本發(fā)明涉及一種人臉識別方法，具體涉及一種基于kinect的三維人臉識別方法。

背景技術(shù)：

在生活中經(jīng)常需要使用個人生物特征進行身份識別，而人臉是生物特征中最重要的特征，在識別中最為常用。目前針對人臉識別的研究非常多，應(yīng)用也較為廣泛，在技術(shù)上，二維人臉在識別中最為常用，但是有些場合并適用，比如舉著人物照片站在攝像頭前，識別系統(tǒng)可能會識別成本人而非圖片，這就會造成不法分子有機可乘，除此之外，二維人臉識別技術(shù)易受光照、表情、裝束、姿態(tài)等因素的影響，而三維人臉識別技術(shù)可以突破這類瓶頸，它有如下幾個特征：

(1)容易獲取深度信息：kinect具有三個攝像頭，能采集彩色信息和深度信息，更甚是獲取骨骼信息，這對人的形體構(gòu)建、人臉定位有很大的幫助。

(2)提供功能強大的sdk：kinect的sdk功能極為強大，一面世就讓業(yè)界震撼，畢竟相對于一般的專業(yè)三維激光掃描儀來說，性價比極高。

基于kinect實現(xiàn)三維人臉識別有如下優(yōu)點：

(1)精確度高。kinect可以較精確地采集到人臉的深度信息，通過相關(guān)算法的訓練匹配，可以獲得較高的識別精度。

(2)識別穩(wěn)定性強。kinect采集的是深度數(shù)據(jù)，數(shù)據(jù)不受光照、化妝、姿態(tài)等因素影響，所以識別的穩(wěn)定性更強。

(3)防偽造能力強。在二維人臉識別系統(tǒng)中，當有舉著人物照片站在攝像頭前，如果沒有其他防偽措施，識別系統(tǒng)可能會識別成本人而非圖片，這就會造成不法分子有機可乘，而三維人臉識別可在原理上避免這類情況。

綜上所述，本發(fā)明有如下意義：

(1)作為一款深度攝像頭，kinect的性價比極高，當下越來越多的產(chǎn)品基于kinect來開發(fā)，可以保證產(chǎn)品性能、降低產(chǎn)品成本。

(2)三維人臉識別技術(shù)是可以彌補二維人臉識別技術(shù)的不足，提高識別精度。

(3)kinect強大的sdk對開發(fā)應(yīng)用有著極大的幫助，大大降低開發(fā)難度，尤其是能獲取面部信息的facetrackingsdk，能減輕三維人臉識別設(shè)計的工作量以及獲取滿意的識別效果。

本發(fā)明有如下意義：與一般的人臉識別方法相比，尤其是二維人臉識別方法，本發(fā)明的三維人臉識別方法具有精度高、識別穩(wěn)定性強和防偽造能力強等優(yōu)點。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提出了一種基于kinect的三維人臉識別方法。

該方法的整體流程為：

(1)人臉區(qū)域檢測：使用kinect的彩色攝像頭，獲取彩色圖像，然后使用成熟的二維人臉檢測方法，檢測出人臉區(qū)域；要求采集不同姿態(tài)的人臉數(shù)據(jù)10幅；

(2)采集三維人臉點云數(shù)據(jù)：在獲取人臉區(qū)域后，即可獲得該區(qū)域的深度數(shù)據(jù)，然后使用一個三維向量表示該二維數(shù)據(jù)和深度數(shù)據(jù)；

(3)對三維圖像數(shù)據(jù)進行預處理；

(4)特征提?。菏褂胟pca方法對三維人臉深度圖像進行特征提取，其中訓練集和測試集分別7幅和3幅；

(5)分類器設(shè)計：使用svm分類器進行分類，先后進行訓練和測試。

附圖說明

圖1基于kinect深度圖像的三維人臉識別流程圖；

圖2三維人臉姿態(tài)校正過程；

圖3為核函數(shù)非線性映射。

具體實施方式

現(xiàn)對本發(fā)明的做進一步的描述，人臉識別過程中包括：降噪處理：由于kinect設(shè)備為了壓縮成本，采用了的攝像頭質(zhì)量有限，采集的圖像質(zhì)量不高，常常包合毛刺噪聲，為了保證識別精度，需要進行降噪處理，具體操作僅需對深度圖像中的離散點進行濾波處理，步驟如下：(1)計算點云中的點的歐氏距離；(2)取一閾值，將歐氏距離小于此閾值的歸位同類，統(tǒng)計每一類的點云數(shù)，將點云數(shù)最少的那5％的類刪除。

