三维人脸识别新方法：深度数据与几何特征融合

"基于几何特征与深度数据的三维人脸识别是一种人脸识别技术，通过融合3D点云数据的多种特征，提高识别准确性和鲁棒性。该方法由陈立生和王斌斌在厦门大学计算机科学系提出，利用深度信息来提取人脸轮廓线和鼻尖横切轮廓线，并通过曲率分析定位关键点。对于像鼻子这样的刚性面部区域，算法计算了包括曲率、距离、体积和角度在内的13维特征向量。同时，深度图特征采用LBP（局部二值模式）与FisherFace相结合的方法进行提取和识别。实验结果显示，这种方法在3DFACE-XMU和ZJU-3DFED数据库上的识别性能优于PCA和LBP等单一方法。" 这篇摘要介绍了一种创新的三维人脸识别技术，主要关注如何利用深度数据和几何特征提高识别效率。首先，该方法利用深度信息来提取人脸的轮廓特征，包括中央垂直轮廓线和鼻尖横切轮廓线，这些轮廓线有助于定义人脸的基本形状。然后，通过对轮廓线上点的曲率值进行分析，可以定位出人脸的关键点，如眼睛、鼻子和嘴巴的位置。 对于人脸的刚性区域，如鼻子，算法选取了四类不同的几何特征，包括曲率、距离、体积和角度，这些特征能够反映脸部结构的细节和形状差异。曲率特征可以捕捉面部特征的曲度变化，距离特征可以衡量各个部分之间的相对位置，体积特征可能涉及到面部部分的大小，而角度特征则可能与面部方向和倾斜有关。这13维特征向量的组合为每个面部提供了独特的描述符。 同时，为了进一步增强识别能力，深度图特征的提取采用了LBP算子与FisherFace方法的结合。LBP是一种有效的纹理描述符，能有效处理光照变化，而FisherFace是一种降维和特征选择方法，用于在高维空间中找到最具区分性的特征向量。这种结合策略有助于提取更稳定且具有辨别力的深度图像特征。 实验表明，这种方法在3DFACE-XMU和ZJU-3DFED这两个三维人脸识别数据库上相比于传统的PCA（主成分分析）和LBP等单一方法有显著的识别性能提升。这证明了该方法的有效性，并且为三维人脸识别领域提供了一种新的、性能优良的解决方案。