一種人臉識別方法及系統的制作方法
【專利摘要】本發明適用于計算機視覺【技術領域】，提供了一種人臉識別方法及系統，所述方法包括：將待識別人臉圖像與人臉圖像數據庫中的二維人臉圖像進行匹配，獲得最匹配的二維人臉圖像，并結合最匹配的二維人臉圖像對應的三維人臉模型獲得待識別人臉圖像和三維人臉模型之間的投影矩陣，基于投影矩陣和三維人臉模型生成新的二維人臉圖像，將所述待識別人臉圖像的LBP特征向量與所述新的二維人臉圖像的LBP特征向量進行匹配，獲得最匹配的LBP特征向量，并將最匹配的LBP特征向量對應的二維人臉圖像的身份作為最終識別身份。本發明通過將二維和三維方法相結合的方式對人臉圖像進行識別，可有效解決現有技術在人臉姿態變換較大時，人臉識別率較低的問題。
【專利說明】—種人臉識別方法及系統
【技術領域】
[0001]本發明屬于計算機視覺【技術領域】，尤其涉及一種人臉識別方法及系統。
【背景技術】
[0002]在現有的人臉識別技術中，需要通過攝像頭采集人臉二維圖像，獲取人臉二維圖像上的特征點(例如:眼睛、鼻子、嘴等)，并與預存儲的特征點進行比較以達到人臉識別的目的。然而，由于每個人的習慣不同或者采集過程中鏡頭晃動等原因，使得采集到的人臉二維圖像在垂直方向可能存在一定的偏移，造成人臉的識別率較低。

【發明內容】

[0003]本發明實施例在于提供一種人臉識別方法及系統，以解決現有基于二維圖像的人臉識別，在人臉姿態變換較大時識別率較低的問題。
[0004]本發明實施例的第一方面，提供一種人臉識別方法，所述方法包括:
[0005]建立人臉圖像數據庫，所述人臉圖像數據庫包括二維人臉圖像以及與所述二維人臉圖像對應的帶有紋理的三維人臉模型；
[0006]獲取待識別人臉圖像，并將獲取的所述待識別人臉圖像與所述人臉圖像數據庫中的二維人臉圖像進行匹配，獲得最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型；
[0007]根據所述最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型計算獲得所述待識別人臉圖像與該三維人臉模型之間的投影矩陣；
[0008]基于所述投影矩陣和所述人臉圖像數據庫中的每個三維人臉模型生成多個新的二維人臉圖像，其中每一個三維人臉模型對應一個新的二維人臉圖像；
[0009]提取所述待識別人臉圖像的LBP特征向量以及所述新的二維人臉圖像的LBP特征向量，將提取的所述待識別人臉圖像的LBP特征向量與所述新的二維人臉圖像的LBP特征向量進行匹配，獲得最匹配的LBP特征向量對應的二維人臉圖像，并將該二維人臉圖像的身份作為所述待識別人臉圖像的最終識別身份。
[0010]本發明實施例的第二方面，提供一種人臉識別系統，所述系統還包括:
[0011]數據庫建立單元，用于建立人臉圖像數據庫，所述人臉圖像數據庫包括二維人臉圖像以及與所述二維人臉圖像對應的帶有紋理的三維人臉模型；
[0012]匹配單元，用于獲取待識別人臉圖像，并將獲取的所述待識別人臉圖像與所述人臉圖像數據庫中的二維人臉圖像進行匹配，獲得最匹配的二維人臉圖像對應的帶有紋理的二維人臉模型；
[0013]計算單元，用于根據所述最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型計算獲得所述待識別人臉圖像與該三維人臉模型之間的投影矩陣；
[0014]新圖像生成單元，用于基于所述投影矩陣和所述人臉圖像數據庫中的每個三維人臉模型生成多個新的二維人臉圖像，其中每一個三維人臉模型對應一個新的二維人臉圖像；[0015]識別單元，用于提取所述待識別人臉圖像的LBP特征向量以及所述新的二維人臉圖像的LBP特征向量，將提取的所述待識別人臉圖像的LBP特征向量與所述新的二維人臉圖像的LBP特征向量進行匹配，獲得最匹配的LBP特征向量對應的二維人臉圖像，并將該二維人臉圖像的身份作為所述待識別人臉圖像的最終識別身份。
