本發(fā)明涉及獲取人臉3D特征信息的技術(shù)領(lǐng)域，特別是涉及一種人臉3D特征信息的獲取方法及設(shè)備。

背景技術(shù)：

信息安全問題已經(jīng)引起社會各界的廣泛重視。保障信息安全的一個主要途徑就是對信息使用者的身份進(jìn)行準(zhǔn)確鑒別，通過鑒別結(jié)果進(jìn)一步判斷用戶獲取信息的權(quán)限是否合法，從而達(dá)到保證信息不被外泄和保障用戶合法權(quán)益的目的。因此，可靠的身份識別是非常重要和必要的。

人臉識別是基于人的臉部特征信息進(jìn)行身份識別的一種生物識別技術(shù)，人臉識別技術(shù)作為一種更加安全、方便的個人身份鑒別技術(shù)，越來越受到關(guān)注。傳統(tǒng)的人臉識別技術(shù)為2D人臉識別，2D人臉識別沒有深度信息，容易受到姿態(tài)、表情、光照以及臉部化妝等非幾何外觀變化的影響，因此難以進(jìn)行精確的人臉識別。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種人臉3D特征信息的獲取方法及設(shè)備，能夠解決現(xiàn)有技術(shù)存在的難以進(jìn)行精確的人臉識別的問題。

為解決上述技術(shù)問題，本發(fā)明采用的一個技術(shù)方案是：提供一種人臉3D特征信息的獲取方法，該方法包括以下步驟：獲取RGBD人臉圖像；通過所述RGBD人臉圖像采集人臉的特征點(diǎn)；根據(jù)所述特征點(diǎn)建立人臉彩色3D網(wǎng)格；根據(jù)所述人臉彩色3D網(wǎng)格度量所述特征點(diǎn)的特征值并計(jì)算所述特征點(diǎn)之間的連接關(guān)系；對所述特征值和所述連接關(guān)系進(jìn)行分析以獲取所述特征點(diǎn)的3D空間分布特征信息。

其中，根據(jù)所述人臉彩色3D網(wǎng)格計(jì)算所述特征點(diǎn)的特征值和所述特征點(diǎn)之間的連接關(guān)系的步驟中，所述連接關(guān)系為所述特征點(diǎn)之間的拓?fù)溥B接關(guān)系和空間幾何距離；

根據(jù)所述特征值和所述連接關(guān)系獲取所述特征點(diǎn)的3D空間分布特征信息的步驟中，通過對所述人臉彩色3D網(wǎng)格進(jìn)行曲面變形而獲得人臉特征點(diǎn)的3D空間分布特征信息。

其中，根據(jù)所述人臉彩色3D網(wǎng)格計(jì)算所述特征點(diǎn)的特征值和所述特征點(diǎn)之間的連接關(guān)系的步驟中，所述連接關(guān)系為所述特征點(diǎn)的各種組合的動態(tài)連接關(guān)系信息；

根據(jù)所述特征值和所述連接關(guān)系獲取所述特征點(diǎn)的3D空間分布特征信息的步驟中，通過獲取人臉形狀信息來獲得所述特征點(diǎn)的3D空間分布特征信息。

其中，所述通過所述RGBD人臉圖像采集人臉的特征點(diǎn)的步驟中，通過采集人臉元素進(jìn)行所述特征點(diǎn)的采集，其中，所述人臉元素包括：眉毛、眼睛、鼻子、嘴巴、臉頰以及下巴中的一個或者多個。

其中，所述特征值包括位置、距離、形狀、大小、角度、弧度以及曲率中的一種或者多種。

為解決上述技術(shù)問題，本發(fā)明采用的另一個技術(shù)方案是：提供一種獲取人臉3D特征信息的設(shè)備，該設(shè)備包括圖像獲取模塊、采集模塊、網(wǎng)格建立模塊、計(jì)算模塊和分析模塊；圖像獲取模塊用于獲取RGBD人臉圖像；采集模塊與所述圖像獲取模塊連接，用于通過所述RGBD人臉圖像采集人臉的特征點(diǎn)；網(wǎng)格建立模塊與所述采集模塊連接，用于根據(jù)所述特征點(diǎn)建立人臉彩色3D網(wǎng)格；計(jì)算模塊與所述網(wǎng)格建立模塊連接，用于根據(jù)所述人臉彩色3D網(wǎng)格度量所述特征點(diǎn)的特征值并計(jì)算所述特征點(diǎn)之間的連接關(guān)系；分析模塊與所述計(jì)算模塊連接，用于分析所述特征值和所述連接關(guān)系以獲取所述特征點(diǎn)的3D空間分布特征信息。

其中，所述連接關(guān)系為所述特征點(diǎn)之間的拓?fù)溥B接關(guān)系和空間幾何距離；所述分析模塊通過對所述人臉彩色3D網(wǎng)格進(jìn)行曲面變形而獲得人臉特征點(diǎn)的3D空間分布特征信息。

