基于面部曲線彈性匹配的三維人臉識別方法

潘仁林， 達飛鵬， 鄒紅艷， 王朝陽

（東南大學自動化學院，江蘇 南京 210096）

與指紋識別、虹膜識別等生物特征識別技術相比，人臉識別具有非接觸、隱蔽性好等特性，而成為當前模式識別和計算機視覺領域的研究熱點。傳統的基于二維灰度或彩色圖像的二維人臉識別已獲得較好的識別性能，但仍易受光照、姿態、表情等因素的影響，其本質原因在于圖像是三維物體在二維空間的簡約投影。三維人臉數據包含比二維人臉更多的信息，且不會受姿勢和光照的影響，所以基于三維人臉數據的三維人臉識別具有更好的識別效果[1]，近些年受到越來越多的關注。目前三維人臉識別已廣泛應用在門禁系統、機場安檢、視頻監控、智能空間、自然人機交互等領域，如A4Vision公司為丹佛地區公共運輸系統(the regional transportation district，RTD)裝備 RFID 3D臉部識別門禁系統，該系統利用RFID卡和A4Vision公司領先的3D臉部識別器為丹佛地區公共運輸系統的財政部提供更高一級的安全保證。

目前有關三維人臉識別方法的研究有很多，根據特征形式可以分為基于空域直接匹配、基于整體特征匹配和基于局部特征匹配的三維人臉識別方法。基于空域直接匹配的方法不提取特征，而是直接進行曲面的相似度匹配，常用的方法有迭代最近點法(iterative closest point,ICP)[2]和Hausdorff距離法[3]等。這類方法在匹配剛性曲面時具有較好的效果，但是由于人臉曲面本質上是一個非剛性曲面，易受表情變化的影響，因而研究人員提出對剛性區域進行ICP匹配的解決方案。基于整體特征匹配的方法注重三維人臉的整體特征，如基于深度圖的表觀匹配方法[4]將人臉曲面映射為二維人臉深度圖，然后對深度圖進行主元成分分析(principal component analysis，PCA)匹配；基于 EGI[5]的人臉匹配方法將曲面轉換為單位球面上的質量分布映射圖(extended gaussian image，EGI)，然后匹配 EGI。基于局部特征匹配的方法主要是提取人臉曲面上的局部特征進行匹配。常用的三維人臉識別的局部特征包含局部描述符[6]、曲線特征以及其他一些局部的幾何特征和統計特性。

一些研究人員在三維人臉曲面上提取表征人臉幾何信息的特征曲線，將人臉曲面的匹配轉化為曲線的匹配，極大提高了匹配的效率。Beumier和 Acheroy[7]提取經過人臉曲面上最突出點的中心輪廓線和兩條平行于該線的輪廓線，通過比較選定輪廓線上的各點的曲率值得到三條輪廓線相似度，進一步融合得到人臉曲面的相似度。但該方法只提取三條人臉曲線，丟失很多曲面信息，表征性較小，當庫集人臉個數較多時識別率會下降。Samir等[8]在人臉深度圖上提取等深度輪廓線，然后計算測試人臉等深度輪廓線與庫集人臉相應的等深度輪廓線在黎曼空間上的測地距離作為匹配相似度。文獻[9]提取多條等測地線來表征人臉曲面，計算曲面上的等測地線與另一曲面上的等測地線的黎曼空間測地距離作為匹配相似度。Berretti等[10]沒有使用等測地線，而是根據曲面點到鼻尖的測地距離將人臉劃分為若干個等測地區域，然后根據對應等測地區域上的點之間的位置關系來識別人臉。Gokberk等[11]提取人臉面部上的七條垂直輪廓曲線，計算每條對應曲線之間的相似度然后融合為最后的總相似度來識別人臉。Chao等[12]利用三維人臉模型的輪廓線和等高線進行識別，結果表明將中心垂直側面輪廓線和等高線的相似度融合起來得到的識別率高于任一種曲線單獨使用得到的識別率。

