人脸识别技术作为计算机视觉领域的一个热门课题,近年来得到飞速发展,已逐渐渗透进人们的生活中,在安防、商业等领域发挥着巨大的作用。二维人脸识别由于信息有限,难以克服姿态,光照等变化的影响,识别率很难进一步提升。因此,三维人脸识别技术走进学者们的视野,相对于传统二维人脸识别,三维人脸识别理论上可以利用形状信息解决光照和姿态的问题。但表情变化通常导致三维人脸的类内间距大于类间间距,因此表情问题依然是三维人脸识别中亟需解决的热点问题。针对上述问题,本文研究了表情不变的三维人脸识别算法,从预处理,特征提取,匹配识别等步骤入手,设计三维人脸识别算法。本文主要内容如下:首先,对三维人脸库进行预处理。对样本库中的原始三维模型,通过插值的方法完成缺失数据的补全,通过滤波完成三维人脸表面的平滑去噪工作。采用主成分分析法,提取三维人脸点云模型的主轴,将所有三维人脸进行人脸对齐。经上述操作,完成三维人脸的标准化工作。接着,提出一种鲁棒的三维人脸特征模型。对所有中性表情人脸求取平均脸,在平均人脸上,以鼻尖点为基点构建测地线环,在环上根据先验知识选择对表情不敏感的特征点,同时特征点之间的拓扑关系也由此确定。以基点与各个特征点之间的测地线距离为标准,自动确定样本库内所有三维人脸的特征点模型。在此特征点模型上,利用Gabor小波提取特征点邻域特征,丰富特征点信息。同时,考虑到表情变化时,特征点之间的测地线距离相对鲁棒,本文采用快速行进法对测地线距离进行近似计算,在不影响识别精度的情况下,提高计算速度。至此,对三维人脸生成鲁棒的特征模型描述。最后,对上述提取的特征,进行基于弹性模型的匹配以及基于卷积神经网络的匹配。一方面,对三维人脸模型的特征点邻域特征以及边特征分别进行相似性度量,通过余弦距离和欧式距离分别度量不同人脸间特征点与边的相似度,完成基于弹性模型的三维人脸识别。另一方面,将上述特征进行融合,经过数据预处理后作为卷积神经网络的输入,通过训练调整学习率、批训练量、迭代周期等参数得到合适的网络模型,从而完成卷积神经网络下的三维人脸识别。上述两种算法分别在对应的三维人脸表情库上进行实验,结果表明,本文提出的三维人脸算法对大部分表情变化有着良好的鲁棒性,在表情人脸库上可以取得较高的识别率,且算法可行性高,对预处理工作的要求较低。