限于"的含 义。
[0059] 在本发明的描述中，需要理解的是，术语"第一"、"第二"等仅用于描述目的，而不 能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，"多个"的含义 是两个或两个以上。
[0060] 图1是本发明实施例的三维人脸识别方法的流程图。
[0061] 如图1所示，所述方法包括模型的训练和在线识别两个步骤。
[0062]训练步骤包括：
[0063]步骤100、获取样本三维人体图像及对应的人脸分类，所述样本三维人体图像至少 包括人的面部。
[0064]步骤200、根据样本三维人体图像获取样本人脸点云。
[0065]步骤300、根据所述样本人脸点云获取对应的高维特征描述子。
[0066]步骤400、基于粗糙集约简方法对多个样本人脸点云的高维特征描述子进行降维 获取样本人脸点云的低维特征描述子以及对应的特征约简方式，以使得所述低维特征描述 子在增加任意一个维度的特征后获得的特征向量的特征重要性度量与低维特征描述子自 身的特征重要性度量的差值小于预定阈值;其中，所述特征重要性度量为集合不确定性度 量和知识不确定性度量的比值。
[0067]步骤500、基于所述样本人脸点云的低维特征描述子及对应的人脸分类训练SVM分 类器获取预定数量的SVM子分类器。
[0068] 所述识别步骤包括：
[0069]步骤6 0 0、获取待识别三维人体图像，所述待识别三维人体图像至少包括人的面 部。
[0070]步骤700、根据待识别三维人体图像获取样本人脸点云。
[0071]步骤800、根据所述待识别人脸点云获取对应的高维特征描述子。
[0072] 步骤900、基于训练步骤获取的特征约简方式对所述待识别人脸点云的高维特征 描述子进行降维获取待识别人脸点云的低维特征描述子
[0073] 步骤1000、根据所述待识别人脸点云的低维特征描述子和所有SVM子分类器进行 测试，积累不同人脸分类的权重，以权重最高的人脸分类作为所述待识别三维人体图像的 人脸分类。
[0074] 对于步骤100和步骤600:
[0075]三维人体图像为具有深度信息的图像，图像文件中的点包括三维坐标信息以及对 应的坐标点的灰度信息。在本实施例中，需要获取包括人的面部的三维人体图像以进行进 一步处理获取人脸点云。在步骤S100中，可以采用各种现有的三维图像获取装置获取三维 人体图像。
[0076] 对于步骤200:图像预处理
[0077]在本步骤，对三维人体图像进行图像预处理以去除由于拍摄以及环境等原因造成 的影响并获取仅包括人脸信息的样本三维人脸点云供后续处理使用。给定肩膀以上的三维 头像作为输入，首先采用一个由粗到精的方法精确地检测出鼻尖，进而由鼻尖得到三维人 脸点云。得到人脸点云后，还要对逸出点进行剔除，并通过重采样使得点云在xy平面上均匀 分布，由于剔除逸出点和重采样会在新点云上带来一些孔洞，因此进一步采用立方插值法 对孔洞进行填充，并采用中值滤波在xy平面上对点云的z值进行平滑去噪，从而得到高精度 的三维人脸点云。不同步骤后获得的结果图像如图2所示。
[0078]在对本实施例的说明中，以人脸图像投影面积最大的面为xy平面，以与xy平面垂 直的方向为z轴。
[0079] 具体地，步骤S200包括：
[0080]步骤S210、对样本三维人体图像进行鼻尖检测，获取鼻尖位置。
[0081]如图2所示，初始的三维人体图像可以被准确地获取到鼻尖位置。
[0082]具体地，对于三维头像，采用一系列以dv为间隔的水平面与头像相交，从而得到一 系列的三维头像水平切片轮廓，如图3a所示。对每一个水平切片轮廓，对其进行均匀采样并 填补相应的孔洞。在该轮廓线上以d h为间隔选取一系列点并在每个点上放置一个圆，如图 3b所示。将该圆与轮廓线的两个交点以及圆心连接起来得到一个三角形，并计算该三角形 的高度h。将具有最大h的点作为该轮廓线上的候选鼻尖点，并以高度h作为该候选鼻尖点的 置信度。理论上，所有水平切片轮廓上的候选鼻尖点均应位于鼻梁线上，然而实际中依然会 有少量的候选鼻尖点与鼻梁线存在较大的距离。为获得更加精确的结果，本发明采用随机 采样一致性(RANSAC)方法对候选鼻尖点进行筛选，并将经过筛选后具有最大置信度的点作 为真正的鼻尖点。上述间隔dv和dh的取值直接关系到鼻尖检测的精度和效率。其取值越小， 检测的精度越高，但消耗的时间也越多。为了获得较好的运算效率，首先采用较大的d v和dh 值以检测到鼻尖点的初值，然后在该初值附近区域采用较小的dv和dh值继续进行鼻尖检测 以获得较高的精度。
