结合3D结构光、红外光及可见光的人脸识别方法及系统

摘要

本发明所提供的一种结合3D结构光、红外光及可见光的人脸识别方法及系统，通过采用3D结构光深度活体算法，通过处理3D传感器的获取到的物体深度信息，结合可见光以及近红外传感器，通过深度活体以及可见光近红外算法，既提高人脸识别的安全性，又可以减低系统开销，最大限度的提高人脸识别效率与准确度。

权利要求

1.结合3D结构光、红外光及可见光的人脸识别方法，其特征在于，包括：获取3D图像信息；

判断所获取到的3D图像信息中是否存在活体信息；

当判断所获取的3D图像信息中存在活体信息时；

获取待识别人脸图像的可见光图像信息及红外光图像信息，分别记为待识别可见光图像及待识别红外光图像；

获取预设人脸图像数据库，其中，所述人脸图像数据库包括至少一个预设人脸模型数据信息，所述预设人脸模型数据信息中包括预设红外特征数据及预设可见光特征数据；所述人脸图像数据库还包括预设红外光参数及预设可见光参数；

根据所述红外光参数获取所述待识别红外光图像的特征数据，记为待识别红外光特征数据；

根据所述可见光参数获取所述待识别可见光图像的特征数据，记为待识别可见光特征数据；

根据所述待识别可见光特征数据及所述待识别红外特征数据，分别生成与各个所述预设人脸模型数据的匹配得分，并对所述匹配得分进行排序；

获取所述匹配得分最高的预设人脸模型数据作为识别结果。

2.如权利要求1所述的结合3D结构光、红外光及可见光的人脸识别方法，其特征在于，所述3D图像信息包括深度图像信息及彩色图像信息；

则，所述判断所获取到的3D图像信息中是否存在活体信息，具体包括：获取所述彩色图像信息中的人脸轮廓坐标；

根据所获取的人脸轮廓坐标在所述深度图像信息中生成人脸检测区域；

计算所述深度图像信息中人脸检测区域中的所有像素点的标准差；

当所述标准差超过预设阈值时，判断所获取的3D图像信息中存在活体信息。

3.如权利要求1所述的结合3D结构光、红外光及可见光的人脸识别方法，其特征在于，所述预设人脸模型数据信息中还包括预设红外光图像信息及预设可见光图像信息；

则，所述的结合3D结构光、红外光及可见光的人脸识别方法，还包括：获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设红外光图像信息；

将所获取的预设红外光图像信息转换为列向量Dni；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

将所述列向量Dni去平均化后生成一个Dn x M的矩阵An，其中，An＝[Dn1-Dn′,……,DnM-Dn′]，

根据所述矩阵An生成协方差矩阵Cn，其中， AnT为矩阵An的转置；

获取所述协方差矩阵Cn的本征值和本征向量，其中，记所述协方差矩阵Cn的本征值为λni，所述协方差矩阵Cn的本征向量θni；

获取所述协方差矩阵Cn前x个本征值，使其满足， 其中，r为协方差矩阵Cn中非零的本征值个数，ξ为预设能量贡献值，0＜ξ≤1；

获取所述协方差矩阵Cn前x个本征向量θni，生成矩阵Wn，其中，Wn＝[θn1,……,θnx]记所述矩阵Wn为预设红外光参数；

获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设可见光图像信息；

将所获取的预设可见光图像信息转换为列向量Dvi；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

i

将所述列向量Dv去平均化后生成一个Dv x M的矩阵Av，其中，Av＝[Dv1-Dv′,……,DvM-Dv′]，

根据所述矩阵Av生成协方差矩阵Cv，其中， AvT为矩阵Av的转置；

获取所述协方差矩阵Cv的本征值和本征向量，其中，记所述协方差矩阵Cv的本征值为λvi，所述协方差矩阵Cv的本征向量θvi；

获取前y个本征值，使其满足， 其中，r为协方差矩阵Cv中非零的本征值个数，ξ为预设能量贡献值，0＜ξ≤1；

获取所述协方差矩阵Cv前y个本征向量θvi，生成矩阵Wv，其中，Wv＝[θv1,……,θvy]记所述矩阵Wv为预设可见光参数。

4.如权利要求3所述的结合3D结构光、红外光及可见光的人脸识别方法，其特征在于，所述根据所述红外光参数获取所述待识别红外光图像的特征数据，记为待识别红外光特征数据，具体包括：将所述待识别红外光图像转化为列向量Dnr；

