第３４卷第１２期
２００７年１２月 光电工程
Ｏｐｔｏ－Ｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏ１．３４，Ｎｏ．１２
Ｄｅｃ，２００７
文章编号：１００３—５０１Ｘ（２００７）１２—００７７—０５
一种基于三维模型投影的人脸识别新方法
赵明华１，２，游志胜 ，刘直芳 ，赵永刚
（１．四川大学图像图形研究所，四川成都６１００６４ｌ
２．西安理工大学计算机科学与工程学院，陕西西安７１００４８；
３．西安石油大学油气资源学院，陕西西安７１００６５）
摘要：研究了使用三维人脸模型进行不同姿势下的人脸识别问题，提出了一种三维建模二维识别的人脸识别算法，
首先使用该方法将三维模型向不同方向投影，进而将不同姿势的二维图像与不同方向的投影结果相匹配，进行人
脸识别。研究了使用ＭｉｎｏｌｔａＶｉｖｉｄ ９１０进行数据获取，创建三维模型的方法和过程。实验结果表明，在进行不同
姿势的人脸识别时，该方法的识别速度快于三维可变形模型方法，识别率远优于使用二维正面图像作为模板的人
脸识别方法。
关键词：三维人脸识别；姿势变化；投影；２．５维扫描；三维模型
中图分类号：ＴＰ３９１．４１ 文献标志码：Ａ
Ｎｏｖｅｌ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ３Ｄ ｍｏｄｅｌ ｐｒｏｊ ｅｅｔｉｏｎ
ＺＨＡＯ Ｍｉｎｇ－ｈｕａ ，－，ＹＯＵ Ｚｈｉ－ｓｈｅｎｇ ，ＬＩＵ Ｚｈｉ．ｆａｎｇ ，ＺＨＡｏ Ｙｏｎｇ－ｇａｎｇ３
（１．Ｉｎｓｔｉｔｕｔｅ ｏｆｌｍａｇｅ＆Ｇｒａｐｈｉｃ，Ｓｉｃｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ ６１００６４，Ｃｈｉｎａ；
２．Ｓｃｈｏｏｌ ｏｆＣｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄＥｎｇｉｎｅｅｒｉｎｇ，Ｘ｛ ｎｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｘｉ ｎｎ ７１００４８，Ｃｈｉｎａ；
３、Ｘｉ’ａｎ Ｓｈｉｙｏｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ ７１００６５，Ｃｈｉｎａ）
中 文 摘 要
- I - 摘 要
人脸识别技术属于生物验证的一种，在身份验证领域日益发挥重要作用，具有十分广泛的应用前景。人脸检测和定位问题是人脸识别技术首先要解决的问题。人脸检测算法是一个高效的、自动的人脸识别系统中的关键技术之一。如今人脸检测问题已成为一个热门研究领域，新的算法不断被提出，不过由于人脸的复杂性，目前尚不能找到一个完美的算法。在不同应用环境下，有不同的算法，本文针对应用于视频中人脸检测问题进行了研究，论文的主要工作如下：
本文首先对人脸识别的任务提出了要求并阐述了其难点，结合其实现难度，提出一个能教快速的识别出图片中人脸的基于肤色的人脸检测算法，由于其一般适用性本文使用了RGB色彩空间，本算法将三维RGB空间映射为两维独立分布的空间。在二维空间下，肤色类聚性好且符合高斯分布，利用人工阈值法将肤色与非肤色区域分开，形成二值图像。
非肤色区域中依然有可能有部分区域颜色与肤色相近，所以阈值分割后的图像依然存有部分假肤色区域，经过形态学处理和限制长宽比之后，可得到人脸区域。
在确定人脸区域后，我们需要在原图上对人脸区域进行标记，这里可通过找到一些关键点，作出矩形框标记人脸区域
关键字:人脸识别,肤色检测,色彩空间,高斯分布，人脸检测 Abstract（英文摘要）
- II - Abstract
Face recognition technology is biological validation of an increasingly important
role in the field of authentication, a very wide range of applications. Face detection