[0083]步骤S220、根据鼻尖位置，将到鼻尖距离小于脸部判定半径η的点从三维人体图 像中提取，从而得到未处理样本点云。
[0084]优选地，对大量人脸的统计结果表明，rf取值为80mm时能取得较好的性能。
[0085] 步骤S230、剔除逸出点并对未处理点云进行重采样以使得点云均匀分布，再进一 步采用立方插值法对由于剔除逸出点和重采样造成的孔洞进行填充，并利用中值滤波在xy 平面上对点云的z值进行平滑去噪以获得样本人脸点云。
[0086]具体地，在本实施例中，对未处理点云进行重采样以使得在xy平面上的投影以1毫 米的分辨率均匀分布。
[0087] 优选地，在本实施例中，还对于待识别三维人脸点云户=丨/)i A，…,厂、、.,! e 基于 如下方法对人脸姿态进行归一化，该方法记载于[Mian A,Bennamoun M,0wens R.An efficient multimodal 2D-3D hybrid approach to automatic face recognition.IEEE Transactions on Pattern Analysis and Machine Intelligence.2007,29(11):1927-1943] 〇
[0088] 计算待识别二维人脸点zsrP的均值#和协方差C，也即：
[0089]
[0090]
[0091] 进而对协方差矩阵C进行主成分分析(PCA)得到特征向量矩阵V和特征值矩阵E，也 即：
[0092] CV = VE
[0093] 采用特征向量矩阵V将点云P旋转与其主轴对齐，从而可以实现姿态归一化，也即：
[0094]
[0095] 为得到更加精细的姿态归一化结果，采用1毫米分辨率对旋转后的点云#?进行重 采样，得到新的点云。然后对该点云重复进行上述姿态归一化操作，直到得到的矩阵V趋近 于单位矩阵为止。采用1毫米进行重采样一方面有利于降低分辨率变化对姿态归一化的影 响，另一方面也有利于提高后续特征匹配的性能。为便于描述，下文中继续采用P代表姿态 归一化后的点云F。
[0096]类似地，步骤700中，对待识别三维人体图像进行类似的处理已获得高精度的待识 别人脸点云。具体地，步骤700包括：
[0097]步骤710、根据所述待识别三维人体图像检测鼻尖位置。
[0098]步骤720、获取与所述鼻尖位置距离在预定范围内的点作为未处理待识别点云。
[0099]步骤730、对所述未处理待识别点云进行逸出点剔除、重采样以及孔洞填充获取所 述待识别人脸点云。
[0100] 对于步骤300和步骤800:高维特征描述子提取
[0101] 在步骤300和步骤800中，可以根据各种现有的人脸点云描述方法来获取人脸点云 的高维特征描述子。
[0102] 优选地，给定样本和待识别的三维人体数据中检测出的人脸点云后，可以采用文 南犬[Yinjie Lei ,Mohammed Bennamou n,Munawar Hayat,Yulan Guo . An efficient 3D face recognition approach using local geometrical signatures.Pattern Recognition.47(2):509-524,2014]提出的ARS特征实现对人脸区域形状的有效描述。在一 个优选的实施方式中，可以通过上述方法在180度范围内的17个方向上的提取获得340维 ARS特征向量作为样本人脸点云或待识别人脸点云的高维特征描述子，其示意图和在一个 方向上提取的特征的放大示意图如图4a和图4b所示。
[0103] 对于步骤400:特征约简
[0104] 在本发明实施例中，采用粗糙集约简方法对高维特征描述子进行约简，获取最优 的特征组合方式来作为低维特征描述子。
[0105] 在一个优选实施方式中，提取到340维ARS特征描述子后，为了减少特征维数和降 低计算复杂度，使特征描述子更加紧凑，采用粗糙集约简算法对高维特征描述子中的特征 组合进行选择。
[0106] 具体地，步骤400可以包括：
[0107]步骤410、基于1个样本人脸点云以及对应的高维特征描述子构建知识表达系统I = (U，C，D，5)，其中，U={ui，U2，···，ui}是1个样本人脸点云的集合，称为论域;C={ai，a2，···， ad是高维特征描述子的集合，K为高维特征描述子的维度;D是人脸分类的集合;δ(〇 < δ < 1)为邻域阈值。
[0108] 步骤420、基于如下公式进行高维特征描述子的标准化：
[0109]
[011