PDF《潘纲‘ 吴朝晖》

3-6].然而,研究实验表明,光照、姿态、化妆、表情、年龄等变化显著地降低了二维人脸识别算法的 性能[1].近年来,学术界开始探索如何利用人脸的三 维信息提高系统的识别性能,如美国FBI,NIST等 多个部门联合资助发起的 人脸识别大挑战计划 (face recognition grand challenge,FRGC) [7.. 一般而言,三维人脸识别是指将采集获得的待 识别对象的脸部三维形状数据作为识别依据,与库 中已知身份的脸部三维形状数据进行匹配,然后得 出待识别对象身份的过程.三维人脸识别是相对基 于图像(及视频)的人脸识别而言的,而后者所使用 的数据是二维的图像,其本质是三维物体在二维平 面上的投影,是三维信息在二维空间中的简约.自动 的三维人脸识别系统的基本步骤如下: Stepl.通过三维人脸数据采集设备获得待识别对象的 脸部三维形状信息. Step2.对获得的三维数据进行自动去噪声、切割等预 处理. Step3.从三维数据中提取特征. Step4.用分类器对提取的特征做分类判别,输出最后 的决策. 鉴于三维人脸数据采集的独立性,目前三维人 脸识别算法研究通常是指Step2~Step4,即假设三 维人脸数据已经可获得. 三维人脸识别始于20世纪80年代末、90年代 初[8柚],但因当时处理器计算性能和三维数据获取 设备的限制,相关研究处于非常初级的阶段,研究所 用的数据集很小,离实际应用较远.随着计算、存储 设备的飞速发展和三维数据采集技术的日益成熟, 尤其是2004年之后,越来越多的研究小组投入到三 维人脸识别研究之中.三维人脸识别不同于二维人 脸识别的关键在于所采用的数据不同,其所具有的 优势也来源于此: 1)采集获得的脸部三维形状数据可看作是不 随光照、视图的变化而变化,且化妆等附属物对图像 影响很大而对三维数据影响不明显.因而,三维人脸 识别被认为具有光照不变、姿态不变的特性[10-131;

2)三维数据具有显式的空间形状表征,因此在 信息量上比二维图像丰富. 国内有2篇[1}15]关于三维人脸的综述,但前者 重点介绍三维人脸识别系统的框架,后者只是对现 有方法的描述列举,缺乏深入分析且没有对最新技 术作介绍.本文有助于国内研究人员快速了解三维 人脸识别的研究状况与最新进展,以及该领域未来 的研究趋势. 1三维人脸匹配算法 1.1 基于空域直接匹配的方法 基于空域直接匹配的方法不提取特征,直接进 行曲面相似度匹配,常用的方法有迭代最近点法 (iterative closest point,ICP)和Hausdorff距离法 等,这类方法通常分为对齐和相似度计算2步. 1.1.1 ICP匹配 ICP最早几乎同时由Chen等m]、Besl等'

173分 别独立地提出,用于曲线或曲面片段的配准,是三维 数据重构过程中一个非常有效的工具'

18].给定2个 三维模型粗略的初始对齐条件,ICP迭代地寻求两 者之间的刚性变换以最小化对齐误差,实现两者的 空间几何关系的配准.给定集合Pl=(pi,p;

,…, p二}和P.={p;

,髓,…,p:},集合元素表示2个模型 表面的坐标点,ICP配准技术迭代求解距离最近的 对应点、建立变换矩阵,并对其中一个实施变换,直 到达到某个收敛条件,迭代停止.其伪码如下: 算法1.ICP算法 输入.P,,

P2. 输出.经变换后的P2. P2(O)一P2,Z一0;

Do For P2(z)中的每一个点拼 在P.中找一个最近的点且} End For 计算{(们,y-),(一,弛),…,(p2,^))配准误差E;