获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设红外光图像信息；

将所获取的预设红外光图像信息转换为列向量Dni；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

获取所述列向量Dni的均值，Dn′，

根据所述列向量Dnr、所述列向量Dni均值Dn′及所述预设红外光参数生成所述待识别红T T 1外光图像的特征数据Ynr，Ynr＝Wn(Dnr-Dn′)，其中，Wn 为矩阵Wn的转置，Wn＝[θn ,……,θnx]；

记所述特征数据Ynr为待识别红外光特征数据。

5.如权利要求3所述的结合3D结构光、红外光及可见光的人脸识别方法，其特征在于，所述根据所述可见光参数获取所述待识别可见光图像的特征数据，记为待识别可见光特征数据，具体包括：将所述待识别可见光图像转化为列向量Dvr；

获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设可见光图像信息；

将所获取的预设可见光图像信息转换为列向量Dvi；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

获取所述列向量Dvi的均值，Dv′，

i

根据所述列向量Dvr、所述列向量Dv均值Dv′及所述预设可见光参数生成所述待识别可见光图像的特征数据Yvr，Yvr＝WvT(Dvr-Dv′)，其中，WvT为矩阵Wv的转置，Wv＝[θv1,……,θvy]；

记所述特征数据Yvr为待识别可见光特征数据。

6.如权利要求3所述的结合3D结构光、红外光及可见光的人脸识别方法，其特征在于，所述根据所述待识别可见光特征数据及所述待识别红外特征数据，分别生成与各个所述预设人脸模型数据的匹配得分，并对所述匹配得分进行排序，具体包括：从预设数据库中获取任意一个预设人脸模型数据，所述预设人脸模型数据中包括预设红外特征数据及预设可见光特征数据，其中，记所获取的预设人脸模型数据为i，记所获取的预设人脸模型数据中红外特征数据为Yni，记说获取的预设人脸模型数据可见光特征数据为Yni，述Yni＝WnT(Dni-Dn′),Yvi＝WvT(Dvi-Dv′)；

记所述待识别人脸图像的待识别红外光特征数据为Ynr，所述待识别人脸图像的待识别可见光特征数据为Yvr。

生成所述待识别人脸图像与获取的预设人脸模型数据i的相似性得分，其中，记红外特征相似度为Sni，可见光特征相似度为Svi，其中，根据所述红外特征相似度Sni及所述可见光特征相似度为Svi生成综合评分Si，Si＝a*Sni+b*Svi，其中，所述a，b均为非零的加权系数；

将所述综合评分Si有由大到小进行排序。

7.结合3D结构光、红外光及可见光的人脸识别系统，其特征置于，包括，3D图像获取模块，活体识别模块，可见光图像获取模块，红外光图像获取模块，预设数据库获取模块，红外光特征数据获取模块，可见光特征数据获取模块，匹配识别模块；

其中，所述3D图像获取模块，用于获取3D图像信息；

所述活体识别模块，用于判断所获取到的3D图像信息中是否存在活体信息；

当所述活体识别模块判断所获取的3D图像信息中存在活体信息时，所述可见光图像获取模块，用于获取待识别人脸图像的可见光图像信息，记为待识别可见光图像，所述红外光图像获取模块，用于获取待识别人脸图像的红外光图像信息，记为待识别红外光图像；

所述预设数据库获取模块，用于获取预设人脸图像数据库，其中，所述人脸图像数据库包括至少一个预设人脸模型数据信息，所述预设人脸模型数据信息中包括预设红外特征数据及预设可见光特征数据；所述人脸图像数据库还包括预设红外光参数及预设可见光参数；

