CN104537353A

CN104537353A - 基于三维点云的三维人脸年龄分类装置及方法

Info

Publication number: CN104537353A
Application number: CN201510008046.2A
Authority: CN
Inventors: 夏春秋
Original assignee: Shenzhen Vision Technology Co Ltd
Current assignee: Shenzhen Vision Technology Co Ltd
Priority date: 2015-01-07
Filing date: 2015-01-07
Publication date: 2015-04-22

Abstract

本发明公开一种基于三维点云的三维人脸年龄分类装置及方法，装置包括:对于三维点云特征区域进行定位的特征区域检测单元；将三维点云进行映射到深度图像空间的映射单元；对映射后的深度图像进行深度图像表象特征计算的特征计算单元；基于深度图像表象特征进行年龄分类的年龄分类器计算单元。所述方法包括：特征区域检测步骤；深度图像映射步骤；表象特征计算步骤以及分类步骤。本发明利用结合多种纹理特征构建表象特征池的方式，准确的描述了三维深度人脸图像的特性，然后利用年龄随机森林分类器在表象特征集合的基础上实现了准确分类，分类精度高。

Description

基于三维点云的三维人脸年龄分类装置及方法

技术领域

本发明涉及三维人脸识别技术领域，尤其涉及一种基于三维点云的三维人脸年龄分类装置及方法。

背景技术

三维人脸识别相对于二维人脸识别，有着其对光照鲁棒、受姿态以及表情等因素影响较小等优点，因此在三维数据采集技术飞速发展以及三维数据的质量和精度大大提升之后，很多学者都将他们的研究投入到该领域中。

CN20101025690提出了三维弯曲不变量的相关特征用来进行人脸特性描述。该方法通过编码三维人脸表面相邻节点的弯曲不变量的局部特征，提取弯曲不变量相关特征；对所述弯曲不变量的相关特征进行签名并采用谱回归进行降维，获得主成分，并运用K最近邻分类方法对三维人脸进行识别。但是由于提取变量相关特征时需要复杂的计算量，因此在效率上限制了该方法的进一步应用；

CN200910197378提出了一种全自动三维人脸检测和姿势纠正的方法。该方法通过对人脸三维曲面进行多尺度的矩分析，提出了脸部区域特征来粗糙地检测人脸曲面，及提出鼻尖区域特征来准确地定位鼻尖的位置，然后进一步精确地分割出完整的人脸曲面，根据人脸曲面的距离信息提出鼻根区域特征来检测鼻根的位置后，建立了一个人脸坐标系，并据此自动地进行人脸姿势的纠正应用。该专利目的在于对三维人脸数据的姿态进行估计，属于三维人脸识别***的数据预处理阶段。

三维人脸年龄分类是三维人脸领域的一个基础工作。准确的年龄分类不仅可以有效地获取人脸数据中的人脸特性，获取更多的人脸语义理解信息，同时还可以作为三维人脸识别的一个粗分类步骤，提升识别***的精度。年龄分类的难点在于如何准确的描述人脸数据的年龄特性以及如何在特征空间的基础上实现准确的分类。