and face recognition technology positioning problem is to be solved first. Face
福建电脑 ２００７年第２期
三维人脸识别及其关键技术
吴通理．郑建德 （厦１＇３大学计算机科学系福建厦门３６１００５）
【摘要】：利用三维信息进行人脸识别是近年来提出的很有发展前景的人脸识别新思路。本文对三维人脸识别的优越 性、思想方法和存在的困难进行了综述，并对三维人脸建模、人脸姿态估计和人脸识别算法这些三维人脸识别的关键技术进 行了讨论。 【关键词】：三维人脸识别；三维人脸建模；人脸姿态估计；人脸识别算法 １，三维人脸识别的优越性 人脸识别是生物特征鉴别技术的一个主要方向．与其他生 物特征相比．人脸识别具有主动性、非侵犯性和用户友好等许多 优点．多年来一直受到许多研究者的关注。它涉及认知科学、图 象处理、计算机图形学、机器视觉和模式识别等多个研究领域。 研究的成果有着广阔的应用前景。在众多科研人员的不懈努力 下．计算机人脸识别已经取得许多科研成果．产生了一系列的方 法与理论。但是目前的人脸识别方法主要集中在二维图像方面， 由于受到光照、姿势和表情等因素的影响，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 针对人脸识别的难点．许多学者始终致力于这方面的研究， 一个较好的办法是利用三维信息进行人脸的识别。三维信息能 够更精确地描述人的脸部特征．提取的某些特征具有刚体变换 不变性．并且不易受化装和光照的影响。三维数据的获取很少受 到光照的影响．利用三维曲面的配准算法能很好地克服姿式的 变化．通过三维模型合成的面部动作在一定程度上能克服表情 变化。因此．基于三维信息的人脸识别是一种较鲁棒的识别途 径．能够比较有效地克服基于２Ｄ图像进行识别所遇到的一些困 难。 ２．三维人脸识别的思想方法 一般地说．要实现一个自动的人脸识别系统主要应该完成 以下的四个功能： １）人脸检测与分割。从任意的场景中检测人脸的存在并进 行定位．提取出人脸。 ２１人脸的归一化。校正人脸在尺度、光照和旋转等方面的变 化。 ３１人脸表征。采用某种方法表示出数据库中的已知人脸和 检测出的人脸。通常的方法有几何特征、代数特征、特征脸、固定 特征模板等 ４１人脸识别。根据人脸的表征方法。选择适当的匹配策略将 得到的人脸与数据库中的已知人脸相比较。 基于三维模型的人脸识别方法．与基于二维图像人脸识别 方法的最主要区别就在于：人脸库中记录的不是象以前一样．记 录着每个人的各种姿势、位置和表情的头部照片．而是存储的一 个人脸的三维空间模型 由这个区别引申出人脸的表征和识别 的方法也与二维识别方法不同 由人脸表征的区别．三维人脸识别思想方法也分两种，第一 种是进行纯三维之间的对比．例如通过多角度拍照．系统自动构 建待识别人脸的三维模型．与已知人脸库中的三维模型按一定 的匹配策略进行比较识别 这种方法中人脸的表征是一个基于 三维的特征向量 由于人脸的三维重构目前还是一个正在研究 的领域．其过程依然是一个病态的过程。因而这种思想方法的实 施受到了一定的限制 第二种是根据获得的人脸二维图像的特 征点。计算出人脸的姿态偏转角度。将已知人脸库中的三维模型 按同样姿态偏转角度投影到二维平面上，得到相应的二维图像， 再将它与原来的二维人脸图像按一定的匹配策略进行二维特征 上的比较识别。由于姿态偏转角度的估算目前还处于研究阶段， 该种思想方法的实施也受到一定的限制。因此在文献Ｉｌｌ中提出了 一种基于３Ｄ一２Ｄ透视投影变换的人脸识别方法。该方法的核心 思想是：首先，从待识别二维人脸图像中抽取人脸上的某些特征 点．根据这些特征点分别计算出该二维人脸图像和系统中有关 人脸的三维模型之间存在的变换关系。并根据所得到的变换关 系将相应的三维模型投影到二维人脸图像平面上；然后，在上述 投影图像和实际待识别的二维人脸图像之间进行匹配运算以完 成规定的人脸识别任务 ３，三维人脸识别的困难与挑战 三维人脸识别虽然为人脸的机器识别展开了新的思路．