其中，所述連接關(guān)系為所述特征點(diǎn)的各種組合的動態(tài)連接關(guān)系信息；所述分析模塊通過獲取人臉形狀信息來獲得所述特征點(diǎn)的3D空間分布特征信息。

其中，所述采集模塊通過采集人臉元素進(jìn)行所述特征點(diǎn)的采集，其中，所述人臉元素包括：眉毛、眼睛、鼻子、嘴巴、臉頰以及下巴中的一個或者多個。

其中，所述特征值包括位置、距離、形狀、大小、角度、弧度以及曲率中的一種或者多種。

本發(fā)明的有益效果是：區(qū)別于現(xiàn)有技術(shù)的情況，本發(fā)明通過人臉RGBD圖集上采集的特征點(diǎn)建立人臉彩色3D網(wǎng)格，并通過該人臉彩色3D網(wǎng)格獲取特征點(diǎn)的特征值和連接關(guān)系，從而獲取了人臉特征點(diǎn)的3D空間分布特征信息，以應(yīng)用于人臉的識別，由于3D空間分布特征信息包括了顏色信息和深度信息，人臉信息更加全面，通過該3D空間分布特征信息可以建立人臉骨架，通過人臉骨架進(jìn)行識別，所以人臉的姿態(tài)、表情、光照以及臉部化妝等非幾何外觀變化以及人臉胖瘦等情況變化均不會對人臉識別進(jìn)行影響，因此對人臉的識別能更加精確。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實(shí)施例提供的一種人臉3D特征信息的獲取方法的流程示意圖；

圖2是本發(fā)明另一實(shí)施例提供的一種人臉3D特征信息的獲取方法的流程示意圖；

圖3是本發(fā)明又一實(shí)施例提供的一種人臉3D特征信息的獲取方法的流程示意圖；

圖4是本發(fā)明實(shí)施例提供的一種獲取人臉3D特征信息的設(shè)備的結(jié)構(gòu)示意圖；

圖5是本發(fā)明實(shí)施例提供的一種獲取人臉3D特征信息的設(shè)備實(shí)體裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請參閱圖1，圖1是本發(fā)明實(shí)施例提供的一種人臉3D特征信息的獲取方法的流程示意圖。

本實(shí)施例的人臉3D特征信息的獲取方法包括以下步驟：

S101：獲取RGBD人臉圖像。

具體地，RGBD人臉圖像包括人臉的顏色信息(RGB)和深度信息(Depth)，RGBD人臉圖像可以通過Kinect傳感器獲得。其中，該RGBD人臉圖像具體為一個圖像集，包括例如同一個人的多個角度的多個RGBD圖像。

S102：通過RGBD人臉圖像采集人臉的特征點(diǎn)。

步驟S102中，在獲取RGBD人臉圖像之后，在該RGBD人臉圖像上，通過采集人臉元素來進(jìn)行特征點(diǎn)的采集，其中，人臉元素包括：眉毛、眼睛、鼻子、嘴巴、臉頰以及下巴中的一個或者多個。

特征點(diǎn)的獲取方法可以是多種，例如，通過人工標(biāo)記人臉的眼睛、鼻子等五官、面頰、下頜及其邊緣等特征點(diǎn)，也可以兼容RGB(2D)的人臉特征點(diǎn)標(biāo)記方法來確定人臉的特征點(diǎn)。

舉例而言，人臉關(guān)鍵特征點(diǎn)的定位方法：選取人臉的9個特征點(diǎn)，這些特征點(diǎn)的分布具有角度不變性，分別為2個眼球中心點(diǎn)、4個眼角點(diǎn)、兩鼻孔的中點(diǎn)和2個嘴角點(diǎn)。在此基礎(chǔ)上可以容易地獲得與識別有關(guān)的人臉各器官特征以及擴(kuò)展的其他特征點(diǎn)位置，用于進(jìn)一步的識別算法。

在進(jìn)行人臉特征提取時，由于無法將局部的邊緣信息有效地組織起來，傳統(tǒng)的邊緣檢測算子不能可靠地提取人臉的特征(眼睛或嘴的輪廓)，但從人類視覺特性出發(fā)，充分利用邊緣及角點(diǎn)的特征來進(jìn)行人臉關(guān)鍵特征點(diǎn)的定位，則會大大提高其可靠性。

其中選擇Susan(Smallest Univalue Segment Assimilating Nucleus)算子用于提取局部區(qū)域的邊緣和角點(diǎn)特征。根據(jù)Susan算子的特性，它既可用來檢測邊緣，又能用來提取角點(diǎn)。因此與Sobel、Canny等邊緣檢測算子相比較而言，Susan算子更適合進(jìn)行人臉眼部和嘴巴等特征的提取，尤其是對眼角點(diǎn)和嘴角點(diǎn)的自動定位。

