人臉識(shí)別畢業(yè)論文

1、<p><b>　　摘　　要</b></p><p>　　生物識(shí)別是最能體現(xiàn)計(jì)算機(jī)智能的特征之一，它在科研工作和日常生活應(yīng)用方面都引起了巨大的轟動(dòng)。在所有生物特征里面，人臉特征是最普遍和最容易獲取的，所以，人臉識(shí)別一直都是模式識(shí)別和圖像處理領(lǐng)域最熱門(mén)的課題之一。為了減弱光照、表情、姿態(tài)、攝像視角、外貌(例如頭發(fā)、眼睛)等變化對(duì)識(shí)別的影響，提高三維人臉識(shí)別準(zhǔn)確性，本文針對(duì)光照、姿態(tài)、

2、表情等影響三維人臉識(shí)別的因素進(jìn)行了研究。使用基于球面諧波基圖像的光照補(bǔ)償算法減弱光照對(duì)人臉識(shí)別的影響，利用三維形變模型和部件技術(shù)相結(jié)合的人臉識(shí)別方法進(jìn)行多姿態(tài)人臉的識(shí)別，針對(duì)表情變化帶來(lái)的塑性變形采用基于泊松方程完成非中性人臉網(wǎng)格模型向中性模型的變形，提高帶表情模型與同類中性模型之間的相似度。這三種算法在提高三維人臉識(shí)別的性能上都有一定的幫助，對(duì)于三維人臉識(shí)別系統(tǒng)的研究有了一定的理論基礎(chǔ)。</p><p><

3、;b>　　Abstract</b></p><p>　　Biometrics is one of the best embodies the characteristics of computer intelligence, its research work and daily life applications have caused a great sensation. In all th

4、e biological characteristics of which, facial feature is the most common and most easily accessible, so, face recognition, pattern recognition and image processing has been the hottest topic in the field. In order to wea

5、ken illumination, facial expressions, gestures, camera angle, appearance (eg hair, eyes) and so the impact of</p><p><b>　　目　　錄</b></p><p><b>　　摘　　要i</b></p><p

6、>　　Abstractii</p><p>　　第1章 緒　論3</p><p>　　1.1本文工作的來(lái)源3</p><p>　　1.2目的和意義3</p><p>　　1.3國(guó)內(nèi)外進(jìn)展4</p><p>　　1.3.1國(guó)外進(jìn)展4</p><p>　　1.3.2國(guó)內(nèi)進(jìn)展4

7、</p><p>　　1.4本文工作的主要內(nèi)容5</p><p>　　第2章 光照對(duì)三維人臉識(shí)別影響算法的研究6</p><p>　　2.1基于球面諧波基圖像的人臉圖像光照估計(jì)6</p><p>　　2.1.1球面諧波基圖像模型6</p><p>　　2.1.2人臉的球面諧波基圖像近似7</p>

8、<p>　　2.1.3光照估計(jì)9</p><p>　　2.2人臉圖像光照補(bǔ)償10</p><p>　　2.2.1紋理圖像10</p><p>　　2.2.2差圖像11</p><p>　　第3章 姿態(tài)對(duì)三維人臉識(shí)別影響的算法研究13</p><p>　　3.1三維形變模型13</p>

9、;<p>　　3.2基于ASM的三維人臉?lè)制?5</p><p>　　3.3基于三維部件技術(shù)的人臉識(shí)別16</p><p>　　第4章 表情對(duì)三維人臉識(shí)別的影響的研究20</p><p>　　4.1算法思想21</p><p>　　4.2(Guidance-based constraint deformation) (G

10、CD)模型23</p><p><b>　　結(jié)　　論26</b></p><p>　　參 考 文 獻(xiàn)27</p><p><b>　　致　　謝28</b></p><p><b>　　第1章 緒　論</b></p><p>　　人臉識(shí)別是當(dāng)前

11、生物特征識(shí)別研究的熱點(diǎn)之一，目前的人臉識(shí)別方法主要集中在二維圖像方面，由于受到光照、姿勢(shì)、表情變化的影響，識(shí)別的準(zhǔn)確度受到很大限制。針對(duì)人臉識(shí)別的難點(diǎn)，一個(gè)較好的辦法是利用三維信息進(jìn)行人臉的識(shí)別。本文主要研究基于三維數(shù)據(jù)模型的人臉識(shí)別問(wèn)題，旨在通過(guò)提取有效并且魯棒的三維特征完成識(shí)別；同時(shí)針對(duì)三維數(shù)據(jù)模型本身的大數(shù)據(jù)量、高復(fù)雜度的特性，探討如何在保證識(shí)別正確率的基礎(chǔ)上，提高識(shí)別過(guò)程的效率。</p><p>　　1.

12、1本文工作的來(lái)源</p><p><b>　　導(dǎo)師指定題目。</b></p><p><b>　　1.2目的和意義</b></p><p>　　自美國(guó)發(fā)生911恐怖襲擊事件以后，世界各國(guó)對(duì)如何防范恐怖分子、保障民眾安全異常關(guān)注，不斷積極尋找有效的身份鑒定方法。另一方面，全球范圍內(nèi)電子商務(wù)已迅速興起，網(wǎng)絡(luò)信息安全問(wèn)題也伴隨而

13、來(lái)，安全可靠的網(wǎng)上購(gòu)物和交易是電字商務(wù)進(jìn)一步發(fā)展的核心問(wèn)題。傳統(tǒng)的安全方式如密碼、個(gè)人識(shí)別碼 (PIN)、磁卡和鑰匙經(jīng)常被非法盜用或者濫用，因此只能提供有限的保障。</p><p>　　為了保障身份鑒定方法更加有效和安全，因此提出了身份鑒別的研究。目前用于身份鑒別的生物特征有臉像、聲紋、指紋、虹膜、筆跡、步態(tài)、耳型、視網(wǎng)膜、手形、掌紋、足跡、紅外溫譜圖等。其中人臉識(shí)別是生物特征鑒別技術(shù)的一個(gè)重要方向，多年來(lái)一直受

14、到許多研究者的關(guān)注。和其他生物特征識(shí)別相比，人臉識(shí)別具有主動(dòng)性、非侵犯性和用戶友好等許多優(yōu)點(diǎn)。同時(shí)鑒于二維識(shí)別的局限性，三維信息能更精確地描述人的臉部，提取的某些特征具有剛體變換不變性，并且不易受化妝和光照的影響。</p><p>　　鑒于人臉識(shí)別具有主動(dòng)性、非侵犯性等優(yōu)勢(shì)，如果成功地實(shí)現(xiàn)三維人臉識(shí)別的話，那么安全、金融、法律、人機(jī)交互等領(lǐng)域具有廣闊的應(yīng)用前景，將對(duì)身份的鑒別作出重大的貢獻(xiàn)，同時(shí)對(duì)世界的安全也有積

15、極地影響。</p><p><b>　　1.3國(guó)內(nèi)外進(jìn)展</b></p><p>　　三維人臉識(shí)別越來(lái)越受到研究人員的重視。國(guó)內(nèi)外都興起了對(duì)三維人臉識(shí)別技術(shù)研究的浪潮。</p><p><b>　　1.3.1國(guó)外進(jìn)展</b></p><p>　　在世界，國(guó)際生物特征識(shí)別領(lǐng)域權(quán)威機(jī)構(gòu)IBG的統(tǒng)計(jì)數(shù)據(jù)顯