[0016]本發明實施例與現有技術相比存在的有益效果是:本發明實施例將待識別人臉圖像與人臉圖像數據庫中的二維人臉圖像進行匹配，獲得最匹配的二維人臉圖像，并結合最匹配的二維人臉圖像對應的三維人臉模型獲得待識別人臉圖像和三維人臉模型之間的投影矩陣，基于所述投影矩陣和所述人臉圖像數據庫中的每個三維人臉模型生成多個新的二維人臉圖像，提取所述新的二維人臉圖像的LBP特征向量并存儲至人臉圖像數據庫，提取所述待識別人臉圖像的LBP特征向量，并將所述待識別人臉圖像的LBP特征向量與所述新的二維人臉圖像的LBP特征向量進行匹配，獲得最匹配的LBP特征向量對應的二維人臉圖像，將該二維人臉圖像的身份作為所述待識別人臉圖像的最終識別身份。本發明實施例通過將二維和三維方法相結合的方式對人臉圖像進行識別，可有效解決現有技術在人臉姿態變換較大時，單純通過二維圖像提取特征方式導致人臉識別率較低的問題。本發明實施例人臉識別準確、高效，對硬件要求較低，從而有利于降低產品成本，使得產品適用面更廣，具有較強的易用性和實用性。
【專利附圖】

【附圖說明】
[0017]為了更清楚地說明本發明實施例中的技術方案，下面將對實施例或現有技術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明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
[0018]圖1是本發明第一實施例提供的人臉識別方法的實現流程圖；
[0019]圖2是本發明第一實施例提供的對新的二維人臉圖像進行分塊的示例圖；
[0020]圖3是本發明第二實施例提供的人臉識別系統的組成結構圖。
【具體實施方式】
[0021]為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
[0022]為了說明本發明所述的技術方案，下面通過具體實施例來進行說明。
[0023]實施例一:
[0024]圖1示出了第一實施例提供的人臉識別方法的實現流程，該方法過程詳述如下:
[0025]在步驟SlOl中，建立人臉圖像數據庫，所述人臉圖像數據庫包括二維人臉圖像以及與所述二維人臉圖像對應的帶有紋理的三維人臉模型。
[0026]在本實施例中，為每個身份的用戶存儲一張二維人臉圖像，即每一張二維人臉圖像對應一個唯一身份，并基于所述二維人臉圖像通過三維建模技術進行建模，在建模時把人臉的紋理信息保存下來并映射在最終的三維人臉模型上。因此，所述人臉圖像數據庫中保存有每個身份的一張二維人臉圖像以及對應的三維人臉模型。[0027]在步驟S102中，獲取待識別人臉圖像，并將獲取的所述待識別人臉圖像與所述人臉圖像數據庫中的二維人臉圖像進行匹配，獲得最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型。
[0028]在本實施例中，可通過攝像頭等采集待識別人臉圖像，并將采集的所述待識別人臉圖像與所述人臉圖像數據庫中的二維人臉圖像進行匹配，獲得最匹配的二維人臉圖像?；谒龆S人臉圖像與所述三維人臉模型的對應關系，獲取最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型。
[0029]在步驟S103中，根據所述最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型計算獲得所述待識別人臉圖像與該三維人臉模型之間的投影矩陣。
[0030]在本實施例中，通過步驟S102的匹配過程，可以獲得待識別人臉圖像與其最匹配圖像之間的對應關系，再基于最匹配圖像和其三維人臉模型之間的對應關系，可以獲得待識別人臉圖像與三維人臉模型之間的對應關系，通過所述對應關系獲得投影矩陣，其具體過程屬于計算機視覺領域的常用技術手段，在此不再贅述。