以下是Susan算子的介紹：

用一個圓形模板遍歷圖像，若模板內(nèi)其他任意像素的灰度值與模板中心像素(核)的灰度值的差小于一定閾值，就認(rèn)為該點(diǎn)與核具有相同(或相近)的灰度值，滿足這樣條件的像素組成的區(qū)域稱為核值相似區(qū)(Univalue Segment Assimilating Nucleus,USAN)。把圖像中的每個像素與具有相近灰度值的局部區(qū)域相聯(lián)系是SUSAN準(zhǔn)則的基。

具體檢測時，是用圓形模板掃描整個圖像，比較模板內(nèi)每一像素與中心像素的灰度值，并給定閾值來判別該像素是否屬于USAN區(qū)域，如下式：

式中，c(r,r₀)為模板內(nèi)屬于USAN區(qū)域的像素的判別函數(shù)，I(r₀)是模板中心像素(核)的灰度值，I(r)為模板內(nèi)其他任意像素的灰度值，t是灰度差門限。它影響檢測到角點(diǎn)的個數(shù)。t減小，獲得圖像中更多精細(xì)的變化，從而給出相對較多的檢測數(shù)量。門限t必須根據(jù)圖像的對比度和噪聲等因素確定。則圖像中某一點(diǎn)的USAN區(qū)域大小可由下式表示：

其中，g為幾何門限，影響檢測到的角點(diǎn)形狀，g越小，檢測到的角點(diǎn)越尖銳。(1)t,g的確定門限g決定了輸出角點(diǎn)的USAN區(qū)域的最大值，即只要圖象中的象素具有比g小的USAN區(qū)域，該點(diǎn)就被判定為角點(diǎn)。g的大小不但決定了可從圖象中提取角點(diǎn)的多寡，而且如前所述，它還決定了所檢測到的角點(diǎn)的尖銳程度。所以一旦確定了所需角點(diǎn)的質(zhì)量(尖銳程度)，g就可以取一個固定不變的值。門限t表示所能檢測角點(diǎn)的最小對比度，也是能忽略的噪聲的最大容限。它主要決定了能夠提取的特征數(shù)量，t越小，可從對比度越低的圖象中提取特征，而且提取的特征也越多。因此對于不同對比度和噪聲情況的圖象，應(yīng)取不同的t值。SUSAN算子有一個突出的優(yōu)點(diǎn)，就是對局部噪聲不敏感，抗噪能力強(qiáng)。這是由于它不依賴于前期圖像分割的結(jié)果，并避免了梯度計(jì)算，另外，USAN區(qū)域是由模板內(nèi)與模板中心像素具有相似灰度值的像素累加而得，這實(shí)際上是一個積分過程，對于高斯噪聲有很好的抑制作用。

SUSAN二維特征檢測的最后一個階段，就是尋找初始角點(diǎn)響應(yīng)的局部最大值，也就是非最大抑制處理，以得到最終的角點(diǎn)位置。非最大抑制顧名思義，就是在局部范圍內(nèi)，如果中心像素的初始響應(yīng)是此區(qū)域內(nèi)的最大值，則保留其值，否則刪除，這樣就可以得到局部區(qū)域的最大值。

(1)眼球及眼角的自動定位。在眼球及眼角的自動定位過程中，首先采用歸一化模板匹配的方法初步定位人臉。在整個人臉圖像中確定出臉部的大概區(qū)域。通常的人眼定位算法根據(jù)眼睛的谷點(diǎn)性質(zhì)來定位，而此處則采用將谷點(diǎn)的搜索和方向投影以及眼球的對稱性相結(jié)合的方法，利用兩眼之間的相關(guān)性可以提高眼睛定位的準(zhǔn)確度。對臉部區(qū)域的左上和右上部分進(jìn)行梯度圖積分投影，并對積分投影的直方圖進(jìn)行歸一化，首先根據(jù)水平投影的谷點(diǎn)確定出眼睛在y方向的大致位置，然后讓x在較大的范圍內(nèi)變化，尋找此區(qū)域內(nèi)的谷點(diǎn)，將檢測到的點(diǎn)作為兩眼的眼球中心點(diǎn)。

在獲得兩眼球位置的基礎(chǔ)上，對眼部區(qū)域進(jìn)行處理，首先采用自適應(yīng)二值化方法確定門限閾值，得到眼部區(qū)域的自動二值化圖像，然后結(jié)合Susan算子，利用邊緣和角點(diǎn)檢測的算法在眼部區(qū)域內(nèi)準(zhǔn)確定位內(nèi)外眼角點(diǎn)。

經(jīng)過上述算法獲得的眼部區(qū)域邊緣圖像，在此基礎(chǔ)上對圖像中的邊緣曲線進(jìn)行角點(diǎn)提取即可獲得準(zhǔn)確的兩眼內(nèi)外眼角點(diǎn)位置。

(2)鼻域特征點(diǎn)的自動定位。將人臉鼻子區(qū)域的關(guān)鍵特征點(diǎn)確定為兩個鼻孔中心連線的中點(diǎn)處，即鼻唇中心點(diǎn)。人臉鼻唇中心點(diǎn)的位置相對較穩(wěn)定，而且對于人臉圖像歸一化預(yù)處理時也可起到基準(zhǔn)點(diǎn)的作用。