发明内容

为了解决上述技术问题，本发明公开一种基于三维点云的三维人脸年龄分类装置及方法，本发明采用如下技术方案来解决上述技术问题：

一种基于三维点云的三维人脸年龄分类装置，包括：

对于三维点云特征区域进行定位的特征区域检测单元；

将三维点云进行映射到深度图像空间的映射单元；

对映射后的深度图像进行深度图像表象特征计算的特征计算单元，特征包括Gabor特征以及LBP直方图特征；

基于深度图像表象特征进行年龄分类的年龄分类器计算单元。

优选的，在上述的一种基于三维点云的三维人脸年龄分类装置中，所述特征区域检测单元包括：

特征提取单元，针对三维点云区域特性提取三维点云数据的相应特征；

特征区域分类器单元，对特征提取单元提取的相应也正进行数据点的分类计算，判断其是否适于特征区域，所述特征区域分类器单元为为支持向量机或者Adaboost。

优选的，在上述的一种基于三维点云的三维人脸年龄分类装置中，所述映射单元包括：

按照深度信息将原始三维点云映射为深度图像的映射模块；

利用滤波器对获取的深度图像的空洞或者噪点信息进行去噪的去噪模块。

优选的，在上述的一种基于三维点云的三维人脸年龄分类装置中，所述年龄分类器计算单元包括：

用于存储利用训练集中的三维人脸数据进行训练获取的年龄随机森林分类参数的年龄随机森林分类器参数存储模块；

在表象特征计算获得的Gabor特征和LBP直方图特征集合的基础上，利用年龄随机森林分类器进行计算，实现年龄分类的年龄分类器计算模块。

本发明还公开一种基于三维点云的三维人脸年龄分类方法，包括如下步骤：

特征区域检测步骤，对于三维点云特征区域进行定位，作为配准的基准数据，然后对输入点云数据与基础人脸数据进行配准；

深度图像映射步骤，利用数据的三维坐标值，将检测定位的三维点云数据映射为深度图像；

表象特征计算步骤，对映射后的深度图像Gabor特征计算以及LBP特征计算以获得三维人脸Gabor特征和LBP直方图特征的表象特征集合；

分类步骤，对获得的三维人脸数据表象特征集合进行年龄分类计算，从而实现三维人脸年龄分类。

优选的，在上述的一种基于三维点云的三维人脸年龄分类方法中，所述特征区域为鼻尖区域，检测鼻尖区域的步骤如下：

步骤1：确定阈值，确定域平均负有效能量密度的阈值，定义为thr；

步骤2：利用深度信息选取待处理数据，利用数据的深度信息，提取在一定深度范围内的人脸数据作为待处理数据；

步骤3：法向量的计算，计算由深度信息选取出的人脸数据的方向量信息；

步骤4：区域平均负有效能量密度的计算，按照区域平均负有效能量密度的定义，求出待处理数据中个连通域的平均负有效能量密度，选择其中密度值最大的连通域；

步骤5：判定是否找到鼻尖区域，当前区域阈值大于预定义的thr时，该区域即为鼻尖区域，否则回到步骤1重新开始循环。

优选的，在上述的一种基于三维点云的三维人脸年龄分类方法中，所述特征区域检测步骤中，输入三维点云数据与基础人脸数据利用ICP算法进行配准。

优选的，在上述的一种基于三维点云的三维人脸年龄分类方法中，所述深度图像映射步骤中，先按照深度信息进行深度图像的获取，然后利用中值滤波器对映射后的深度图像中的噪音点进行补偿去噪。

优选的，在上述的一种基于三维点云的三维人脸年龄分类方法中，所述深度映射步骤中，映射模块按照空间信息的(x,y)作为映射的参考空间位置，空间信息的z值作为映射对应数据值，构建从三维点云到深度图像的映射。

优选的，在上述的一种基于三维点云的三维人脸年龄分类方法中，分类步骤中对获得的三维人脸数据表象特征利用年龄随机森林分类器进行年龄分类计算，从而实现三维人脸年龄分类。

与现有技术相比，本发明具有如下技术效果：

本发明利用结合多种纹理特征构建表象特征池的方式，准确的描述了三维深度人脸图像的特性，然后利用年龄随机森林分类器在表象特征集合的基础上实现了准确分类，分类精度高。本发明可作为三维人脸年龄分类应用的一种解决方案，也可以作为三维人脸分类的一个粗分类步骤一提高***精度。

附图说明

图1为本发明***框图

图2为本发明流程框图

图3为本发明三维人脸鼻尖区域定位示意图

图4为本发明不同姿态三维人脸配准示意图

图5为三维人脸数据噪音的示意图

图6为本发明三维点云数据映射为深度图像的示意图

图7为本发明表象特征计算步骤示意图

图8为随机森林分类器原理示意图

图9为随机森林分类器进行预测流程图

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明公开一种基于三维点云的三维人脸年龄分类装置，具体包括：

对于三维点云特征区域进行定位的特征区域检测单元；

将三维点云进行映射到深度图像空间的映射单元；

其中，上述的特征区域检测单元包括：

而所述深度图像映射单元进一步包括：

按照深度信息将原始三维点云映射为深度图像的映射模块；

年龄分类器计算单元包括：

同时，本发明还公开一种基于三维点云的三维人脸年龄分类方法，包括如下步骤：

由于鼻尖区域具有空点密度大，曲率明显等特性，特征区域一般为鼻尖区域。如图3所示，对鼻尖区域进行定位的步骤如下：

深度映射步骤中，映射模块按照空间信息的(x,y)作为映射的参考空间位置，空间信息的z值作为映射对应数据值，构建从三维点云到深度图像的映射。如图4所示，对于不同姿态的三维数据，得到配准的参考区域即鼻尖区域后，按照ICP算法进行数据的配准；配准前后的对比如图所示。ICP算法的具体步骤如下：

确定匹配数据集合对，从参考模板中的三维鼻尖数据选取参考数据点集P，再利用点对点之间的最近的距离来选择输入三维人脸中与参考数据相匹配的数据点集Q；

首先计算3*3的矩阵

H = Σ_{i = 1}^{N} Q_{i} Q_{i}^{T}

其中N是数据集合的容量，再做H矩阵的SVD分解

H＝U∧V^T

X＝VU^T

计算旋转矩阵R和平移矩阵t

当X行列式值为1时，R＝X；

t＝P-R*Q

判断刚性变换后的数据集RQ+t和参考数据集P之间的误差是否足够小。当该误差小于某一阈值时，则这两个三维数据集合已经实现配准；否则从第一步重新开始直到数据集合对实现配准。

配准之后的数据中存在一定的空洞和凸起，如图5所示。在所述深度图像映射步骤中配准后，首先按照深度信息进行深度图像的获取，然后利用中值滤波器对于映射后的深度图像中的噪音点(数据突起点或者空洞点)进行补偿去噪，得到如图6所示的最终的三维人脸深度图像。