但 其本身的实现还是很不成熟的。三维人脸识别存在以下的困难日： １）信息来源方面的困难：用于３Ｄ识别的完整信息难于获 取．或者用于３Ｄ识别的信息往往是不完整的，这造成了识别 算法本身不可纠正的错误。同时，由于图像采集设备的差异， 成像原理的不同．也造成数据上的差异。 ２）海量存储和计算的困难：由于３Ｄ识别的数据容量和计 算量十分巨大。给存储和运算带来困难，也对计算机的硬件提出 了更高要求。 ３）对人的生理认识的不足：对于生物生理学和生物心理学 等相关学科的有限的认知水平制约了计算机的算法实现，比如： 对于肌肉的运动理论和表情的形成等问题．不能提供给计算机 足够的专家支持。计算机只具备计算功能而没有人的经验和知 识。 ４１实现方式和手段的不足：传统的识别方法不能满足三维 识别的要求．必须改进或采用新的方法．比如：由于动态图像的 计算量太大．适用于静态图像处理的神经网络就变得不很适合 了：又如：ＨｂｌＭ虽然适合于连续识别，但其训练复杂，判别误差 能力差．概率相互独立．不利于先验知识的利用。 ４．三维人脸识别的关键技术 实现三维人脸识别必须拥有人脸的三维模型、知道待识别 人脸在三维空间的姿态和选取合适的识别匹配算法。因此．三维 人脸建模、待识别人脸的姿态估计和识别匹配算法的选取是实 现三维人脸识别的关键技术 。４．１三维人脸建模 关于三维人脸建模．研究人员已经研究过多种方法，大致可 以分为基于图像、基于几何１３１和基于三维原型库的形变模型哪这 三类建模方法。 基于图像的建模方法以人脸图像或者视频序列作为输入数 据．也可能用到一个通用的人脸模型。目前有基于单幅图像，基 于正、侧两幅图像。基于多幅图像。基于单目视频和基于双目视 频等方法。基于图像建模方法虽然较之于直接从三维扫描设备 获取人脸几何模型的成本较低．但是存在建模分辨率和准确度 都相对较低的缺点．因此为获取高分辨率、精确的三维人脸模 型．研究者大多采用基于几何的建模方法。 基于几何的建模方法在输人数据中不仅包括人脸图像或视 频序列．
。
-可编辑修改- 1.1 人脸识别的主要方法
目前，国内外人脸识别的方法很多，并且不断有新的研究成果出现。人脸识别的方法根据研究角度的不同，有不同的分类方法。根据输入图像中人脸的角度不同，可以分为正面，侧面，倾斜的人脸图像的识别；根据图像来源的不同，可分为静态和动态的人脸识别；根据输入图像的特点，又可分为灰度图像和彩色图像的人脸识别等等。本文重点研究基于正面的、静态的灰度图像的识别方法。
对于静态的人脸识别方法从总体上看可以分为三大类：一是基于统计的识别方法，主要包括特征脸(Eigenface)方法和隐马尔科夫模型(Hidden Markov Model 简称 HMM)方法等；二是基于连接机制的识别方法，包括人工神经网路(Artifical Neural Network 简称ANN)方法和弹性图匹配(Elastic Bunch Graph Matching 简称 EBGM)方法等；三是一些其他的综合方法及处理非二维灰度图像的方法。下面分别进行介绍。
1.1.1 基于特征脸的方法
特征脸方法[5]，又称为主成份分析法(Principal Component Analysis 简称 PCA)，它是20 世纪 90 年代初期由 Turk 和 Pentland 提出的，是一种经典的算法。它根据图像的统计特征进行正交变换(即 K-L 变换)，以消除原有向量各个分量之间的相关性。变换得到对应特征值依次递减的特征向量，即特征脸。
特征脸方法的基本思想是将图像经过 K-L 变换后由高维向量转换为低维向量，并形成低维线性向量空间，利用人脸投影到这个低维空间所得到的投影系数作为识别的特征矢量。这样，就产生了一个由“特征脸”矢量张成的子空间，称为“人脸子空间”或“特征子空间”，每一幅人脸图像向其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间中的位置，因此利用特征脸方法可以重建和识别人脸。
通过人脸向量向特征子空间作投影得到的向量称之为主分量或特征主分量。主分量特征。