以找到的兩眼球位置為基礎(chǔ)，采用區(qū)域灰度積分投影的方法確定兩個鼻孔的位置。

首先截取兩眼瞳孔寬度的條狀區(qū)域，進(jìn)行Y方向積分投影，然后對投影曲線進(jìn)行分析?？梢钥吹?，沿著投影曲線自眼球位置的Y坐標(biāo)高度向下搜索，找到第一個谷點(diǎn)的位置(通過調(diào)整選擇適當(dāng)?shù)姆骞圈ぶ担雎灾虚g可能由于臉部疤痕或眼鏡等因素產(chǎn)生的毛刺影響)，將這個谷點(diǎn)作為鼻孔位置的Y坐標(biāo)基準(zhǔn)點(diǎn)；第二步選取以兩眼球X坐標(biāo)為寬度，鼻孔Y坐標(biāo)上下δ像素(例如，選取δ＝[鼻孔Y坐標(biāo)-眼球Y坐標(biāo)]×0.06)為高度的區(qū)域進(jìn)行X方向積分投影，然后對投影曲線進(jìn)行分析，以兩眼瞳孔中點(diǎn)的X坐標(biāo)作為中心點(diǎn)，分別向左右兩側(cè)進(jìn)行搜索，找到的第一個谷點(diǎn)即為左右鼻孔的中心點(diǎn)的X坐標(biāo)。計(jì)算兩個鼻孔的中點(diǎn)作為鼻唇中點(diǎn)，獲得鼻唇中心點(diǎn)的準(zhǔn)確位置，并劃定鼻子區(qū)域。

(3)嘴角的自動定位。由于人臉表情的不同可能會引起嘴巴形狀的較大變動，而且嘴巴區(qū)域比較容易受到胡須等因素的干擾，因此嘴部特征點(diǎn)提取的準(zhǔn)確性對于識別影響較大。由于嘴角點(diǎn)的位置受表情等影響相對變動較小，角點(diǎn)的位置較準(zhǔn)確，所以采取嘴部區(qū)域的重要特征點(diǎn)為兩個嘴角點(diǎn)的定位方式。

在確定了雙眼區(qū)域以及鼻域特征點(diǎn)的基礎(chǔ)上，首先利用區(qū)域灰度積分投影的方法確定自鼻孔以下Y坐標(biāo)投影曲線的第一個谷點(diǎn)(同理，需要通過適當(dāng)?shù)姆骞圈ぶ祦硐捎诤殹牒鄣纫蛩禺a(chǎn)生的毛刺影響)作為嘴巴的Y坐標(biāo)位置；然后選定嘴巴區(qū)域，對區(qū)域圖像利用Susan算子進(jìn)行處理，得到嘴部邊緣圖后；最后進(jìn)行角點(diǎn)提取，便可以獲得兩個嘴角的精確位置。

S103：根據(jù)特征點(diǎn)建立人臉彩色3D網(wǎng)格。

S104：根據(jù)人臉彩色3D網(wǎng)格度量特征點(diǎn)的特征值并計(jì)算特征點(diǎn)之間的連接關(guān)系。

具體而言，通過顏色信息可以針對人臉特征的特征點(diǎn)對相關(guān)特征值進(jìn)行度量，該特征值為人臉特征在2D平面上的包括對位置、距離、形狀、大小、角度、弧度以及曲率中的一種或者多種的度量，此外，還包括對色彩、亮度、紋理等的度量。例如根據(jù)虹膜中心像素點(diǎn)向周圍延伸，得到眼睛的全部像素位置，眼睛的形狀，眼角的傾斜弧度，眼睛的顏色等等。

結(jié)合顏色信息和深度信息，則可以計(jì)算出特征點(diǎn)之間的連接關(guān)系，該連接關(guān)系可以是特征點(diǎn)之間的拓?fù)溥B接關(guān)系和空間幾何距離，或者也可以是特征點(diǎn)的各種組合的動態(tài)連接關(guān)系信息等。

根據(jù)人臉彩色3D網(wǎng)格的度量和計(jì)算可以獲得包括人臉的各個元素本身的平面信息和每個元素上的特征點(diǎn)的空間位置關(guān)系的局部信息，以及各個元素之間的空間位置關(guān)系的整體信息。局部信息和整體信息分別從局部和整體上反映隱含在人臉RGBD圖上的信息和結(jié)構(gòu)關(guān)系。

S105：對特征值和連接關(guān)系進(jìn)行分析以獲取特征點(diǎn)的3D空間分布特征信息。

步驟S105中，通過對特征值和連接關(guān)系的分析，因而可以獲得立體的人臉形狀信息，從而獲得人臉各特征點(diǎn)的3D空間分布特征信息，使后期進(jìn)行人臉識別的時候，可以通過人臉的3D空間分布特征信息進(jìn)行識別。

