本發(fā)明涉及3D人體識別技術(shù)領(lǐng)域，特別是涉及一種3D人體識別方法及設(shè)備。

背景技術(shù)：

信息安全問題已經(jīng)引起社會各界的廣泛重視。保障信息安全的一個主要途徑就是對信息使用者的身份進行準(zhǔn)確鑒別，通過鑒別結(jié)果進一步判斷用戶獲取信息的權(quán)限是否合法，從而達到保證信息不被外泄和保障用戶合法權(quán)益的目的。因此，可靠的身份識別是非常重要和必要的。

人體識別在門禁系統(tǒng)、安全監(jiān)控、人機交互、醫(yī)療診斷等領(lǐng)域具有廣泛的應(yīng)用前景和經(jīng)濟價值。傳統(tǒng)的人體識別技術(shù)為2D人體識別，2D人體識別只有顏色信息而沒有深度信息，顏色信息包括諸如顏色、紋理、形狀等信息，因此，不可避免地會導(dǎo)致顏色信息中的姿態(tài)不確定問題。另外，根據(jù)不同的季節(jié)、人的服飾和環(huán)境光照變化，顏色信息是不穩(wěn)定的(或者是不魯棒的)，因此，在復(fù)雜的環(huán)境中，基于顏色信息的人體識別的精確度較低。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種3D人體識別方法及設(shè)備，能夠解決現(xiàn)有技術(shù)存在的人體識別精確度低的問題。

為解決上述技術(shù)問題，本發(fā)明采用的一個技術(shù)方案是：提供一種3D人體識別方法，該方法包括以下步驟：獲取待測人的RGBD人體圖像；通過所述RGBD人體圖像獲取人體特征點的3D空間分布特征信息；將獲取的所述人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配；若匹配成功，則獲取所述待測人的身份信息。

其中，所述通過所述RGBD人體圖像獲取人體特征點的3D空間分布特征信息的步驟包括：通過所述RGBD人體圖像采集人體特征點；根據(jù)所述人體特征點建立人體3D網(wǎng)格；根據(jù)所述人體3D網(wǎng)格度量所述人體特征點的特征值并計算所述人體特征點的3D空間分布特征信息。

其中，所述將獲取的所述人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配的步驟包括：計算獲取的所述人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息的匹配度，以獲得最高匹配度；將所述最高匹配度與預(yù)設(shè)的匹配度閾值比較，若所述最高匹配度達到所述預(yù)設(shè)的匹配度閾值的范圍，則判斷匹配成功。

其中，獲取待測人的RGBD人體圖像的步驟中，所述RGBD人體圖像為RGBD人體圖像序列；通過所述RGBD人體圖像獲取人體特征點的3D空間分布特征信息的步驟還包括：通過所述RGBD人體圖像序列獲取人體動態(tài)特征信息；將獲取的所述人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配的步驟還包括：將獲取的所述人體動態(tài)特征信息與人體3D特征身份信息庫中的人體動態(tài)特征信息進行匹配。

其中，獲取待測人的RGBD人體圖像的步驟中，還包括：獲取待測人的RGBD人臉圖像；通過所述RGBD人體圖像獲取人體特征點的3D空間分布特征信息的步驟中，還包括：通過所述RGBD人臉圖像獲取人臉特征點的3D空間分布特征信息；將獲取的所述人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配的步驟還包括：將獲取的所述人臉特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人臉特征點的3D空間分布特征信息進行匹配；若匹配成功，則獲取所述待測人的身份信息的步驟中，所述匹配成功為所述人體特征點的3D空間分布特征信息與所述人臉特征點的3D空間分布特征信息均匹配成功。

為解決上述技術(shù)問題，本發(fā)明采用的另一個技術(shù)方案是：提供一種3D人體識別設(shè)備，該設(shè)備包括人體圖像獲取模塊、人體特征信息獲取模塊、人體信息匹配模塊和身份信息獲取模塊；人體圖像獲取模塊用于獲取待測人的RGBD人體圖像；人體特征信息獲取模塊與所述人體圖像獲取模塊連接，用于通過所述RGBD人體圖像獲取人體特征點的3D空間分布特征信息；人體信息匹配模塊與所述人體特征信息獲取模塊連接，用于將獲取的所述人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配；身份信息獲取模塊與所述人體信息匹配模塊連接，用于在匹配成功時，獲取所述待測人的身份信息。

其中，所述人體特征信息獲取模塊包括采集模塊、網(wǎng)格建立模塊和處理模塊；采集模塊與所述人體圖像獲取模塊連接，用于通過所述RGBD人體圖像采集人體特征點；網(wǎng)格建立模塊與所述采集模塊連接，用于根據(jù)所述人體特征點建立人體3D網(wǎng)格；處理模塊與所述網(wǎng)格建立模塊連接，用于根據(jù)所述人體3D網(wǎng)格度量所述人體特征點的特征值并計算所述人體特征點的3D空間分布特征信息。

其中，所述人體信息匹配模塊包括計算模塊和比較模塊；計算模塊與所述處理模塊連接，用于計算獲取的所述人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息的匹配度，以獲得最高匹配度；比較模塊與所述計算模塊連接，用于將所述最高匹配度與預(yù)設(shè)的匹配度閾值比較，若所述最高匹配度達到所述預(yù)設(shè)的匹配度閾值的范圍，則判斷匹配成功。

其中，所述人體圖像獲取模塊獲取的是RGBD人體圖像序列；所述設(shè)備還包括動態(tài)特征信息獲取模塊，與所述人體圖像獲取模連接，用于通過所述RGBD人體圖像序列獲取人體動態(tài)特征信息；所述人體信息匹配模塊進一步用于將獲取的所述人體動態(tài)特征信息與人體3D特征身份信息庫中的人體動態(tài)特征信息進行匹配。