從上面介紹的各種基于曲線匹配的三維人臉識別算法中很容易看出基于曲線的識別方法分為兩個方面即表征人臉的曲線類型和曲線匹配的方法的選擇。

本文受二維分層匹配思想[13]的啟發，提出了一種基于面部徑向曲線彈性匹配的三維人臉識別方法。首先，對三維人臉進行預處理，提取從鼻尖點發射的多條面部徑向曲線，并對徑向曲線進行重采樣后提取有用點以建立曲線之間的點對應關系；然后，對測試人臉的每條徑向曲線與庫集人臉的對應曲線進行分層彈性匹配，再根據測試人臉與庫集人臉建立的點對應關系，利用對應點到鼻尖點的距離匹配曲線；最后，將每條曲線的兩種匹配相似度進行加權融合作為總相似度用于識別。人臉識別過程框架如圖1所示。測試結果表明，本文方法具有很好的識別性能，并且對表情、遮擋和噪聲具有較好的魯棒性。

1 三維人臉預處理

本文實驗采用 FRGC v2.0數據庫的三維人臉模型，主要為三維點云格式。每個三維點云由80 000～130 000個點構成，包含了人臉區域，以及耳朵、頭發和肩膀等冗余區域，因此需要對人臉模型進行必要的預處理（圖2(a)），以減少噪聲干擾，提高識別率。

1.1 鼻尖點的確定及區域切割

為了去除耳朵、頭發和肩膀等冗余區域，準確提取人臉區域，首先需要確定鼻尖點的位置。本文參照文獻[14]的方法根據人臉形狀指數(Shape Index)特征確定鼻尖點候選區域，然后和標準模板人臉進行ICP匹配以確定鼻尖點位置，最后根據該鼻尖點位置切割人臉區域。

人臉形狀指數(shape index)特征由 Dorai和Jain[15]提出，表示三維曲面上每一點鄰域的凹凸程度，并與坐標系獨立。點p的Shape Index值可由它的最大主曲率k1(p)和最小主曲率k2(p)得到：

圖1 人臉識別系統框架

鼻尖在人臉中是一個最突起的區域。首先，根據式(1) 計算點云中每一點的Shape Index值，選取 Shape Index值在一定范圍(0.85～1.00)內的點組成的區域作為初始鼻尖候選區域；然后，選定一個標準模板人臉，并手動定位其鼻尖點；最后，將上述三維人臉模型與標準模板人臉進行ICP對齊，在三維人臉模型的鼻尖點候選區域中選擇與標準模板人臉的鼻尖點相對應的點作為鼻尖點。以鼻尖點為中心，以半徑r=90 mm做球體，球體內包含的人臉區域即為切割的人臉區域。

1.2 三維人臉點云平滑去噪

由于采集設備、環境和目標的影響，原始三維點云會包含一定的噪聲信息。如眼睛、鼻孔等區域的反射率變化會導致三維人臉模型的相應位置出現離群點；使用激光采集時，在眉毛、胡須、遮擋或者嘴巴張開等光線暗淡區域由于無法采集到點云數據會產生人臉點云上的孔洞等。這些噪聲將嚴重影響人臉識別率，因而必須對這些噪聲進行處理，以去除噪聲對識別效果的影響。首先，將人臉區域的三維點云網格化；然后，采用高斯平滑濾波器去除人臉網格上的高頻信息從而消除人臉模型上的尖點；最后，通過對有效鄰域的線性插值達到填補孔洞的效果。三維人臉點云平滑去噪后的效果如圖2(b)所示，平滑之后將人臉恢復成點云格式。