[0031]在步驟S104中，基于所述投影矩陣和所述人臉圖像數據庫中的每個三維人臉模型生成多個新的二維人臉圖像，其中每一個三維人臉模型對應一個新的二維人臉圖像。
[0032]在本實施例中，所述投影矩陣計算出來后，將三維人臉模型上的視點左乘以該投影矩陣即獲得二維人臉圖像的視點。再基于三維模型的紋理信息，可獲得投影到所述二維人臉圖像的視點的顏色，基于所述二維人臉圖像的視點和顏色，最終生成一張新的二維人臉圖像。其中所述視點是指人臉圖像相對于攝像頭的位置。
[0033]在步驟S105中，提取所述待識別人臉圖像的LBP特征向量(即表示所述待識別人臉圖像的特征的向量)以及所述新的二維人臉圖像的LBP特征向量，將提取的所述待識別人臉圖像的LBP特征向量與所述新的二維人臉圖像的LBP特征向量進行匹配，獲得最匹配的LBP特征向量對應的二維人臉圖像，并將該二維人臉圖像的身份作為所述待識別人臉圖像的最終識別身份。
[0034]其中，所述提取所述新的二維人臉圖像中的LBP特征向量包括:
[0035]對所述新的二維人臉圖像進行分塊(如圖2所示，假定二維人臉圖像大小為WXh像素，其中w為圖像的寬度，h為圖像的高度，每個塊的大小定為32X32像素，那么該二維人臉圖像最終被分成(w/32) X (h/32)個小塊)，并針對每一個分塊提取多個不同尺度下的局部二值模式(Local Binary Patterns, LBP)特征向量,例如提取LBP特征向量時采用1、
3、5、7不同像素大小的半徑，每個半徑對應一個尺度，從而獲得4個尺度下的LBP特征向量，每個半徑下的LBP特征為59維的特征向量；
[0036]合并不同尺度下的LBP特征向量，將合并后的LBP特征向量作為對應分塊的LBP特征向量，如上示例，將4個59維的特征向量合并成一個236維的特征向量，將236維的特征向量作為該分塊對應的LBP特征向量；
[0037]合并每個分塊的LBP特征向量，將每個分塊合并后的LBP特征向量作為對應新的二維人臉圖像的特征向量，如上示例，將每個分塊的LBP特征向量合并成一個維數為(w/32) X (h/32) X236的向量，并對該向量進行歸一化處理，歸一化處理后的向量標記為\BPi，所述Vmji即為新的二維人臉圖像對應的LBP特征向量。
[0038]進一步的，為了減少新的二維人臉圖像對應的LBP特征向量的噪音，本實施例還包括:
[0039]基于新的二維人臉圖像的LBP特征向量，獲取新的二維人臉圖像的強LBP特征向量，其公式具體為:
[0040]
【權利要求】
1.一種人臉識別方法，其特征在于，所述方法包括: 建立人臉圖像數據庫，所述人臉圖像數據庫包括二維人臉圖像以及與所述二維人臉圖像對應的帶有紋理的三維人臉模型； 獲取待識別人臉圖像，并將獲取的所述待識別人臉圖像與所述人臉圖像數據庫中的二維人臉圖像進行匹配，獲得最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型； 根據所述最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型計算獲得所述待識別人臉圖像與該三維人臉模型之間的投影矩陣； 基于所述投影矩陣和所述人臉圖像數據庫中的每個三維人臉模型生成多個新的二維人臉圖像，其中每一個三維人臉模型對應一個新的二維人臉圖像； 提取所述待識別人臉圖像的LBP特征向量以及所述新的二維人臉圖像的LBP特征向量，將提取的所述待識別人臉圖像的LBP特征向量與所述新的二維人臉圖像的LBP特征向量進行匹配，獲得最匹配的LBP特征向量對應的二維人臉圖像，并將該二維人臉圖像的身份作為所述待識別人臉圖像的最終識別身份。
2.如權利要求1所述的方法，其特征在于，所述提取所述新的二維人臉圖像中的LBP特征向量包括: 對所述新的二維人臉圖像進行分塊，并針對每一個分塊提取多個不同尺度下的LBP特征向量； 合并不同尺度下的LBP特征向量，將合并后的LBP特征向量作為對應分塊的LBP特征向量; 合并每個分塊的LBP特征向量，將每個分塊合并后的LBP特征向量作為對應新的二維人臉圖像的特征向量。