所述红外光特征数据获取模块，用于根据所述红外光参数获取所述待识别红外光图像的特征数据，记为待识别红外光特征数据；

所述可见光特征数据获取模块，用于根据所述可见光参数获取所述待识别可见光图像的特征数据，记为待识别可见光特征数据；

所述匹配识别模块，用于根据所述待识别可见光特征数据及所述待识别红外特征数据，分别生成与各个所述预设人脸模型数据的匹配得分，并对所述匹配得分进行排序；

所述匹配识别模块，还用于获取所述匹配得分最高的预设人脸模型数据作为识别结果。

8.如权利要求7所述的结合3D结构光、红外光及可见光的人脸识别系统，其特征在于，所述3D图像信息包括深度图像信息及彩色图像信息；

则，所述活体识别模块，还用于获取所述彩色图像信息中的人脸轮廓坐标；

所述活体识别模块，还用于根据所获取的人脸轮廓坐标在所述深度图像信息中生成人脸检测区域；

所述活体识别模块，还用于计算所述深度图像信息中人脸检测区域中的所有像素点的标准差；

当所述标准差超过预设阈值时，所述活体识别模块判断所获取的3D图像信息中存在活体信息。

9.如权利要求7所述的结合3D结构光、红外光及可见光的人脸识别系统，其特征在于，所述预设人脸模型数据信息中还包括预设红外光图像信息及预设可见光图像信息；

则，所述的结合3D结构光、红外光及可见光的人脸识别系统，还包括红外光列向量转换模块，红外光协方差矩阵获取模块，红外光协方差矩阵特征获取模块，红外光参数获取模块，可见光列向量转换模块，可见光协方差矩阵获取模块，可见光协方差矩阵特征获取模块，可见光参数获取模块；

其中，所述预设数据库获取模块，还用于获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设红外光图像信息；

所述红外光列向量转换模块，用于将所获取的预设红外光图像信息转换为列向量Dni；

其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

所述协方差矩阵获取模块，用于将所述列向量Dni去平均化后生成一个Dn x M的矩阵An，其中，An＝[Dn1-Dn′,……,DnM-Dn′]，所述协方差矩阵获取模块，还用于根据所述矩阵An生成协方差矩阵Cn，其中，AnT为矩阵An的转置；

所述协方差矩阵特征获取模块，用于获取所述协方差矩阵Cn的本征值和本征向量，其中，记所述协方差矩阵Cn的本征值为λni，所述协方差矩阵Cn的本征向量θni；

所述红外光参数获取模块，用于获取所述协方差矩阵Cn前x个本征值，使其满足，其中，r为协方差矩阵Cn中非零的本征值个数，ξ为预设能量贡献值，0＜ξ≤1；

红外光参数获取模块，还用于获取所述协方差矩阵Cn前x个本征向量θni，生成矩阵Wn，其中，Wn＝[θn1,……,θnx].；

红外光参数获取模块，还用于记所述矩阵Wn为预设红外光参数；

所述预设数据库获取模块，还用于获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设可见光图像信息；

所述可见光列向量转换模块，用于将所获取的预设可见光图像信息转换为列向量Dvi；

其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

所述可见光协方差矩阵获取模块，用于将所述列向量Dvi去平均化后生成一个Dv x M的矩阵Av，其中，Av＝[Dv1-Dv′,……,DvM-Dv′]，所述可见光协方差矩阵获取模块，还用于根据所述矩阵Av生成协方差矩阵Cv，其中，AvT为矩阵Av的转置；

所述可见光协方差矩阵特征获取模块，用于获取所述协方差矩阵Cv的本征值和本征向量，其中，记所述协方差矩阵Cv的本征值为λvi，所述协方差矩阵Cv的本征向量θvi；

所述可见光参数获取模块，用于获取前y个本征值，使其满足， 其中，r为协方差矩阵Cv中非零的本征值个数，ξ为预设能量贡献值，0＜ξ≤1；

所述可见光参数获取模块，还用于获取所述协方差矩阵Cv前y个本征向量θvi，生成矩阵Wv，其中，Wv＝[θv1,……,θvy].；

所述可见光参数获取模块，还用于记所述矩阵Wv为预设可见光参数。

10.如权利要求9所述的结合3D结构光、红外光及可见光的人脸识别系统，其特征在于，所述预设数据库获取模块，还用于从预设数据库中获取任意一个预设人脸模型数据，所述预设人脸模型数据中包括预设红外特征数据及预设可见光特征数据，其中，记所获取的预设人脸模型数据为i，记所获取的预设人脸模型数据中红外特征数据为Yni，记所获取的预i i T i i T i设人脸模型数据可见光特征数据为Yn，述Yn＝Wn(Dn-Dn′),Yv＝Wv(Dv-Dv′)；