區(qū)別于現(xiàn)有技術(shù)，本發(fā)明通過人臉RGBD圖集上采集的特征點(diǎn)建立人臉彩色3D網(wǎng)格，并通過該人臉彩色3D網(wǎng)格獲取特征點(diǎn)的特征值和連接關(guān)系，從而獲取了人臉特征點(diǎn)的3D空間分布特征信息，以應(yīng)用于人臉的識別，由于3D空間分布特征信息包括了顏色信息和深度信息，人臉信息更加全面，并且，通過該3D空間分布特征信息可以建立人臉骨架，通過人臉骨架進(jìn)行識別，所以人臉的姿態(tài)、表情、光照以及臉部化妝等非幾何外觀變化以及人臉胖瘦等情況的變化均不會對人臉識別進(jìn)行影響，因此對人臉的識別能更加精確。

請參閱圖2，圖2是本發(fā)明另一實(shí)施例提供的一種人臉3D特征信息的獲取方法的流程示意圖。

S201：獲取RGBD人臉圖像。

S202：通過RGBD人臉圖像采集人臉的特征點(diǎn)。

S203：根據(jù)特征點(diǎn)建立人臉彩色3D網(wǎng)格。

S204：根據(jù)人臉彩色3D網(wǎng)格度量特征點(diǎn)的特征值并計(jì)算特征點(diǎn)之間的拓?fù)溥B接關(guān)系和空間幾何距離。

S205：采用有限元分析方法對特征值、特征點(diǎn)之間的拓?fù)溥B接關(guān)系和空間幾何距離進(jìn)行分析以獲取特征點(diǎn)的3D空間分布特征信息。

具體地，使用有限元分析可對人臉彩色3D網(wǎng)格進(jìn)行曲面變形。有限元分析(FEA，F(xiàn)inite Element Analysis)即利用數(shù)學(xué)近似的方法對真實(shí)物理系統(tǒng)(幾何和載荷工況)進(jìn)行模擬。還利用簡單而又相互作用的元素，即單元，就可以用有限數(shù)量的未知量去逼近無限未知量的真實(shí)系統(tǒng)。

例如，對人臉彩色3D網(wǎng)格每個線單元進(jìn)行變形能量分析后，可以建立線單元的單元剛度方程。然后引入約束單元，如點(diǎn)、線、切矢、法矢等約束單元類型。因?yàn)榍€曲面要滿足稽核設(shè)計(jì)時對其形狀、位置、尺寸以及與相鄰曲面的連續(xù)性等要求，這些都是通過約束來實(shí)現(xiàn)的。本實(shí)施例通過罰函數(shù)法處理這些約束，最終獲得約束單元的剛度矩陣和等效載荷列陣。

擴(kuò)充變形曲線曲面的數(shù)據(jù)結(jié)構(gòu)，使得變形曲線曲面的數(shù)據(jù)結(jié)構(gòu)既包含如階數(shù)、控制頂點(diǎn)和節(jié)點(diǎn)矢量等的幾何參數(shù)部分，還包括表明物理特性和外載荷的一些參數(shù)。從而使得變形曲線曲面可以整體表示一些較為復(fù)雜的形體表明，大大簡化了人臉的幾何模型。并且，在數(shù)據(jù)結(jié)構(gòu)中的物理參數(shù)和約束參數(shù)唯一決定了人臉的構(gòu)形幾何參數(shù)，

通過程序設(shè)計(jì)來用有限元求解變形曲線曲面，針對不同的約束單元，設(shè)置單元入口程序，可計(jì)算出任何一種約束的單元剛度矩陣和單元載荷列陣。根據(jù)總體剛度矩陣的對稱性、帶狀性和稀疏性，采用變帶寬一維數(shù)組存儲方法對總體剛度矩陣計(jì)算。組裝時，不僅將線單元或面單元剛度矩陣，也將約束單元剛度矩陣按“對號入座”方式加入到總體剛度矩陣中，同時將約束單元等效載荷列陣加入到總體載荷列陣中，最后采用高斯消去法求解線性代數(shù)方程組。

舉例而言，人臉曲線曲面的造型方法可用數(shù)學(xué)模型描述為：

所求變形曲線

或曲面

是如下極值問題的解

其中，是曲線曲面的能量泛函，它在一定程度上反映曲線曲面的變形特點(diǎn)，賦予曲線曲面物理特性。f1,f2,f3,f4是關(guān)于(·)中變量的函數(shù)，是參數(shù)定義域的邊界，?！涫乔鎱?shù)域內(nèi)的曲線，(μ₀，v₀)是參數(shù)域內(nèi)某參數(shù)值，條件(1)是邊界插值約束，條件(2)是邊界處連續(xù)性約束，條件(3)是曲面內(nèi)特征線的約束，條件(4)是曲線曲面內(nèi)點(diǎn)約束。在應(yīng)用中，能量泛函取成如下形式：