3.如權利要求2所述的方法，其特征在于，所述方法還包括: 對每個分塊合并后的LBP特征向量進行歸一化處理。
4.如權利要求2或3所述的方法，其特征在于，所述方法還包括: 基于新的二維人臉圖像的LBP特征向量，獲取新的二維人臉圖像的強LBP特征向量，其公式具體為:
Vi=WXBPi 其中，Vi表示第i個新的二維人臉圖像的強LBP特征向量，'BPi表示第i個新的二維人臉圖像的LBP特征向量,W=Iiq1 q2...q k ]，Q k為
5.如權利要求1所述的方法，其特征在于，所述將提取的所述待識別人臉圖像的LBP特征向量與所述新的二維人臉圖像的LBP特征向量進行匹配的公式為:
f=l-VLBP1TVLBp2 其中，Vlbpi為所述待識別人臉圖像的LBP特征向量，Vlbp2為所述新的二維人臉圖像的LBP特征向量，f值越小表示匹配度越高。
6.一種人臉識別系統，其特征在于，所述系統包括:數據庫建立單元，用于建立人臉圖像數據庫，所述人臉圖像數據庫包括二維人臉圖像以及與所述二維人臉圖像對應的帶有紋理的三維人臉模型； 匹配單元，用于獲取待識別人臉圖像，并將獲取的所述待識別人臉圖像與所述人臉圖像數據庫中的二維人臉圖像進行匹配，獲得最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型； 計算單元，用于根據所述最匹配的二維人臉圖像對應的帶有紋理的三維人臉模型計算獲得所述待識別人臉圖像與該三維人臉模型之間的投影矩陣； 新圖像生成單元，用于基于所述投影矩陣和所述人臉圖像數據庫中的每個三維人臉模型生成多個新的二維人臉圖像，其中每一個三維人臉模型對應一個新的二維人臉圖像； 識別單元，用于提取所述待識別人臉圖像的LBP特征向量以及所述新的二維人臉圖像的LBP特征向量，將提取的所述待識別人臉圖像的LBP特征向量與所述新的二維人臉圖像的LBP特征向量進行匹配，獲得最匹配的LBP特征向量對應的二維人臉圖像，并將該二維人臉圖像的身份作為所述待識別人臉圖像的最終識別身份。
7.如權利要求6所述的系統，其特征在于，所述識別單元包括: 特征提取模塊，用于對所述新的二維人臉圖像進行分塊，并針對每一個分塊提取多個不同尺度下的LBP特征向量； 第一合并模塊，用于合并不同尺度下的LBP特征向量，將合并后的LBP特征向量作為對應分塊的LBP特征向量； 第二合并模塊，用于合并每個分塊的LBP特征向量，將每個分塊合并后的LBP特征向量作為對應新的二維人臉圖像的特征向量。
8.如權利要求7所述的系統，其特征在于，所述第二合并模塊還用于: 對每個分塊合并后的LBP特征向量進行歸一化處理。
9.如權利要求7或8所述的系統，其特征在于，所述識別單元還包括: 強特征獲取模塊，用于基于新的二維人臉圖像的LBP特征向量，獲取新的二維人臉圖像的強LBP特征向量，其公式具體為:
Vi=WXBPi 其中，Vi表示第i個新的二維人臉圖像的強LBP特征向量，'BPi表示第i個新的二維人臉圖像的LBP特征向量,W=Iiq1 q2...q k ]，Q k為
10.如權利要求6所述的系統，其特征在于，所述識別單元將提取的所述待識別人臉圖像的LBP特征向量與所述新的二維人臉圖像的LBP特征向量進行匹配的公式為:
f=l-VLBP1TVLBp2 其中，Vlbpi為所述待識別人臉圖像的LBP特征向量，Vlbp2為所述新的二維人臉圖像的LBP特征向量，f值越小表示匹配度越高。
【文檔編號】G06K9/64GK103745206SQ201410040458
【公開日】2014年4月23日 申請日期:2014年1月27日 優先權日:2014年1月27日
【發明者】馮良炳 申請人:中國科學院深圳先進技術研究院