基于几何特征向量的三维人脸识别研究

摘要

目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的11个关键特征点，然后在此基础之上选取并计算了6大类共计21维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了5种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D人脸识别系统与识别率：我们基于OpenGL，Visual C++和SQL数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在150个数据库样本上，对42个识别数据进行测试，得到识别率为90.5％，误识率为9.5％，并在此之后进行了相关数据的比较和分析。

目录

文摘

英文文摘

声明

第一章.绪论

1.1. 人脸识别技术概述

1.1.1. 生物特征识别技术

1.1.2. 人脸识别及其研究范围

1.1.3. 人脸识别的发展简史

1.1.4. 人脸识别的应用

1.2. 三维人脸识别的研究背景与挑战

1.2.1. 二维人脸识别的困难与局限性

1.2.2. 三维人脸识别的提出

1.2.3. 三维人脸识别面临的困难与挑战

1.3. 本文主要研究内容与创新点

1.4. 本文的工作安排

第二章.人脸识别课题研究的理论基础

2.1. 二维人脸识别的理论基础

2.2. 三维人脸识别的理论基础

2.2.1. 三维人脸识别的系统组成与评价

2.2.2. 三维人脸识别方法的主要分类

2.2.3. 主要的三维人脸识别算法

2.2.4. 主要的三维人脸数据库

2.3. 基于认知科学的面貌识别分析

2.4. 三维模型的曲率分析

2.4.1. 曲率的计算

2.4.2. 各种曲率的比较

2.5. 基于面部轮廓线的人脸识别方法

2.6. 本章小结

第三章.基于几何特征向量的三维人脸识别方法

3.1. 三维人脸模型与建模方法

3.1.1. 3DS数据文件格式介绍

3.1.2. 基于3DS数据文件的面部建模和显示方法

3.2. 三维数据点集的预处理

3.2.1. 曲线平滑

3.2.2. 曲线拟合

3.3. 关键特征点的定位与计算

3.4. 关键特征向量的选取与计算

3.4.1. 距离特征

3.4.2. 角度特征

3.4.3. 周长特征

3.4.4. 面积特征

3.4.5. 体积特征

3.4.6. 面部比例特征

3.5. 识别的度量

3.6. 课题中采用的几种计算方法

3.6.1. 邻域搜索方法

3.6.2. 平均化方法

3.6.3. 对称性修正方法

3.6.4. 分级化识别策略

3.6.5. 抽象化方法

3.7. 本章小结

第四章.三维人脸识别系统搭建与数据分析

4.1. 实验中的三维人脸识别系统

4.1.1. 本文中采用的三维人脸数据库

4.1.2. 系统功能设计

4.1.3. 算法流程设计

4.1.4. 系统实现

4.2. 实验数据结果

4.2.1. 特征向量的说明

4.2.2. 特征向量的权值分配

4.2.3. 实验结果

4.3. 实验数据分析

4.3.1. 数据对比

4.3.2. 分析总结

4.4. 本章小结

第五章.总结与展望

5.1. 本文的工作总结

5.2. 进一步的研究展望

参考文献

攻硕期间参加的科研工作及发表的论文

致 谢