曲線：

曲面：

其中，α、β、γ分別表示曲線的拉伸、玩去、扭曲系數(shù)，αij和βij分別為曲面在(μ，v)處局部沿μ，v方向的拉很和玩去系數(shù)。

從數(shù)學(xué)模型中可以看出，變形曲線曲面造型方法同一、協(xié)調(diào)地處理各類約束，既滿足了局部控制，又保證了整體廣順。利用變分原理，求解上述極值問題可轉(zhuǎn)化為求解如下方程：

這里的δ表示一階變分。式(5)是一個微分方程，由于該方程比較復(fù)雜，難于求出精確分析結(jié)，因此采用數(shù)值解放。例如，采用有限元方法求解。

有限元方法可認(rèn)為是先根據(jù)需要選擇合適的插值形式，再求解組合參數(shù)，因此所得的解不僅為連續(xù)形式，而前處理生成的網(wǎng)格也為有限元分析奠定了基礎(chǔ)。

在識別階段，未知人臉圖像與已知人臉模板之間的相似性度量由下式給出：

式中：C_iX_j分別為待識別人臉的特征和人臉庫中人臉的特征，i₁,i₂,j₁,j₂,k₁,k₂為3D網(wǎng)格頂點(diǎn)特征。式中的第一項(xiàng)是機(jī)選兩個矢量場中對應(yīng)的局部特征X_j和C_i的相似程度，第二項(xiàng)則是計(jì)算局部位置關(guān)系和匹配次序，由此可見，最佳匹配也就是最小能量函數(shù)時的匹配。

通過上述有限元方法對人臉彩色3D網(wǎng)格進(jìn)行了曲面變形，使人臉彩色3D網(wǎng)格各個點(diǎn)均不斷接近真實(shí)人臉的特征點(diǎn)，從而獲得立體的人臉形狀信息，進(jìn)而獲取了人臉特征點(diǎn)的3D空間分布特征信息。

請參閱圖3，圖3是本發(fā)明又一實(shí)施例提供的一種人臉3D特征信息的獲取方法的流程示意圖。

S301：獲取RGBD人臉圖像。

S302：通過RGBD人臉圖像采集人臉的特征點(diǎn)。

本實(shí)施例中，采用離散小波變換進(jìn)行人臉特定位，以采集人臉的特征點(diǎn)。首先是臉部區(qū)域定位，人臉的形狀近似于橢圓，因此可用檢測橢圓算法確定人臉區(qū)域，并得到人臉的旋轉(zhuǎn)角度。檢測橢圓得到包括中心點(diǎn)的坐標(biāo)，長、短軸的長度，橢圓的旋轉(zhuǎn)角度等參數(shù)，旋轉(zhuǎn)角度能夠確定人臉旋轉(zhuǎn)的角度。

然后是人臉特征的定位，例如，眼睛、眉毛、鼻尖和嘴部表現(xiàn)為水平特征，為x方向的低頻信號和y方向的高頻信號，選自LH分量定位眼睛和嘴部。虹膜是人臉最重要的特征之一，包含較多的信息量，選擇原始圖像定位虹膜。

(1)眼睛和虹膜定位。將眼睛與眉毛結(jié)合，作為眼部特征來定位。若得到的眼部區(qū)域完整地包含虹膜，即定位正確。在取得眼部區(qū)域定位后，定位虹膜，虹膜的形狀是標(biāo)準(zhǔn)圓形，由于眼睛的結(jié)構(gòu)，虹膜總是被部分者按，因此采用抗干擾性強(qiáng)的HOUGH變換對其定位。

(2)嘴和鼻的定位。嘴部和鼻尖表現(xiàn)為水平特征，小波變換LH分量中為與橢圓短軸平行的線段或弧段。鼻翼為垂直特征且特性相對穩(wěn)定，在小波變換HL分兩種是與橢圓長軸平行的線段，采用HOUGH變換和人臉特征間的幾何關(guān)系，檢測嘴巴、鼻頭和鼻翼的線段，在圖中標(biāo)記。

S303：根據(jù)特征點(diǎn)建立人臉彩色3D網(wǎng)格。

S304：根據(jù)人臉彩色3D網(wǎng)格度量特征點(diǎn)的特征值并計(jì)算特征點(diǎn)之間的動態(tài)連接關(guān)系信息。

S305：采用小波變換紋理分析方法對特征值和特征點(diǎn)之間的動態(tài)連接關(guān)系進(jìn)行分析，以獲取特征點(diǎn)的3D空間分布特征信息。

具體而言，動態(tài)連接關(guān)系為各種特征點(diǎn)組合的動態(tài)連接關(guān)系。小波變換是時間和頻率的局域變換，它具有多分辨率分析的特征，而且在時域頻域都具有表征信號局部特征的能力。本實(shí)施例通過小波變換紋理分析經(jīng)過對紋理特征的提取、分類和分析步驟并結(jié)合人臉特征值以及動態(tài)連接關(guān)系信息，具體包括顏色信息和深度信息，最終獲取立體的人臉形狀信息，最終再從人臉形狀信息中分析提取出人臉細(xì)微表情變化下具有不變性的人臉形狀信息，進(jìn)行編碼人臉形狀模型參數(shù)，該模型參數(shù)即可作為人臉的幾何特征，從而獲得人臉特征點(diǎn)的3D空間分布特征信息。