1.3 人臉姿態校正

對平滑去噪后的人臉區域點云進行主元成分分析(PCA)，可得到3個互相垂直的主方向，將最大特征值對應的特征向量作為新坐標系的y軸，最小特征值對應的特征向量作為z軸，建立右手坐標系，該坐標系也被稱為姿勢坐標系(pose coordinate system，PCS)。以鼻尖點作為該坐標系的坐標原點，將切割后的人臉區域點云轉換到 PCS中，得到具有正面姿態的三維人臉數據，校正后的人臉如圖2(c)所示。

圖2 人臉預處理

2 人臉徑向曲線提取及重采樣

三維人臉的曲線特征不僅能夠表征人臉曲面的幾何信息，而且能夠減少三維人臉模型的數據量，提高匹配效率。人臉徑向曲線相比于測地線，等深度曲線等人臉面部曲線具有提取簡單、反映面部凹凸程度顯著等優點，因而本節提取從鼻尖點發射的多條面部徑向曲線作為三維人臉的識別特征。

2.1 三維人臉徑向曲線的提取

在PCS中，記具有正面姿態的三維人臉曲面為S，坐標系YOZ平面的上半平面為p1，以p1切割人臉曲面，如圖3(a)所示。計算人臉點云上每個點到該平面的距離，選擇距離小于閾值δ=0.3的點的集合作為徑向曲線c1。然后將平面p1繞Z軸以α=10°為間隔逆時針旋轉為pi(i = 2 ,3,… ,3 6)，并與三維人臉曲面S相交得到徑向曲線 ci(i = 2 ,3,… ,3 6)。提取的人臉徑向曲線如圖3(b)所示，以徑向曲線的集合近似表征三維人臉曲面 S ≈ ∪ici(i = 1 ,2,… ,3 6)，不僅很好地保留了人臉大部分幾何信息，而且簡化了三維人臉曲面的數據量。

由于人臉點云的分布不均勻，導致提取的徑向曲線 ci(i = 1 ,2,… ,3 6)上的點密集程度不一致，因此需要對其進行重采樣。將徑向曲線近似為切割平面pi上的二維曲線，選擇pi與XOY平面相交的直線作為參考曲線進行重采樣，重采樣過程如圖3(c)所示，圖中藍色曲線為參考曲線，在參考曲線上每隔1 mm采樣一個點。對于參考曲線上的每個點，選擇徑向曲線上與該點在參考曲線方向上的距離dis最近且小于閾值ζ=0.3的點作為徑向曲線的采樣點，這樣就得到一條在參考曲線方向上均勻分布的徑向曲線，同時對徑向曲線上的點根據參考曲線方向進行了排序，并且減少了每條徑向曲線上的點的個數。圖3(d)上方的曲線為原始曲線，下方為重采樣后的曲線。

2.2 徑向曲線有用點的提取

由于遮擋和數據丟失的影響，不是每個采樣參考曲線上的點都有與之對應的采樣點，因而待匹配人臉的相應徑向曲線通常具有不同的點數，為了組成不包含空點的采樣點對，我們剔除徑向曲線上的冗余點，保留有用點用于最后的識別。

對一條采樣參考曲線上的任一點，使用flag標志該點位置是否包含采樣點。重采樣時參考曲線上每隔1 mm的對應位置上若存在采樣點，則參考曲線該點位置處的標志flag設為1，否則設為0。在之后的比對中，如果測試集或庫集中的參考曲線上的一點位置處的標志flag等于0，則剔除這組測試集和庫集的對應采樣點對。這樣就在一定程度上通過選取有用點使得識別時不受遮擋和數據丟失這些因素的影響。

圖3 曲線提取及重采樣

3 三維人臉徑向曲線的分層彈性匹配方法

基于二維形變曲線模型分層描述的分層彈性匹配算法可以捕捉模型的各個層級的幾何形狀信息，因而可用于形變模型的形狀分析、形變模型的相似度匹配等。與傳統的形變模型分析方法相比，該方法由于使用分層形變模型表征，從而具有能夠在彈性匹配算法中考慮全局幾何信息的優勢。

