基于统计分析的三维人脸识别研究

【摘要】： 在所有生物特征里面,人脸特征是最普遍和是容易获取的。所以,人脸识别一直都是模式识别和图像处理领域最热门的课题之一。本文主要研究了基于主元分析及fisher准则的三维人脸深度图像与二维纹理图像相结合的识别方法。首先利用网格控制顶点模拟三维点云数据,使不规则的三维点云投影到一个规则的二维网格上,然后对得到的网格控制点模型进行规一化,消除模型在尺度及坐标系上的差异。最后对配准后的模型通过有效的识别算法完成识别。本文的主要研究内容和工作总结如下: 1.基于B样条曲面拟合生成的网格控制顶点模拟三维点云数据,将所有的不规则的三维点云投影到一个规则的二维网格上,使这些三维模型具有相同数目的控制顶点,这对于后面的统计方法是一个必要的步骤。 2.在进行三维人脸模型识别之前,需对受试者的姿态不同造成的差异进行调整,在配准中尽量减小因受试者姿态不同带来的影响。对此,本文采用了基于Partial-ICP的精配准方法进行三维人脸的调整。 3.对传统PCA方法与基于Fisher准则的方法在三维深度数据与二维纹理数据上进行研究与应用实现。重点分析了PCA中主分量(特征向量的维数)的选择问题。 4.考虑到三维数据与二维数据一定程度的互补性,将两者通过三种方式融合比较。在对二维纹理图做识别前,提出了一系列的图像增强措施,并对这些图像增强措施对最终识别结果的影响做了比较。在所采用的数据库中,Rank1识别率达到98.3%。验证了本文采用的算法具有较好的识别效果和精度。