获得，共采集了 466个18岁以上的男性和女性个体的4950幅肩部以上正面头部点云。该数据集共包含一个 训练数据集（即FRGCvl数据集）和一个验证数据集（即FRGCv2数据集），其中训练数据集 FRGCvl共包含943幅三维人脸点云，验证数据集FRGCv2包含4007幅三维人脸点云。验证数据 集中有2410幅人脸点75Γ为自然表情下获得的人脸点75Γ，剩余1597幅点75Γ为在厌恶、尚兴、悲 伤、惊喜以及愤怒等非自然表情下获得的人脸点云。此外，这些点云中存在噪声、逸出点以 及孔洞的干扰，且部分人脸点云中还存在头发等遮挡。实验中，我们从每个个体的人脸中选 取5幅作为训练数据，将剩余的用作测试数据集。如果数据中个体的人脸数据不足5幅的，则 随机选择一幅用作测试，其余用作训练。
[0174] 实验环境为Windows 7系统，Intel处理器2.6GHz，8GB内存，算法采用Matlab 2014a实现。在同样的实验设置前提下将本发明与其他方法进行比较，这些方法包括:PCA (Principle Component Analysis主成分分析），KPCA(Kernel Principal Component Analysis核主成分分析）。实验中的参数设置:δ = 〇. 14,ctrl_k = 0.001。随机选择测试和训 练样本重复20次，对每次分类精度取平均值，得到结果如表1所示，其中Non表示直接用340 维特征进行识别，不进行特征选择，RS表示粗糙集(Rough Set)方法，PCA和KPCA约简后的特 征描述子的能量是原有特征描述子能量的95%。
[0175] 从表1可以看出，对于包含40%的非自然表情人脸的数据库，本专利提出的三维人 脸识别方法，相比于现有方法，得到了较高的识别率。通过有效删除冗余特征，大大降低了 识别算法的时间，并提高了人脸的识别精度。实验结果表明，基于粗糙集和SVM的三维人脸 识别方法具有高效性，对表情变化具有一定的鲁棒性。
[0176] 表1 ΓΠ 1771
Lui /〇」 斗v汉η大|的二g田yv服力1」刀目兀狀Γ邪圳龙坑十|汾j个f1 土卜爛疋'1 土反里进个」姐 合，定义了一种更加全面的特征集成不确定性度量，用于度量特征的重要性;然后提出了一 种基于邻域组合测度的特征约简算法，用于选择与人脸识别密切相关的特征，得到最优的 特征组合;最后将选择的特征作为支持向量机分类器的输入向量，得到三维人脸的识别结 果。实验结果表明，基于粗糙集和SVM的三维人脸识别方法在保证识别精度的同时，大大降 低了识别时间，对变化的人脸表情具有一定的鲁棒性，具有更强的泛化性能。
[0179]上述的方法和装置可以被应用于数据处理系统，由其处理器执行。此具体实施方 式中描述的数据结构和代码通常存储在计算机可读存储介质上，其可以是能够存储供计算 机系统使用的代码和/或数据的任何设备或介质。计算机可读存储介质包括但不限于易失 性存储器、非易失性存储器、磁性和光学存储设备，例如磁盘驱动器、磁带、CD(光盘）、DVD (数字多功能光盘或数字视频光盘）、或现在已知或以后开发的能够存储代码和/或数据的 其他介质。
[0180] 可以将【具体实施方式】部分描述的方法和过程具体化为代码和/或数据，该代码和/ 或数据可存储在如上所述的计算机可读存储介质中。当计算机系统读取并执行计算机可读 存储介质上存储的代码和/或数据时，计算机系统执行具体化为数据结构和代码并存储于 计算机可读存储介质内的方法和过程。
[0181] 此外，可以将本文描述的方法和过程包括在硬件模块或装置中。这些模块或装置 可以包括但不限于专用集成电路(ASIC)芯片、现场可编程门阵列(FPGA)、在特定时间执行 特定软件模块或一段代码的专用或共享处理器和/或其他现在已知或以后开发的可编程逻 辑设备。当激活硬件模块或装置时，它们执行包括在其中的方法和过程。
[0182] 以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员 而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同 替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种=维人脸识别方法，包括： 训练步骤，包括： 获取样本=维人体图像及对应的人脸分类，所述样本=维人体图像至少包括人的面 部； 根据样本=维人体图像获取样本人脸点云； 根据所述样本人脸点云获取对应的高维特征描述子； 基于粗糖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W及对应的特征约简方式，W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阔值;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；W及， 