在分層彈性匹配的過程中，引入形狀樹的概念。首先，建立庫集人臉每條曲線的形狀樹；然后，與測試集人臉上對應的曲線進行分層彈性匹配；最后，對所有的相似度進行加權融合得到分層匹配相似度。

3.1 形狀樹建立

本文方法中使用開放并且經過排序的徑向曲線，A表示由一系列采樣點 ( a1,a2,… ,an)組成的曲線，選取A上的一點ai作為中間點，一般取表示ai相對于a1和an的位置，本文為ai相對于a1和an的Bookstein坐標[16]，即將兩個首尾采樣點映射至固定位置從而確定的一個坐標系下的坐標。由于首尾采樣點的位置的確定，只需一個中間采樣點的Bookstein坐標就能很好地表示3個點的相對位置關系。首先將a1映射至(-0.5,0)、an映射至(0.5,0)，則ai相對于a1和an的位置L(ai|a1,an)=(a(1),a(2))，(a(1),a(2))由下列公式求得

選取的中點ai將曲線A分成 A1=(a1,…,ai)和 A2=(ai,…,an)兩部分。曲線A的分層描述具有遞歸性，即曲線A的分層描述由相對位置及 A1和A2的分層描述組成。該分層描述可以用二叉樹進行表征，我們將曲線的二叉樹表征稱為形狀樹表征，如圖4(b)所示。形狀樹的根節點描述曲線A的中間點ai相對于a1和an的位置左子結點描述 A1的中間結點與a1和ai的相對位置，右子結點描述A2的中間結點與ai和an的相對位置。對于子曲線，其中p,q為子曲線C在整個曲線中的首尾端點序號位置，選取中間點為，對應的子結點描述為L(ak|ap, aq)。依次分層描述，直到時停止分層描述，形狀樹建立完畢。

圖4 分層匹配算法原理圖

形狀樹上的每個結點記錄該段曲線的中間點與首尾采樣點的相對位置。左子結點描述首采樣點到中間點的子曲線，右子結點描述從中間點到尾采樣點的子曲線。葉子結點表示采樣點和與它左右相鄰的采樣點的相對位置。容易看出以某一結點為根的子樹表征該段子曲線的形狀樹。

形狀樹的底層結點表示該條曲線上連續三個點的相對位置，這些結點包含局部幾何信息如中間點與相鄰采樣點的相對位置等。靠近形狀樹根結點的結點記錄中間點與距它距離較遠的首尾采樣點之間的相對位置，因而包含更多的全局幾何信息。

以a1和an為首尾采樣點的曲線A，我們可以根據形狀樹表征遞歸重構該曲線。通過將初始點a1和an安放在任意位置，等價于對曲線A進行了一次平移、旋轉和尺度變換。因而分層匹配算法對平移、旋轉和尺度變換具有不變性。

3.2 改進的分層彈性匹配

對兩條開放曲線A和B進行匹配，首先建立曲線A的形狀樹表征，然后在曲線B上尋找與曲線A的對應關系，使得曲線B與曲線A具有最小的形變誤差。下面介紹具體的匹配過程。

對于兩條待匹配曲線 A =(a1,a2,… ,an)和B=(b1 ,b2,…,bm)，設a1對應于b1，an對應于bm。A的形狀樹表征的中點ai將曲線A分成 A1和A2兩部分。將b2, b3,…,bm-1依次作為B的中間點bj，bj將曲線B分成B1和B2兩部分，分別對應 A1和A2。如果該點bj使得 A1和B1的相似度s1，A2和B2的相似度s2及兩條曲線中點的相對位置L(ai|a1,an)和 L (bj|b1,bm)分配權重的相似度s3之和 s = s1+ s2+ s3最小，則該最小的相似度s作為 A和B的最終相似度，子曲線 A1和B1之間的相似度計算按A和B相似度方式計算。整個過程可以看作是一個尋優遞歸的過程，曲線A和B的相似度可以根據下面的尋優遞歸等式進行計算