所述匹配识别模块，还用于记所述待识别人脸图像的待识别红外光特征数据为Ynr，所述待识别人脸图像的待识别可见光特征数据为Yvr；

所述匹配识别模块，还用于生成所述待识别人脸图像与获取的预设人脸模型数据i的相似性得分，其中，记红外特征相似度为Sni，可见光特征相似度为Svi，其中，所述匹配识别模块，还用于根据所述红外特征相似度Sni及所述可见光特征相似度为Svi生成综合评分Si，Si＝a*Sni+b*Svi，其中，所述a，b均为非零的加权系数；

所述匹配识别模块，还用于将所述综合评分Si有由大到小进行排序。

说明书

结合3D结构光、红外光及可见光的人脸识别方法及系统

技术领域

[0001] 本发明涉及人脸识别技术领域，尤其是涉及一种结合3D结构光、红外光及可见光的人脸识别方法及系统。

背景技术

[0002] 人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题，它被广泛应用于娱乐，信息安全，法律实施和监控等方面。一般来说，人脸识别主要是指在数字图像或视频图像中，通过人体面部视觉信息，进行人类身份鉴别的计算机技术。与指纹识别和掌纹识别等相比，人脸识别具有方便、快捷，易接受等特点。

[0003] 近年来，人们对人脸识别方法的研究处在发展阶段，当前大部分采用可见光结合近红外技术的方式来实现的人脸识别，但这种方式识别度，以及安全系数不高。另一方面，当前的3D人脸识别算法比较复杂，系统开销大，效率不高。使得目前主流的人脸识别算法，难以兼顾实现识别效率、准确度与系统成本之间的平衡。

发明内容

[0004] 本发明的目的在于克服现有技术不足，提供一种结合3D结构光、红外光及可见光的人脸识别方法及系统，通过处理3D传感器的获取到的物体深度信息，结合可见光以及红外光传感器，通过深度活体以及可见光与红外光融合算法，既提高人脸识别的安全性，又可以减低系统开销，大大提高人脸识别效率。

[0005] 本发明为实现上述目的采用以下的技术方案：

[0006] 第一方面，本发明提供了一种结合3D结构光、红外光及可见光的人脸识别方法，包括：

[0007] 获取3D图像信息；

[0008] 判断所获取到的3D图像信息中是否存在活体信息；

[0009] 当判断所获取的3D图像信息中存在活体信息时；

[0010] 获取待识别人脸图像的可见光图像信息及红外光图像信息，分别记为待识别可见光图像及待识别红外光图像；

[0011] 获取预设人脸图像数据库，其中，所述人脸图像数据库包括至少一个预设人脸模型数据信息，所述预设人脸模型数据信息中包括预设红外特征数据及预设可见光特征数据；所述人脸图像数据库还包括预设红外光参数及预设可见光参数；

[0012] 根据所述红外光参数获取所述待识别红外光图像的特征数据，记为待识别红外光特征数据；

[0013] 根据所述可见光参数获取所述待识别可见光图像的特征数据，记为待识别可见光特征数据；

[0014] 根据所述待识别可见光特征数据及所述待识别红外特征数据，分别生成与各个所述预设人脸模型数据的匹配得分，并对所述匹配得分进行排序；

[0015] 获取所述匹配得分最高的预设人脸模型数据作为识别结果。

[0016] 第二方面，本发明提供了一种结合3D结构光、红外光及可见光的人脸识别系统，包括，3D图像获取模块，活体识别模块，可见光图像获取模块，红外光图像获取模块，预设数据库获取模块，红外光特征数据获取模块，可见光特征数据获取模块，匹配识别模块；

[0017] 其中，所述3D图像获取模块，用于获取3D图像信息；

[0018] 所述活体识别模块，用于判断所获取到的3D图像信息中是否存在活体信息；

[0019] 当所述活体识别模块判断所获取的3D图像信息中存在活体信息时，

[0020] 所述可见光图像获取模块，用于获取待识别人脸图像的可见光图像信息，记为待识别可见光图像，

[0021] 所述红外光图像获取模块，用于获取待识别人脸图像的红外光图像信息，记为待识别红外光图像；

[0022] 所述预设数据库获取模块，用于获取预设人脸图像数据库，其中，所述人脸图像数据库包括至少一个预设人脸模型数据信息，所述预设人脸模型数据信息中包括预设红外特征数据及预设可见光特征数据；所述人脸图像数据库还包括预设红外光参数及预设可见光参数；

