摘 要

三维人脸识别是人脸交互领域一个重要的研究方向。相比于二维人脸模型，三维人脸模型描述了人脸真实的三维结构，不会因光照和姿态等影响而丢失信息，更适合应用于实际的场景之中。本文主要探究在表情变化的情况下，如何从三维人脸数据中提取出鲁棒的特征。

本文在BosphorusDB人脸数据库上进行实验。首先对该库原始人脸点云进行人脸切割、规整、平滑和点云精简等操作，得到去噪和降维后的点云数据。接着提出了两种特征提取算法，并初步用程序实现了两种方法。其中深度图侧重分析人脸整体特征，测地线侧重分析人脸局部特征。本文对提取的特征用SVM分类器进行训练，对含有表情的数据集进行测试，分别取得了99.71%和98.84%的识别率。最后将两种特征融成一个特征向量，当测地线特征与深度图特征的融合比为1:9时，其识别准确率可达到100%。

本文的创新之处在于将提取的整体特征和局部特征在特征级按照合适比例进行融合，融合后算法的识别率均优于融合前两种算法各自的识别率。

关键词：三维人脸识别、表情不敏感、深度图、测地线、特征级融合

Abstract

3D face recognition is an important research direction in the field of face interaction. Compared with the two-dimensional face model, the 3D face model describes the real three-dimensional structure of the face, and does not lose information because of illumination and attitude, and is more suitable to be used in the actual scene. This paper mainly explores how to extract robust features from 3D face data under the condition of facial expression changes.

This paper carries out experiments on the BosphorusDB face database. First, face segmentation, regularization, smoothing and point cloud simplification are performed on the original face point cloud, and the point cloud data after denoising and dimensionality reduction are obtained. Then, two feature extraction algorithms are proposed, and two methods are initially implemented by program. The depth map focuses on analyzing the overall characteristics of the face, and the geodesic focuses on analyzing the local features of the face. In this paper, the SVM classifier is used to train the extracted features, and the expression datasets are tested. The recognition rates of 99.71% and 98.84% are achieved respectively. Finally, the two features are fused into a feature vector. When the fusion ratio of geodesic feature and depth map feature is 1:9, the recognition accuracy can reach 100%.

The innovation of this paper is to integrate the extracted whole feature and local feature at the appropriate proportion in the feature level. The recognition rate of the fusion algorithm is better than the recognition rate of the first two algorithms.

Key words: 3D face recognition, expression insensitivity, depth map, geodesic, feature level fusion

目 录

第1章 绪论 1

1.1 研究目的及意义 1

1.2 研究现状 2

1.3 设计主要目标任务 2

第2章 三维人脸识别相关理论 4

2.1 数据存储形式 4

2.2 人脸数据预处理 4

2.3 特征提取 4

2.4 特征训练 5

2.5 评价指标介绍 6

2.6 总体设计框图 6

第3章 数据预处理 7

3.1 人脸切割 7

3.2 数据规整 7

3.3 人脸数据的平滑 8

3.4 点云的精简 10

第4章 特征提取的关键技术 11

4.1 基于深度图的特征提取算法 11

4.1.1 深度图的获取 11

4.1.2 深度图的特征提取 12

4.2 基于测地线的特征提取算法 14

4.2.1 测地线的数学原理 14

4.2.2 测地线的计算方案 15

4.2.3 特征点的提取 17

4.2.4 WKS特征的提取 17

4.3 特征融合 18

第5章 实验测试及结果 19

5.1 基于深度图的特征提取算法实验 19

5.2 基于测地线的特征提取算法实验 21

5.3 特征融合测试实验 23

第6章 小结 24

6.1 本文的主要工作 24

6.2 本文创新点 24

6.3 未来工作期望 25

参考文献 26

附录 29

附录A主要程序代码 29

致谢 43

绪论

研究目的及意义

安全保障系统对于维持社会的稳定发挥着重要的作用。身份验证是安全保障系统中至关重要的一个环节。由于传统的基于密码的身份验证过程很容易被破解，于是生物特征识别技术成为一种有效的替代方案。计算机通过提取人的生物特征就可以对该人进行身份验证。但是，生物特征识别技术也存在一些缺陷。例如，虹膜识别的结果虽然十分精确，但是其提取的成本很高，并且不为人群所接受。指纹、掌纹识别系统可信度高，其操作过程对人不具有侵入性，但是却不适用于一些不配合的人群。其中，人脸识别技术因其特征提取方式自然、友好、非侵犯性、对用户干扰少^[1]等特点而受到国内学者的密切关注。并且人脸识别技术融合了计算机和生理学等多学科技术，因而具备较高的学术价值。

近些年来，2D（二维）人脸识别技术发展迅速，其中很多自动人脸识别系统的性能都达到90%以上。但是许多2D的人脸识别方法都是在合适的光照条件下，利用正面的中性人脸进行实验。当光照、姿势和表情发生变化时，其识别率下降很快。主要原因在于，2D图像毕竟只是3D（三维）图像在特定方向的投影，存在大量信息损失，无法完全反映出人脸真实的空间模型。因此当光照、姿势和表情发生变化时，其信息量损失较大，使识别的准确率下降，进而限制了这类方法在实际环境下的应用和推广。