其中，dif表示A和B的中間點的相對位置誤差，λA為權重因子。

形狀樹的分層特性確保了在匹配過程中很好地考慮整體和局部幾何特性。事實上，對于形狀樹上的不同結點我們使用不同的權重來改變形變量大小。如對形狀樹根部的結點，這些結點對全局幾何信息影響較大，因而給予其較大的權重因子。對于本文人臉識別實驗，可根據曲線的長度來確定權重因子，對于中間點與首尾采樣點相對位置較遠的形變量分配更高的權重因子λA，反之，則更小。

由于本文采用Bookstein坐標表示3個點的相對位置關系，該坐標系上的點被認為相當于morphospace空間[16]上的點，因而本文采用普式距離[17]計算中間點的相對位置誤差，對于Bookstein坐標分別為 ( x1,y1)和 ( w1,z1)的兩點，首先根據式(4)將 ( w1,z1)映射為 ( u1,v1)：

其中

然后計算普式距離為：

下面就φ(A,B)的基本情況即當A或B只有兩個采樣點時進行討論。只有兩個采樣點的曲線相當于一條線段，當兩條線段進行匹配時匹配代價為0，當一條線段與另一條可再分曲線進行匹配時，匹配代價根據可再分曲線的長度確定，可再分曲線長度越長，匹配代價越大，反之匹配代價越小。

使用動態規劃方法求解式(3)，由于使用了遞歸思想，如果依次搜索曲線上的每個點與形狀樹表征的中間點對應并匹配，則計算代價非常大，為此對算法進行了改進。由于人臉曲面相當于一個三維空間中的二維黎曼流形[18]，因而人臉曲面的形變可近似用等距變換來描述，即人臉曲面發生形變時，人臉表面曲線基本沒有拉伸或者收縮，除了嘴部等易發生較大形變的區域，其他區域的形變基本保持在一定的范圍內，為此我們可以在這些形變曲線匹配時縮小中間點的搜索范圍。可選擇在一定范圍內搜索從而既能大大提高時間效率，又不會對識別率產生影響。

受表情的影響，人臉曲面會發生一些形變，比如，大笑的表情就會使得嘴巴部分產生很大形變，而鼓腮的表情則使得臉頰部分產生形變，皺眉和笑的時候就會導致眼睛的形變等，而額頭，鼻子等區域受表情影響較小。需對不同區域的曲線的相似度賦予不同的權重并進行加權融合。對額頭區域加大權重，對嘴巴和眼睛區域減小權重。

這里的權重計算如下式表示：

其中i為徑向曲線的序號，徑向曲線所處的區域均為經驗值。將 36條徑向曲線匹配的結果進行融合，則得出的人臉分層匹配相似度為：

其中iφ為測試人臉第i條徑向曲線與庫集人臉相應的徑向曲線比較所得的分層匹配相似度。通過對不同曲線分配不同權重，很好地克服了表情變化帶來的影響。

3.3 點距信息融合

人臉上提取的徑向曲線近似為二維曲線，因而可以采用分層匹配算法進行匹配，并取得了一定的識別效果，但由于只采用了徑向曲線上采樣點的二維坐標信息，丟失了部分三維空間信息，對識別率產生了一定的影響。為此需結合徑向曲線的特性，對徑向曲線進行有用點提取并建立人臉曲線的點對應關系，利用每個采樣點到鼻尖點的歐式距離進行匹配，有效地彌補了分層匹配算法包含的曲線空間信息不足的缺點，本文將該步驟稱為點距匹配，第4節的實驗證明了該方法的有效性。