[0023] 所述红外光特征数据获取模块，用于根据所述红外光参数获取所述待识别红外光图像的特征数据，记为待识别红外光特征数据；

[0024] 所述可见光特征数据获取模块，用于根据所述可见光参数获取所述待识别可见光图像的特征数据，记为待识别可见光特征数据；

[0025] 所述匹配识别模块，用于根据所述待识别可见光特征数据及所述待识别红外特征数据，分别生成与各个所述预设人脸模型数据的匹配得分，并对所述匹配得分进行排序；

[0026] 所述匹配识别模块，还用于获取所述匹配得分最高的预设人脸模型数据作为识别结果。

[0027] 与现有技术相比，本发明的有益效果在于：

[0028] 本发明所提供的一种结合3D结构光、红外光及可见光的人脸识别方法及系统，通过采用3D结构光深度活体算法，结合可见光与红外光融合算法，大大降低系统开销，最大限度的提高人脸识别效率与准确度。

附图说明

[0029] 图1为本发明一实施例的一种结合3D结构光、红外光及可见光的人脸识别方法的流程示意图；

[0030] 图2为本发明一实施例的一种结合3D结构光、红外光及可见光的人脸识别系统的结构示意图。

具体实施方式

[0031] 下面结合附图以及具体实施例对本发明做进一步说明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。

[0032] 需要说明的是，在本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

[0033] 在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

[0034] 在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

[0035] 第一方面，如图1所示，本发明提供了一种结合3D结构光、红外光及可见光的人脸识别方法，包括：

[0036] S100：获取3D图像信息；

[0037] S200：判断所获取到的3D图像信息中是否存在活体信息；

[0038] S300：当判断所获取的3D图像信息中存在活体信息时；

[0039] S400：获取待识别人脸图像的可见光图像信息及红外光图像信息，分别记为待识别可见光图像及待识别红外光图像；

[0040] S500：获取预设人脸图像数据库，其中，所述人脸图像数据库包括至少一个预设人脸模型数据信息，所述预设人脸模型数据信息中包括预设红外特征数据及预设可见光特征数据；所述人脸图像数据库还包括预设红外光参数及预设可见光参数；

[0041] S600：根据所述红外光参数获取所述待识别红外光图像的特征数据，记为待识别红外光特征数据；

[0042] S700：根据所述可见光参数获取所述待识别可见光图像的特征数据，记为待识别可见光特征数据；

[0043] S800：根据所述待识别可见光特征数据及所述待识别红外特征数据，分别生成与各个所述预设人脸模型数据的匹配得分，并对所述匹配得分进行排序；

[0044] S900：获取所述匹配得分最高的预设人脸模型数据作为识别结果。

[0045] 在本发明一实施例中，所述3D图像信息包括深度图像信息及彩色图像信息；

[0046] 则，所述判断所获取到的3D图像信息中是否存在活体信息，具体包括：

[0047] 获取所述彩色图像信息中的人脸轮廓坐标；

[0048] 根据所获取的人脸轮廓坐标在所述深度图像信息中生成人脸检测区域；

[0049] 计算所述深度图像信息中人脸检测区域中的所有像素点的标准差；

[0050] 当所述标准差超过预设阈值时，判断所获取的3D图像信息中存在活体信息。

[0051] 在本发明一实施例中，所述预设人脸模型数据信息中还包括预设红外光图像信息及预设可见光图像信息；

[0052] 则，所述一种结合3D结构光、红外光及可见光的人脸识别方法，还包括：

[0053] 获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设红外光图像信息；

[0054] 将所获取的预设红外光图像信息转换为列向量Dni；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

[0055] 将所述列向量Dni去平均化后生成一个Dn x M的矩阵An，其中，An＝[Dn1-Dn′,……,DnM-Dn′]，

[0056] 根据所述矩阵An生成协方差矩阵Cn，其中， AnT为矩阵An的转置；

[0057] 获取所述协方差矩阵Cn的本征值和本征向量，其中，记所述协方差矩阵Cn的本征值为λni，所述协方差矩阵Cn的本征向量θni；

[0058] 获取所述协方差矩阵Cn前x个本征值，使其满足， 其中，r为协方差矩阵Cn中非零的本征值个数，ξ为预设能量贡献值，0＜ξ≤1；

[0059] 获取所述协方差矩阵Cn前x个本征向量θni，生成矩阵Wn，其中，Wn＝[θn1,……,θnx]