由于年龄分类对于纹理特征的细节描述能力要求更强，因此此处采用结合多种局部纹理特征构建特征池的方式，采用的特征包括Gabor和LBP特征：

Gabor特征属于纹理局部表象特征的一种，其原理如下：

Ψ_{u, v} (z) = \frac{{| | k_{u, v} | |}^{2}}{σ^{2}} e^{(- \frac{{| | k_{u, v} | |}^{2} {| | z | |}^{2}}{2 σ^{2}})} [e^{i k_{u, v} z} - e^{- \frac{σ^{2}}{2}}]

其中u以及v定义了Gabor核函数中的方向和尺度信息，z＝(x，y)，

k_{u, v} = k_{v} e^{i φ_{u}}

其中k_v＝k_max/fv，φ_u＝πu/4，k_max代表最大的频域值，f是Gabor核函数在频域中尺度的间隔量。具体的参数选择为k_max＝π/2，σ＝2π，我们选择四个方向和五个尺度的Gabor核函数，u∈{0，1，2，3}和v∈{0，1，2，3，4}，尺度和方向的数目选择反映了所采用空域信息的局限性和方向选择的精细程度。

LBP属于纹理表象特征的一种，由于其计算速度快、纹理表述能力强等优点得到了广泛的应用，其原理如下：

{LBP}_{P . R} = Σ_{p = 0}^{P - 1} s (g_{p} - g_{c}) 2^{p}

LBP算法将像素点与其邻域像素点做对比，如果取P＝8，R＝1，则一些具有纹理特性的意义的LBP值如图7(a)(c)所示。其中第一幅图代表的是纹理亮点，第二幅图代表纹理边界，第三幅图代表纹理暗点或是平滑纹理区域。按照纹理的统计分布规律将所得LBP值归为59类，并把这59类作为直方图的基础构造统计特征向量(LBP直方图特征)。

由于年龄分类是属于多分类问题问题，如年龄可分为：少年，青年，中年，老年，因此基于三维人脸特征的分类器应为多类别分类器，如图8所示，随机森林即为多分类分类器。随机森林分类器的构建基于决策树分类器。图(a)是决策树分类器示意图，第一层利用特征X进行分类，原始输入数据分为两类；第二层利用特征Y进行分类，原始输入数据分为四类。数据的分类结果如图(b)所示，决策树实际上是将空间用超平面进行划分的一种方法，每次分割的时候，都将当前的空间一分为二。

决策树的缺点在于容易对训练数据过学习，影响分类器的泛化能力。基于决策树分类器，利用构建多个决策树分类器来增加分类器***的鲁棒性，即为随机森林。用于构建随机森林的决策器分类器原理可以总结为：

1.用N表示训练样本的个数，M表示特征变量的维数，m表示当在决策树的一个节点上做决定时会使用到的特征变量的维数(m<M)；

2.在N个训练样本中，以可重复取样的方式取样N次形成一组训练集(bootstrap取样)，并使用这个样本集来训练与之对应的决策树；

3.对于每一个节点，随机选择m个特征，并基于这些子特征集合计算在该节点上最佳的分割方式。

4.由于随机森林会构建多个决策树增强分类器的泛化能力，因此决策树训练时都会完整成长而不会剪枝。

当随机森林分类器构建完成后，按照如图9所示的流程就行预测，投票结果即为最终的分类结果。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims

1.一种基于三维点云的三维人脸年龄分类装置，其特征在于，包括：

对于三维点云特征区域进行定位的特征区域检测单元；

将三维点云进行映射到深度图像空间的映射单元；

2.根据权利要求1所述一种基于三维点云的三维人脸年龄分类装置，其特征在于，所述特征区域检测单元包括：

3.根据权利要求1所述的一种基于三维点云的三维人脸年龄分类装置，其特征在于，所述映射单元包括：

按照深度信息将原始三维点云映射为深度图像的映射模块；

4.根据权利要求1所述的一种基于三维点云的三维人脸年龄分类装置，其特征在于，所述年龄分类器计算单元包括：

5.一种基于三维点云的三维人脸年龄分类方法，其特征在于，包括如下步骤：

6.根据权利要求5所述的一种基于三维点云的人脸识别方法，其特征在于，所述特征区域为鼻尖区域，检测鼻尖区域的步骤如下：

7.根据权利要求5所述的一种基于三维点云的三维人脸年龄分类方法，其特征在于，所述特征区域检测步骤中，输入三维点云数据与基础人脸数据利用ICP算法进行配准。

8.根据权利要求5所述的一种基于三维点云的三维人脸年龄分类方法，其特征在于，所述深度图像映射步骤中，先按照深度信息进行深度图像的获取，然后利用中值滤波器对映射后的深度图像中的噪音点进行补偿去噪。

9.根据权利要求5所述的一种基于三维点云的三维人脸年龄分类方法，其特征在于,所述深度映射步骤中，映射模块按照空间信息的(x,y)作为映射的参考空间位置，空间信息的z值作为映射对应数据值，构建从三维点云到深度图像的映射。

10.根据权利要求5所述的一种基于三维点云的三维人脸年龄分类方法，其特征在于，分类步骤中对获得的三维人脸数据表象特征利用年龄随机森林分类器进行年龄分类计算，从而实现三维人脸年龄分类。