由于每條徑向曲線的對應參考曲線上的任意一點位置處都有一個是否包含采樣點的標志flag，在進行特征比較之前，首先得出對應位置處采樣點是否可用的標志pflag：

即測試人臉上的點a和庫集人臉上的點b，這兩個相互對應的采樣點均可用（flag的值都為1）時該對采樣點才能參與比較。這樣，假設每個人臉第i條徑向曲線總共采樣點數為ni時，實際所用到的采樣點并不相同，只有通過式(9)的判斷才能得出，這里有用的采樣點對數記為Ni。設庫集人臉第i條徑向曲線上第j個采樣點與鼻尖點的距離為 dGj，測試人臉第i條徑向曲線上第j個采樣點與鼻尖點的距離為 dPj，則每條徑向曲線的特征相似度定義如下式：

通過式(10)求出36條徑向曲線的相似度，然后根據式(11)求和得到人臉的點距相似度φ，其中iω按式(7)計算。

3.4 相似度計算

對于具有N個人臉模型的庫集，將會分別得到分層匹配相似度向量和點距相似度向量為了融合兩種相似度，分別對兩種向量進行歸一化，即：

4 實 驗

實驗采用FRGC v2.0數據庫，FRGC v2.0數據庫包含466個人的4007幅人臉，每個人含有1～22幅具有不同表情的人臉。本文采用40個人的240幅人臉進行實驗，選取每個人的一張中性人臉共 40幅人臉作為庫集，其余作為測試集，即All vs. Neutral實驗，其中測試集包含帶有微笑、大笑、皺眉、鼓腮、吃驚等表情的非中性人臉，如圖5所示。

圖5 不同表情人臉

4.1 識別實驗

本文在 FRGC v2.0數據庫上進行了一系列的實驗來進行驗證。首先需分別進行分層彈性匹配和點距對應匹配實驗。

提取人臉曲面上的 36條徑向曲線并進行重采樣，在FRGC v2.0數據庫上進行分層彈性匹配識別實驗；然后，對重采樣后的曲線進行有用點提取，進行點距對應匹配識別實驗。兩種實驗的累積匹配特性(cumulative match characteristic,CMC)曲線如圖6所示。

由圖 6可知，分層匹配單獨用于識別時Rank-1識別率為 91.5%，點距對應匹配時的Rank-1識別率為76.5%。分層彈性匹配時包含曲線局部和整體的特征，但由于僅采用了曲線采樣點的二維坐標信息，舍棄了一維坐標信息，因而識別率不是很高。點距對應匹配僅采用了曲線采樣點相對鼻尖點的空間距離，因而識別率較低，但很好地保留了點的空間三維信息，彌補了分層彈性匹配的不足。為了保證更高的識別率，本文在分層彈性匹配中融合點距對應匹配，識別結果如圖6最高曲線所示。

圖6 CMC曲線

4.2 表情魯棒性實驗

我們分別做了兩種實驗來驗證本文方法對表情的魯棒性，首先驗證對不同曲線分配權重的有效性實驗，本文選取所有選定的庫集和測試集人臉進行識別實驗，實驗結果如圖7(a)所示，分配權重后點距匹配、分層匹配和整體匹配識別率分別上升了8%、4%和2.5%，說明對不同曲線分配不同的權重能有效地提高人臉識別率。

將測試集中的人臉分為122幅有表情人臉和78幅無表情人臉分別與庫集進行識別實驗，識別結果如圖7(b)所示，在無表情的情況下，點距匹配、分層匹配和整體匹配識別率分別為79.48%、96.15%和 98.72%，而在有表情的情況下，識別率分別為64.75%、86.89%和93.44%，從結果可知采用本文方法進行整體匹配時識別率僅下降5.28%，遠小于其他兩種方法，說明本文方法對表情變化具有較好的魯棒性。

為了進一步證明本文方法對表情變化的魯棒性，與FRGC數據庫提供的基準算法ICP進行比較。在無表情和有表情的情況下，ICP算法的識別率分別為83.33%和71.31%，識別率下降了12.02%，本文只下降了5.28%，可以看出本文方法比ICP算法具有更好地識別率并且對表情變化具有較好的魯棒性。

