一种基于三维模型投影的人脸识别新方法
三维人脸识别及其关键技术
福
建
电
脑
２０ ０ ７年第 ２期
三维 人脸 识别 及 其关 键 技 术
吴通理 ． 郑建德
（ １大 学 计 算机 科 学 系 福 建 厦 门 ３ １０ ） 厦＇ ３ ６ ０ ５
【 摘
要】 利用三维信 息进行人脸识 别是近年来提 出的很有发展 前景的人脸识别新思路 。本文对三维人脸识 别的优越 ：
性 、 想 方 法 和 存 在 的 困难 进 行 了综 述 ， 对 三 维 人 脸 建 模 、 思 并 人脸 姿 态估 计 和 人 脸 识 别 算 法 这 些 三 维 人 脸 识 别 的 关键 技 术 进
行了讨论。
【 关键词 】 ：三 维人脸识 别 ； 维人脸建模 ； 三 人脸姿 态估计 ； 人脸识 别算法
够更 精 确 地 描 述 人 的 脸部 特征 ．提 取 的 某些 特征 具 有 刚体 变 换 取 ．或 者 用 于 ３ 识 别 的 信 息 往 往 是 不 完 整 的 ， 造 成 了识 别 Ｄ 这 由于 图像 采 集 设 备 的 差 异 ， 不 变性 ． 且不 易受 化 装 和 光 照 的影 响 。 维数 据 的 获 取很 少 受 算 法 本 身 不 可 纠 正 的错 误 。 同 时 ， 并 三
到 光 照 的影 响 ．利 用 三 维 曲 面 的 配 准 算 法 能 很好 地 克 服姿 式 的 成 像 原 理 的 不 同 ． 造 成 数据 上 的差 异 。 也 变 化 ．通 过 三 维 模 型 合 成 的 面 部 动 作 在 一 定 程 度 上 能 克服 表 情 ２ 海 量 存 储 和 计 算 的 困难 ：由于 ３ ） Ｄ识 别 的数 据 容 量 和计 变 化 。 因 此 ．基 于 三 维 信 息 的 人 脸 识 别 是 一 种 较 鲁棒 的识 别途 算 量 十 分 巨 大 。 存 储 和运 算 带 来 困 难， 对 计 算 机 的 硬件 提 出 给 也 径． 能够 比较 有 效 地 克 服基 于 ２ 图像 进 行 识 别 所遇 到 的 一 些 困 了更 高 要 求 。 Ｄ
人脸识别技术的原理与实现方法
人脸识别技术的原理与实现方法人脸识别技术是一种通过计算机对人脸图像进行处理和分析，来实现自动识别和辨认人脸身份的技术。
它广泛应用于安防领域、人脸解锁设备、身份验证、社交媒体过滤和人脸表情分析等方面。
本文将介绍人脸识别技术的原理和实现方法。
一、人脸识别技术的原理1. 人脸采集人脸识别系统首先需要获取人脸图像或视频。
常见的人脸采集方式包括摄像头捕捉、视频录制和图像输入等方式。
采集到的图像经过预处理后，可以用于进一步的特征提取和人脸匹配。
2. 预处理预处理阶段主要包括图像裁剪、图像旋转和图像增强等处理。
图像裁剪是为了将人脸从原始图像中分离出来，消除不必要的背景信息。
图像旋转是为了使人脸图像朝向一致，便于后续处理。
图像增强可以提升图像质量，增强关键信息的可见度。
3. 特征提取特征提取是人脸识别技术的核心环节。
