基于曲面等高线特征的不同姿态三维人脸深度图识别*叶长明1)蒋建国1,2)詹曙1,2)*S.Ando3)1)(合肥工业大学计算机与信息学院，安徽合肥230009)2)(安全关键工业测控技术教育部工程研究中心，安徽合肥230009)3)（日本东京大学信息科学学院，日本东京）摘要传统人脸图像识别方法常常利用图像中每个像素点所携带的信息作为识别的基础，因而对于图像中的大量信息，常需要进行降维处理。但是这些降维方法往往比较抽象，时间开销较大。本文针对三维人脸实时成像系统所获得的不同姿态下的三维人脸深度图,在对深度图统一校正到“正中面”的基础上，提出一种新的人脸识别方法（FDAC方法）：首先利用微分几何相关理论来指导三维深度人脸深度图的对齐，根据曲面等高线来描述人脸的面部特征；并使用傅里叶描绘子实现特征提取；最后利用提取的等高线特征进行人脸分类识别。实验结果表明，FDAC方法对于不同姿态下的三维人脸图像有很好的识别率，并且在时间开销方面优于常规的特征脸识别方法。关键词深度图；等高线特征；傅里叶描绘子；人脸识别：TP391文献标识码A3DFacialDepthMapRecognitioninDifferentPoseswithSurfaceContourYEChang-ming1JIANG激an-guo1,2ZHANShu1,2SHIGERUANDO31)（SchoolofComputerInformation,HefeiUniversityofTechnology,AnhuiHefei230009,China）2)（EngineeringResearchCenterofSafetyCriticalIndustrialMeasurementandControlTechnology,MinistryofEducation,AnhuiHefei230009,China）3)（SchoolofInformationScience,theUniversityofTokyo,JapanTokyo）Abstract:Traditionalfacerecognitionmethodsareoftenbasedontheinformationofeachpixelinhumanfacialimages，andduetothelargeamountsofimageinformation,thedimensionalityreductionisnecessary.However,thesedimensionalityreductionmethodsarealwaysabstractandmeanwhiletimecostisconsiderable.Thispaperpresentsanovelfacerecognitionmethod—FDAC,whichisbaseoncorrection“mesion”depthmapsfromthe3Dfacialimagingsystemindifferentposes.Firstly,depthmapsarealignedunderdifferentialgeometrytheoryguidance,andthehumanfaceisdescribedbythecontours.Secondly,Fourierdescriptorassiststoextractthefacialfeatures.Finally,thesefeaturesfromcontoursareusedinfacerecognitionprocess.ExperimentalresultsshowthatFDACperformswellinrecognitionaccuracyandespeciallyreducemuchtimecostincomparewithEigenfacemethod.Keywords：depthmap;contourfeature;Fourierdescriptor;facerecognitionOCIScodes:*基金项目：国家自然科学基金(61174170)；教育部博士点基金项目(20100111110005)1.引言人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别和指纹识别，掌纹识别，静脉识别，声音识别等一样，都属于生物特征识别技术[1]。人脸识别方法主要包括：基于特征脸（PCA）的人脸识别方法[2][3]，神经网络的人脸识别方法[4],弹性图匹配的人脸识别方法[5],线段Hausdorff距离(LHD)的人脸识别方法[6],支持向量机(SVM)的人脸识别方法等等。随着技术的不断发展，目前人脸识别已广泛应用于电子商务，社会福利保障，安全防务等领域。最近十年，随着三维人脸成像技术的发展，三维人脸识别技术逐渐成为了研究的热点[7]。三维人脸图像较之与二维人脸图像的最大优势就是对光照因素不敏感。目前已经涌现出很多三维人脸识别方法,如:基于几何特征的方法[8][9]，模板匹配算法[10]，基于统计模型的方法[11]等等。注意到，这些方法中很多都是将二维人脸识别方法“移植”到三维人脸识别的研究中。所以，如何充分利用三维数据不同于二维数据的特点，获得更好的识别效果，是目前三维人脸识别研究的主要方向。常见的人脸识别方法都是将图像中每个像素点所携带的信息作为整个识别过程的基础。随着成像技术的不断发展，图像的分辨率越来越高，单幅图像所携带的信息也越来越丰富。面对大规模的数据，许多识别方法首先都要对图像数据进行降维处理。主成分分析法（PCA）就是最典型的数据降维方法。近年来，Isomap[12...
