基于深度图像的三维人脸特征提取

论文摘要

人脸识别是一种基于生物特征的身份认证技术,是模式识别和机器视觉领域中最为活跃和最具潜力的研究方向之一,具有十分广阔的应用前景。三维人脸的研究是以人脸的三维数据为基础,结合计算机视觉和计算机图形学,充分利用三维人脸的深度信息,能够解决和克服现有二维人脸识别研究中所面临的光照、姿态、表情等问题。三维人脸特征提取是三维人脸研究中的重要组成部分,有效地提取人脸特征是人脸识别的关键,其基本任务是研究如何从众多数据特征中提取出对分类识别最有效的特征,从而实现对特征空间维数的约减。因此,本文提出了一种基于深度图像的三维人脸特征提取方法。本文的工作和主要创新成果如下:(1)本文提出了利用三维人脸深度图像进行特征提取,根据中国科学院自动化研究所提供的CASIA三维人脸数据库,获得三维人脸点云数据,通过预处理,将三维人脸点云数据正交投影,按深度值重采样为规整数据,转化为三维人脸的深度图像。预处理后的三维人脸深度图像蕴含了与其对应的三维人脸点云数据之间的邻接关系。(2)研究发现,人脸往往位于一个高维的非线性的流形结构,因此本文采用了基于流形学习的局部保持投影(LPP)算法提取三维人脸深度图像的特征,将流形学习运用到三维人脸深度图像的特征提取。由于人脸图像存在内在较低的维数,而流形学习就是把一组高维空间的数据在低维空间中重新表示,所以本文采用流形学习在较低维数下进行人脸特征提取的研究,从而更能体现出人脸潜在的流形结构特征。(3)本文在Matlab环境下实现了基于深度图像的三维人脸特征提取和识别的系统。采用了局部保持投影(LPP)算法和经典的主成分分析(PCA)算法对三维人脸深度图像进行特征提取。由于特征提取结果的优劣要由人脸识别率来衡量,那么为了充分体现所提取人脸特征的性能,在本文的实验中采用的是较简单的最近邻分类器。实验结果表明,与主成分分析算法相比,在相同的三维人脸深度图像样本集的基础上,采用局部保持投影算法达到的识别率更高,同时需要的特征维数低,这就表明了LPP算法能够有效地提取人脸特征。本文对三维人脸深度图像的预处理和特征提取方法进行了详细地阐述。通过实验结果对比,分析了本文算法的优点与不足,提出了以后研究工作的方向和目标。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 序
• 1 综述
• 1.1 人脸识别的研究背景
• 1.2 三维人脸识别的提出
• 1.3 三维人脸识别的研究概况
• 1.3.1 三维人脸识别的优势
• 1.3.2 三维人脸识别的困难
• 1.4 三维人脸特征提取的主要方法
• 1.4.1 基于局部特征的方法
• 1.4.2 基于整体特征的方法
• 1.5 本论文的研究切入点
• 1.6 本论文的内容与结构安排
• 2 三维人脸的获取与预处理
• 2.1 引言
• 2.2 三维人脸数据的获取
• 2.2.1 基于物理装置的数据获取
• 2.2.2 基于多幅图像的数据获取
• 2.2.3 国内外主要三维人脸数据库的介绍
• 2.2.4 本文采用的三维人脸数据库
• 2.3 三维人脸数据的主要表达形式
• 2.4 三维人脸的预处理
• 2.4.1 脸部提取
• 2.4.2 脸部标志点定位
• 2.4.3 脸部网格裁剪
• 2.4.4 本文采用的三维人脸数据预处理方法
• 2.5 本章小结
• 3 三维人脸特征提取方法及研究
• 3.1 引言
• 3.2 主成分分析法
• 3.2.1 主成分分析方法的数学原理
• 3.2.2 主成分分析方法在人脸特征提取上的应用
• 3.3 基于流形学习的特征提取
• 3.3.1 流形与流形学习
• 3.3.2 等距映射
• 3.3.3 局部线性嵌入（LLE）算法
• 3.3.4 拉普拉斯映射方法
• 3.3.5 局部保持投影（LPP）算法
• 3.4 最近邻分类器
• 3.5 本章小结
• 4 实验内容与结果分析
• 4.1 实验介绍
• 4.2 实验内容
• 4.2.1 实验环境
• 4.2.2 三维人脸图像的预处理
• 4.2.3 基于深度图像的特征提取
• 4.2.4 人脸的识别与分类
• 4.2.5 实验界面
• 4.3 实验结果与分析
• 4.4 本章小结
• 5 总结与展望
• 5.1 论文总结
• 5.2 工作展望
• 参考文献
• 作者简历
• 学位论文数据集