三维人脸识别过程及系统功能

　　国外三维人脸识别的典型方法主要是利用深度图像自身的几何特征，利用深度图像处理技术，分析面貌曲面的曲率等几何特征，对面貌曲面进行凹凸区域的分割、正侧面轮廓边缘的提取。最早对三维图像面貌识别的研究有Lapreste 提出的基于轮廓线的方法，通过对人脸面貌曲率的分析，提取轮廓线上的特征点，利用轮廓线作为特征进行面貌的识别。Lee&Milios 从人脸面貌深度图像中抽取凸区域，这些凸区域形成了特征集，计算出所有凸区域相关的扩展高斯图，两幅面貌特征的匹配就是利用这些扩展高斯图像进行的。当然还有很多基于轮廓线和凸区域的改进方法，例如凸凹点多阶段融合过程方法、轮廓线的欧氏距离识别方法、轮廓线曲率比较方法等等。但这些方法还停留在理论研究的层次，没有实质的自动化系统的出现。国内三维人脸识别的研究也相应地展开，但与国外的研究相比还处于刚起步的状态。目前，三维数据获取已经成为可能，并已经成熟的在实际工作中使用(如三维激光扫描技术、CT成像技术、结构光方法等)，使得三维图形识别技术得到了应用的可能，可以迅速地完成人头三维面貌数据获取。这也为我们的研究提供了实现的基础。

　　总的来说，要实现一个自动的人脸识别系统主要要完成以下的4个功能。

① 人脸检测(Detection)与分割(Segmentation)。从任意的场景中检测人脸的存在并进行定位，提取出一个人脸。
② 人脸的规范化(Normalization)。校正人脸在尺度、光照和旋转等方面的变化。
③ 人脸表征(Face Representation)。采用某种方法表示出数据库中的已知人脸和检测出的人脸，通常的方法有几何特征、代数特征、特征脸、固定特征模板等。
④ 人脸识别(Recognition)。根据人脸的表征方法，选择适当的匹配策略将得到的人脸与数据库中的已知人脸相比较。

　　我们研究的基于三维模型的人脸识别方法，与以往的系统的最主要区别就在于：人脸库中记录的不是像以前一样，记录着每个人的各种姿势、位置、表情的头部照片，而是存储的一个人脸的三维空间模型。由这个区别引申出人脸的表征和识别的方法也与二维识别方法不同。

　　由于人脸表征的区别，三维人脸识别系统也分两类，一是纯三维之间的对比，例如通过多角度拍照，系统自动构建人脸的三维模型，与库中的三维模型进行比较。这种方法中人脸的表征是一个基于三维的特征向量。由于人脸的三维重构目前还是一个正在研究的领域，其过程依然是一个病态的过程。因此我们没有选择这种方法进行我们的系统开发。第二种系统是通过三维模型增强了的二维之间的对比。即通过对三维模型的变化，我们可以找到和成像环境一致的三维模型的位置，通过其平面投影得到一个二维的图片，和原有的照片进行二维上的比较，实现识别的过程。在选择人脸表征时，使用了实时性最好的特征点表示法。使用人脸关键特征点所形成的几何特征来对人进行区别。

　　由这个主导思想，产生的新的人脸识别系统的主要功能如下。

　　① 人脸检测与分割。从任意的场景中、视频数据中检测人脸的存在，提取出一个人脸及各个区域部分。在人脸上自动标记出我们需要的特征点， 例如外眼点、内眼点、眉间点、鼻下点、颌下点、嘴角点等等，如图1。

　　                                                            图1 人脸特征分布示意图

　　② 人脸的规范化。计算出人脸在尺度和旋转等方面的变化，得到摄像过程中人脸的实际位置，将库中的人脸三维模型也变化到同样的位置。这是几何特征识别的一个关键的问题。由于人脸的几何特征的相似性比较，受人脸拍摄角度的影响很大，当人脸偏转超过一定的角度的时候，许多重要的特征点在二维上不可见了，因此也无法计算出对应的特征向量。如果不能将人脸模型和照片保持在同样的偏转环境下，识别的可信性就不具备。对这个问题的解决可以结合人类学、面貌测量学多年来由统计而来的经验公式来完成，如图2。

　　   &【1】【2】【3】下一页