常见的特征提取方法包括局部二值模式（Local Binary Pattern, LBP）、主成分分析（Principal Component Analysis, PCA）和线性判别分析（Linear Discriminant Analysis, LDA）等。
这些方法能够从图像中提取出具有辨别力的特征向量，用于人脸识别的分类和匹配。
4. 人脸匹配人脸匹配是通过计算机算法将输入的人脸特征与数据库中存储的人脸特征进行比对，从而确定人脸的身份。
常用的匹配算法包括欧氏距离、马氏距离和余弦相似度等。
匹配结果可以得出与输入人脸最相似的人脸或身份。
5. 决策阶段决策阶段是根据匹配结果判断人脸识别的最终结果。
当匹配得分超过一定阈值时，判定为认证通过，否则判定为认证失败。
二、人脸识别技术的实现方法1. 基于2D人脸识别方法2D人脸识别方法使用的是人脸图像或视频的信息。
该方法对图像的质量和角度要求较高。
基于2D人脸识别的方法包括基于特征提取的方法和基于神经网络的方法。
其中，基于特征提取的方法一般使用LBP、PCA或LDA等算法提取人脸特征，并进行匹配。
人脸识别技术中的3D建模与匹配技术
人脸识别技术中的3D建模与匹配技术第一章介绍人脸识别技术是一种基于生物特征的身份认证技术，近年来得到了广泛应用。
其中，3D建模与匹配技术作为人脸识别的重要组成部分，具有较高的专业性和准确性。
本章将介绍人脸识别技术的发展背景以及3D建模与匹配技术在其中的地位和作用。
第二章人脸识别技术发展背景从传统的2D人脸识别技术到现在的3D人脸识别技术，人脸识别技术经历了长足的发展。
早期的2D人脸识别技术主要基于图像处理和模式识别方法，受到光照变化、肤色、表情等因素的影响较大。
为了克服这些限制，人们开始将3D建模与匹配技术引入到人脸识别中。
第三章 3D建模技术3D建模技术是人脸识别中的核心技术之一。
通过对人脸进行三维形态的建模，可以获得更多的几何信息，从而提高人脸识别的准确性。
常用的3D建模技术包括基于结构光、立体匹配、双目立体视觉等。
这些技术可以通过获取人脸的深度信息，实现对人脸的准确建模。
第四章 3D建模技术的应用3D建模技术在人脸识别中有着广泛的应用。
首先，它可以用于人脸三维重建，将人脸的二维图像转化为立体的三维模型。
其次，它可以用于增强人脸识别的鲁棒性，通过获取更多的几何信息，提高人脸识别算法对光照变化、角度变化等的适应性。
最后，它还可以用于人脸表情分析和情绪识别，通过对人脸的三维形态变化进行分析，实现对表情和情绪的判断。
第五章 3D匹配技术3D匹配技术是人脸识别中的另一个关键技术。
通过将人脸的三维模型与数据库中的三维模型进行匹配，可以实现对人脸的准确识别。
3D匹配技术主要包括特征描述和匹配算法。
特征描述是将人脸的三维形态进行数学描述，常用的方法包括仿射不变特征（SIFT）、变分贝叶斯、深度学习等。
匹配算法是通过比较两个特征描述之间的相似性，确定人脸的身份。
第六章 3D匹配技术的应用3D匹配技术在人脸识别中起着至关重要的作用。