[0060] 记所述矩阵Wn为预设红外光参数；

[0061] 获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设可见光图像信息；

[0062] 将所获取的预设可见光图像信息转换为列向量Dvi；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

[0063] 将所述列向量Dvi去平均化后生成一个Dv x M的矩阵Av，其中，Av＝[Dv1-Dv′,……,DvM-Dv′]，

[0064] 根据所述矩阵Av生成协方差矩阵Cv，其中， AvT为矩阵Av的转置；

[0065] 获取所述协方差矩阵Cv的本征值和本征向量，其中，记所述协方差矩阵Cv的本征值为λvi，所述协方差矩阵Cv的本征向量θvi；

[0066] 获取前y个本征值，使其满足， 其中，r为协方差矩阵Cv中非零的本征值个数，ξ为预设能量贡献值，0＜ξ≤1；

[0067] 获取所述协方差矩阵Cv前y个本征向量θvi，生成矩阵Wv，其中，Wv＝[θv1,……,θvy]

[0068] 记所述矩阵Wv为预设可见光参数。

[0069] 在发明一实施例中，步骤S600具体包括：

[0070] 将所述待识别红外光图像转化为列向量Dnr；

[0071] 获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设红外光图像信息；

[0072] 将所获取的预设红外光图像信息转换为列向量Dni；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

[0073] 获取所述列向量Dni的均值，Dn′，

[0074] 根据所述列向量Dnr、所述列向量Dni均值Dn′及所述预设红外光参数生成所述待T T识别红外光图像的特征数据Ynr，Ynr＝Wn (Dnr-Dn′)，其中，Wn 为矩阵Wn的转置，Wn＝[θn1,……,θnx]；

[0075] 记所述特征数据Ynr为待识别红外光特征数据。

[0076] 在发明一实施例中，步骤S700具体包括：

[0077] 将所述待识别可见光图像转化为列向量Dvr；

[0078] 获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设可见光图像信息；

[0079] 将所获取的预设可见光图像信息转换为列向量Dvi；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

[0080] 获取所述列向量Dvi的均值，Dv′，

[0081] 根据所述列向量Dvr、所述列向量Dvi均值Dv′及所述预设可见光参数生成所述待识别可见光图像的特征数据Yvr，Yvr＝WvT(Dvr-Dv′)，其中，WvT为矩阵Wv的转置，Wv＝[θv1,……,θvy]；

[0082] 记所述特征数据Yvr为待识别可见光特征数据。

[0083] 在本发明一实施例中，步骤S800，具体包括：

[0084] 从预设数据库中获取任意一个预设人脸模型数据，所述预设人脸模型数据中包括预设红外特征数据及预设可见光特征数据，其中，记说获取的预设人脸模型数据为i，记说获取的预设人脸模型数据中红外特征数据为Yni，记说获取的预设人脸模型数据可见光特征数据为Yni，述Yni＝WnT(Dni-Dn′),Yvi＝WvT(Dvi-Dv′)；

[0085] 记所述待识别人脸图像的待识别红外光特征数据为Ynr，所述待识别人脸图像的待识别可见光特征数据为Yvr。

[0086] 生成所述待识别人脸图像与获取的预设人脸模型数据i的相似性得分，其中，记红外特征相似度为Sni，可见光特征相似度为Svi，其中，

[0087] 根据所述红外特征相似度Sni及所述可见光特征相似度为Svi生成综合评分Si，Sii i＝a*Sn+b*Sv，其中，所述a，b均为非零的加权系数；

[0088] 将所述综合评分Si有由大到小进行排序。

[0089] 第二方面，本发明提供了一种结合3D结构关、红外光及可见光的人脸识别系统，包括，3D图像获取模块100，活体识别模块200，可见光图像获取模块300，红外光图像获取模块400，预设数据库获取模块500，红外光特征数据获取模块600，可见光特征数据获取模块
700，匹配识别模块800；