16、示，近年來(lái)全球人臉識(shí)別的增長(zhǎng)趨勢(shì)非常強(qiáng)勁，年均增長(zhǎng)率超過(guò)80%，大大超過(guò)了全球整體生物特征識(shí)別市場(chǎng)30%的年均增長(zhǎng)率。人臉識(shí)別，作為全球生物特征識(shí)別的一個(gè)市場(chǎng)熱點(diǎn)，越來(lái)越受到人們的普遍關(guān)注，并展示了其美好的應(yīng)用前景。</p><p>　　國(guó)外研究機(jī)構(gòu)和公司從事自動(dòng)人臉識(shí)別的研究與實(shí)踐較早，在美國(guó)、德國(guó)、日本等發(fā)達(dá)國(guó)家已經(jīng)有相關(guān)產(chǎn)品問(wèn)世。 1996年美國(guó)的FERET 研究機(jī)構(gòu)對(duì)現(xiàn)有的各種人臉識(shí)別算法進(jìn)行了測(cè)試， 結(jié)

17、果表明，比較成熟的識(shí)別算法對(duì)于數(shù)千人的圖像進(jìn)行識(shí)別檢索，識(shí)別率可達(dá)到90% 以上?，F(xiàn)在FERET 研究機(jī)構(gòu)已經(jīng)成為國(guó)際權(quán)威的人像檢測(cè)和識(shí)別理論和算法的評(píng)估機(jī)構(gòu)?！?. 11 事件”以后，美國(guó)更加大了人臉識(shí)別技術(shù)的研究力度， 正在著手建立國(guó)家級(jí)的重點(diǎn)犯罪人口和恐怖破壞分子的人臉數(shù)據(jù)庫(kù)。</p><p><b>　　1.3.2國(guó)內(nèi)進(jìn)展</b></p><p>　　作為國(guó)內(nèi)

18、企業(yè)奮起直追，突破國(guó)外技術(shù)壟斷，推出性能穩(wěn)定、價(jià)格適中產(chǎn)品的代表，漢王科技對(duì)于“漢王人臉通”的成功研發(fā)，無(wú)疑給國(guó)內(nèi)人臉識(shí)別大規(guī)模商用的產(chǎn)業(yè)化注入了一針興奮劑。</p><p>　　從2007年便開(kāi)始經(jīng)歷迅速的發(fā)展，而且發(fā)展的腳步越來(lái)越快。由于科技界和社會(huì)各個(gè)方面都認(rèn)識(shí)到人臉識(shí)別技術(shù)的重要性，國(guó)家政策對(duì)人臉識(shí)別技術(shù)研究給予了很大支持，使得我國(guó)人臉識(shí)別技術(shù)取得了很大進(jìn)展。2008年，更是我國(guó)安防市場(chǎng)迅速擴(kuò)張的一年。隨

19、著政府推動(dòng)的“平安城市”建設(shè)、城市報(bào)警與監(jiān)控系統(tǒng)（“3111”工程）的深入展開(kāi)，加之奧運(yùn)會(huì)、世博會(huì)等大型活動(dòng)的帶動(dòng)，全國(guó)進(jìn)入了安防設(shè)施建設(shè)的高潮期，安防行業(yè)持續(xù)保持了快速的增長(zhǎng)。而且，除了傳統(tǒng)的考勤、門(mén)禁等應(yīng)用外，各種新的應(yīng)用需求的不斷涌現(xiàn)，也極大地推動(dòng)了這一市場(chǎng)的發(fā)展。</p><p>　　1.4本文工作的主要內(nèi)容</p><p>　　本文針對(duì)二維人臉識(shí)別技術(shù)的局限性，提出了三維人臉識(shí)別

20、技術(shù)。主要研究了三維人臉模型的識(shí)別，以及識(shí)別前所需進(jìn)行的一系列的其他處理。對(duì)于光照、姿態(tài)、表情這些方面，針對(duì)以往的方法中存在的問(wèn)題，提出了可能的解決方案。</p><p>　　本文的主要研究?jī)?nèi)容可概括如下：</p><p>　?。?）光照對(duì)三維人臉識(shí)別影響的算法研究</p><p>　　提出了一種基于球面諧波基圖像的光照補(bǔ)償算法，用以在任意光照條件下進(jìn)行人臉識(shí)別。算

21、法分兩步進(jìn)行：光照估計(jì)和光照補(bǔ)償。根據(jù)光照估計(jì)的結(jié)果，提出了兩種光照補(bǔ)償方法：紋理圖像和差圖像。紋理圖像為輸入圖像與其光照輻照?qǐng)D之商，與輸入圖像的光照條件無(wú)關(guān)。差圖像為輸入圖像與平均人臉在相同光照下的圖像之差，通過(guò)減去平均人臉在相同光照下的圖像，減弱了光照的影響。</p><p>　?。?）姿態(tài)對(duì)三維人臉識(shí)別影響的算法研究</p><p>　　針對(duì)多姿態(tài)人臉識(shí)別問(wèn)題，提出了一種三維形變模型

22、和部件技術(shù)相結(jié)合的人臉識(shí)別方法。該方法提取人臉三維部件作為識(shí)別特征，在一定程度上克服了人臉姿態(tài)變化對(duì)識(shí)別的影響。在識(shí)別過(guò)程中結(jié)合人臉的局部特征和全局特征，根據(jù)單個(gè)部件的識(shí)別率確定其在整體分類中的權(quán)值?；谡樞畔⑦M(jìn)行識(shí)別，進(jìn)一步改善了識(shí)別效果。</p><p>　　表情對(duì)三維人臉識(shí)別影響的算法研究</p><p>　　針對(duì)表情變化帶來(lái)的塑性變形，Guidance-based constra

23、ints deformation(GCD) 模型基于泊松方程完成非中性人臉網(wǎng)格模型向中性模型的變形，有助于提高帶表情模型與同類中性模型之間的相似度；同時(shí)，將一個(gè)剛性約束無(wú)縫地融合到變形線性系統(tǒng)中，以保持類間的區(qū)別特征。因此，GCD模型有效地提高了表情變化的三維人臉識(shí)別的性能。</p><p>　　第2章 光照對(duì)三維人臉識(shí)別影響算法的研究</p><p>　　人臉識(shí)別經(jīng)過(guò)近40年的發(fā)展，對(duì)

24、于均勻光照下的中性表情的證明人臉圖像起識(shí)別率已經(jīng)很高，然而在一些更加復(fù)雜的情況下，現(xiàn)有的多數(shù)系統(tǒng)的識(shí)別性能還是受到光照變化的影響特別大，這是因?yàn)楫?dāng)人臉的光照發(fā)生變化時(shí)候，人臉圖像的外觀也會(huì)隨之發(fā)生很大的變化。</p><p>　　本章針對(duì)這個(gè)問(wèn)題，提出了基于球面諧波基圖像的光照補(bǔ)償算法，用以在任意光照條件下進(jìn)行人臉識(shí)別。算法份兩步進(jìn)行：光照估計(jì)和光照補(bǔ)償。</p><p>　　2.1基于球

