论文部分内容阅读
人脸识别作为生物特征识别技术的一个重要组成部分,具有主动性、便捷性、非侵犯性和隐蔽性等优点,是模式识别和人工智能领域的研究热点。基于二维图像的人脸识别算法受光照、姿态、表情等因素的影响较大,因此基于三维数据的人脸识别算法越来越受到关注。本文重点研究通过双目立体视觉技术快速获取具有良好表达能力的三维人脸点云数据。在此基础上,研究深度图PCA识别和几何特征识别的三种融合方法。本文的主要研究工作如下:
(1)三维人脸点云数据的获取。首先利用基于校正误差的极线校正算法对获取的人脸双目图像进行极线校正:接着针对人脸这一特殊立体匹配场景研究了多种立体匹配算法,包括快速区域立体匹配、基于互相关信息的改进Rank变换立体匹配以及视差生长的立体匹配方法,并引入金字塔结构进行匹配,对各层人脸图像采用不同立体匹配算子,以快速获取较高精度的致密人脸视差图;最后结合前期获得的摄像机标定参数重建出三维人脸点云数据,得到具有良好表达能力的三维人脸数据,并更新了三维人脸数据库3DFACE-XMU。
(2)研究了基于点云的三维人脸识别融合技术。考虑三维人脸的全局特性和局部特性,本文分别提取三维人脸的PCA深度统计特征和几何特征作为识别的依据,在此基础上研究PCA人脸识别和三维几何特征识别的三种融合技术,分别为几何特征筛选PCA结果的方法、基于决策判断的融合方法和基于投票计分的融合方法。
(3)在课题组原有基础上构建了三维人脸识别的融合实验系统:包括点云数据获取模块和人脸识别模块。在ZJU-3DFED和3DFACE-XMU以及3DFACE-XMU&ZJU三个数据库上开展了基于PCA和几何特征融合的三维人脸识别实验。实验表明,采用基于PCA和几何特征的投票得分融合的方法性能较好,Rank1识别率达到了88.54％,证明了该融合方法的有效性。