其中，所述設(shè)備還包括人臉圖像獲取模塊、人臉特征信息獲取模塊和人臉信息匹配模塊；人臉圖像獲取模塊用于獲取待測人的RGBD人臉圖像；人臉特征信息獲取模塊與所述人臉圖像獲取模塊連接，用于通過所述RGBD人臉圖像獲取人臉特征點的3D空間分布特征信息；人臉信息匹配模塊與所述人臉特征信息獲取模塊連接，用于將獲取的所述人臉特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人臉特征點的3D空間分布特征信息進行匹配；所述身份信息獲取模塊還與所述人臉信息匹配模塊連接，所述身份信息獲取模塊用于在所述人體特征點的3D空間分布特征信息與所述人臉特征點的3D空間分布特征信息均匹配成功時，獲取所述待測人的身份信息。

本發(fā)明的有益效果是：區(qū)別于現(xiàn)有技術(shù)的情況，本發(fā)明通過本發(fā)明通過獲取RGBD人體圖像來獲取人體特征點的3D空間分布特征信息，并將該人體特征點的3D空間分布特征信息與人體3D特征身份信息庫內(nèi)保存的人體特征點的3D空間分布特征信息進行匹配，從而進行人臉識別，由于進行匹配的是人體3D信息，包括顏色信息和深度信息，人體信息更加全面，并且，通過該3D空間分布特征信息可以建立人體骨架，從而可以通過人體骨架來進行識別，所以不同的季節(jié)、人的服飾和環(huán)境光照變化等均不會對人體識別造成影響，因此本發(fā)明能提高人體識別的精確度。

附圖說明

為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明第一實施例提供的一種3D人體識別方法的流程示意圖；

圖2是圖1中步驟S12的流程示意圖；

圖3是圖1中步驟S13的流程示意圖；

圖4是本發(fā)明第二實施例提供的一種3D人體識別方法的流程示意圖；

圖5是本發(fā)明第三實施例提供的一種3D人體識別方法的流程示意圖；

圖6是本發(fā)明第一實施例提供的一種3D人體識別設(shè)備的結(jié)構(gòu)示意圖；

圖7是本發(fā)明第二實施例提供的一種3D人體識別設(shè)備的結(jié)構(gòu)示意圖；

圖8是本發(fā)明第三實施例提供的一種3D人體識別設(shè)備的結(jié)構(gòu)示意圖；

圖9是本發(fā)明實施例提供的一種3D人體識別設(shè)備的實體裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅是本發(fā)明的一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。

請參閱圖1，圖1是本發(fā)明第一實施例提供的一種3D人體識別方法的流程示意圖。

本實施例的3D人體識別方法包括以下步驟：

S11：獲取待測人的RGBD人體圖像。

具體地，RGBD人體圖像包括人體的顏色信息(RGB)和深度信息(Depth)，RGBD人體圖像可以通過Kinect傳感器獲得。其中，該RGBD人體圖像可以是一個圖像集，包括例如同一個人的多個角度的多個RGBD人體圖像。

在一些實施例中，當(dāng)鏡頭中出現(xiàn)多個人的時候，則采集多個人的RGBD人體圖像。

S12：通過RGBD人體圖像獲取人體特征點的3D空間分布特征信息。

如圖2所示，圖2是圖1中步驟S12的流程示意圖。具體而言，步驟S12包括：

S121：通過RGBD人體圖像采集人體特征點。

具體而言，本實施例通過采集人體部位進行人體特征點的采集，其中，人體部位包括：軀干、四肢以及頭部中的一個或者多個。

特征點的采集方法可以是多種，例如，通過人工標(biāo)記人臉的眼睛、鼻子等五官、面頰、下頜及其邊緣等特征點，也可以兼容RGB(2D)的人臉特征點標(biāo)記方法來確定人臉的特征點，還可以自動標(biāo)記特征點。

舉例而言，自動標(biāo)記特征點需要經(jīng)過三個步驟：

(一)人體分割。本實施例采用幀間差分和背景差分相結(jié)合起來的方法來分割運動人體，預(yù)先選取RGBD圖像中的一幀作為背景幀，建立各像素點的高斯模型，再運用幀間差分法對相鄰兩幀圖像進行差分處理，區(qū)分出背景點和變化的區(qū)域(在當(dāng)前幀中變化的區(qū)域包括顯露區(qū)和運動物體)，然后將變化區(qū)域與背景幀的對應(yīng)區(qū)域進行模型擬合區(qū)分出顯露區(qū)和運動物體，最后在運動物體中去除陰影，這樣將不帶陰影的運動物體分割出來。背景更新時將幀間差分確定為是背景的點，則以一定的規(guī)則進行更新；背景差分時確定為是顯露區(qū)的點，則以較大的更新率更新背景幀，運動物體對應(yīng)的區(qū)域不進行更新。該法可以得到較理想的分割目標(biāo)。

(二)輪廓提取和分析。在獲取二值化后的圖像以后，利用一些經(jīng)典的邊緣檢測算法來獲取輪廓。例如采用Canny算法，Canny邊緣檢測算子充分反映了最優(yōu)邊緣檢測器的數(shù)學(xué)特性，對于不同類型的邊緣，均具有良好的信噪比，優(yōu)異的定位性能，對單一邊緣產(chǎn)生多個響應(yīng)的低概率性和對虛假邊緣響應(yīng)的最大抑制能力，利用分割算法獲得光流分割場后，在這些分割區(qū)域里包含所有我們所關(guān)心的運動目標(biāo)。因此，將在這些分割區(qū)域里利用Canny算子提取邊緣，一方面可以大大限制背景干擾，另一方面可以有效地提高運行的速度。

(三)關(guān)節(jié)點自動標(biāo)記。通過差分法得到了分割出運動目標(biāo)，Canny邊緣檢測算子提取輪廓后，借助MaylorK.LeungandYee-HongYang的2D帶狀模型(RibbonModel)對人體目標(biāo)進一步分析。該模型將人體正面劃分成不同的區(qū)域，例如，用5個U形區(qū)域來構(gòu)造人體，該5個U形區(qū)域分別表示人體的頭部以及四肢。

這樣，通過尋找5個U形狀的身體端點，就可確定身體的大致位置，在已提取的輪廓的基礎(chǔ)上，通過矢量輪廓壓縮，來提取需要的信息，保留最主要的人體四肢的特征，將人體輪廓壓縮成一個固定的形狀，例如，使得輪廓具有固定的8個端點和5個U形點和3個倒U形點，這樣明顯的特征能方便計算輪廓。這里可以使用輪廓上相鄰端點的距離算法來壓縮輪廓，通過迭代處理使得輪廓壓縮為8個端點。