[0090] 其中，所述3D图像获取模块100，用于获取3D图像信息；

[0091] 所述活体识别模块200，用于判断所获取到的3D图像信息中是否存在活体信息；

[0092] 当所述活体识别模块200判断所获取的3D图像信息中存在活体信息时，

[0093] 所述可见光图像获取模块300，用于获取待识别人脸图像的可见光图像信息，记为待识别可见光图像，

[0094] 所述红外光图像获取模块400，用于获取待识别人脸图像的红外光图像信息，记为待识别红外光图像；

[0095] 所述预设数据库获取模块500，用于获取预设人脸图像数据库，其中，所述人脸图像数据库包括至少一个预设人脸模型数据信息，所述预设人脸模型数据信息中包括预设红外特征数据及预设可见光特征数据；所述人脸图像数据库还包括预设红外光参数及预设可见光参数；

[0096] 所述红外光特征数据获取模块600，用于根据所述红外光参数获取所述待识别红外光图像的特征数据，记为待识别红外光特征数据；

[0097] 所述可见光特征数据获取模块700，用于根据所述可见光参数获取所述待识别可见光图像的特征数据，记为待识别可见光特征数据；

[0098] 所述匹配识别模块800，用于根据所述待识别可见光特征数据及所述待识别红外特征数据，分别生成与各个所述预设人脸模型数据的匹配得分，并对所述匹配得分进行排序；

[0099] 所述匹配识别模块800，还用于获取所述匹配得分最高的预设人脸模型数据作为识别结果。

[0100] 在本发明一实施例中，所述3D图像信息包括深度图像信息及彩色图像信息；

[0101] 则，所述活体识别模块200，还用于获取所述彩色图像信息中的人脸轮廓坐标；

[0102] 所述活体识别模块200，还用于根据所获取的人脸轮廓坐标在所述深度图像信息中生成人脸检测区域；

[0103] 所述活体识别模块200，还用于计算所述深度图像信息中人脸检测区域中的所有像素点的标准差；

[0104] 当所述标准差超过预设阈值时，所述活体识别模块200判断所获取的3D图像信息中存在活体信息。

[0105] 在本发明一实施例中，所述预设人脸模型数据信息中还包括预设红外光图像信息及预设可见光图像信息；

[0106] 则，所述一种结合3D结构光、红外光及可见光的人脸识别系统，还包括红外光列向量转换模块，红外光协方差矩阵获取模块，红外光协方差矩阵特征获取模块，红外光参数获取模块，可见光列向量转换模块，可见光协方差矩阵获取模块，可见光协方差矩阵特征获取模块，可见光参数获取模块；

[0107] 其中，所述预设数据库获取模块500，还用于获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设红外光图像信息；

[0108] 所述红外光列向量转换模块，用于将所获取的预设红外光图像信息转换为列向量iDn；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

[0109] 所述协方差矩阵获取模块，用于将所述列向量Dni去平均化后生成一个Dn x M的矩阵An，其中，An＝[Dn1-Dn′,……,DnM-Dn′]，

[0110] 所述协方差矩阵获取模块，还用于根据所述矩阵An生成协方差矩阵Cn，其中，AnT为矩阵An的转置；

[0111] 所述协方差矩阵特征获取模块，用于获取所述协方差矩阵Cn的本征值和本征向量，其中，记所述协方差矩阵Cn的本征值为λni，所述协方差矩阵Cn的本征向量θni；

[0112] 所述红外光参数获取模块，用于获取所述协方差矩阵Cn前x个本征值，使其满足，其中，r为协方差矩阵Cn中非零的本征值个数，ξ为预设能量贡献值，0＜ξ≤1；

[0113] 红外光参数获取模块，还用于获取所述协方差矩阵Cn前x个本征向量θni，生成矩阵Wn，其中，Wn＝[θn1,……,θnx]；

[0114] 红外光参数获取模块，还用于记所述矩阵Wn为预设红外光参数；

[0115] 所述预设数据库获取模块500，还用于获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设可见光图像信息；

[0116] 所述可见光列向量转换模块，用于将所获取的预设可见光图像信息转换为列向量iDv；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

[0117] 所述可见光协方差矩阵获取模块，用于将所述列向量Dvi去平均化后生成一个Dv x M的矩阵Av，其中，Av＝[Dv1-Dv′,……,DvM-Dv′]，