以上3種實驗證明本文方法通過對不同曲線分配不同的權重和分層匹配算法包含點距信息的方法，有效地減少了表情變化的影響，說明本文方法對表情的變化具有較好的魯棒性。

圖7 表情魯棒性實驗

4.3 實驗結果分析

表1中列舉了一些在FRGC數據庫上進行實驗的相關三維人臉識別方法。Berretti等[10]根據曲面點到鼻尖的測地距離將人臉劃分為若干個等測地區域，然后根據對應等測地區域上的點之間的位置關系來識別人臉，該方法由于考慮了人臉區域的所有點因而識別率很難提高，同時測地距離計算時間較大，影響人臉識別效率。Mian等[19]首先使用一種三維局部特征和二維局部特征尺度不變變換特征（scale invariant feature transform，SIFT）的聯合描述符組成拒絕分類器，排除庫集中的大部分人臉，然后選取三維人臉的額頭和鼻子區域與剩下的庫集人臉進行 ICP匹配，整個算法較為復雜，且最后用到ICP算法，時間效率較低。Faltemie等[20]提出的識別算法具有較好的識別性能，但識別時間非常長。

表1 算法結果比較

與其他識別方法相比，本文方法提取能夠表征人臉曲面的徑向曲線集，曲線的分層彈性匹配算法很好地利用了曲線的整體和局部幾何信息克服了人臉的形變影響，同時融合了曲線上點到鼻尖點的距離信息，因而具有較高的識別率。

4.4 時間代價分析

在機器配置為 Core(TM) i3-2100 CPU 3.10 GHz，4.0 GB內存上使用C++編程。分層彈性匹配算法采用了遞歸思想，使用動態規劃編程實現。經過中點的搜索范圍縮小改進之后，每條線的匹配時間復雜度為 O (n m3)。

一幅人臉的識別過程包括預處理，曲線提取和識別等過程，其中預處理部分由于原始的人臉模型包含耳朵、頭發和肩膀等冗余區域數據量很大，因而預處理時間較長為2.6 s。曲線的提取占據很少部分時間，說明本文使用的徑向曲線提取簡單、快速和有效。表2列舉了部分三維人臉識別算法完成一幅測試人臉與 FRGC v2.0數據庫上總共466幅庫集人臉一次識別所用的時間。

表2 時間代價分析

Faltemie等[20]提出的識別算法具有較好的識別性能，但識別時間非常長，Al-Osaimi[21]， Alyüz等[22]提出的算法識別性能已有很大提升。從表2中可以看出本文識別算法相比其他算法識別耗時較小，在庫集人臉為466幅時，總耗時為30.7 s，在可接受范圍之內。

5 總結與展望

本文提出了一種基于曲線分層彈性匹配的三維人臉識別方法，該方法首先提取能夠表征人臉曲面的徑向曲線集，然后對徑向曲線進行重采樣和有用點提取，對重采樣后的曲線進行分層彈性匹配，同時結合曲線上的有用點到鼻尖點的距離信息進行人臉識別，實驗結果證明了本文方法的有效性。本文方法有如下特點：

（1）曲線分層彈性匹配算法很好地利用了曲線的整體和局部幾何信息，對形變圖形的匹配具有很好的效果；本文方法對曲線的平移、旋轉和尺度變化具有不變性，很好地克服了人臉的曲面形變；對分層匹配算法的中間點搜索進行優化，大大減少了曲線匹配的時間代價。

（2）對每條徑向曲線根據其受表情影響的嚴重程度給予不同的權重，對處在額頭等剛性區域的曲線給予較大權重，對處在嘴巴區域的曲線給予較低權重，這樣就能夠有效克服表情變化帶來的影響。

（3）通過建立曲線采樣點之間的對應關系，對徑向曲線進行有用點的提取，有效地減少了數據丟失和頭發遮擋等因素對人臉識別效果的影響。

本文算法實現簡單，效果較好，下一步主要將其運用到實際的人臉識別系統中，針對具體的應用環境進行相應的改進。

[1] Blanz V,Vetter T. Face recognition based on fitting a 3D morphable model [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(9): 1063-1074.