在獲取了壓縮輪廓后采用如下算法就可以對特征點進行自動標(biāo)注：

(1)確定U形狀的身體端點。設(shè)定某一個參考長度M，大于M的矢量可以認為它是身體輪廓的一部分，小于它則忽略。按照矢量化后的輪廓從某一點開始尋找，找到一個大于M的矢量記為Mi，找到下一個的矢量記為Mj，比較Mi到Mj的夾角，如果夾角在某一范圍內(nèi)(0～90°)，(注意這里角度為正，表示它是凸的)，則認為它們是U端點，記錄這兩個矢量，找到一個U端點。如此直到找出5個U端點。

(2)確定三個倒U形狀的端點。同步驟(1)，只要把夾角條件正換為負。

(3)根據(jù)U及倒U的端點很容易獲得頭部，手，腳的位置。根據(jù)身體的生理形狀，就可以確定各個關(guān)節(jié)點，利用手臂與身體交角部分、頭部與腿部交角部分，可以分別確定軀干的寬度和長度；然后利用脖子、腰位置分別占軀干比率0.75、0.3，肘部位于肩膀與手的中點，膝蓋位于腰部與腳的中點。這樣各個特征點大致位置可以定義出來。

S122：根據(jù)人體特征點建立人體3D網(wǎng)格；

S123：根據(jù)人體3D網(wǎng)格度量人體特征點的特征值并計算人體特征點的3D空間分布特征信息。

步驟S123中的特征值包括身高、臂長、肩寬、手掌大小以及頭部大小中的一個或者多個。通過人體3D網(wǎng)格可以計算出各個人體特征點的空間位置信息，從而可以計算各個人體特征點之間的拓撲關(guān)系，從而可以獲得立體的人體形狀信息，以得到人體特征點的3D空間分布特征信息。

S13：將獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配。

如圖3所示，圖3是圖1中步驟S13的流程示意圖。步驟S13具體包括：

S131：計算獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息的匹配度，以獲得最高匹配度。

S132：將最高匹配度與預(yù)設(shè)的匹配度閾值比較，若最高匹配度達到預(yù)設(shè)的匹配度閾值的范圍，則判斷匹配成功，從而進入步驟S14。

其中，在初次使用本發(fā)明的方法時，在上述步驟S12之前還包括預(yù)先設(shè)定匹配度閾值的范圍的步驟，該步驟可以在步驟S11之前或者之后，也可以與步驟S11同時進行。

人體識別的算法有多種，例如采用Bhattacharyya距離計算兩個空間直方圖的相似性?；蛘?，采用EMD(Earth Movers Distance)等算法來計算匹配度(相似度)等。

S14：獲取待測人的身份信息。

匹配成功之后，人體3D特征身份信息庫中最高匹配度的個人的身份信息即該待測人的身份信息。

本發(fā)明的3D人體識別方法可以在手機、門禁、安防、游戲賬戶、登錄、支付等等各種安全級別的人臉識別進行身份認證等的應(yīng)用。在獲得待測人的身份信息之后，可以判斷待測人的權(quán)限，例如，應(yīng)用在門禁系統(tǒng)上時，根據(jù)待測人的身份信息可知是否允許該待測人進入。

區(qū)別于現(xiàn)有技術(shù)，本發(fā)明通過本發(fā)明通過獲取RGBD人體圖像來獲取人體特征點的3D空間分布特征信息，并將該人體特征點的3D空間分布特征信息與人體3D特征身份信息庫內(nèi)保存的人體特征點的3D空間分布特征信息進行匹配，從而進行人臉識別，由于進行匹配的是人體3D信息，包括顏色信息和深度信息，人體信息更加全面，并且，通過該3D空間分布特征信息可以建立人體骨架，從而可以通過人體骨架來進行識別，所以不同的季節(jié)、人的服飾和環(huán)境光照變化等均不會對人體識別造成影響，因此本發(fā)明能提高人體識別的精確度。

請參閱圖4，圖4是本發(fā)明第二實施例提供的一種3D人體識別方法的流程示意圖。

本實施例的3D人體識別方法包括以下步驟：

S21：獲取待測人的RGBD人體圖像序列。

步驟S21中，通過Kinect傳感器獲取的是一定時間段內(nèi)動態(tài)連續(xù)的RGBD人體圖像序列，從而可以獲得待測人的運動信息。

S22：通過RGBD人體圖像獲取人體特征點的3D空間分布特征信息，通過RGBD人體圖像序列獲取人體動態(tài)特征信息。

其中，人體特征點的3D空間分布特征信息的獲取方法與第一實施例的獲取方法相同，在此不再贅述。

RGBD人體圖像序列獲取人體動態(tài)特征信息的獲取可以通過通過根據(jù)人體站立、步行、奔跑等行為的動態(tài)特征，以及特定動態(tài)行為的過程，例如雙掌手指交叉過程及結(jié)果、雙臂交叉過程及結(jié)果等信息。

具體而言，本實施例采用動態(tài)連續(xù)的RGBD圖像序列，可以檢測出人體的動作姿態(tài)，增加特征識別的屬性項目，例如：若目標(biāo)為杯子、汽車等剛體物品，則在連續(xù)的RGBD圖中，目標(biāo)連續(xù)表現(xiàn)為剛體，以此辨別目標(biāo)為剛體；若目標(biāo)為人、貓、狗等動物，則根據(jù)連續(xù)動態(tài)RGBD跟蹤目標(biāo)，檢測位非剛體，更進一步根據(jù)人體特征識別等技術(shù)進行精確的人體識別。

在一些實施例中，還可以通過采集語音、體溫等動物或人的特征以進行識別認證，防止利用圖像、錄音等破解認證識別系統(tǒng)，提高識別精度。

要獲取人體動態(tài)特征信息，首先需要進行人體運動檢測，即在獲取的圖像序列中確定運動人體的為準(zhǔn)、尺度大小和姿態(tài)的過程。人體運動檢測的方法有多種，例如，OGHMs(Orthogonal Gaussian-Hermite Moments)檢測法，其基本原理是：通過比較在時間上連續(xù)的圖像幀之間對應(yīng)象素值的變化程度來判斷該像素點是否屬于前景運動區(qū)域。