25、面諧波基圖像的人臉圖像光照估計(jì)</p><p>　　球面諧波子空間理論表明，在各向同性遠(yuǎn)光源假設(shè)條件下，朗伯凸表面的任意圖像均可表示為該凸表面9個(gè)球面諧波基圖像的線性組合，這9個(gè)線性組合的系數(shù)反映了該圖像拍攝時(shí)的光照情況。而對(duì)于任意給定的2D圖像，如果能夠估計(jì)出對(duì)象的3D形狀和表面反射系數(shù)，則可以解析地計(jì)算出9個(gè)球面諧波基圖像，然后就可以通過(guò)最小二乘法解出9個(gè)光照系數(shù)。本節(jié)首先簡(jiǎn)單介紹球面諧波子空間理論，然后給出

26、粗略估計(jì)人臉3D形狀和表面反射屬性進(jìn)而計(jì)算給定人臉球面諧波基圖像的策略，最后給出了基于最小二乘的光照系數(shù)估計(jì)方法。</p><p>　　2.1.1球面諧波基圖像模型</p><p>　　本章的工作是基于Basri等[1]和Ramamoorthi[2]提 出的球面諧波理論而發(fā)展出來(lái)的，因此本節(jié)首先簡(jiǎn)單介紹球面諧波基圖像模型。</p><p>　　假設(shè)物體為朗伯凸表面，

27、光源為各向同性遠(yuǎn)光源，則其輻照度E為</p><p><b>　　(2-1) </b></p><p>　　其中為表面法線方向的球坐標(biāo)表示，為入射光場(chǎng)，積分區(qū)間為物體表面法線方向的上半球，為一個(gè)旋轉(zhuǎn)操作，將局部坐標(biāo)轉(zhuǎn)換成全局坐標(biāo)。</p><p>　　式(2-1)實(shí)際上是一個(gè)旋轉(zhuǎn)卷積，因此很適合在空間頻域中分析。球面上的信號(hào)處理工具為球面諧波函

28、數(shù)，類似2D平面上的傅立葉級(jí)數(shù)。朗伯表面的反射方程在空域中積分區(qū)域很大(上半球)，根據(jù)Heisenberg測(cè)不準(zhǔn)原理，則其在頻域中一定局限在低頻范圍。因此輻照度E在頻域中用球面諧波函數(shù)展開(kāi)為</p><p><b>　　(2-2)</b></p><p>　　其中為朗伯反射函數(shù)的球面諧波系數(shù)，為光照的球面諧波系數(shù)，為球面諧波函數(shù)。式(2-2)的詳細(xì)推導(dǎo)請(qǐng)參考文獻(xiàn)[1,

29、2]。</p><p>　　假設(shè)人臉為朗伯凸表面，用表示人臉圖像中某點(diǎn)的反射率， 表示該點(diǎn)的法線方向，則其亮度為</p><p>　　= （2-3）</p><p>　　其中 （2-4）</p><p>　　為人臉的球

30、面諧波基圖像。球面諧波基圖像可以看作是人臉在諧波光照下的圖像，諧波光照為只含有一個(gè)諧波成分的虛擬光照環(huán)境。這樣，人臉圖像可表示為其9個(gè)球面諧波基圖像 的線性組合，這9個(gè)線性組合的系數(shù)為光照系數(shù) 。</p><p>　　2.1.2人臉的球面諧波基圖像近似 </p><p>　　為了利用球面諧波基圖像模型進(jìn)行分析，我們需要知道人臉的球面諧波基圖像，即需知道人臉的反射率和法線，其中法線又與3D

31、形狀相關(guān)。9D線性子空間方法[7]利用已知的人臉3D結(jié)構(gòu)計(jì)算球面諧波基圖像，Zhang[3]等假設(shè)人臉諧波基圖像每點(diǎn)的分布符合高斯分布，再融合輸入人臉的信息，用MAP估計(jì)得到輸入人臉的諧波基圖像.在本文中，輸入人臉的反射率圖和法線圖也是通過(guò)“人臉類”的先驗(yàn)知識(shí)得到。但我們所用的人臉類的先驗(yàn)知識(shí)的表示有所不同。</p><p>　　人臉的形狀大致相同，該假設(shè)已用于很多視覺(jué)算法中[4,5,6]。由于表示光照的參數(shù)只有

32、9個(gè)，相對(duì)圖像的像素?cái)?shù)目很少，因此可以將圖像的分辨率降低。而分辨率降低之后,不同人臉的形狀差異就更小了。且光照對(duì)圖像的影響是全局的，因此微小的形狀偏差不會(huì)對(duì)光照估計(jì)造成嚴(yán)重影響。但為了盡可能地減小輸入人臉形狀與平均人臉形狀的差別，本文采用基于特征點(diǎn)的變形技術(shù)，將平均3D人臉形狀變形到輸入人臉，以得到盡可能與輸入人臉相似的3D形狀。本文中我們用一種改進(jìn)的AAM模型[7]來(lái)定位人臉圖像上的關(guān)鍵特征點(diǎn)。在輸入人臉圖像的特征點(diǎn)與平均3D人臉形狀

33、的特征點(diǎn)對(duì)齊之后，其它的頂點(diǎn)我們采用Kriging插值，將平均3D人臉形狀變形到輸入人臉,得到輸入人臉的3D形狀。</p><p>　　有了輸入人臉的形狀，其姿態(tài)也可以根據(jù)特征點(diǎn)的相對(duì)位置確定，則我們可以很容易地計(jì)算輸入人臉的法線。圖2.1給出了本文采用的平均人臉形狀、輸入人臉圖像的特征點(diǎn)及其經(jīng)過(guò)對(duì)齊后的特定人臉形狀和法線圖。</p><p>　　圖2.1平均人臉形狀及輸入人臉的形狀<

34、;/p><p>　　光照變化對(duì)特征點(diǎn)的精確定位仍然是一個(gè)巨大的挑戰(zhàn)。在光照條件很惡劣的情況下，自動(dòng)定位的特征點(diǎn)不太準(zhǔn)確。在本文實(shí)驗(yàn)部分我們比較了只用兩個(gè)眼睛位置對(duì)齊平均人臉形狀模型和輸入人臉圖像的結(jié)果，以觀察系統(tǒng)對(duì)配準(zhǔn)精度的敏感性。</p><p>　　關(guān)于反射率，我們假設(shè)人臉表面各點(diǎn)的反射率近似相等。更準(zhǔn)確地，我們假設(shè)人臉的反射率圖中除了直流分量外不包含其它低頻分量①。雖然人臉表面并不嚴(yán)格滿

35、足上述假設(shè)，我們發(fā)現(xiàn)在實(shí)際應(yīng)用中還是取得了很好的效果。人眼觀察到的人臉皮膚顏色大致相同也證明了這一點(diǎn)。由于光照參數(shù)的維數(shù)很少，在實(shí)際應(yīng)用中，為了使輸入更符合這一點(diǎn),我們將圖像的分辨率可以降得很低，這樣各點(diǎn)的反射率更接近，且反射率與皮膚差別較大的區(qū)域，如眉毛、眼睛、鼻子和嘴巴部分不參與光照估計(jì)運(yùn)算。</p><p>　　給定任意輸入人臉圖像，通過(guò)上述方法估計(jì)其反射率和法線方向后，即可根據(jù)式(2-4)計(jì)算其球面諧波基