首先，它可以用于人脸的一对多识别，即将输入的人脸与数据库中的多个人脸进行匹配，找到最相似的人脸。
《2024年基于深度学习的人脸识别方法综述》范文
《基于深度学习的人脸识别方法综述》篇一一、引言随着人工智能技术的飞速发展，人脸识别技术已成为当今社会关注的热点。
作为计算机视觉领域的重要分支，人脸识别技术在安全监控、身份认证、智能交互等多个领域得到了广泛应用。
深度学习技术的出现为人脸识别提供了新的解决方案，使得人脸识别的准确性和效率得到了显著提升。
本文旨在综述基于深度学习的人脸识别方法，分析其原理、技术特点及发展趋势。
二、深度学习在人脸识别中的应用深度学习是一种模拟人脑神经网络结构的机器学习方法，通过构建多层神经网络来提取数据的深层特征。
在人脸识别领域，深度学习主要应用于特征提取和分类识别两个阶段。
1. 特征提取特征提取是人脸识别的关键步骤，其目的是从原始图像中提取出能够表征人脸特征的有效信息。
深度学习通过构建卷积神经网络（CNN）等模型，自动学习从原始图像中提取出高维度的特征表示，这些特征对于人脸识别任务具有较好的鲁棒性和区分性。
2. 分类识别分类识别是利用已提取的特征进行人脸匹配和识别的过程。
深度学习通过构建全连接层、支持向量机（SVM）等模型，对提取的特征进行分类和识别。
在人脸识别任务中，深度学习可以有效地提高识别的准确性和效率。
三、基于深度学习的人脸识别方法基于深度学习的人脸识别方法主要包括基于深度神经网络的人脸识别方法和基于深度学习的三维人脸识别方法。
1. 基于深度神经网络的人脸识别方法该方法通过构建多层神经网络模型，对人脸图像进行特征提取和分类识别。
常见的模型包括卷积神经网络（CNN）、深度置信网络（DBN）等。
这些模型能够自动学习和提取出高维度的特征表示，提高了人脸识别的准确性和鲁棒性。
2. 基于深度学习的三维人脸识别方法该方法利用三维信息来提高人脸识别的准确性和鲁棒性。
通过构建三维模型来获取人脸的立体信息，再结合深度学习技术进行特征提取和分类识别。
这种方法对于姿态变化、表情变化等复杂场景具有较好的适应性和鲁棒性。
四、技术特点及发展趋势基于深度学习的人脸识别方法具有以下技术特点：1. 高效性：深度学习能够自动学习和提取出高维度的特征表示，提高了人脸识别的效率和准确性。
insightface的对齐方法
insightface的对齐方法1.简介I n si gh tF ace是一个开源的人脸识别算法库，其核心目标是实现高效、准确的人脸识别。
人脸识别是计算机视觉中的重要研究方向，涉及到人脸检测、人脸对齐、特征提取等多个子任务。
本文将重点介绍i n si gh tf ac e中的对齐方法。
2.为什么需要人脸对齐在人脸识别任务中，由于人脸在角度、姿态、光照等方面的变化，可能导致人脸图像中的特征点位置不一致。
而不同人脸图像间的差异主要体现在这些特征点的位置上。
因此，为了提高人脸识别的准确性，我们需要对人脸进行对齐操作，将不同人脸图像中的特征点对齐到一个统一的位置上。