用{f(x,y,t)|t＝0,1,2…}表示輸入的一組圖像序列，f(x,y,t)代表t時刻的圖像，x，y代表了圖像上像素點的坐標(biāo)，設(shè)Gaussian函數(shù)為g(x,σ)，Bn(t)為g(x,σ)與Hermite多項式的乘積，則n階OGHMs可表示為：

其中a_i由Gaussian函數(shù)的標(biāo)準(zhǔn)偏差σ確定。根據(jù)卷積運算的性質(zhì)，n階OGHMs可看成是圖像序列函數(shù)在時間上的各階導(dǎo)數(shù)之和與Gaussian函數(shù)的卷積。某點導(dǎo)數(shù)值越大，則表示隨時間變化該點位置上的像素值變化也越大，說明該點應(yīng)該屬于運動區(qū)域塊，這為OGHMs方法能檢測出運動物體提供了理論依據(jù)。另外，從式(1)中可看出，OGHMs的基函數(shù)為這是由Gaussian函數(shù)的不同階導(dǎo)數(shù)線性組合而成。因為高斯函數(shù)本身具有平滑噪聲的能力，所以O(shè)GHMs同樣具有有效濾除各種噪聲的性能。

又如，時間差分法，時間差分法(Temporal Difference)是利用時間上連續(xù)的圖像序列前后幾個相鄰幀，基于像素的時間差分，通過閾值化提取圖像中的運動區(qū)域。早期的方法是利用相鄰兩幀差分獲得運動物體，如設(shè)F_k是圖像序列中第k幀圖像灰度值數(shù)據(jù)，F(xiàn)_k+1表示圖像序列中第k+1幀圖像灰度值數(shù)據(jù)，則時間相鄰兩幀圖像的差分圖像定義為：

其中T為閾值。如果差值大于T，則說明該區(qū)域的灰度變化較大，即需要檢測出的運動目標(biāo)區(qū)域。

又如，光流法(Optical Flow)，光流法基于以下假設(shè)：圖像灰度的變化完全是由于目標(biāo)或背景的運動引起的。即，目標(biāo)和背景的灰度不隨時間變化。基于光流方法的運動檢測，就是利用運動物體隨時間變化在圖像中表現(xiàn)為速度場的特性，根據(jù)一定的約束條件估算出運動所對應(yīng)的光流，其優(yōu)點是對目標(biāo)的幀間運動限制較少，可處理較大的幀間位移。

再如，背景減除法(Background Subtraction)，其基本原理是首先構(gòu)建一個背景模型圖像,然后用當(dāng)前幀圖像與背景幀圖像做差分,通過閾值化差分結(jié)果檢測出運動目標(biāo)。假設(shè)t時刻背景幀圖像為F₀，對應(yīng)當(dāng)前幀圖像為F_t，則當(dāng)前幀和背景幀的差分可表示為：

假設(shè)當(dāng)前幀圖像與背景幀圖像相應(yīng)像素的灰度值差分大于閾值，則所得到的二值圖像中對應(yīng)的值為1，即認定該區(qū)域?qū)儆谶\動目標(biāo)。

在檢測出人體運動姿態(tài)之后，通過運動歷史圖像(MHI，motion history images)和運動能量圖像(MEI,motion energy images)進行人體動作姿態(tài)的表示。

采用運動歷史圖像(MHI)和運動能量圖像(MEI)進行人體動作姿態(tài)的表示，其中MEI反映了人體動作姿態(tài)所發(fā)生的區(qū)域及強度，而MHI則在一定程度上反映了人體動作姿態(tài)如何發(fā)生以及在時間上如何變化。

二值圖像MEI產(chǎn)生如下：

其中：B(x,y,n)是表示人體動作姿態(tài)發(fā)生區(qū)域的二值圖像序列，參數(shù)τ表示人體動作姿態(tài)的持續(xù)時間。因此，MEI描述了整個人體動作姿態(tài)所發(fā)生的區(qū)域。

MHI的產(chǎn)生如下：

運動歷史圖像MH I不僅反映了形狀，也反映了亮度的分布以及人體動作姿態(tài)發(fā)生的方向。在MHI中，每個象素的亮度值都與該位置動作姿態(tài)的持續(xù)運動時間成比例，而且，最近發(fā)生的動作姿態(tài)的象素亮度值最大，灰度的變化體現(xiàn)出動作姿態(tài)發(fā)生的方向。

采用不變矩方法建立動作姿態(tài)模板的統(tǒng)計描述。不變矩為：M’_k＝lg|M_k|，其中：k＝1，2，…，7。將特征向量記為F＝[M’₁，M’₂，…M’₇]，用F₁，F(xiàn)₂，…，F(xiàn)_M代表圖像庫中M幅某個人體動作姿態(tài)的圖像.對圖像F_i，其相應(yīng)的特征向量記為F_i＝[M’_i1，M’_i2，…，M’_i7]，這樣由人體動作姿態(tài)圖像庫就可以得到該動作姿態(tài)的一個M×7的特征矩陣F＝M’_ij，其中M’_ij是F_i的第j個特征元素.這樣就可得到M幅該人體動作姿態(tài)圖像的特征向量集的均值向量和協(xié)方差矩陣，建立該動作姿態(tài)模板的統(tǒng)計描述。

S23：將獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配，將獲取的人體動態(tài)特征信息與人體3D特征身份信息庫中的人體動態(tài)特征信息進行匹配。

若人體特征點的3D空間分布特征信息與人體動態(tài)特征信息均匹配成功，則進入步驟S24。

具體地，人體動態(tài)特征信息的匹配可以通過以下方式：通過Mahalanobis距離來衡量新輸入的動作姿態(tài)與已存儲的已知的動作姿態(tài)模板之間的相似性，只要計算出的Mahalanobis距離在規(guī)定的閾值范圍之內(nèi)都可認為是匹配成功，如果匹配的動作姿態(tài)不止一個，則選擇距離最小的那個作為成功的匹配。Mahalanobis距離的計算公式如下：