36、圖像。</p><p><b>　　2.1.3光照估計(jì)</b></p><p>　　給定一幅人臉圖像(維列向量，為圖像中的像素個(gè)數(shù))，并通過(guò)2.1.2節(jié)中的方法計(jì)算該人臉的球面諧波基圖像B，則式(2-3)中的未知數(shù)只有9個(gè)光照系數(shù)，因此，光照估計(jì)就是估計(jì)式(2-3)中的光照環(huán)境的9個(gè)低頻球面諧波系數(shù)。這可以通過(guò)解下述最小二乘問(wèn)題得到</p><p&

37、gt;<b>　?。?-5）</b></p><p>　　其中為諧波基圖像的矩陣形式，是一個(gè)9×的矩陣，矩陣的每一列為一個(gè)諧波基圖像。</p><p>　　需要指出的是，根據(jù)式(2-5)估計(jì)出的光照系數(shù) 與真實(shí)的光照系數(shù)之間相差常數(shù)倍，即=，其中為反射率圖的直流系數(shù)。</p><p>　　2.2人臉圖像光照補(bǔ)償</p>

38、<p>　　在光照估計(jì)的基礎(chǔ)上，本節(jié)我們討論人臉圖像光照補(bǔ)償。光照補(bǔ)償是期望將輸入人臉圖像經(jīng)過(guò)處理后得到一個(gè)與光照無(wú)關(guān)或至少對(duì)光照變化不敏感的表示，從而使得人臉識(shí)別變得更容易。這可以用一個(gè)統(tǒng)一的計(jì)算模型來(lái)表達(dá)：</p><p><b>　　(2-6)</b></p><p>　　其中表示原始圖像，是削弱光照變化影響的變換，是變換后的特征表示，可以是圖像或者其

39、它特征。本節(jié)我們討論兩種光照補(bǔ)償方式：紋理圖像和差圖像。</p><p><b>　　2.2.1紋理圖像</b></p><p>　　如式(2-3)所示，，其中。這種表示形式的一個(gè)好處是可以將人臉圖像對(duì)紋理的依賴與形狀和光照的依賴分開(kāi)，其中圖像對(duì)形狀和光照的依賴關(guān)系用輻照度表示。</p><p>　　估計(jì)出了光照條件并已知人臉的法線方向，我們可

40、以根據(jù)式(2-2)計(jì)算該人臉的輻照度度。這樣,給定輸入圖像及其對(duì)應(yīng)的輻照度，根據(jù)式(2-3)，我們得到輸入人臉的紋理圖像為原圖像與其輻照度之比，即</p><p><b>　　(2-7)</b></p><p>　　紋理圖像只包含紋理信息，與形狀無(wú)關(guān)，也與光照無(wú)關(guān)。但是由于計(jì)算紋理圖像時(shí)涉及除法，當(dāng)輻照度中的像素亮度值較低時(shí)，會(huì)引入噪聲。為了抑制紋理圖像中的噪聲，在識(shí)

41、別時(shí)我們?cè)賹?duì)式(2-7)做對(duì)數(shù)變換，得到</p><p><b>　　(2-8)</b></p><p>　　作為式(2-6)中對(duì)光照變化不敏感的特征。</p><p>　　紋理圖像中雖然沒(méi)有形狀信息，但輻照度度E的計(jì)算還需要知道輸入人臉的形狀。與光照估計(jì)的全局過(guò)程不同，光照補(bǔ)償是對(duì)圖像中每個(gè)像素單獨(dú)進(jìn)行是一個(gè)局部過(guò)程，因此在計(jì)算輸入人臉的形狀

42、時(shí)，對(duì)特征點(diǎn)定位精度有一定敏感性。</p><p><b>　　2.2.2差圖像</b></p><p>　　光照變化對(duì)特征點(diǎn)的準(zhǔn)確定位至今仍是一個(gè)很大的挑戰(zhàn)，因此本小節(jié)我們考慮另外一種光照補(bǔ)償方式，既能保留輸入人臉的形狀和紋理信息，同時(shí)又對(duì)配準(zhǔn)精度不敏感。</p><p>　　根據(jù)，輻照度依賴于光照和輸入人臉的形狀。輻照度中只包含低頻信息，濾

43、去圖像中的低頻信息就能將光照的影響去掉。進(jìn)行濾波操作最合適的方法是將中的乘法變成log域中的加法。對(duì)式(2-3)兩邊進(jìn)行l(wèi)og運(yùn)算，也可以得到式(2-8)的紋理圖像。由上面的討論我們知道計(jì)算E還需要知道輸入人臉的形狀，因此對(duì)配準(zhǔn)有一定要求。</p><p>　　由于輸入人臉的精確形狀很難得到，所以在下面的差圖像光照補(bǔ)償算法中我們不顯式地使用輸入人臉的形狀，只利用編碼在輸入圖像中的形狀信息。另外我們希望在處理之后的

44、圖像中不同輸入人臉形狀的信息還能得到保留。</p><p>　　用平均人臉模型來(lái)代替式(2-8)中的輸入人臉的形狀是一個(gè)很好的選擇：</p><p><b>　　(2-9)</b></p><p>　　其中是平均人臉在輸入光照下的輻照度。由于的低頻性質(zhì)和E類似，上式中的受光照的影響也很小。不同的是，上式中是用平均人臉形狀計(jì)算的，所以最后處理得到

45、的圖像中，不僅包含了輸入人臉的紋理信息，同時(shí)輸入人臉形狀同平均人臉形狀的差異也得到了保留。上式一個(gè)直觀的解釋是：將輸入圖像(log域)減去一個(gè)只與光照有關(guān)的成分(平均人臉在輸入光照下的輻照度)，最后得到的結(jié)果圖像中光照的影響得到了減弱，同時(shí)輸入人臉的形狀和紋理信息沒(méi)有丟失。</p><p>　　需要指出的是，當(dāng)粗略配準(zhǔn)時(shí)(只有兩個(gè)眼睛位置給定)，式(2-8)與式(2-9)是等價(jià)的。</p><

46、p>　　當(dāng)輸入光照對(duì)應(yīng)的輻照度亮度過(guò)低時(shí)，式(2-8)的會(huì)隨變化有較大變化，帶來(lái)噪聲。為了抑制噪聲，我們退而求其次，用圖像域中的減法來(lái)代替式(2-9)中l(wèi)og域的減法，得到</p><p><b>　　(2-10)</b></p><p>　　如果將平均人臉的紋理看成為常數(shù)1，則可以看成為，為平均人臉在輸入光照下的圖像。這樣將</p><p&

47、gt;<b>　　(2-11)</b></p><p>　　定義為差圖像，作為式(2-6)中對(duì)光照變化不敏感的特征F。</p><p>　　由于兩幅圖像在相同光照下，通過(guò)對(duì)兩幅圖像做差，減弱了光照變化對(duì)人臉圖像的影響，從而達(dá)到光照補(bǔ)償?shù)哪康?，同時(shí)又保留了用于識(shí)別的輸入人臉與平均人臉的差別。該差別既包括由紋理引起的差別，也包括由形狀引起的差別。</p>&