3. in sightfac e的对齐方法i n si gh tf ac e中采用了一种称为“3DDe n se Fa ce Al ig nm ent”的对齐方法，该方法结合了3D模型和密集回归网络，能够在对齐过程中对人脸进行三维形变。
具体步骤如下：3.1人脸检测首先，对输入图像进行人脸检测，使用现有的人脸检测算法（如M T CN N、Re ti na Fa ce等）来确定图像中的人脸位置和大小。
3.2特征点定位在进行对齐之前，需要准确地定位人脸图像中的关键特征点，如眼睛、鼻子、嘴巴等。
为了实现这一目标，i nsi g ht fa ce使用了一个预训练的人脸关键点检测模型来获取这些特征点的位置。
3.3形状回归在确定特征点位置后，i ns ig ht fa ce采用了一种密集回归网络来学习人脸的形状变化。
该网络通过输入原始图像和关键特征点的位置，输出人脸的三维形变矩阵。
这个矩阵可以将特征点对齐到一个统一的参考位置上，从而实现人脸的对齐。
3.4对齐结果优化为了进一步提高对齐的准确性，i ns ig htf a ce还引入了形状优化模块。
该模块使用迭代的方式，不断更新形状变换矩阵，直到对齐结果收敛。
4.对齐结果评估为了评估in si gh tfa c e的对齐方法效果，可以使用一些评价指标，如特征点定位误差、对齐后的人脸相似性等。
基于MEGI模型的三维人脸识别方法
２０ ０ ８年 １ ２月
计 算 机 应 用 研 究
Ａｐ ｌ ａｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｕ ｅ ｓ ｐ ｉ ｔ ｓ ａ ｃ ｆＣ ｍｐ ｔ ｒ ｃ ｏ
Ｖｏ ． ５ Ｎｏ １ １２ ． ２
Ｄｅ ． ２ ０ ｃ ０８
基 于 ＭＥ 型 的三维 人 脸 识别 方法 ＧＩ 模
ｒ ｃ ｇ ｉｅ ｔ ｆ ｃ ｔ ｅ ｏ ｎ ｚ ｈｅ３Ｄ ａ ｅ ｗｉｈ ＭＥＧＩｍｏ ｅ ． Ｅｘ ｒｍｅ ｔ ｌｒ ｓ ｌｓ ｓ ｏ ｔ ａ ｈ ｔ ｏ ｒｏｍ ｓｗｅ１ ｄ１ ｐｅ ｉ ｎ ａ ｅ ｕ ｔ ｈ ｗ ｈ ｔｔｅ ｍｅ ｈ ｄ ｐｅｆ ｒ ｌ．
一
较为脆弱 。各种二 维人脸 识别 方法 在 面临姿 态 、 照条 件不 光 同、 表情变化 以及脸部化妆等方面表现出来的脆弱性使 得识别 的准确度和适用场合受 到很 大限制 ， 而这些都是人脸在 自然状
态下 会 随 时表 现 出来 的 。
近些年 ， 国内外 有一批 学者 致力 于解 决这些 问题 。这
刘 晓宁 ， 国华 ， 耿 王小凤 ， 高 原
（ 西北 大学 信 息科 学 与技 术 学院未来人脸识别的方向， 有望解决二 维人脸识别的瓶颈问题 。基 于 Ｍ Ｇ 模型， ＥＩ 扩展 了
球 面相 关性 系数 ， 其 用于三 维人 脸／ ￣ 。 实验 证 明 ， 于 ＭＥ Ｉ 型 的方法 可以用 于三 维人 脸识 别。 将 ｅＪ ，０ 基 Ｇ模