在其它一些實(shí)施例提供的人臉3D特征信息的獲取方法中還兼容了人臉2D特征信息的獲取，人臉2D特征信息的獲取方法可以為本領(lǐng)域常規(guī)的各種方法。在該些實(shí)施例中，在獲取人臉3D特征信息的同時，還可以獲取人臉2D特征信息，以同時對人臉進(jìn)行3D和2D的識別，從而進(jìn)一步提高人臉識別的精確度。

舉例而言，三維小波變換的基礎(chǔ)如下：

其中，

A_J1為函數(shù)f(x,y,z)到空間V³_J1的投影算子，

Q_n為H_x,H_y,H_z G_x,G_y,G_z的組合；

令矩陣H＝(H_m，k)，G＝(G_m，k)，其中，H_x,H_y,H_z分別表示H作用到三維信號x,y,z方向上，G_x,G_y,G_z分別表示G作用到三維信號x,y,z方向上。

識別階段，將未知人臉圖像小波變換后，取其低頻低分辨率子圖映射到人臉空間，將得到特征系數(shù)，可以使用歐式距離比較待分類特征系數(shù)與每個人的特征系數(shù)之間的距離，結(jié)合PCA算法，根據(jù)公式：

式中，K為與未知人臉最匹配的人，N為數(shù)據(jù)庫人數(shù)，Y為未知人臉映射到由特征臉形成的子空間上得到的m維向量，Y_k為數(shù)據(jù)庫中已知人臉映射到由特征臉形成的子空間上得到的m維向量。

可以理解地，在另一個實(shí)施例中，還可以采用是基于二維小波特征的3D人臉識別方法進(jìn)行識別，首先需要進(jìn)行二維小波特征提取，二維小波基函數(shù)g(x,y)定義為

g_mn(x，y)＝a^-mng(x′，y′)，a＞1，m.n∈Z

其中，σ為高斯窗口的大小，一個自相似的濾波器函數(shù)可通過函數(shù)g_mn(x,y)對g(x,y)進(jìn)行適當(dāng)膨脹和旋轉(zhuǎn)得到。基于以上函數(shù)，對圖像I(x,y)的小波特征可以定義為

人臉圖像二維小波提取算法的實(shí)現(xiàn)步驟如下：

(1)通過小波分析獲取關(guān)于人臉的小波表征，使原圖像I(x,y)中的相應(yīng)特征轉(zhuǎn)化為小波特征向量F(F∈R^m)。

(2)采用小指數(shù)多項(xiàng)式(FPP)模型k(x，y)＝(x·y)^d(0＜d＜1)使m維小波特征空間R^m投影到更高n維空間Rⁿ中。

(3)基于核線性判決分析算法(KFDA)，在Rⁿ空間中建立類間矩陣S_b和類內(nèi)矩陣S_w。

計(jì)算S_w的標(biāo)準(zhǔn)正交特征向量α₁，α₂，…，α_n。

(4)提取人臉圖像顯著判別特征向量。另P1＝(α₁，α₂，…，α_q)，其中，α₁，α₂，…，α_q是S_w對應(yīng)的q個特征值為正的特征向量，q＝rank(S_w)。計(jì)算對應(yīng)于L個最大特征值的特征向量β₁，β₂，…，β_L，(L≤c-1)，其中，c是人臉分類的數(shù)量。顯著判別特征向量，f_regular＝B^TP₁^Ty其中，y∈Rⁿ；B＝(β₁，β₂，…，β_l)。

(5)提取人臉圖像不顯著的判別特征向量。計(jì)算對應(yīng)于一個最大特征值的特征向量γ₁，γ₂，…，γ_L，(L≤c-1)。令P₂＝(α_q+1，α_q+2，…，α_m)，則不顯著的判別特征向量

在3D人臉識別階段包括的步驟如下：

(1)對正面人臉進(jìn)行檢測，定位一張正面人臉和一張人臉圖像中關(guān)鍵的人臉特征點(diǎn)，比如人臉的輪廓特征點(diǎn)、左眼和右眼、嘴和鼻等。

(2)通過上述提取的二維Gabor特征向量和一個常用的3D人臉數(shù)據(jù)庫重建三維人臉模型。為了重建一個三維人臉模型，使用ORL(Olivetti Research Laboratory)單人臉三維人臉數(shù)據(jù)庫，包括檢測到的100張人臉圖像。數(shù)據(jù)庫中每個人臉模型都有將近70000個頂點(diǎn)。確定一個特征轉(zhuǎn)換矩陣P，在原有三維人臉識別方法中，該矩陣通常是由子空間分析方法得到的子空間分析投影矩陣，由樣本的協(xié)方差矩陣對應(yīng)于前m個最大特征值的特征向量組成。將提取出的小波判別特征向量對應(yīng)于m個最大特征值的特征向量，組成主特征轉(zhuǎn)換矩陣P’，該特征轉(zhuǎn)換矩陣比原有特征矩陣P對光照、姿態(tài)和表情等因素具有更強(qiáng)的魯棒性，即代表的特征更準(zhǔn)確且穩(wěn)定。

(3)對新生成的人臉模型采用模板匹配及線性判別分析(FLDA)方法進(jìn)行處理，提取模型的類內(nèi)差異和類間差異，進(jìn)一步優(yōu)化最后的識別結(jié)果。

請參參閱圖4，圖4是本發(fā)明實(shí)施例提供的一種獲取人臉3D特征信息的設(shè)備的結(jié)構(gòu)示意圖。

本發(fā)明還提供了一種獲取人臉3D特征信息的設(shè)備，具體地，該設(shè)備包括圖像獲取模塊10、采集模塊20、網(wǎng)格建立模塊30、計(jì)算模塊40和分析模塊50。

其中，圖像獲取模塊10用于獲取RGBD人臉圖像。

采集模塊20與圖像獲取模塊10連接，用于通過RGBD人臉圖像采集人臉的特征點(diǎn)。具體而言，采集模塊20通過采集人臉元素進(jìn)行特征點(diǎn)的采集，其中，人臉元素包括：眉毛、眼睛、鼻子、嘴巴、臉頰以及下巴中的一個或者多個。

網(wǎng)格建立模塊30與采集模塊20連接，用于根據(jù)特征點(diǎn)建立人臉彩色3D網(wǎng)格。

計(jì)算模塊40與網(wǎng)格建立模塊30連接，用于根據(jù)人臉彩色3D網(wǎng)格度量特征點(diǎn)的特征值并計(jì)算特征點(diǎn)之間的連接關(guān)系。其中，特征值包括位置、距離、形狀、大小、角度、弧度以及曲率中的一種或者多種。

分析模塊50與計(jì)算模塊40連接，用于分析特征值和連接關(guān)系以獲取特征點(diǎn)的3D空間分布特征信息。

在一個實(shí)施例中，連接關(guān)系為特征點(diǎn)之間的拓?fù)溥B接關(guān)系和空間幾何距離。分析模塊通過有限元分析方法對人臉彩色3D網(wǎng)格進(jìn)行曲面變形而獲得特征點(diǎn)的3D空間分布特征信息。

在另一個實(shí)施例中，連接關(guān)系為特征點(diǎn)的各種組合的動態(tài)連接關(guān)系信息。分析模塊結(jié)合小波變換紋理分析獲取人臉形狀信息，再通過提取人臉細(xì)微表情變化下具有不變性的人臉形狀信息進(jìn)行編碼人臉形狀模型參數(shù)而獲得特征點(diǎn)的3D空間分布特征信息。

請參閱圖5，圖5是本發(fā)明實(shí)施例提供的一種獲取人臉3D特征信息的設(shè)備實(shí)體裝置的結(jié)構(gòu)示意圖。本實(shí)施方式的裝置可以執(zhí)行上述方法中的步驟，相關(guān)內(nèi)容請參見上述方法中的詳細(xì)說明，在此不再贅述。

該智能電子設(shè)備包括處理器61、與處理器61耦合的存儲器62。

存儲器62用于存儲操作系統(tǒng)、設(shè)置的程序、獲取的RGBD人臉圖像以及存儲計(jì)算所得的特征點(diǎn)的3D空間分布特征信息。

處理器61用于獲取RGBD人臉圖像；通過所述RGBD人臉圖像采集人臉的特征點(diǎn)；根據(jù)所述特征點(diǎn)建立人臉彩色3D網(wǎng)格；根據(jù)所述人臉彩色3D網(wǎng)格度量所述特征點(diǎn)的特征值并計(jì)算所述特征點(diǎn)之間的連接關(guān)系；對所述特征值和所述連接關(guān)系進(jìn)行分析以獲取所述特征點(diǎn)的3D空間分布特征信息。

在本發(fā)明所提供的幾個實(shí)施方式中，應(yīng)該理解到，所揭露的設(shè)備和方法，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的設(shè)備實(shí)施方式僅僅是示意性的，例如，模塊或單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施方式方案的目的。

另外，在本發(fā)明各個實(shí)施方式中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨(dú)物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時，可以存儲在一個計(jì)算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本發(fā)明各個實(shí)施方式方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機(jī)存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

綜上所述，本發(fā)明獲取了人臉特征點(diǎn)的3D空間分布特征信息，以應(yīng)用于人臉的識別，由于3D空間分布特征信息包括了顏色信息和深度信息，人臉信息更加全面，并且，通過該3D空間分布特征信息可以建立人臉骨架，通過人臉骨架進(jìn)行識別，所以人臉的姿態(tài)、表情、光照以及臉部化妝等非幾何外觀變化以及人臉胖瘦等情況變化均不會對人臉識別進(jìn)行影響，因此對人臉的識別能更加精確。

以上所述僅為本發(fā)明的實(shí)施方式，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。