǔn)匹配過程對不同人臉區(qū)域設(shè)置不同權(quán)值，改善了表情對人臉識別的影響。
文檔編號G06K9/00GK102663367SQ20121010965
公開日2012年9月12日 申請日期2012年4月16日 優(yōu)先權(quán)日2012年4月16日
發(fā)明者劉貴松, 屈鴻, 楊媛靜, 王曉斌, 陳文宇 申請人:電子科技大學(xué)