γ²＝(f-μ_x)^Tc^-1(f-μ_x)

其中，γ是Mahalanobis距離，f是改進的人體動作姿態(tài)圖像的不變矩特征向量，μ_x是已訓(xùn)練的特征向量集的均值向量，c是已訓(xùn)練的特征向量集的協(xié)方差矩陣。

可以理解地，在其它一些實施例中，還可以使用其它的匹配算法，本發(fā)明不做限制。

S24：獲取待測人的身份信息。

本實施例從RGBD人體圖像序列中獲取的人體3D特征信息不僅包括人體特征點的3D空間分布特征信息，還包括了人體動態(tài)特征信息，增加了特征識別的屬性項目，本實施例結(jié)合人體特征點的3D空間分布特征信息和人體動態(tài)特征信息進行人體識別，使得比較識別的屬性項目更加充分，從而使得人體識別更加精確。

請參閱圖5，圖5是本發(fā)明第三實施例提供的一種3D人體識別方法的流程示意圖。

S31：獲取待測人的RGBD人體圖像和RGBD人臉圖像。

S32：通過RGBD人體圖像獲取人體特征點的3D空間分布特征信息，通過RGBD人臉圖像獲取人臉特征點的3D空間分布特征信息。

其中，人臉特征點的3D空間分布特征信息包括以下步驟：

(1)通過人臉RGBD圖采集人臉的特征點。該步驟中，通過采集人臉元素來進行特征點的采集，其中，人臉元素包括：眉毛、眼睛、鼻子、嘴巴、臉頰以及下巴中的一個或者多個。特征點可以通過人工標(biāo)記人臉的眼睛、鼻子等五官、面頰、下頜及其邊緣等來獲取。

(2)根據(jù)特征點建立人臉彩色3D網(wǎng)格。

(3)根據(jù)人臉彩色3D網(wǎng)格度量特征點的特征值并計算特征點之間的連接關(guān)系。

具體而言，通過顏色信息可以針對人臉特征的特征點對相關(guān)特征值進行度量，該特征值為人臉特征在2D平面上的包括對位置、距離、形狀、大小、角度、弧度以及曲率中的一種或者多種的度量，此外，還包括對色彩、亮度、紋理等的度量。例如根據(jù)虹膜中心像素點向周圍延伸，得到眼睛的全部像素位置，眼睛的形狀，眼角的傾斜弧度，眼睛的顏色等等。

結(jié)合顏色信息和深度信息，則可以計算出特征點之間的連接關(guān)系，該連接關(guān)系可以是特征點之間的拓撲連接關(guān)系和空間幾何距離，或者也可以是特征點的各種組合的動態(tài)連接關(guān)系信息等。

根據(jù)人臉彩色3D網(wǎng)格的度量和計算可以獲得包括人臉的各個元素本身的平面信息和每個元素上的特征點的空間位置關(guān)系的局部信息，以及各個元素之間的空間位置關(guān)系的整體信息。局部信息和整體信息分別從局部和整體上反映隱含在RGBD人臉圖像上的信息和結(jié)構(gòu)關(guān)系。

舉例而言，采用有限元分析方法對特征值、特征點之間的拓撲連接關(guān)系和空間幾何距離進行分析以獲取人臉特征點的3D空間分布特征信息。

具體地，使用有限元分析可對人臉彩色3D網(wǎng)格進行曲面變形。有限元分析(FEA，F(xiàn)inite Element Analysis)即利用數(shù)學(xué)近似的方法對真實物理系統(tǒng)(幾何和載荷工況)進行模擬。還利用簡單而又相互作用的元素，即單元，就可以用有限數(shù)量的未知量去逼近無限未知量的真實系統(tǒng)。

例如，對人臉彩色3D網(wǎng)格每個線單元進行變形能量分析后，可以建立線單元的單元剛度方程。然后引入約束單元，如點、線、切矢、法矢等約束單元類型。因為曲線曲面要滿足稽核設(shè)計時對其形狀、位置、尺寸以及與相鄰曲面的連續(xù)性等要求，這些都是通過約束來實現(xiàn)的。本實施例通過罰函數(shù)法處理這些約束，最終獲得約束單元的剛度矩陣和等效載荷列陣。

擴充變形曲線曲面的數(shù)據(jù)結(jié)構(gòu)，使得變形曲線曲面的數(shù)據(jù)結(jié)構(gòu)既包含如階數(shù)、控制頂點和節(jié)點矢量等的幾何參數(shù)部分，還包括表明物理特性和外載荷的一些參數(shù)。從而使得變形曲線曲面可以整體表示一些較為復(fù)雜的形體表明，大大簡化了人臉的幾何模型。并且，在數(shù)據(jù)結(jié)構(gòu)中的物理參數(shù)和約束參數(shù)唯一決定了人臉的構(gòu)形幾何參數(shù)。

通過程序設(shè)計來用有限元求解變形曲線曲面，針對不同的約束單元，設(shè)置單元入口程序，可計算出任何一種約束的單元剛度矩陣和單元載荷列陣。根據(jù)總體剛度矩陣的對稱性、帶狀性和稀疏性，采用變帶寬一維數(shù)組存儲方法對總體剛度矩陣計算。組裝時，不僅將線單元或面單元剛度矩陣，也將約束單元剛度矩陣按“對號入座”方式加入到總體剛度矩陣中，同時將約束單元等效載荷列陣加入到總體載荷列陣中，最后采用高斯消去法求解線性代數(shù)方程組。

