人脸识别作为生物识别领域应用最广泛的身份识别技术,在公共安全、互动娱乐、移动支付等领域有广泛的应用前景。尽管目前基于二维图像的人脸识别技术研究已经有许多解决方案,但在实际应用场景中,在姿态、光照、表情变化等环境下识别准确率仍然存在很大挑战,特别是图像人脸活体检测始终无法取得突破。相较于二维图像,三维人脸数据包含人脸模型的空间几何结构及信息,能大幅提升复杂环境下的识别准确率。为此,在三维点云分类网络的基础上,本文提出了分层特征化网络以及刚性区域辅助的三维人脸识别方法,用于三维人脸特征提取与分类。针对姿态变化、表情变化影响下的三维人脸识别技术开展了一系列研究与实验,主要研究工作如下:1、针对姿态变化导致三维人脸区域信息不完整影响识别准确度的问题,提出了基于分层特征化网络的三维人脸识别方法。首先,分别利用PointNet++网络的SA(Set Abstraction)模块和空间聚合网络的DSA(Directional spatial aggregation)模块提取三维人脸特征;然后,基于SA模块和DSA模块设计特征级联网络,实现三维人脸特征的融合架构;最后,将提取的特征输入级联网络进行三维人脸特征的融合,进而实现三维人脸识别。在CASIA数据集及其姿态数据集上进行了相关实验,同时测试了输入点数不同情况下的准确度,实验结果表明分层特征化网络可以有效提高姿态数据集上的识别率。2、针对由于表情变化造成三维人脸局部区域发生形变的问题,提出了刚性区域辅助的三维人脸识别方法。首先,利用鼻尖点坐标与刚性区域的位置关系分割出三维人脸模型中额头、眉毛-眼睛、鼻子构成的T形刚性区域。其次,基于三维人脸数据的结构和特点,对PointNet++分类网络的采样及分组方式进行微调,实现PointNet++分类网络的特征迁移学习。最后,利用三维人脸与T形区域的融合特征在微调后的PointNet++分类网络上进行三维人脸识别。与利用单一特征识别的结果相比,基于融合特征的三维人脸分类准确度在表情数据集和中性表情数据集上均有所提高。综上所述,本文针对姿态变化、表情变化影响三维人脸识别算法性能的问题,分别采用级联网络和特征融合的方式,提出了分层特征化网络和刚性区域辅助的三维人脸识别方法,在姿态数据集和表情数据集上的实验结果表明,提出的算法均有效提高了三维人脸识别的准确度。