[2] Besl P J,McKay H D. A method for registration of 3-D shapes [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1992,14(2): 239-256.

[3] Pan Gang,Wu Zhaohui,Pan Yunhe. Automatic 3D face verification from range data [C]//International Conference on Acoustics,Speech and Signal Processing (ICASSP),2003: 193-196.

[4] Givens G,Beveridge J R,Draper B A,Bolme D. A statistical assessment of subject factors in the PCA recognition of human faces [C]//Proceedings of the 2003 Conference on Computer Vision and Pattern Recognition Workshop,2003: 96-103.

[5] Horn B K. Extended Gaussian image [J]. Proceedings of the IEEE,1984,72(12): 1671-1686.

[6] 徐 俊,達飛鵬. 一種基于局部描述符的三維人臉識別方法[J]. 模式識別與人工智能,2012,25(1):45-53.

[7] Beumier C,Acheroy M. Automatic 3d face authentication [J]. Image and Vision Computing,2000,18(4): 315-321.

[8] Samir C,Srivastava A,Daoudi M. Three-dimensional face recognition using shapes of facial curves [J].IEEE Transactions on Pattern Analysis and Machine Intelligence 2006,28(11): 1858-1863.

[9] Samir C,Srivastava A,Daoudi M,Klassen E. An intrinsic framework for analysis of facial surfaces [J].International journal of Computer Vision,2008,82(1):80-95.

[10] Berretti S,Del Bimbo D,Pala P. 3D Face Recognition using iso-Geodesic Stripes [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(12): 2162-2177.

[11] Gokberk B,Irfanoglu M O,Akarun L. 3D shapebased face representation and feature extraction for face recognition [J]. Image and Vision Computing,2006,24(8): 857-869.

[12] Li Chao,Barreto A,Zhai Jing,Chin C. Exploring face recognition by combining 3D profiles and contours [C]//Proceedings of the IEEE Conference on Southeast Con,2005: 576-579.

[13] Felzenszwalb P F,Schwartz J D. Hierarchical Matching of Deformable Shapes [C]//IEEE Conference on Computer Vision and Pattern Recognition,2007: 1-8.

[14] 李曉莉. 表情變化條件下的三維人臉識別研究[D].南京: 東南大學自動化學院,2010.

[15] Dorai C,Jain A K. A representation scheme for 3D free-form objects [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(10):1115-1130.

[16] Krepela M,Zahradnik D,Sequens J. Possible methods of Norway spruce (Picea abies [L.] Karst.)stem shape description [J]. Journal of Forest Science,2005,51(6): 244-255.

[17] Dryden I L,Mardia K V. Statistical shape analysis [M].John Wiley and Sons,1998.

[18] Bronstein A M,Bronstein M M,Kimmel R.Expression-invariant representation of faces [J].IEEE Transactions on Image Processing,2007,16(1):188-197.

[19] Mian A,Bennamoun M,Owens R. Face recognition using 2D and 3D multimodal local features [C]//International symposium on visual computing,2006:860-870.

[20] FaltemierT C,Bowyer K W,Flynn P J. A region ensemble for 3-d face recognition [J]. IEEE Transactions on Information Forensics and Security,2008,3(1): 62-73.

[21] Al-Osaimi F,Bennamoun M,Mian A. An expression deformation approach to non-rigid 3D face recognition [J]. International Journal of Computer Vision,2009,81(3): 302-316.

[22] Alyüz N,G?kberk B,Akarun L. Regional registration and curvature descriptors for expression resistant 3D face recognition [C]//Proceedings of the IEEE 17th signal processing and communications applications conference,2009: 544-547.