舉例而言，人臉曲線曲面的造型方法可用數(shù)學(xué)模型描述為：

所求變形曲線

u∈Ω＝[0，1]，或曲面

(u，v)∈Ω＝[0，1]×[0，1]是如下極值問題的解

其中，是曲線曲面的能量泛函，它在一定程度上反映曲線曲面的變形特點，賦予曲線曲面物理特性。f1,f2,f3,f4是關(guān)于(·)中變量的函數(shù)，是參數(shù)定義域的邊界，Γ′是曲面參數(shù)域內(nèi)的曲線，(μ₀，v₀)是參數(shù)域內(nèi)某參數(shù)值，條件(1)是邊界插值約束，條件(2)是邊界處連續(xù)性約束，條件(3)是曲面內(nèi)特征線的約束，條件(4)是曲線曲面內(nèi)點約束。在應(yīng)用中，能量泛函取成如下形式：

曲線：

曲面：

其中，α、β、γ分別表示曲線的拉伸、玩去、扭曲系數(shù)，αij和βij分別為曲面在(μ，v)處局部沿μ，v方向的拉很和玩去系數(shù)。

從數(shù)學(xué)模型中可以看出，變形曲線曲面造型方法同一、協(xié)調(diào)地處理各類約束，既滿足了局部控制，又保證了整體廣順。利用變分原理，求解上述極值問題可轉(zhuǎn)化為求解如下方程：

這里的δ表示一階變分。式(5)是一個微分方程，由于該方程比較復(fù)雜，難于求出精確分析結(jié)，因此采用數(shù)值解放。例如，采用有限元方法求解。

有限元方法可認為是先根據(jù)需要選擇合適的插值形式，再求解組合參數(shù)，因此所得的解不僅為連續(xù)形式，而前處理生成的網(wǎng)格也為有限元分析奠定了基礎(chǔ)。

在識別階段，未知人臉圖像與已知人臉模板之間的相似性度量由下式給出：

式中：C_iX_j分別為待識別人臉的特征和人臉庫中人臉的特征，i₁,i₂,j₁,j₂,k₁,k₂為3D網(wǎng)格頂點特征。式中的第一項是機選兩個矢量場中對應(yīng)的局部特征X_j和C_i的相似程度，第二項則是計算局部位置關(guān)系和匹配次序，由此可見，最佳匹配也就是最小能量函數(shù)時的匹配。

通過上述有限元方法對人臉彩色3D網(wǎng)格進行了曲面變形，使人臉彩色3D網(wǎng)格各個點均不斷接近真實人臉的特征點，從而獲得立體的人臉形狀信息，進而獲取了人臉特征點的3D空間分布特征信息。

又如，采用小波變換紋理分析方法對特征值和特征點之間的動態(tài)連接關(guān)系進行分析，以獲取人臉特征點的3D空間分布特征信息。

具體而言，動態(tài)連接關(guān)系為各種特征點組合的動態(tài)連接關(guān)系。小波變換是時間和頻率的局域變換，它具有多分辨率分析的特征，而且在時域頻域都具有表征信號局部特征的能力。本實施例通過小波變換紋理分析經(jīng)過對紋理特征的提取、分類和分析步驟并結(jié)合人臉特征值以及動態(tài)連接關(guān)系信息，具體包括顏色信息和深度信息，最終獲取立體的人臉形狀信息，最終再從人臉形狀信息中分析提取出人臉細微表情變化下具有不變性的人臉形狀信息，進行編碼人臉形狀模型參數(shù)，該模型參數(shù)即可作為人臉的幾何特征，從而獲得人臉特征點的3D空間分布特征信息。

舉例而言，三維小波變換的基礎(chǔ)如下：

其中，

A_J1為函數(shù)f(x,y,z)到空間V³_J1的投影算子，

Q_n為H_x,H_y,H_z G_x,G_y,G_z的組合；

令矩陣H＝(H_m，k)，G＝(G_m，k)，其中，H_x,H_y,H_z分別表示H作用到三維信號x,y,z方向上，G_x,G_y,G_z分別表示G作用到三維信號x,y,z方向上。

識別階段，將未知人臉圖像小波變換后，取其低頻低分辨率子圖映射到人臉空間，將得到特征系數(shù)，可以使用歐式距離比較待分類特征系數(shù)與每個人的特征系數(shù)之間的距離，結(jié)合PCA算法，根據(jù)公式：

式中，K為與未知人臉最匹配的人，N為數(shù)據(jù)庫人數(shù)，Y為未知人臉映射到由特征臉形成的子空間上得到的m維向量，Y_k為數(shù)據(jù)庫中已知人臉映射到由特征臉形成的子空間上得到的m維向量。

可以理解地，在另一個實施例中，還可以采用是基于二維小波特征的3D人臉識別方法進行識別，首先需要進行二維小波特征提取，二維小波基函數(shù)g(x,y)定義為

g_mn(x，y)＝a^-mng(x′，y′)，a＞1，m，n∈Z

其中，σ為高斯窗口的大小，一個自相似的濾波器函數(shù)可通過函數(shù)g_mn(x,y)對g(x,y)進行適當(dāng)膨脹和旋轉(zhuǎn)得到?；谝陨虾瘮?shù)，對圖像I(x,y)的小波特征可以定義為

人臉圖像二維小波提取算法的實現(xiàn)步驟如下：

(1)通過小波分析獲取關(guān)于人臉的小波表征，使原圖像I(x,y)中的相應(yīng)特征轉(zhuǎn)化為小波特征向量F(F∈R^m)。

(2)采用小指數(shù)多項式(FPP)模型k(x，y)＝(x·y)^d(0＜d＜1)使m維小波特征空間R^m投影到更高n維空間Rⁿ中。

(3)基于核線性判決分析算法(KFDA)，在Rⁿ空間中建立類間矩陣S_b和類內(nèi)矩陣S_w。

計算S_w的標(biāo)準(zhǔn)正交特征向量α₁，α₂，…，α_n。

(4)提取人臉圖像顯著判別特征向量。另P1＝(α₁，α₂，…，α_q)，其中，α₁，α₂，…，α_q是S_w對應(yīng)的q個特征值為正的特征向量，q＝rank(S_w)。計算對應(yīng)于L個最大特征值的特征向量β₁，β₂，…，β_L，(L≤c-1)，其中，c是人臉分類的數(shù)量。顯著判別特征向量，f_regular＝B^TP₁^Ty其中，y∈Rⁿ；B＝(β₁，β₂，…，β_l)。

