PDF《潘纲‘ 吴朝晖》

万方数据 7期 王跃明等:三维人脸识别研究综述

821 If E大于某一固值 计算P2(z)与lr(z)之间的变换矩阵趴z)} P2(Z+1)=T(Z)・l z(f),Z=Z+1;

Else 停止;

End If While lI Pz(Z+1)一Pz(z)Il>

threshold;

其中配准误差 E=告∑№一p㈤忆'

'

i=1 在三维人脸识别中,通常的方法是对齐2个三 维人脸后计算输入模型的相似度,其中配准误差也 可以作为差别度量. Chua等[193较早将ICP用于三维人脸模型的精 确对齐;

潘纲'

列采用ICP帮助检测三维人脸的对称 面,进而提取侧影线.Cook等Ⅲ3将ICP用于建立三 维人脸模型间坐标点的对应关系,以用于后续处理. Lu等'

221提出一个级联决策,使用改进的ICP进行 三维人脸刚性变化区域的匹配,将结果作为第一级 相似度量. ICP适合于剐性曲面间的变换关系求解,而人 脸曲面本质上不是一个刚性曲面,塑性变形影响对 齐的准确性,进而影响相似度.一种解决途径是只对 刚性区域采用ICP进行对齐.Chang等m3首先提 取脸部受表情影响较小的鼻子区域,然后对鼻子区 域曲面采用ICP配准并识别;

文献Ez4]进一步选择 多个模态的刚性区域,分别对齐后计算相匹配程度 并将结果融合. Wang等晒3使用了一种称为partial―ICP的方 法对齐三维人脸,该方法也能处理包含塑性变形的 三维人脸.其不同于经典ICP之处在于每次变换的 计算只取对应点集合的一个子集,设定一个动态变 化的比例来选取这个子集,从而可以实现动态地选 取人脸的刚性变化的部分进行匹配,在一定程度上 降低了表情变化对识别性能的影响. 基于ICP匹配的识别算法平均性能较好,其最 大问题是每对模型匹配都要用迭代方法对齐,计算 代价很大.此外,ICP收敛的条件是给定粗略的初始 位置,需要额外的预处理时间. 1.1.2 Hausdorff距离 基于ICP的识别方法中l的配准误差是2个点 集之间的平均距离,Hausdorff距离定义了点集之 间的另一种距离度量[z61,它同样可以作为人脸模型 间的差别度量.Hausdorff距离需要在2个对齐的 人脸模型问计算,距离越小越相似. 为减少计算过程中噪声的影响,Achermann 等[273选择部分最接近的点计算Hausdorff距离.为 了提高匹配速度,Pan等[283只用单向的Hausdorff 距离.Lee等[29]则提出了一种基于深度值加权的 Hausdorff距离,其实质是对人脸不同区域的点赋 以不同的重要性,用曲率提取出脸部重要特征点和 特征边,用对应特征区域的深度值加权Hausdorff 距离. 受Hausdorff距离的启发,Russ等[30】定义了2 个量:圣D.^严(A,B)定义了集合对应点之间 Hausdorff距离小于D的比例;

hmE.酽(A,B)是用 ‰.旷(A,曰)加权的Hausdorff距离;

然后,使用类似 于ICP的迭代过程对齐人脸模型.①D.胪(A,B)控制 对应点的选择,hmr.N4(A,B)控制匹配程度,其根本 目的是为模型的配准建立更好的对应关系,并用于 有遮挡情况的三维人脸的配准. 1.2基于局部特征的匹配 特征是从一个对象中提取的、在一定条件下保 持稳定不变的属性,其本质可以看作对一个对象的 信息进行压缩或其他变换处理.对特征的要求:1) 完备性.蕴含尽可能多的对象信息,使之区别于其他 类别的对象;

2)紧凑性.表达所需的数据量尽可能 少;

3)对三维人脸识别而言,还要求特征最好能在人 脸模型旋转、平移、镜像变换下保持不变,人脸深度图 上任意点的深度值依赖于产生该数据的视图,故不符 合上述特征条件,而脸部某2个点的距离符合上述条 件.基于局部特征的匹配方法的关键在于,如何从三 维的脸部曲面中提取有效的形状几何信息特征.三维 人脸识别中,局部特征主要包括局部描述符、曲线特 征以及其他一些局部几何特征或统计特征. 1.2.1局部描述符 在三维场景的目标识别领域,常用曲面上某点 邻域内曲面的几何信息或几何统计信息描述该点的 局部特征,这种方法通常称为局部描述符,如Spin Image[311.局部描述符一般具有刚体变换恒定的性 质.在三维人脸识别中,常用的策略是选择一些关键 点,如鼻尖、眼框外角等;