论文部分内容阅读
近年来，人脸识别技术因其友好、自然、易被用户接受的特点，成为生物特征识别领域里面最为活跃的研究方向之一。基于二维人脸图像的识别技术，受光照、姿态、表情地影响较大。就本质而言，二维人脸其实就是三维人脸在某一个方向上的投影，因而三维人脸具有更多更丰富的信息，理论上可以得到更好的识别效果。三维人脸识别研究将是未来人脸识别的一个新的重点。
本文从以下四个方面对阐述了基于深度的三维人脸识别技术的方法:人脸数据获取、人脸数据预处理、特征提取和分类器设计。本文的主要工作如下:
1.本文使用的是中科院CASIA三维人脸数据库。我们先从数据库获取三维人脸数据，再进行去噪、姿态调整等预处理后，将三维人脸数据投影到二维X-Y平面，获得深度图像。在投影过程中我们采用了迭代插值的方法来填充数据丢失点(datamissingpoint)，可以获得较好的深度图像。
2.在获取深度图像后，我们对传统的二维特征提取方法，如PCA、LDA、LPP等进行了研究。PCA是一种基准算法。在二维特征提取方法中，一般LDA优于PCA，于是我们也采用LDA方法来进行了实验。由于三维人脸一般位于高维的非线性的流行结构，基于线性空间理论的算法在流行空间的凹进或凸出部位表现的不够理想，难以得到较好的效果。
3.基于单一特征的三维人脸识别方法都有各自的局限性，我们在本文中提出了一种基于多种特征的分类器级联的三维人脸识别方法。我们先用PCA方法先筛选出一部分候选数据，充分利用人脸数据的整体特征，再利用Hausdorff距离匹配的方法对余下的数据操作，这里可以利用人脸的空域特征。分类器我们使用最简单的最近邻分类器。实验结果表明，基于分类器级联的方法识别率明显优于基于单个分类器的方法。
本文最后对所做的工作和成果做了总结，并对今后的工作进行了展望。