在進行特征提取及分類前，需要對數(shù)據(jù)進行方向距離矯正和歸一化處理。由于kinect獲取的三維數(shù)據(jù)是以kinect為中心建立的三維坐標，以此坐標系進行校正和歸一化并不適合人臉目標的識別，考慮到鼻尖對表情不敏感，于是需要將目前的三維坐標系轉(zhuǎn)換成以鼻尖為中心的三維坐標系。

在一個通過面掃描獲得的三維人臉數(shù)據(jù)中，一般鼻尖在某個方向上擁有最大投影。所以通過以下兩個步驟可以估算鼻尖點的位置：

(1)量化角度：首先將【-90°，90°】這個角度區(qū)間進行90等份等量分劃。

(2)鼻尖點確定：對每一個角度,在模型如下剛體變換后選擇具有

最大z坐標z1的點作為鼻尖點的一個候選點。記其坐標為pi(xi,yi,zi),令z＝max{zi}。與z相對應(yīng)的頂點就是鼻尖點。

在采集三維數(shù)據(jù)時，人的姿態(tài)和距離的距離都會對采集到的數(shù)據(jù)造成影響，為了減少這種影響，需要對三維人臉數(shù)據(jù)進行校正和歸一化處理。我們以鼻尖點為中心，90mm為半徑對原有的三維人臉進行切割，然后用人臉姿態(tài)校正方法對切割后的三維人臉數(shù)據(jù)進行校正。

先對三維人臉數(shù)據(jù)做主成分分析，將最小特征值向量作為z軸，最大特征值特征向量作為新坐標系的y軸，建立右手坐標系，將鼻尖點作為整個坐標系的原點，將三維人臉點云數(shù)據(jù)轉(zhuǎn)換到坐標系中，就完成了對于人臉姿態(tài)校正，如圖2所示。

三維人臉圖像進行降維提取特征，具體過程為：

設(shè)x1,x2,...,xm為訓練樣本，{xi}表示輸入空間。核主成分分析方法的基本思想，就是通過某種方式實現(xiàn)輸入空間到某個高維空間(特征空間)的映射，并在特征空間中實現(xiàn)主成分提取，如圖3所示。

假設(shè)對應(yīng)的映射為φ，則定義為

φ：x^d→f(2)

x→ξ＝φ(x)(3)

通過映射φ，核函數(shù)實現(xiàn)將點x映射到f，并且在特征空間中數(shù)據(jù)滿足中心化的條件，即

相應(yīng)的協(xié)方差矩陣為

c的特征值λ≥0和特征向量

v∈f\{0}cv＝λv

(φ(xr)·cv)＝λ(φ(xr)·v)(6)

將特征向量表示為φ(x1)，φ(x2)，...φ(xm)，即

可轉(zhuǎn)化為

其中v＝1,2,...m，定義矩陣k為mxm維

kuv＝(φ(xu)·φ(xv))(9)

式子(8)可簡化為

mλkα＝k²α(10)

可見，滿足

mλα＝kα(11)

對(4)求解就能得到特征值和特征向量，測試樣本在特征向量空間v^k的投影為

用核函數(shù)替換內(nèi)積則有

若(4)不成立，則需要調(diào)整，

核矩陣修正為

該特征提取速度快、特征信息保留充分等特征，被廣泛的應(yīng)用到模式識別中。比如去噪，人臉識別，三維物體識別，遙感圖像分析等方面都有廣泛的應(yīng)用。本發(fā)明實現(xiàn)特征提取的過程如下：

(1)將所獲得的n個三維數(shù)據(jù)點(每個點對m個三維人臉樣本)的一批數(shù)據(jù)寫成一個(m*n)維數(shù)據(jù)矩陣

(2)選定使用高斯徑向核函數(shù)計算核矩陣，計算核矩陣k。

(3)由(16)修正核矩陣得到kl。

(4)按照jacobi迭代方法求解kl的特征值λ1,...,λn，即對應(yīng)的特征向量為v1,...,vn；

(5)降序排序特征值得到λ'1＞...＞λ'n，并相應(yīng)調(diào)整特征向量為v1',...,vn'；

(6)通過施密特交化方法單位交化特征向量，得到α,...,αn；

(7)計算特征值的累積貢獻率b1,...,bn，根據(jù)給定的提取率p，如果bt≥p，則提取的t個主成分α1,...,αt

(8)計算己修正的核矩陣x在提取出的特征向量上的投影y＝kl·α，其中α＝(α1,...,αt)。

所得的投影即為數(shù)據(jù)經(jīng)過降維后所得的人臉特征數(shù)據(jù)，形成特征臉。

以上對本發(fā)明的具體實施例進行了描述。需要理解的是，本發(fā)明并不局限于上述特定實施方式，本領(lǐng)域技術(shù)人員可以在權(quán)利要求的范圍內(nèi)做出各種變形或修改，這并不影響本發(fā)明的實質(zhì)內(nèi)容。