(5)提取人臉圖像不顯著的判別特征向量。計算對應(yīng)于一個最大特征值的特征向量γ₁，γ₂，…，γ_L，(L≤c-1)。令P₂＝(α_q+1，α_q+2，…，α_m)，則不顯著的判別特征向量

在3D人臉識別階段包括的步驟如下：

(1)對正面人臉進行檢測，定位一張正面人臉和一張人臉圖像中關(guān)鍵的人臉特征點，比如人臉的輪廓特征點、左眼和右眼、嘴和鼻等。

(2)通過上述提取的二維Gabor特征向量和一個常用的3D人臉數(shù)據(jù)庫重建三維人臉模型。為了重建一個三維人臉模型，使用ORL(Olivetti Research Laboratory)單人臉三維人臉數(shù)據(jù)庫，包括檢測到的100張人臉圖像。數(shù)據(jù)庫中每個人臉模型都有將近70000個頂點。確定一個特征轉(zhuǎn)換矩陣P，在原有三維人臉識別方法中，該矩陣通常是由子空間分析方法得到的子空間分析投影矩陣，由樣本的協(xié)方差矩陣對應(yīng)于前m個最大特征值的特征向量組成。將提取出的小波判別特征向量對應(yīng)于m個最大特征值的特征向量，組成主特征轉(zhuǎn)換矩陣P’，該特征轉(zhuǎn)換矩陣比原有特征矩陣P對光照、姿態(tài)和表情等因素具有更強的魯棒性，即代表的特征更準(zhǔn)確且穩(wěn)定。

(3)對新生成的人臉模型采用模板匹配及線性判別分析(FLDA)方法進行處理，提取模型的類內(nèi)差異和類間差異，進一步優(yōu)化最后的識別結(jié)果。

S33：將獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配，將獲取的人臉特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人臉特征點的3D空間分布特征信息進行匹配。

人臉特征點的3D空間分布特征信息的匹配方法如下：

在一個實施例中，通過尋找人臉圖像分布的基本元素，即人臉圖像樣本集協(xié)方差矩陣的特征向量，因此近似地表征人臉圖像，這些特征向量稱為特征臉，特征臉反應(yīng)了隱含在人臉樣本集合內(nèi)部的信息和人臉的結(jié)構(gòu)關(guān)系，將眼睛、面頰、下頜的樣本集協(xié)方差矩陣的特征相兩為特征眼、特征頜和特征唇，同城特征子臉。特征子臉在相應(yīng)的圖像空間中生產(chǎn)子空間，稱為子臉空間。計算出測試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。

該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。這種基于整體臉的識別，不僅保留了人臉各元素之間的拓撲關(guān)系，也保留了單個元素本身的信息。這種算法是利用人體面部各器官及特征部位的方法。如對應(yīng)幾何關(guān)系多數(shù)據(jù)形成識別參數(shù)與數(shù)據(jù)庫中所有的原始參數(shù)進行比較、判斷與確認。

在另一個實施例中，采用有限元分析方法進行識別。將物體用稀疏圖形來描述，其頂點用局部能量譜的多尺度描述來標(biāo)記，邊則表示拓撲連接關(guān)系并用幾何距離來標(biāo)記，然后應(yīng)用塑性圖形匹配技術(shù)來尋找最近的已知圖形。

將人臉圖像建模為可變形的3D網(wǎng)格表面(x,y,I(x,y)),從而將人臉匹配問題轉(zhuǎn)化為可變形曲面的彈性匹配問題。利用有限元分析的方法進行曲面變形，并根據(jù)變形的情況判斷兩張圖片是否為同一個人。這種方法的特點在于將空間(x,y)和灰度I(x,y)放在了一個3D空間中同時考慮。

在又一個實施例中，利用小波對3D人臉輪廓線進行濾波，以實現(xiàn)人臉3D特征提取，得到表征該人臉模型的特征數(shù)據(jù)，將該特征數(shù)據(jù)通過分類器與樣本數(shù)據(jù)庫中已有的模型進行匹配，計算匹配程度。其中，

x_i∈{3D人臉數(shù)據(jù)庫中已經(jīng)訓(xùn)練好并得出的支持向量}，

y_i為x_i所對應(yīng)的分類取值，b是分類閾值，x為待識別的三維人臉特征數(shù)據(jù)。

根據(jù)匹配計算可得出待識別三維人臉特征數(shù)據(jù)x對每一個分類器所分類別的歸屬，遍歷所有的SVM分類器并進行投票，最后將x判定為屬于某個分類得到票數(shù)最多的類別。

若人體特征點的3D空間分布特征信息與人臉特征點的3D空間分布特征信息均匹配成功，則進入步驟S34。

S34：獲取待測人的身份信息。

本實施例獲取的人體3D特征信息包括了整體的人體特征點的3D空間分布特征信息和局部的人臉特征點的3D空間分布特征信息，在人體識別的時候可以從整體和局部特征來進行識別，增加了人體識別的屬性項目，提高了人體識別的精確度。

在其它一些實施例中，還可以將RGB人臉圖像獲取人臉膚色、紋理等2D信息與人體特征點的3D空間分布特征信息和人臉特征點的3D空間分布特征信息相結(jié)合，進一步增加識別屬性項目，提高識別精確度。

可以理解的是，在其它一些實施例中，還可以是上述第二實施例和第三實施例的結(jié)合，獲取人體RGBD圖像序列和人臉RGBD圖像，從而獲取人體特征點的3D空間分布特征信息、人體動態(tài)特征信息和人臉特征點的3D空間分布特征信息，從而增加了人體識別的屬性項目，提供人體識別的精確度。