同， 向量 的模长正 比于网格 面的面积 。Ｅ Ｉ Ｇ 记录了面片法向落
息， 甚至还可包括色 彩信息 。利用 三维数据 进行人脸识 别 ， 可
以避免姿态 、 照、 光 表情等因素的影响 ， 有望突破二维人脸识别
人脸识别算法方法
人脸识别算法方法
人脸识别是一种通过计算机算法对人脸进行自动分析和识别的技术。
以下是常见的人脸识别算法方法：
1. 统计模型方法：利用统计学原理对人脸进行建模和识别。
常用的统计模型方法包括主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等。
2. 深度学习方法：利用深度神经网络进行人脸识别，如卷积神经网络（CNN）。
深度学习方法在人脸识别中取得了很大的
突破，具有较高的识别准确率和鲁棒性。
3. 三维人脸识别方法：通过建立人脸的三维模型，利用三维特征进行人脸识别。
三维人脸识别方法能够克服光线、姿态等因素的干扰，具有较高的可靠性。
4. 基于特征点的方法：通过提取人脸的特征点进行比对和识别。
常用的特征点包括眼睛、鼻子、嘴巴等部位，通过比对特征点的位置和形状来实现人脸识别。
5. 基于皮肤颜色的方法：利用人脸的皮肤颜色信息进行分割和识别。
这种方法适用于光照条件较好的情况下，可以提高人脸检测和识别的速度。
以上是一些常见的人脸识别算法方法，不同的方法在不同的应用场景下有不同的适用性和性能表现。
基于几何特征与深度数据的三维人脸识别
基于几何特征与深度数据的三维人脸识别作者：陈立生王斌斌来源：《电脑知识与技术》2013年第08期摘要：提出一种基于三维点云数据多特征融合的人脸识别方法。
利用深度信息提取人脸中分轮廓线和鼻尖横切轮廓线；采用曲率分析的方法定位出人脸关键点，针对鼻子等人脸刚性区域，选取并计算了4类（包括曲率、距离、体积和角度）共13维的特征向量作为三维几何特征。
深度图特征采用结合LBP与Fisherface的方法进行提取与识别。
在3DFACE-XMU和ZJU-3DFED数据库上比较了该方法与PCA、LBP等单一方法的识别性能，识别效果有比较明显的提升。
关键词：三维人脸识别；几何特征；深度图像；LBP算子；FisherFace中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）08-1864-051 概述基于二维图像的人脸识别算法经过半个多世纪的发展，已经取得了一定的研究成果。
随着LBP[1]和Gabor[2]等算子的引入，以及子空间方法在人脸识别上的应用，人脸识别进入高速发展的时期。
然而研究表明[3]，受限于所采用的数据形式，二维人脸识别方法不可避免的受到环境（如光照，背景等）和人脸本身（如姿态，表情等）等因素的影响。
因此本课题组赖海滨[4]、刘丹华[5]通过双目立体视觉技术获得了具有良好表征能力的人脸三维点云数据。
该文在此基础上研究了基于点云的三维人脸识别技术。
分别研究了基于几何特征以及基于深度图的三维人脸识别。
该文计算几何特征主要选取人脸的中分轮廓线、鼻尖横切轮廓线作为研究对象。