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； W及，识别步骤，包括： 获取待识别=维人体图像，所述待识别=维人体图像至少包括人的面部； 根据待识别=维人体图像获取样本人脸点云 根据所述待识别人脸点云获取对应的高维特征描述子； 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;W及 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，W权重最高的人脸分类作为所述待识别=维人体图像的人脸分类。2. 根据权利要求1所述的=维人脸识别方法，其特征在于，基于粗糖集约简方法对多个 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W及对应 的特征约简方式包括： 基于1个样本人脸点云W及对应的高维特征描述子构建知识表达系统I = (U，C，D，S)， 其中，U= {山,112,…，山}是1个样本人脸点云的集合，称为论域;C= {曰1,曰2,…，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；5(0含5含1)为邻域阔 值； 基于如下公式进行高维特征描述子的标准化：其中，f (Ui,ak)表示人脸Ui在特征ak上的取值； 每次向候选低维描述子中增加一个维度的特征，该特征是所有属于高维特征描述子不 属于所述候选低维描述子的特征中使得新的候选低维特征描述子具有最大的特征重要性 度量的特征，直至新的候选低维特征描述子的特征重要性度量与当前候选低维特征描述子 的特征重要性度量的差值小于预定阔值，则输出当前候选低维特征描述子的约简方式并输 出所有样本人脸点云的低维特征描述子；其中，特征重要性度量NCMb(D)基于如下公式计 算： 其中其中，|X|表示集合X中元素的个数，爲林) = {",扣,.e^7，W斯,)n义城}， ， ? 其中，DB(Ui，Uj)表示对象Ui和Uj之间的距离：，其中，化 ec，l<i，j<l O 过* 4/':二 ） da如"枯j) 一 冷-为符号型属性耳/*(。,，馬-)#/片，^) 其中 |/(",.，馬-)-/片，。4| -某他 f (Ui, ak) =*表示对象Ui在特征ak上的值未知。3. 根据权利要求1所述的=维人脸识别方法，其特征在于，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子分类器包括： 每次从所有e个人脸分类中选取两个类别的所有样本人脸点云的低维特征描述子训练 一个SVM子分类器，直至获得个SVM子分类器。4. 根据权利要求1所述的=维人脸识别方法，其特征在于，根据样本=维人体图像获取 样本人脸点云包括： 根据所述样本=维人体图像检测鼻尖位置； 获取与所述鼻尖位置距离在预定范围内的点作为未处理样本点云； W及 对所述未处理样本点云进行逸出点剔除、重采样W及孔桐填充获取所述样本人脸点 云； W及，根据待识别=维人体图像获取待识别人脸点云包括： 根据所述待识别=维人体图像检测鼻尖位置； 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； 对所述未处理待识别点云进行逸出点剔除、重采样W及孔桐填充获取所述待识别人脸 点云。5. 根据权利要求1所述的=维人脸识别方法，其特征在于，根据所述样本人脸点云获取 对应的高维特征描述子包括： 提取所述样本人脸点云的ARS特征作为所述样本人脸点云的高维特征描述子； W及，根据所述待识别人脸点云获取对应的高维特征描述子包括： 提取所述待识别人脸点云的ARS特征作为所述待识别人脸点云的高维特征描述子。6.-种数据处理装置，包括处理器，所述处理器适于执行如权利要求1-5中任一项所述 的方法。
【专利摘要】本发明公开了一种三维人脸识别方法及应用其的数据处理装置，本发明首先将邻域系统中两种互补的不确定性度量进行组合，定义了一种更加全面的特征集成不确定性度量，用于度量特征的重要性；然后提出了一种基于邻域组合测度的特征约简算法，用于选择与人脸识别密切相关的特征，得到最优的特征组合；最后将选择的特征作为支持向量机分类器的输入向量，得到三维人脸的识别结果。实验结果表明，基于粗糙集和SVM的三维人脸识别方法在保证识别精度的同时，大大降低了识别时间，对变化的人脸表情具有一定的鲁棒性，具有更强的泛化性能。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105654035
【申请号】
【发明人】滕书华, 李洪
【申请人】湖南拓视觉信息技术有限公司
【公开日】2016年6月8日
【申请日】2015年12月21日