[0118] 所述可见光协方差矩阵获取模块，还用于根据所述矩阵Av生成协方差矩阵Cv，其T中， Av为矩阵Av的转置；

[0119] 所述可见光协方差矩阵特征获取模块，用于获取所述协方差矩阵Cv的本征值和本征向量，其中，记所述协方差矩阵Cv的本征值为λvi，所述协方差矩阵Cv的本征向量θvi；

[0120] 所述可见光参数获取模块，用于获取前y个本征值，使其满足， 其中，r为协方差矩阵Cv中非零的本征值个数，ξ为预设能量贡献值，0＜ξ≤1；

[0121] 所述可见光参数获取模块，还用于获取所述协方差矩阵Cv前y个本征向量θvi，生成矩阵Wv，其中，Wv＝[θv1,……,θvy]；

[0122] 所述可见光参数获取模块，还用于记所述矩阵Wv为预设可见光参数。

[0123] 在发明一实施例中，所述红外光特征数据获取模块600，用于将所述待识别红外光图像转化为列向量Dnr；

[0124] 所述预设数据库获取模块500，还用于获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设红外光图像信息；

[0125] 所述红外光特征数据获取模块600，还用于将所获取的预设红外光图像信息转换为列向量Dni；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

[0126] 所述红外光特征数据获取模块600，还用于获取所述列向量Dni的均值，Dn′，[0127] 所述红外光特征数据获取模块600，还用于根据所述列向量Dnr、所述列向量Dni均值Dn′及所述预设红外光参数生成所述待识别红外光图像的特征数据Ynr，Ynr＝WnT(Dnr-Dn′)，其中，WnT为矩阵Wn的转置，Wn＝[θn1,……,θnx]；

[0128] 所述红外光特征数据获取模块600，还用于记所述特征数据Ynr为待识别红外光特征数据。

[0129] 在发明一实施例中，所述可见光特征数据获取模块700，用于将所述待识别可见光图像转化为列向量Dvr；

[0130] 所述预设数据库获取模块500，还用于获取所述预设人脸图像数据库中，所有预设人脸模型数据信息中的预设可见光图像信息；

[0131] 所述可见光特征数据获取模块700，还用于将所获取的预设可见光图像信息转换为列向量Dvi；其中，i属于M，M为所述预设人脸图像数据库中存储的预设人脸模型数据的数量；

[0132] 所述可见光特征数据获取模块700，还用于获取所述列向量Dvi的均值，Dv′，[0133] 所述可见光特征数据获取模块700，还用于根据所述列向量Dvr、所述列向量Dvi均值Dv′及所述预设可见光参数生成所述待识别可见光图像的特征数据Yvr，Yvr＝WvT(Dvr-Dv′)，其中，WvT为矩阵Wv的转置，Wv＝[θv1,……,θvy]；

[0134] 所述可见光特征数据获取模块700，还用于记所述特征数据Yvr为待识别可见光特征数据。

[0135] 在本发明一实施例中，所述预设数据库获取模块500，还用于从预设数据库中获取任意一个预设人脸模型数据，所述预设人脸模型数据中包括预设红外特征数据及预设可见光特征数据，其中，记所获取的预设人脸模型数据为i，记所获取的预设人脸模型数据中红外特征数据为Yni，记所获取的预设人脸模型数据可见光特征数据为Yni，述Yni＝WnT(Dni-i T iDn′),Yv＝Wv(Dv-Dv′)；

[0136] 所述匹配识别模块800，还用于记所述待识别人脸图像的待识别红外光特征数据为Ynr，所述待识别人脸图像的待识别可见光特征数据为Yvr；

[0137] 所述匹配识别模块800，还用于生成所述待识别人脸图像与获取的预设人脸模型i i数据i的相似性得分，其中，记红外特征相似度为Sn，可见光特征相似度为Sv，其中，[0138] 所述匹配识别模块800，还用于根据所述红外特征相似度Sni及所述可见光特征相似度为Svi生成综合评分Si，Si＝a*Sni+b*Svi，其中，所述a，b均为非零的加权系数；

[0139] 所述匹配识别模块800，还用于将所述综合评分Si有由大到小进行排序。

[0140] 显然，上述实施例仅仅是为了更清楚的表达本发明技术方案所作的举例，而非对本发明实施方式的限定。对于本领域技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，在不脱离本发明构思的前提下，这些都属于本发明的保护范围。因此本发明专利的保护范围应以所附权利要求为准。