3D人脸识别研究探索

人脸识别是基于生物特征识别技术的身份认证中最主要的方法之一，涉及计算机图形学、计算机视觉、模式识别、机器学习、感知科学、人工智能、计算智能等技术，3D人脸识别主要分为人脸检测、人脸特征和人脸识别三个过程。为了提高人脸的识别精度，本文对3D人脸的自动识别系统及识别算法进行了研究，给出了3D人脸识别存在的问题。

　　1 3D人脸自动识别系统

　　普通的人脸识别一般分为图1所示的三个过程。图2所示是一个典型的3D人脸识别系统的组成框图。其中，图像获取部分负责获取来自于摄像机或是扫描仪等设备的图像，通过程序将其转换为可处理的数字图像格式；检测定位是通过对输入的图像进行处理分析，判断图像中是否有人脸，如果有人脸，则作出准确的定位；特征提取是在预处理后的人脸图像中按照某种策略抽取出识别的特征。

图1 人脸识别过程图

图2  典型的人脸识别系统

　　人脸模型主要分为刚性模型和塑性模式，刚性模型可以满足对人头部跟踪检测的要求，主要用于表示人的头部位置、姿态、方向等；塑性实体主要处理人脸识别、表情识别、唇语识别等问题，它涉及面部器官、肌肉和表皮的运动。

　　目前主要的三维建模工具有3DSMAX，MAYA，AUTOCAD等。

　　1.1 结合一般人脸模型的建模

　　由于人脸的复杂性和相似性，直接采用视觉重建算法进行3D人脸的重建，在精度和实用性上，相对于昂贵的硬件采集方法，都不能达到很好的效果。为了重建精度较高的人脸模型，下面引入了一般人脸3D模型。

　　一般人脸模型的主要思想是定义一个平均的人脸3D模型，其空间坐标点集为Sg={xgi，ygi，zgi}，i=1，2，…，n，该空间坐标集表达了常见的人脸表面形状的共同特性。该思想认为，不同人脸的3D结构S。都可 以通过一般人脸模型Sg中每个空间点的位置变化来表达，即特定的人脸模型Sp=Sg+△S，（xpi，ypi，zpi}={xgi+△xi，yg+△yi，zgi+△zi}。形变量△S如何求取具有不同的方法，但核心思想是利用人脸模型提取表达五官特征（眼睛、鼻子、嘴、脸颊、眉毛）的轮廓点集Sf={xfj，yfj，zfj}，j=1，2，…，m（其中m《n），然后利用相应的轮廓信息或特征点队形的深度信息在一般人脸模型和特定人脸模型之间建立一个光滑的3D位移插值函数f（Sg），并使f（Sg）对于轮廓或特征点集合均满足f（Sj）=△Sf，进而从f（Sg）得到一般人脸模型上每一点的位移△S。

　　1.2 结合3D人脸形变模型的建模

　　3D人脸形变模型的核心思想是利用有限数量的3D人脸模型的线性组合来表达任何一个3D人脸。在用3D人脸形变模型建模时，可将模型的形状坐标集合记为s=[x1，y1，z1，…，xN，yN，zN]T，即包括N个顶点的x，y，z坐标；再将对应一个人脸的纹理表示为一个纹理向量t=[R1，G1，B1，…，RN，GN，BN]T，即包括N个对应顶点的RGB值（假设有效纹理的数据等于顶点数）。

　　形变模型由M个人脸样本数据构成，这些数据分别表示为它的3D形状和纹理两部分，也可写成M个样本图像的质心坐标表达式，即：

　　其中

使用PCA对3D人脸数据进行压缩，再把基底变换到一个由对应协方差距阵的特征值按降序排列对应的特征向量si和TI形成的正交坐标系下，则有（α，β∈RM-1）：

　　其中，a的概率分布满足

　　式中：δ2是形状协方差矩阵Cs的特征值。p（β）的计算与p（α）的计算类似。

　　最终定义的3DMM为[smodel（α），tmodel（β）]，由两个变量参数确定a=[a1，a2，…，aM]T，b=[b1，b2，…，bM]T。这样，任意新的人脸都可以通过变化a，b来控制其形状和纹理。