初探三維人臉識別技術

杜艷綏

摘要：隨著信息化技術的不斷發展，用戶信息的安全性成為備受關注的問題之一，傳統的口令對身份的驗證已經不能滿足人們的需求，三維人臉識別技術作為一種典型的生物特征識別技術成為身份識別的重要發展方向。三維人臉識別技術既有非接觸性、信息完備等獨特的優點，又有數據處理難度大、姿態表情年齡等因素的制約，因而在研究上具有重要的理論意義和現實意義。

關鍵詞：三維人臉識別；關鍵技術；生物特征

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1007-9416（2017）09-0234-01

1 三維人臉識別相關概述

1.1 三維人臉識別的介紹

如今的人類社會已經步入到了信息化時代，各種各樣的信息充斥在我們的周圍，在線支付、信息化辦公、遠程教育等都離不開身份的認證與識別，傳統的驗證方式通常是用戶名與密碼的結合，但是這種存在著不安全性，很容易被偽造或是竊取，口令驗證越來越不適應社會信息的發展。而生物識別技術則主要是通過人類的生物特征來進行的一種身份驗證的技術，由于生物特征的獨特性和唯一性，可以滿足身份驗證的需要。比如：人臉識別、指紋識別、手型識別、虹膜識別、DNA識別等。而在眾多生物識別中人臉識別則是便于信息的采集、可以非接觸的、友好的人機交互的方式，尤其伴隨著技術的成熟，也由原有的二維灰度圖像逐步的升級為三維人臉識別[1]。

1.2 三維人臉識別與二維人臉識別的區別

人臉識別的技術起源于上世紀初，經過數十年的發展，二維人臉識別逐步轉變為三維人臉識別。二維人臉識別的缺陷主要有：（1）光照條件對人臉識別的時候會因為光照角度或是光照強度的不同而得到不同的二維圖像視覺效果。（2）人臉姿態在不同的姿態條件下會出現很大的差異性，最終導致識別判斷的錯誤性。（3）人臉的面部表情會使人臉識別過程中出現偏差，破壞二維圖像中。

二維人臉識別存在的缺陷可以通過三維人臉識別技術有所改變，比如光照條件問題可以通過基于 Gamma 灰度矯正的方式解決，人臉姿態的問題可以通過對不同角度而形成的二維人臉識別的圖像進行合成來建模從而抑制姿態變化造成的成像影響，人臉的面部表情問題可以通過基于頻率域或統計的方法提取表情特征，從而達到人臉識別。盡管三維人臉識別可以極大程度的改善二維人臉識別，但是卻存在著算法較多、規模較大、限制條件較多等問題，因而三維人臉識別技術也存在著一定的制約性。

首先，人臉識別技術很多是對二維人臉識別技術的延續，許多技術方法與手段尚不成熟，未能完全發揮出三維圖像的優勢。其次，三維人臉圖像對于光照條件不明感，對于姿態、表情、年齡等方面的因素也會對三維人臉識別的效果造成影響，仍需技術加以克服。最后，三維人臉的分辨率要求越來越高，信息量也在不斷加大，如何利用有效的數據降維方法和提高數據信息存儲等，都需要較高的要求。

2 三維人臉識別的關鍵技術

2.1 基于幾何特征直接匹配的方法

三維人臉識別是一種空間的立體結構。基于幾何特征的方法就是將識別到的人臉看成是一張張的曲面，不需要對人臉的圖像特征進行提取，只需要在曲面上對數據進行相應的匹配。主要采用的方法為迭代最近點法（ICP）和豪斯多夫（Hausdorff）距離法。

2.2 基于局部特征的方法

基于局部特征的方法主要采用的思想就是通過利用有限的人臉局部的區域來對原始的人臉進行表征，這樣就會使人臉特征的數據量在一定程度上減少，但是卻需要對人臉局部的區域選取選擇好的方案進行細致的分析與設計，這樣才能確保在進行局部特征選取的時候采用的區域是具有代表性與可分性的。其中采用的方法主要有：基于LBP（Local Binary Patterns）即二值模式的方法、通過對特征表達與處理最終達到對人臉進行識別目的的局部描述符法以及基于曲率特征的方法[2]。

2.3 多數據多技術融合的方法

多數據多技術的融合方式作為人臉識別技術中新的發展方向，任何一種人臉成像數據都是對客觀對象的一種描述，都包含了若干有價值的信息；但是每一種數據也有自己的局限和不足。伴隨著人臉識別技術的發展，技術和方法都在大大的改進，將多種手段與技術進行迭代和融合，可以極大程度的對人臉識別的效果得到提高。

3 三維人臉識別的幾種方法

3.1 基于復數域的多數據融合三維人臉識別

多數據融合技術是指利用計算機對按時序獲得的若干觀測信息，在一定準則下加以自動分析、綜合，以完成所需的決策和評估任務而進行的信息處理技術。一般來說，多數據融合技術主要分為三個層次，即：數據級融合、特征級融合以及決策級融合。通過將多個數據進行融合的方法可以獲取到更多的信息量，有用的信息量也在加大，這樣就可以在多數據進行融合的基礎上來互相的取長補短，可以使提高的識別率有大幅度的增強，同時獲取到的識別效果也更好，任何一個人的人臉都是一種客觀對象數據的描述，里面包含了許多有價值的信息，多種的數據融合方式進行三維人臉識別優于單一傳統的識別方法[3]。

3.2 基于不同姿態三維人臉深度圖識別

對于人臉識別來說，姿態的問題是人臉識別問題研究的瓶頸，也就是說當成像的對象面部的表情發生變化的時候，那么整個人臉的區域的成像就都會發生變化，在一些情況之下，人臉的圖像會因為視覺的感官的改變而發生變化，這樣就會導致整個人臉的區域成像效果也發生了相應的改變。這種變化是難以捕捉和把握的，因而就對人臉的識別增大了其難度。就目前來說對于人臉的不同姿態的三維人臉成像的方法主要有三種，首先是通過單幅或者是多幅的二維圖像進行合成，其次是在不同的姿態之下進行圖像的采集，使人臉的數據庫信息得到豐富，從而構建出相應的多姿態的訓練集，來提高最終的辨識度，最后就是可以通過人臉模型的架構，來形成多角度的表情人臉圖像。可是建模是需要一定的算法與復雜性，規模也較大。

3.3 基于曲面等高線特征的三維人臉識別

曲率是一種局部幾何的屬性，三維人臉的曲面數據是分散的，所以會受到許多條件的制約，采集點也不相同，這樣就會出現數據之間的格式不規范、不統一，所以三維人臉的識別是不能通過曲率的特征直接進行識別的，另外，除了主觀與客觀的因素之外，成像過程中出現的噪聲也會造成成像的誤差，因而曲率特征對于數據精度要求高，必須與其他方法結合使用。

參考文獻

[1]蘇煜，山世光，陳熙霖，高文.基于全局和局部特征集成的人臉識別[J].軟件學報，2010，（8）：1849-1862.

[2]劉小軍.人臉識別技術研究[D].北京：中國科學院電子學研究所，2011.

[3]胡珍珍.基于深度數據的空間人臉旋轉角度估計[D].合肥工業大學，2011.