48、lt;p>　　第3章 姿態(tài)對(duì)三維人臉識(shí)別影響的算法研究</p><p>　　一種三維形變模型和部件技術(shù)相結(jié)合的多姿態(tài)人臉識(shí)別方法。該方法有效地對(duì)姿態(tài)問(wèn)題進(jìn)行了很好地處理。</p><p>　　首先利用ASM對(duì)三維形變模型建立過(guò)程中的分片進(jìn)行優(yōu)化，使原型人臉的對(duì)齊是以人臉的特征區(qū)域?yàn)榛A(chǔ)；然后利用形變模型重建三維人臉，依據(jù)分片原則將三維人臉劃分為各個(gè)部件，把部件的幾何信息和紋理信息作為

49、識(shí)別的特征。在分類中，采用兩層分類方法，第1層以每個(gè)部件作為弱分類器，統(tǒng)計(jì)其識(shí)別率；第2層根據(jù)每個(gè)部件的識(shí)別率決定其在整體分類中的權(quán)值，基于整臉信息進(jìn)行識(shí)別。作者是在三維上實(shí)現(xiàn)人臉識(shí)別，增加了深度信息，結(jié)合部件對(duì)姿態(tài)的魯棒性，在一定程度上克服了姿態(tài)變化的影響。在分類識(shí)別算法中，把人臉的局部特征和全局特征結(jié)合起來(lái)，取得了很好的識(shí)別效果。</p><p><b>　　3.1三維形變模型</b>&

50、lt;/p><p>　　形變模型使用一類對(duì)象中若干典型樣本張成該類對(duì)象的一個(gè)子空間，使用子空間基底的組合近似表示該類對(duì)象的特定實(shí)例。使用形變模型進(jìn)行三維人臉重建分為2個(gè)過(guò)程：1)建立模型，獲取人臉數(shù)據(jù)并建立人臉的對(duì)應(yīng)和組合模型；2)針對(duì)特定人臉圖像，進(jìn)行模型匹配，實(shí)現(xiàn)三維人臉重建。</p><p>　　三維人臉庫(kù)中的原型人臉可用幾何向量和紋理向量統(tǒng)一表示</p><p>

51、;<b>　　（3-1）</b></p><p>　　式中，；表示人臉的數(shù)量；表示三維人臉模型中頂點(diǎn)的個(gè)數(shù)；是和頂點(diǎn)對(duì)應(yīng)的R、G、B顏色值。則形變模型可由線性組合給出</p><p>　　， 其中 （3-2）</p><p>　　式中，表示變形生成的幾何向量；表示變形生成的紋理向量。對(duì)于給定的人臉圖

52、像，模型匹配是將三維人臉模型變形，使得變形后的模型人臉與給定人臉圖像最為匹配。由于三維人臉與二維圖像的誤差不能直接度量，因此可將三維人臉投影到圖像空間進(jìn)行比較。對(duì)于特定的人臉圖像及模型人臉的投影圖像，用2副圖像對(duì)應(yīng)像素點(diǎn)顏色紋理的參差來(lái)定義它們之間的誤差</p><p><b>　　(3-3)</b></p><p>　　式中，表示輸入圖像上的像素點(diǎn)，表示投影圖像上的

53、像素點(diǎn)?？刹捎秒S機(jī)梯度下降法優(yōu)化式(3-3)的目標(biāo)函數(shù)，得到形變參數(shù)。.給定1副或幾副人臉照片，進(jìn)行匹配優(yōu)化，即可得到三維特定人臉(見(jiàn)圖3-1)。</p><p>　　圖3.1 不同姿態(tài)的人臉重建結(jié)果</p><p>　　3.2基于ASM的三維人臉?lè)制?lt;/p><p>　　形變模型的關(guān)鍵是原型人臉間稠密點(diǎn)集的對(duì)齊，對(duì)齊的準(zhǔn)確度直接影響線性組合的結(jié)果。針對(duì)三維原型人臉

54、的數(shù)據(jù)特點(diǎn)，Gu Chun-liang等提出了一種基于分片重采樣的三維對(duì)應(yīng)技術(shù)[8]，得到的所有三維原型人臉具有統(tǒng)一的拓?fù)浣Y(jié)構(gòu)。但該方法在分片過(guò)程中，需要人工交互定義一些特征點(diǎn)和線，采樣點(diǎn)密度有限，分片與特征區(qū)域并未達(dá)到很好的對(duì)應(yīng)，作者提出的人臉識(shí)別方法以三維部件為特征，而三維部件是以分片為基礎(chǔ)，分片的準(zhǔn)確性將影響到部件提取的質(zhì)量。</p><p>　　原型人臉包含形狀信息與紋理信息2部分?jǐn)?shù)據(jù)，利用ASM在紋理圖

55、上標(biāo)定特征點(diǎn)，以所有特征點(diǎn)的連線作為分片邊界，將紋理圖分割成不同的區(qū)域[9]。然后根據(jù)紋理映射圖，將分片結(jié)果映射到三維人臉上，完成對(duì)三維人臉的分片(見(jiàn)圖3-2)。</p><p>　　圖3.2 特征點(diǎn)的標(biāo)定結(jié)果與分片結(jié)果</p><p>　　重采樣要求分片時(shí)盡量保證特征點(diǎn)與特征區(qū)域的一致，眼睛、眉毛、鼻子和嘴是人臉的主要特征，作者增加了上述部位的特征點(diǎn)數(shù)，更大限度地保證每個(gè)分片是以人臉的特

56、征區(qū)域?yàn)榛鶞?zhǔn)，同時(shí)由于ASM自動(dòng)定位特征點(diǎn)的特性，實(shí)現(xiàn)了自動(dòng)化分片。分片完成后，利用重采樣方法實(shí)現(xiàn)三維原型人臉對(duì)齊，建立形變模型。</p><p>　　3.3基于三維部件技術(shù)的人臉識(shí)別</p><p>　　在二維多姿態(tài)人臉識(shí)別中，相對(duì)于整臉，基于部件技術(shù)的人臉識(shí)別方法可以達(dá)到較好的識(shí)別效果，但該方法需要采集大量樣本，當(dāng)目標(biāo)人臉照片跟庫(kù)中樣本的姿態(tài)差別較大時(shí)，識(shí)別率較低；在分類中，把部件的整

57、體組合作為識(shí)別特征，不能反映各個(gè)部件的局部特性。作者采用三維形變模型和部件技術(shù)相結(jié)合的方法解決多姿態(tài)人臉問(wèn)題紋理數(shù)據(jù)與幾何數(shù)據(jù)是一一對(duì)應(yīng)的，根據(jù)任意姿態(tài)照片建的三維人臉，都可以與正面照片重建的三維人臉直接比較，一定程度上能克服姿態(tài)對(duì)人臉識(shí)別的影響。在分類中，采用2層分類方法，把人臉的局部特征和全局特征結(jié)合起來(lái)進(jìn)行識(shí)別。</p><p><b>　　3.3.1特征提取</b></p>

