技术摘要：
本发明提供了一种基于多位图切平面与多尺度uLBP(等价模式LBP，uniform LBP)的三维人脸遮挡判别方法，步骤如下：首先输入三维人脸点云并得到其深度图；其次，计算深度图的位图灰度值并得到8张位图切平面；提取出6、7、8位图平面并合成得到多位图切平面；按照x,y坐标，对  全部
背景技术：
三维人脸遮挡判别技术指的是基于人脸的三维数据，计算机实现对人脸遮挡判别 的技术。这项技术在人机交互和身份验证等研究领域具有巨大的应用潜力。与二维数据相 比，人脸的三维数据不受光线、姿态、角度等因素的影响，同时包含更丰富的几何信息和拓 扑特征，因此基于三维人脸数据的人脸识别研究近年来获得了更广泛的关注。由于遮挡引 起的面部变化是人脸识别应用应该考虑的重要因素。遮挡可能是由头发或外部物体引起 的，例如眼镜，帽子，围巾或受试者的手。当面部区域被部分遮挡时，其识别性能表现可能会 急剧下降，因为遮挡导致了判别信息的丢失。因此，三维人脸中的遮挡问题亟待解决。 然而，三维人脸遮挡判别算法的研究仍面临多重困难。特征选择与提取是研究中 的难题之一。在当前三维人脸遮挡判别研究中，研究者们应用的方法主要分为基于面部曲 线或径向曲线的方法、基于面部模型和阈值的方法、多模态方法和基于点云几何信息的方 法等种类。基于面部曲线或径向曲线的方法，其特征的构造依赖于五官特征点的位置，会由 于曲线的选取方式不同，对不同种类的遮挡效果不一；多模态方法将除了点云之外的颜色、 亮度等其它信息应用起来，但也受制于这些其它信息，需要额外采集人脸点云的RGB图像 等；基于点云几何信息的方法能够描述人脸形变的几何特征，这类特征包括法向量、曲率和 形状指数等，但数据量较大。本方法选择基于多位图切平面与多尺度uLBP的方法，数据量 小，原理简单，运算速度快。
技术实现要素：
发明目的：为了解决现有技术的问题，本发明提供一种只需人脸点云数据、不需要 任何额外信息的，通过生成深度图、提取位图切平面并对合成得到的多位图切平面进行多 尺度uLBP特征提取，表征面部的遮挡情况，提高三维人脸遮挡判别的准确率的基于多位图 切平面与多尺度uLBP的三维人脸遮挡判别方法。 技术方案：本发明给出的一种基于多位图切平面与多尺度uLBP(等价模式LBP， uniform  LBP)的三维人脸遮挡判别方法，步骤如下： (1)计算并得到输入三维人脸点云的深度图； (2)计算深度图的位图灰度值并得到8张位图切平面，假设深度图像素点处的灰度 值是T(p)，计算像素点各个位的灰度计算表达式为： T(p)＝r ·27 r ·26 r ·25 r ·24 r ·23 r ·22 r ·21 r ·208 7 6 5 4 3 2 1 ，式中r8，r7，r6， r5，r4，r3，r2，r1分别是像素点在第8、7、6、5、4、3、2、1位的灰度值； (3)提取出6、7、8位图平面并合成得到多位图切平面，多位图切平面图像素点p处 灰度值G(p)的计算表达式为： 4 CN 111553195 A 说　明　书 2/6 页 G(p)＝r8 r7 r6, 根据上式得到输入人脸样本的多且位图平面； (4)按照图像纵横坐标，即x,y坐标，对多位图切平面进行3*4分块； (5)在多位图切平面的12个子区域内分别遍历像素点提取多尺度LBP特征描述子； (6)对提取得到的各子区域的多尺度LBP特征描述子Sj，j＝1～12进行降维运算， 得到59维多尺度uLBP特征描述子kj，j＝1～12，j表示子区域序号； (7)将输入人脸的12个子区域的各多尺度uLBP特征描述子kj串联得到基于多位图 切平面与多尺度uLBP的特征向量K，并作为每张人脸点云样本的最终特征向量。 进一步，在所述步骤7后还包括：步骤8、采用Bosphorus数据库在支持向量机进行 训练及测试，输入数据为步骤(7)中所提取的最终特征，以完成遮挡判断与识别。 进一步，训练及测试所使用数据库为Bosphorus数据库。 进一步，在多位图切平面的各子区域提取多尺度LBP特征描述子中，像素点q为中 心像素点。 