人脸的中分轮廓线上包括了前额、鼻子、嘴巴和下巴的缩影，呈现出了人脸中最突出的各个器官的轮廓。
鼻尖横切轮廓线上包含了鼻翼点和鼻尖点的信息，能够有效地表达鼻子宽度、鼻尖鼻翼所成角度等信息。
该文在人脸中分轮廓线和鼻尖横切轮廓线上定位了十三个特征点并根据这些特征点之间的关系计算出几何特征。
该文采用LBP算子提取人脸深度图的纹理特征。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一
种 基 于 三维 模 型 投 影 的人 脸 识 别 新 方 法
赵 明华 １ ，游 志胜 ，刘直芳 ，赵永 刚 ， ２
（ ．四 川 大 学 图像 图形 研 究 所 ， 四川 成都 ６ ０ ６ ｌ １ １ ０４
２ 西安理 工大学 计算机科学与工程学院 ，陕西 西安 ７ ０ ４ ； ． １０ ８
ａｅ ｒ ｅｔ ｉ ｅ ｎ ｉ ｃ ｏ ｓ ｎ ｅ ｒ ｓ ｆ Ｄ ｆｃ ｇｓ ｒ ｂａ ｅ ． ｈ ｒ ｅｔ Ｄ ｒｓｌ ｅ ｓｄａ ｒ ｏ ｃｅ ｔ ｄｆ ｒ ｔ ｒ ｔ ｎ ｄｔ ｎａｓｉ ｅｍａｅ ｅ ｔｉ ｄ Ｔ ｅ ｏ ｃ ｄ２ ｕｔａ ｅ ｓ ｐ ｊ ｄＯ ｅ ｄｅｉ ａ ｈ ｅｅ ｏ ２ ａ ｉ ａ ｏ ｎ ｐｊ ｅ ｅ ｓ ｕ ｒ
维普资讯
第３ ４卷第 １ ２期
２０ 年 １ ０７ ２月
光 电工 程
Ｏｐ ｏ Ｅｌ ｃｒ ｎ ｃＥｎ ｉ ｅ ｒ ｇ ｔ － ｅ ｔｏ ｉ ｇ ｎ ｅ ｉ ｎ
Ｖｏ１３ Ｎｏ １ ．４， ． ２
Ｄ ｅ ， ００ ｃ２ ７
文 章编 号 ：１０ — ０ Ｘ（０ ７１ — ０ ７ ０ ０ ３ ５ １ ２ ０ ）２ ０ ７ — ５
ｕｅ ｓｆ ｎ ｇ ｓ ｓｅ ｌ ｅ ｉ ｅｌ ｇｗ ｔ ｆｃ ｇｓ ｉ ｏｅｖｒ ｔ ｎ ． ｓｓｕｔｒ ｔｍａ ｅ ｍｐａ ｓ ｌ ｄａｉ ｉ ｅ ｍａｅ ｔ ｐ ｓ ａｉ ｉ ｓ ｊ ｏ ｉ ａｔ ｔ ｗｈ ｅ ｎ ｈ ａ ｉ ｗｈ ａｏ Ｋｅ ｏ ｄ ：３ ｆｃ ｃｇ ｉｏ； ｏｅ ａ ａｉ ； ｒｊｃｉｎ ２５ ａ； Ｄ ｍｏ ｅ ｙｗ ｒ ｓ Ｄ ｅ ｅｏ ｔ ｎ ｐ ｓ ｒ ｔ ｎ ｐｏｅｔ ； ． Ｓｎ ３ ｄ ｌ ａ ｒ ｎ ｉ ｖｉ ｏ ｏ Ｄ Ｃ
ｔｍ ｐ ａｅ Ｏ ｍａｃ ｅ ｉ ｐ ｔｆ ｃ ｍａ ｅ ｔ ｉ ｅ ｅ ｔｐ ｓ ｓ Ｔｈ ｔ ｏ ｉｈ ｃ ｎ ｔｕ ｔ Ｄ ａ ｅｍｏ ｅ ｔ ．Ｄ ｅ ｌｔ ｓ ｔ ｔｈ ｔ ｎ ｕ ａ ｅ ｉ ｇ ｓｗｉ ｄ ｆ ｒｎ ｏ ｅ ． ｅ ｍｅ ｈ ｄ ｗｈ ｃ ｏ ｓ ｃ ｓ３ ｆ ｃ ｄ ｌ ｈ ２ ５ ｈ ｈ ｒ ｗｉ ｓ ａ ｓａ ｑ ｉ ｄ ｂ ｉｏ ｔ ｉ ｉ １ ｓ ｔ ｄ ｅ ｎ Ｄ ｃ ａ ａ ａ ｅｃ ｎ ａｎ ｎ ０ ｐ ｒ ｏ ｓｉ ｂ ｉ ， ｘ ｅ ｍ ｅ ｔ ｌ ｅ ｕ ｔ ｃ ｎ ｃ ｕ ｒ ｙＭ ｎ ｌ ｖ ｖ ｄ ９ ０ ｉ ｓｕ ｉ ｄａ ｄ ａ３ ｆ ｅ ｄ ｔ ｂ ｓ ｏ ｔ ｉ ｉ ｇ １ ｅ ｓ ｎ ｕ ｌ Ｅ ｐ ｒ ｅ ａ ａ ｓ ｔ ｉ ｎａ ｓ ｌｓ ｒ ｓ ｏ ｔ ａ ｅ ｐ ｏ ｏ ｅ ｌ ｏ ｉ ｓｆ ｓｅ ａ Ｄ ｅ ｏ ｍ ａ ｌ ｏ ｅ ｔ ｏ ｄ ｉ ｒ ｆ ｃｅ ｔｔａ ｅｍ ｅ ｏ ａ ｈ ｗ ｔ ｒ ｐ ｓ ｄ ａ ｇ ｒ ｈ ｉ ａ ｔ ｒ ｈ ｎ ３ ｄ ｆ ｒ ｂ ｅｍ ｄ ｌｍｅ ｄ ａ ｓｍｏ ｅ ｅ ｈ ｔ ｈ ｔ ｍ ｔ ｈ ｎ ｉ ｉｎ ｎ ｔ ｔ ｄ ｔ ｔ ｈ ｈ ｈ ｈ
３ 西安石油大学 油气资源学院 ，陕西 西安 ７ ０ ６ ． １０ ５）
摘要： 究 了使用三 维人脸模型进行 不同姿势 下的人脸 识问题 ， 出了一种三 维建模二 维识 别的人脸识别算法 ， 研 提
首先使 用该方法将三 维模 型向不同方向投影 ，进 而将 不同姿 势的二维图像 与不同方向的投 影结果相 匹配，进行人
Ｎｏ ｅ ｆｃ ｅｏ ｎｔ ｎｍｅｈ ｄｂ ｓｄｏ Ｄ ｍｏ ｅ ｐ ｏ ｔ ｎ ｖ ｌａ ｅｒｃ ｇ ｉ ｏ ｔｏ ａｅ ｎ３ ｄ ｌ ｒｊｅｉ ｉ ｅ ｏ
ＺＨＡＯ ｉ － Ｍ ｎｇ ｈｕａ ， ， ＹＯＵ － Ｚｈｉｓ ｎｇ ， ＬＩ Ｚｈ ．ａｎ ， ＺＨＡｏ － ｈｅ Ｕ ｉｆ ｇ Ｙｏｎ － ａｎ ３ ｇ ｇ ｇ
３Ｘｉ ｎ ｈ ｏ ｎｖｒｉ ， ’ｎ １０ ５ Ｃ ｉ 、 ’ ｉ ｕＵ ｉｅｓ Ｘｉ ０６ ， ｈｎ ａＳｙ ｙ ｔ ａ７ ａ）
Ａｂ ｔ ａ ｔ ｓｒ ｃ ：Ａ ｅ ａｇ ｒｔｍ ｈ ｔ ｏ ｎ ｗ ｌ ｏ ｈ ｔ ａ ｍｂ ｎ ｓ３ ｆ ｃ ｏ ｅ ｏ ｓ ｕ ｔ ｎ ｗｉ Ｄ ｅ ｏ ｎ ｔ ｎ ｉ ｒ ｐ ｓ ｄ ３ ｆ ｃ ｄ ｌ ｉ ｃ ｉ ｅ Ｄ ａ ｅｍ ｄ ｌ ｎ ｔ ｃ ｉ ｔ ２ ｒ ｃ ｇ ｉ ｏ ｓｐ ｏ ｏ ｅ ． Ｄ ａ ｅｍｏ ｅ ｓ ｃ ｒ ｏ ｈ ｉ
（ ．ｎｔｕｅ ｌ ａ ｅ＆Ｇｒ ｈｃＳｃｕ ｎＵ ｉ ｒｉ ， ｈｎ ｄ １０ ， ｈｎ ； １Ｉｓｉ ｔ ｏ ｍ ｇ ｔ ｆ ａ ｉ ｉｈ ａ ｎｖ ｓｙ Ｃ ｅｇ ｕ ０ ６ Ｃ ｉ ｐ ， ｅ ｔ ６ ４ ａ ２Ｓ ｈ ｏ ｏ ｐ ｔ ｉｎｅ ｎ ｎ ｉｅｒ ｇ Ｘ ｎＵ ｉ ｒｉ Ｔｃ ｎ ｌ ｙ Ｘ ｎ７ ０ ４ ， ｈｎ ； ． ｃ ｏ ｌｆＣ ｍ ｕｅ Ｓ ｅｃ ｄＥ ｇｎ ｅｉ ， ｛ ｎｖ ｓ ｏ ｅｈ ｏｏ ， ｉ １０ ８ Ｃ ｉａ ｏ ｒｃ ａ ｎ ｎ ｅ ｔｆ ｙ ｇ ｎ
脸 识别。研 究 了使用 Ｍｉｏ ａＶｖｄ９ ０进行数据 获取 ，创 建三维模 型的方法和过程。实验 结果表 明，在 进行 不同 ｎ ｌ ｉｉ １ ｔ 姿 势的人脸 识别时，该方法的识 别速度快 于三 维可变形模 型方法，识别率远优 于使用 二维正面图像作 为模板 的人
脸 识别方法。
关键 词：三 维人脸识 别；姿势 变化 ；投影；２５维扫描；三维模型 ． 中图分类号 ：Ｔ ３ １ １ Ｐ９． ４ 文献标 志码 ：Ａ