58、;<p>　　本文的三維形變模型采用了基于分片重采樣的三維人臉對(duì)齊方法，所有的三維人臉具有統(tǒng)一的拓?fù)錁?gòu)。分片是以人臉的特征區(qū)域?yàn)闇?zhǔn)則，各個(gè)部件以分片的區(qū)域?yàn)榛A(chǔ)劃分，整個(gè)三維人臉定義為所有部的組合，表示人臉的全局特征；每個(gè)部件代表著人臉不同的區(qū)域特征，表示人臉的局部特征，對(duì)于姿態(tài)的化具有一定的魯棒性。圖3-3中不同姿態(tài)的人臉照片差異較大，提取三維部件后，對(duì)主要部件而言，差異對(duì)較小(圖3d)，識(shí)別中可以增加這些部件的權(quán)重，降

59、低受姿態(tài)影響較大的部件的權(quán)重。</p><p>　　圖3.3 不同姿態(tài)的人臉對(duì)應(yīng)的主要三維部件</p><p>　　每個(gè)三維部件用幾何向量和紋理向量表示</p><p><b>　　，</b></p><p>　　， （3-4）</p><p>　　式中，為部件

60、的數(shù)目；為幾何坐標(biāo)值；為紋理坐標(biāo)值；為部件的點(diǎn)數(shù)。</p><p>　　訓(xùn)練過(guò)程中，給定張二維正面人臉照片，利用形變模型重建每張照片對(duì)應(yīng)的三維人臉，提取各個(gè)，得到其幾何向量和紋理向量</p><p><b>　　，</b></p><p>　　， （3-5）</p><p>　　為了簡(jiǎn)化計(jì)算，作者利用PCA[

61、10]算法，分別對(duì)紋理向量和幾何向量進(jìn)行降維，得到幾何投影矩 和紋理投影矩陣,并將、分別在和作投影</p><p><b>　?。?-6）</b></p><p><b>　　每個(gè)部件表示為</b></p><p><b>　?。?-7）</b></p><p>　　式中，為相

62、應(yīng)部件的幾何向量維數(shù)； 為紋理向量維數(shù)。</p><p>　　每個(gè)人臉 最終表示為</p><p><b>　　(3-8)</b></p><p><b>　　3.3.2分類方法</b></p><p>　　以部件的整體為分類器，容易忽略人臉的局部特征，僅以某個(gè)部件作為分類器，分類效果會(huì)很差，作者考

63、慮將2種方法有效地結(jié)合起來(lái)，采用兩層分類方法：第1層分類，將每個(gè)三維人臉部件作為一個(gè)弱分類器，統(tǒng)計(jì)其識(shí)別率；第2層把這些弱分類器組合成一個(gè)強(qiáng)分類器，根據(jù)每個(gè)部件的識(shí)別率，確定各個(gè)部件在強(qiáng)分類器中的權(quán)值，改善了識(shí)別效果。在識(shí)別過(guò)程中，用多姿態(tài)人臉照片重建三維人臉，提取每個(gè)部件，得到幾何向量和紋理向量，根據(jù)式(3-3-3)分別向和作投影變換后，得到人臉C最終表示</p><p><b>　?。?-9）<

64、;/b></p><p>　　每個(gè)部件的分類判別式為</p><p><b>　　(3-10)</b></p><p>　　式中，=1，2，…，；=1，2，…，。</p><p>　　綜上所述，可以確定每個(gè)部件的識(shí)別率，根據(jù)該識(shí)別率確定每個(gè)部件在整體強(qiáng)分類器中的權(quán)值，后整體分類器的分類公式為</p>

65、<p><b>　　（3-11）</b></p><p>　　式中= </p><p>　　第4章 表情對(duì)三維人臉識(shí)別的影響的研究</p><p>　　3D人臉模型具有顯式的形狀，與2D圖像相比較而言，對(duì)姿態(tài)、光線、化妝、皮膚顏色等因素不敏感，因而3D人臉識(shí)別技術(shù)在這些方面相比2D人臉識(shí)別有天然的優(yōu)勢(shì)，這大大拓展了人臉識(shí)

66、別的應(yīng)用空間。然而，正如人臉表情將會(huì)影響2D圖像的表觀，從而大大降低2D人臉識(shí)別算法的性能一樣[11]，人臉表情也將改變3D人臉模型的形狀，造成人臉局部區(qū)域產(chǎn)生塑性變形，如圖4.1，塑性變形造成了人臉形狀的較大改變。盡管這種改變是表情造成的，而不是個(gè)體差異造成的，但是，由于無(wú)法區(qū)分差異的原因，因而沒(méi)有理由認(rèn)為兩張表情造成的形狀不同的3D人臉來(lái)自于同一個(gè)人，因而表情也降低3D人臉匹配算法的性能。</p><p>　

67、　因此，如何克服或降低表情的影響是3D人臉識(shí)別中一個(gè)關(guān)鍵的問(wèn)題和挑戰(zhàn)，在本章中，我們將討論如何建立一個(gè)3D人臉的弱表情模型，在匹配之前對(duì)人臉網(wǎng)格應(yīng)用該模型，從而降低表情對(duì)算法的性能損害。</p><p>　　圖4.1表情帶來(lái)的人臉?biāo)苄耘で?lt;/p><p><b>　　4.1算法思想</b></p><p>　　本節(jié)我們首先定義3D人臉識(shí)別中的表

68、情問(wèn)題，以將求解的問(wèn)題明確化，然后分析可行的解決方案。</p><p>　　3D人臉識(shí)別問(wèn)題和確認(rèn)問(wèn)題都包含一個(gè)庫(kù)，每人至少在庫(kù)中登記了一個(gè)模型，正如我們上一節(jié)所述，一個(gè)人登記多個(gè)模型會(huì)造成運(yùn)算規(guī)模變大而缺乏實(shí)用，我們規(guī)定中每個(gè)人都只有一個(gè)模型，且是中性表情模型。問(wèn)題定義為：中登記了多個(gè)身份人每人一個(gè)的中性表情模型，對(duì)輸入的一個(gè)帶表情的模型，如何實(shí)現(xiàn)正確的分類。 </p><p>　　

69、定義兩個(gè)相似度，類間相似度，是指不同人對(duì)應(yīng)的模型之間的相似度，類內(nèi)相似度 ，是指同一個(gè)人不同模型之間的相似度。表情的引入自然降低了類內(nèi)相似度，使得同類模型從匹配結(jié)果上看如同異類一樣。如圖4.2，A類的由于表情改變了3D形狀，使得它距離A類較遠(yuǎn)，而距離非A類較近，造成匹配錯(cuò)誤?？紤]對(duì)進(jìn)行變換，圖4.2中有9條變換方向，分別編號(hào)為1-9，圖中1、2、9三條變換方向有助于拉近與A類之間的距離，其它變換方向都不利于正確分類，因?yàn)樗鼈兪沟门cA類更

70、不相似。在1、2、9這條變換方向中，2號(hào)變換方向同時(shí)拉進(jìn)與A類和非A類的距離，依然不利于分類。l號(hào)變換方向是最佳的，拉進(jìn)與A類距離的同時(shí)保持著與非A類的差別。這正是我們的解決表情問(wèn)題的方向，即，對(duì)3D人臉識(shí)別中的表情問(wèn)題，由于我們是面向識(shí)別性能這個(gè)目標(biāo)，我們并不需要建立一個(gè)統(tǒng)一的表情生成和轉(zhuǎn)變模型，只需建立一個(gè)變換，該變換能提高類內(nèi)相似度，而保持類間的差別度，如式4-1。</p><p><b>　　(