进一步，所述步骤(4)中基于深度图的x,y坐标，对多位图切平面进行3*4分块的方 法为： (41)根据深度图大小能够得到位图切平面的x，y坐标最大最小值； (42)将深度图的x坐标3等分，将深度图的y坐标4等分； (43)x坐标从0～1/3，y坐标从0～1/4记为第1小块，x坐标从0～1/3，y坐标从1/4～ 2/4记为第2小块，x坐标从0～1/3，y坐标从2/4～3/4记为第3小块，x坐标从0～1/3，y坐标从 3/4～4/4记为第4小块，x坐标从1/3～2/3，y坐标从0～1/4记为第5小块，x坐标从1/3～2/3， y坐标从1/4～2/4记为第6小块,x坐标从1/3～2/3，y坐标从2/4～3/4记为第7小块,x坐标从 1/3～2/3，y坐标从3/4～4/4记为第8小块,x坐标从2/3～3/3，y坐标从0～1/4记为第9小块, x坐标从2/3～3/3，y坐标从1/4～2/4记为第10小块,x坐标从2/3～3/3，y坐标从2/4～3/4记 为第11小块,x坐标从2/3～3/3，y坐标从3/4～4/4记为第12小块； (44)完成输入人脸12个子区域的划分。 进一步，所述步骤(5)中提取多位图切平面子区域的多尺度LBP特征描述子的方法 为： (51)确定中心像素点q，假设中心像素点q的坐标为(xq，yq) ,灰度值为G(q)； (52)选择中心像素点q的邻域像素点qi，i＝1～16,邻域像素点的选取与编号方法 如下：坐标为(xq-1，yq-1)的像素点为q1，坐标为(xq，yq-1)的像素点为q2，坐标为(xq 1，yq-1) 的像素点为q3，坐标为(xq 1，yq)的像素点为q4，坐标为(xq 1，yq 1)的像素点为q5，坐标为 (xq，yq 1)的像素点为q6，坐标为(xq-1，yq 1)的像素点为q7，坐标为(xq-1，yq)的像素点为q8， 坐标为(xq-2，yq)的像素点为q9，坐标为(xq-2，yq-2)的像素点为q10，坐标为(xq，yq-2)的像素 点为q11，坐标为(xq 2，yq-2)的像素点为q12，坐标为(xq 2，yq)的像素点为q13，坐标为(xq 2， yq 2)的像素点为q14，坐标为(xq，yq 2)的像素点为q15，坐标为(xq-2，yq 2)的像素点为q16； (53)计算多尺度LBP特征描述子si(q)，i＝1～16，计算表达式为： 其中，G(qi)是像素点q的邻域像素点qi的灰度值，G(q)是像素点q的灰度值； 5 CN 111553195 A 说　明　书 3/6 页 (54)将16个si(q)值按照从i＝1～8,i＝9～16的顺序分别连接起来得到的两个8 位二进制数 和 (55)将 换算为十进制数，得到两个范围在0～255的十进制数 和 其 计算表达式为： (56)根据x，y坐标从小到大的原则在子区域中遍历所有像素点作为中心像素点进 行上述计算，然后统计各像素点的 在0～255范围内不同值出现的次数，按照0～255 从小到大的顺序将各值出现的次数值连接起来，每一子区域得到一个256维的特征向量，即 该子区域的多尺度LBP特征描述子Sj，j＝1～12,其中j表示子区域序号。 进一步，所述步骤7中基于多位图切平面与多尺度uLBP的特征向量K,其表达式为： k＝[k1  k2  k3  k4  k5  k6  k7  k8  k9  k10  k11  k12]。 有益效果：本发明提取三维人脸深度图的多位图切平面，并对其进行分块多尺度 LBP特征描述子提取与降维，得到多位图切平面多尺度uLBP特征(Multiscale  Uniform  LBP  features  of  Multi  Bit-plane  Slicing,muLBP-MBPs)。muLBP-MBPs特征使用合成的多位 图切平面，进行多尺度uLBP特征描述子的提取。不仅降低了特征维度，而且可以完整体现人 脸表面以及遮挡区域的位置、边缘等信息。该算法原理简单，计算量小，具有对遮挡区域快 速判断的优点。而基于点云的x，y坐标将输入人脸与进行3*4分块操作，可以划分出输入人 脸的12个子区域。这种分块方法会将人脸的五官和其它区域均匀的分开，对五官位置及大 小较为鲁棒，由五官分布不同带来的位图灰度值变化较小，能够更灵敏的反映出由遮挡带 来的位图形态以及特征描述子的变化。完成分块之后，在这些小块内分别进行特征提取与 降维，得到无遮挡和不同遮挡情况下的多尺度uLBP特征向量后，输入SVM进行训练。最终，基 于多位图切平面与多尺度uLBP实现三维人脸的遮挡判别。本发明针对原始特征选取和统计 特征的计算分别提出了创新，在判别实验中取得了较好的效果。 附图说明 图1是实施例中所用的Bosphorus人脸库部分人脸的示例图； 图2是本发明的三维人脸遮挡判别方法流程图； 图3是本发明的三维人脸深度图； 图4是本发明的某样本的各位图切平面提取图； 图5是本发明的由6、7、8位图切平面合成得到的多位图切平面图； 图6是本发明的遮挡判别准确率的验证统计示意图。