基于轮廓线的三维人脸识别算法的研究

论文摘要

人脸识别是基于生物特征的认证技术中具有挑战性的领域之一,也是本世纪有良好发展潜力的技术之一。作为自然而友好的身份识别方式,人脸识别已经成为模式识别和图像处理中的重要研究热点。使用二维图像人脸识别方法,由于受到光照、姿势、表情变化的影响,其识别的准确度受到很大限制。迄今为止,建立一个鲁棒的人脸识别系统仍然是一个很困难的问题。由于3D数据本身具有显式的几何形状信息,因此3D人脸识别更具克服姿态和表情困难的潜力。本文主要针对三维人脸识别,在以下几个方面展开了研究工作:1、在初始三维数点云数据量足够大的情况下,尝试使用B样条曲面拟合生成的网格控制顶点模拟三维点云数据。这个方法提高了点云数据的规格化程度,并大大减少了数据量,提高了算法效率。2、确定了三维人脸坐标系,并结合深度信息特点提取轮廓线,进行了曲率计算和分析,进而提取鼻子距离特征和人脸中分轮廓线分段曲率特征用于识别。降维处理简化了算法复杂度。3、分析特征向量的特性,利用欧式距离法和互相关函数进行样本间相似性度量,完成了人脸识别算法。4、在理论研究的同时,我们采用ViusalC++6.0以及SQL数据库后台设计实现了实验性的三维人脸识别系统平台。该系统能提取人脸轮廓线,并进行曲率计算和分析,从中提取人脸特征向量组,通过欧式距离法和互相关函数相似度比较实现三维人脸识别。试验结果验证了算法的可行性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景及研究意义
• 1.2 人脸识别
• 1.2.1 人脸识别概述
• 1.2.2 人脸识别的分类
• 1.2.3 人脸识别的性能评估
• 1.2.4 三维人脸识别的提出
• 1.3 本文主要研究内容
• 1.4 本文章节安排
• 第二章 三维人脸识别方法概述
• 2.1 引言
• 2.2 基于空域信息的直接匹配
• 2.3 基于局部特征的匹配
• 2.4 基于整体特征的匹配
• 2.5 双模态融合
• 2.6 现有3D人脸识别算法的优缺点分析
• 2.6.1 识别率
• 2.6.2 现有算法的挑战
• 2.7 本章小结
• 第三章 3D人脸数据的获取
• 3.1 3D人脸数据的获取简述
• 3.1.1 三维数据获取技术
• 3.1.2 3D人脸数据的表示方法
• 3.1.3 3D人脸数据库
• 3.2 B样条曲面拟合人脸
• 3.2.1 散乱数据的B样条曲面拟合
• 3.2.2 多层次B样条曲面拟合
• 3.3 本章小结
• 第四章 基于轮廓线的三维人脸识别方法
• 4.1 引言
• 4.2 三维人脸坐标系
• 4.3 网格控制顶点
• 4.4 微分几何基础理论及曲率求解方法
• 4.4.1 曲率的几何意义
• 4.4.2 常用的曲率求解公式
• 4.5 轮廓线提取
• 4.5.1 人脸中分轮廓线
• 4.5.2 鼻尖处横切轮廓线
• 4.5.3 鼻子的角度特征
• 4.5.4 人脸中分轮廓线的分段曲率特征
• 4.6 人脸识别方法
• 4.6.1 欧式距离法
• 4.6.2 互相关函数
• 4.7 算法步骤
• 4.8 本章小结
• 第五章 三维人脸识别系统平台
• 5.1 本文实验采用的三维人脸数据库
• 5.2 系统功能设计
• 5.3 系统流程设计
• 5.4 三维人脸数据库的设计
• 5.5 系统实现和实验结果分析
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 本文工作总结
• 6.2 未来的研究工作
• 附录 双目立体视觉技术概述
• 参考文献
• 攻硕期间参加的科研工作及发表的论文
• 致谢