請參閱圖6，圖6是本發(fā)明第一實施例提供的一種3D人體識別設(shè)備的結(jié)構(gòu)示意圖。

本實施例的3D人體識別設(shè)備包括人體圖像獲取模塊10、人體特征信息獲取模塊11、人體信息匹配模塊12和身份信息獲取模塊13。

其中，人體圖像獲取模塊10用于獲取待測人的RGBD人體圖像。

人體特征信息獲取模塊11與人體圖像獲取模塊10連接，用于通過RGBD人體圖像獲取人體特征點的3D空間分布特征信息。人體特征信息獲取模塊包括：

人體特征信息獲取模塊11包括采集模塊110、網(wǎng)格建立模塊111和處理模塊112。其中采集模塊110與人體圖像獲取模塊10連接，用于通過RGBD人體圖像采集人體特征點。網(wǎng)格建立模塊111與采集模塊110連接，用于根據(jù)人體特征點建立人體3D網(wǎng)格。處理模塊112與網(wǎng)格建立模塊111連接，用于根據(jù)人體3D網(wǎng)格度量人體特征點的特征值并計算人體特征點的3D空間分布特征信息。

人體信息匹配模塊12與人體特征信息獲取模塊11連接，用于將獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配。

人體匹配模塊12包括計算模塊120和比較模塊121。計算模塊120與處理模塊112連接，用于計算獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息的匹配度，以獲得最高匹配度。比較模塊121與計算模塊120連接，用于將最高匹配度與預(yù)設(shè)的匹配度閾值比較，若最高匹配度達到預(yù)設(shè)的匹配度閾值的范圍，則判斷匹配成功。

身份信息獲取模塊13與人體信息匹配模塊12連接，用于在匹配成功時，獲取待測人的身份信息。

請參閱圖7，圖7是本發(fā)明第二實施例提供的一種3D人體識別設(shè)備的結(jié)構(gòu)示意圖。

本實施例的3D人體識別設(shè)備包括人體圖像獲取模塊20、人體特征信息獲取模塊21、人體信息匹配模塊22、身份信息獲取模塊23和動態(tài)特征信息獲取模塊24。

人體圖像獲取模塊20用于獲取待測人的RGBD人體圖像。

人體特征信息獲取模塊21與人體圖像獲取模塊20連接，用于通過RGBD人體圖像獲取人體特征點的3D空間分布特征信息。

動態(tài)特征信息獲取模塊24與人體圖像獲取模20連接，用于通過RGBD人體圖像序列獲取人體動態(tài)特征信息。

人體信息匹配模塊22與人體特征信息獲取模塊21和動態(tài)特征信息獲取模塊24連接，用于將獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配。

身份信息獲取模塊23與人體信息匹配模塊22連接，用于在匹配成功時，獲取待測人的身份信息。

請參閱圖8，圖8是本發(fā)明第三實施例提供的一種3D人體識別設(shè)備的結(jié)構(gòu)示意圖。

本實施例的3D人體識別設(shè)備包括人體圖像獲取模塊30、人體特征信息獲取模塊31、人體信息匹配模塊32、身份信息獲取模塊33、人臉圖像獲取模塊34、人臉特征信息獲取模塊35和人臉信息匹配模塊36。

人體圖像獲取模塊30用于獲取待測人的RGBD人體圖像。

人體特征信息獲取模塊31與人體圖像獲取模塊30連接，用于通過RGBD人體圖像獲取人體特征點的3D空間分布特征信息。

人臉圖像獲取模塊34用于獲取待測人的RGBD人臉圖像。

人臉特征信息獲取模塊35與人臉圖像獲取模塊34連接，用于通過RGBD人臉圖像獲取人臉特征點的3D空間分布特征信息。

人臉信息匹配模塊32與人體特征信息獲取模塊31和人臉特征信息獲取模塊35連接，用于將獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配，以及將獲取的人臉特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人臉特征點的3D空間分布特征信息進行匹配。

身份信息獲取模塊33與人臉信息匹配模塊32連接，用于在人體特征點的3D空間分布特征信息與人臉特征點的3D空間分布特征信息均匹配成功時，獲取待測人的身份信息。

請參閱圖9，圖9是本發(fā)明實施例提供的一種3D人體識別設(shè)備的實體裝置的結(jié)構(gòu)示意圖。本實施方式的裝置可以執(zhí)行上述方法中的步驟，相關(guān)內(nèi)容請參見上述方法中的詳細說明，在此不再贅述。

該智能電子設(shè)備包括處理器41、與處理器41耦合的存儲器42。

存儲器42用于存儲操作系統(tǒng)、設(shè)置的程序。

處理器41用于獲取待測人的RGBD人體圖像；通過RGBD人體圖像獲取人體特征點的3D空間分布特征信息；將獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息進行匹配；若匹配成功，則獲取待測人的身份信息。

處理器41還用于通過RGBD人體圖像采集人體特征點；根據(jù)人體特征點建立人體3D網(wǎng)格；根據(jù)人體3D網(wǎng)格度量人體特征點的特征值并計算人體特征點的3D空間分布特征信息。

處理器41還用于計算獲取的人體特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人體特征點的3D空間分布特征信息的匹配度，以獲得最高匹配度；將最高匹配度與預(yù)設(shè)的匹配度閾值比較，若最高匹配度達到預(yù)設(shè)的匹配度閾值的范圍，則判斷匹配成功。

處理器41還用于獲取RGBD人體圖像序列；通過RGBD人體圖像序列獲取人體動態(tài)特征信息；將獲取的人體動態(tài)特征信息與人體3D特征身份信息庫中的人體動態(tài)特征信息進行匹配。

處理器41還用于獲取待測人的RGBD人臉圖像；通過RGBD人臉圖像獲取人臉特征點的3D空間分布特征信息；將獲取的人臉特征點的3D空間分布特征信息與人體3D特征身份信息庫中的人臉特征點的3D空間分布特征信息進行匹配；若匹配成功，則獲取待測人的身份信息的步驟中，匹配成功為人體特征點的3D空間分布特征信息與人臉特征點的3D空間分布特征信息均匹配成功。

在本發(fā)明所提供的幾個實施方式中，應(yīng)該理解到，所揭露的設(shè)備和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的設(shè)備實施方式僅僅是示意性的，例如，模塊或單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施方式方案的目的。

另外，在本發(fā)明各個實施方式中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。

集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本發(fā)明各個實施方式方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

綜上所述，本發(fā)明通過顏色信息和深度信息進行人體識別，不受不同的季節(jié)、人的服飾和環(huán)境光照變化等的影響，提高了人體識別的精確度。

以上所述僅為本發(fā)明的實施方式，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。