71、4-1)</b></p><p>　　圖4.2表情引起的類內(nèi)相似度變化示意圖</p><p>　　假設(shè)我們有一種自由變形技術(shù)，可以將給定的帶表情的在其自身拓?fù)錀l件約束下盡可能地向另外一個(gè)模型進(jìn)行變形，利用中模型的信息，假設(shè)中存在一個(gè)模型與來(lái)自于同一個(gè)人，總能變形成與非常相似。但會(huì)向每一個(gè)中的模型變形，這就造成了與其它非同類的模型也變得相似，這是圖4.2中2號(hào)變換線的變換方向。改

72、進(jìn)的想法是，我們不對(duì)的全部區(qū)域進(jìn)行變形，假設(shè)可以分為兩部分和，前者是表情相對(duì)不變的區(qū)域，后者是表情影響大的區(qū)域，我們只對(duì)部分向中的模型變形，此時(shí)，由于部分與的對(duì)應(yīng)部分依然很相似，經(jīng)部分的變化，仍有機(jī)會(huì)變成總體與很相似。這就拉近了類內(nèi)模型的相似度，同時(shí)，當(dāng)向其它非同類模型變形時(shí)，由于部分保留使得不會(huì)拉近與其它模型的相似度，這就實(shí)現(xiàn)了保持類間模型仍然具足夠差別的目的?，F(xiàn)在去掉中存在的假設(shè)，由于缺少正確的變形向?qū)В瑹o(wú)法變形成它自身中性模型的模

73、式，但它依然保持了與中其它模型的區(qū)別度，即保持了類間差別度。按以上的思路，我們提出了一個(gè)基于變形的弱表情模型，GCD模型(Guidance-based constraint deformation)。</p><p>　　4.2(Guidance-based constraint deformation) (GCD)模型</p><p>　　GCD模型基于網(wǎng)格變形技術(shù)，其目的是為了減小輸入

74、模型的曲面塑性扭曲，GCD模型是3D人臉識(shí)別匹配前對(duì)輸入模型的中間處理步驟。本節(jié)我們首先描述GCD模型的框架和相關(guān)的理論背景，然后對(duì)該模型的核心步驟，基于向?qū)У淖冃魏妥冃蝿傂约s束進(jìn)行詳細(xì)描述。</p><p>　　4.3 GCD模型的框架</p><p><b>　　4.2.1模型框架</b></p><p>　　正如前所述，GCD模型要完成兩

75、項(xiàng)關(guān)鍵操作，一是將probe在自身拓?fù)浣Y(jié)構(gòu)的約束下向gallery中每一個(gè)模型進(jìn)行變形操作，其次操作是給定兩個(gè)人臉網(wǎng)格Mp和Mg，將Mp向Mg變形，我們稱之為基于向?qū)У淖冃渭夹g(shù)(Guidance-based deformation)；二是保證只變形Mp中的剛性部分，這一步操作我們通過(guò)一個(gè)剛性約束完成，稱之Rigid Constraint。圖4.3描述了GCD模型的主要框架。</p><p><b>　　

76、4.2.2理論背景</b></p><p>　　按網(wǎng)格流形的嚴(yán)格定義，3D人臉曲面可以表示為一個(gè)2D流形網(wǎng)格，圖4.4顯示了一個(gè)1環(huán)的網(wǎng)格；在3D人臉網(wǎng)格上，我們定義以下概念:</p><p>　　圖4.4 一環(huán)網(wǎng)格</p><p>　　(l)離散標(biāo)量場(chǎng)(Discrete Scalar Fields)和離散矢量場(chǎng)（Discrete Vector Fie

77、lds）</p><p>　　網(wǎng)格上定義的離散標(biāo)量場(chǎng)，可以表示為：</p><p><b>　　(4-2)</b></p><p>　　其中是一個(gè)分段線性基函數(shù)，在上點(diǎn)值為1，其它頂點(diǎn)位置值為0，因此，標(biāo)量場(chǎng)在處的值為。網(wǎng)格上點(diǎn)的坐標(biāo)的三個(gè)分量都滿足標(biāo)量場(chǎng)的定義，可以看作是定義在網(wǎng)格上的三個(gè)標(biāo)量場(chǎng)。</p><p>　　

78、上離散矢量場(chǎng)的定義類似于標(biāo)量場(chǎng)，如下：</p><p><b>　　(4-3)</b></p><p>　　其中是分段常基函數(shù)(piecewise-constant basis function)，在三角形片內(nèi)部為1，外部為0；表示與頂點(diǎn)鄰接的所有三角面片集。標(biāo)量場(chǎng)的梯度場(chǎng)是網(wǎng)格上的一個(gè)矢量場(chǎng)。</p><p>　　(2)離散梯度運(yùn)算子(Dis

79、crete Gradient Operator)</p><p>　　網(wǎng)格上離散標(biāo)量場(chǎng)的梯度運(yùn)算子定義如下：</p><p><b>　　(4-4)</b></p><p>　　其中是頂點(diǎn)依附的三角形，它的三個(gè)頂點(diǎn)為，按逆時(shí)針排序。</p><p><b>　　(4-5) </b></p>

80、;<p>　　其中表示三角形的面積，%是求模運(yùn)算符，(·)⊥ 表示將向量沿的法向逆時(shí)針旋轉(zhuǎn)90度。標(biāo)量場(chǎng)經(jīng)梯度運(yùn)算，可以得到一個(gè)梯度向量場(chǎng)，在內(nèi)部，梯度是一個(gè)常量。</p><p>　　(3)離散散度運(yùn)算子（Discrete Divergence Operator）</p><p>　　給定網(wǎng)格上的向量場(chǎng)，散度運(yùn)算子定義為[12]：</p><p

81、><b>　　（4-6）</b></p><p>　　其中表示向量點(diǎn)乘運(yùn)算。</p><p>　　(4)離散拉普拉斯運(yùn)算子（Discrete Lapace-Beltrami Operator）</p><p>　　標(biāo)量場(chǎng)上的拉普拉斯算子在1環(huán)網(wǎng)格上可以表示為下式，參考圖4.4中角度的符號(hào)。</p><p><

82、b>　?。?-7）</b></p><p>　　其中表示頂點(diǎn)的鄰接頂點(diǎn)。</p><p><b>　　結(jié)　　論</b></p><p>　　本文通過(guò)分別對(duì)光照、姿態(tài)、表情對(duì)三維人臉識(shí)別的影響的算法進(jìn)行了研究，實(shí)驗(yàn)還是比較成功，但對(duì)還是有些方面不足。</p><p>　　基于球面諧波理論，本文提出了兩種對(duì)

83、任意光照下的人臉圖像進(jìn)行光照補(bǔ)償?shù)乃惴?。我們首先估?jì)輸入人臉圖像的光照條件，即光照環(huán)境的9個(gè)低維球面諧波系數(shù)。在光照估計(jì)的基礎(chǔ)上，我們提出了兩種光照補(bǔ)償?shù)姆椒ǎ杭y理圖像和差圖像。本文還討論了光照估計(jì)和光照補(bǔ)償對(duì)對(duì)齊精度的敏感性，這對(duì)我們構(gòu)造實(shí)用的人臉識(shí)別系統(tǒng)也很重要。</p><p>　　基于不精確的特征對(duì)齊進(jìn)行3D形狀估計(jì)進(jìn)而對(duì)光照進(jìn)行估計(jì)影響不是太大，但準(zhǔn)確的特征點(diǎn)定位有助于得到更準(zhǔn)確的3D形狀，進(jìn)而提高人臉

84、識(shí)別率。因此下一步工作是提高特征點(diǎn)定位的準(zhǔn)確性，尤其是在光照條件不佳時(shí)。另外降低光照補(bǔ)償中的噪聲也是下一步工作之一。</p><p>　　針對(duì)多姿態(tài)人臉識(shí)別的問(wèn)題，提出了一種三維形變模型與部件技術(shù)相結(jié)合的識(shí)別方法，利用三維形變模型重建三維人臉，將三維人臉劃分為36個(gè)部件，把三維部件的幾何向量和紋理向量作為識(shí)別的特征，由于增加了深度信息，同時(shí)結(jié)合部件對(duì)姿態(tài)變化的魯棒性，在一定程度上克服姿態(tài)變化的影響；兩層分類方法把

85、人臉的局部特征和全局特征有效地結(jié)合起來(lái)，在二維和三維條件下都可以達(dá)到較好的識(shí)別效果。</p><p>　　提出了一個(gè)克服表情影響的GCD模型。該模型的出發(fā)點(diǎn)是通過(guò)變形提高類內(nèi)三維人臉的相似度，同時(shí)保持類間模型的區(qū)別。借助網(wǎng)格變形技術(shù)，非中性人臉向中性向?qū)У淖冃斡兄谔岣哳悆?nèi)相似度，同時(shí)，剛性約束條件保證了類間相似度不會(huì)提高。GCD模型是表情不變的三維人臉識(shí)別領(lǐng)域的重要工作，國(guó)外同行對(duì)該算法給予了較高的評(píng)價(jià)。實(shí)驗(yàn)也

86、表明，GCD模型顯著提高了表情變化下的三維人臉識(shí)別的性能。</p><p>　　對(duì)光照、姿態(tài)、表情對(duì)三維人臉識(shí)別的影響都進(jìn)行了研究，有所欠缺的是沒(méi)有把這些算法實(shí)踐到具體的系統(tǒng)中。</p><p><b>　　參 考 文 獻(xiàn)</b></p><p>　　[1] 卿來(lái)云,山世光,陳熙霖等.基于球面諧波基圖像的任意光照下的人臉識(shí)別[J].計(jì)算機(jī)學(xué)報(bào),

87、2006,29(5): 760-768</p><p>　　[2] 柴秀娟,山世光,卿來(lái)云等.基于3D人臉重建的光照、姿態(tài)不變?nèi)四樧R(shí)別[J].軟件學(xué)報(bào), 2006, 17(3): 525-534</p><p>　　[3] 胡峰松,林亞平等.應(yīng)用于人臉識(shí)別的基于Candide-3特定人臉三維重建[J].湖南大學(xué)學(xué)報(bào), 2008, 35(11): 69-73</p><p

88、>　　[4] 劉小軍,王東峰,張麗飛等.一種基于奇異值分解和隱馬爾可夫模型的人臉識(shí)別方法[J].計(jì)算機(jī)學(xué)報(bào), 2003, 26(3): 340-344</p><p>　　[5] 柴秀娟,山世光,高文等.基于樣例學(xué)習(xí)的面部特征自動(dòng)標(biāo)定算法[J].軟件學(xué)報(bào), 2005, 16(5): 718-726</p><p>　　[6] 宋楓溪,楊靜宇,劉樹(shù)海等.基于多類最大散底差的人臉表示方法

89、[J].自動(dòng)化學(xué)報(bào), 2006, 32(3): 378-385</p><p>　　[7] 潘綱,三維人臉識(shí)別若干技術(shù)研究:[D],杭州;浙江大學(xué),2003</p><p>　　[8] 葉劍華,劉正光,基于3DLBP和核判別分析的三維人臉識(shí)別[J],天津大學(xué)學(xué)報(bào),2008,41（3）:344-348</p><p>　　[9] 張文超,山世光,張洪名等,基于局部Ga

90、bor變化直方圖序列的人臉描述與識(shí)別[J],軟件學(xué)報(bào),2006,17(12):2508-2517</p><p>　　[10] 山世光,人臉識(shí)別中若干關(guān)鍵問(wèn)題的研究:[D],北京;中國(guó)科學(xué)院,2004</p><p>　　[11] 劉瑾,人臉識(shí)別中的大樣本集問(wèn)題及多模式圖像融合方法的研究:[D],天津;天津大學(xué),2006</p><p>　　[12] 葉劍華, 三維

91、及多模態(tài)人臉識(shí)別研究:[D], 天津;天津大學(xué),2008</p><p>　　[13] 王躍明,表情不變的三維人臉識(shí)別研究;[D],浙江,浙江大學(xué),2007</p><p><b>　　致　　謝</b></p><p>　　本論文是在我的指導(dǎo)導(dǎo)師杜杏菁老師的精心指導(dǎo)下完成的。在畢設(shè)期間，杜老師言傳身教，從技術(shù)路線直至許多具體細(xì)節(jié)，都給予了我至關(guān)

92、重要的指導(dǎo)和幫助。杜老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、淵博的理論知識(shí)、開(kāi)闊的思維方式、永遠(yuǎn)高昂的工作激情都給我留下了深刻的印象，永遠(yuǎn)是我學(xué)習(xí)的榜樣。杜老師在理論和工程兩個(gè)方面的嚴(yán)格要求，使我不僅學(xué)到了扎實(shí)的理論知識(shí)，而且獲得了豐富的實(shí)踐經(jīng)驗(yàn)。在工作和為人兩方面，從杜老師身上學(xué)到的一切東西都將使我的一生受益無(wú)窮。</p><p>　　再次感謝杜老師，她的指導(dǎo)陪伴我度過(guò)了四年的大學(xué)生涯，杜老師踏實(shí)的作風(fēng)、深邃的思維、廣博的知識(shí)，總

93、讓我羨慕不已，可以說(shuō)，我的每一點(diǎn)成長(zhǎng)與進(jìn)步，都與杜老師有關(guān)，杜老師對(duì)我的影響必將持續(xù)到我未來(lái)的生活、工作和家庭中去。</p><p>　　感謝我的室友文成志和郝佳奇，和他們一起共同努力渡過(guò)大學(xué)生活，非?？鞓?lè)。他們?cè)趯W(xué)習(xí)和生活中給予了我大量的幫助，曾與我一起分享許多快樂(lè)的時(shí)光。</p><p>　　最感謝我最敬愛(ài)的父母，在我多年的求學(xué)過(guò)程中，他們一直在背后默默無(wú)聞地支持我、幫助我，使我對(duì)生活