论文总字数：26190字

摘 要

由于二维人脸识别易受姿态、光照等方面的影响，且极易被二维照片伪装蒙蔽，因此三维人脸识别具有极大的内在优势与应用前景。本文通过三维点云预处理、三维映射、深度学习三个方面构建完整的三维人脸识别系统。

首先，预处理分为点云切割和去噪两个方面，前者以Shape Index为主要算法检测鼻尖，并以鼻尖为中心来进行人脸切割，后者以基于统计分布的去噪算法分离离群点。

其次，将三维点云映射到二维空间来进行学习，生成四种不同的训练样本。由于样本库容量有限，本文提出采用四种不同的映射方法来扩展二维样本库。第一种是使用gridfit算法将形式z（x，y）的表面拟合到三维点云，生成深度图像；另外两种是将原始点云表面法线的矢量，即法向矢量的方位角和仰角，分别对应生成二维样本图；第四种则考虑将前三个二维样本图进行加权归一，由此合成一张二维样本图像。

最后，实现了基于深度学习人脸识别的整个过程，并对比和分析了所生成样本的训练、识别能力，最终总结给出适用于三维人脸识别的映射方式及算法流程。

关键词：人脸识别，三维点云，点云映射，深度学习

Abstract

Since two-dimensional face recognition is easily affected by posture, lighting and other aspects, and is easily camouflaged by two-dimensional photos, the three-dimensional face recognition has great inherent advantages and application prospects. This paper constructs a complete three-dimensional face recognition system by three-dimensional point cloud preprocessing, three-dimensional mapping, and deep learning.

First, the preprocessing is divided into two aspects: point cloud cutting and denoising. The former uses the Shape Index as the main algorithm to detect the nose tip, and the nose tip as the center for face cutting, while the latter uses the statistical distribution to denoise the denoising algorithm. point.

Second, three-dimensional point clouds are usually mapped to two-dimensional space for learning, generating four different training samples. Because of the limited capacity of the sample library, this paper proposes to use four different mapping methods to extend the two-dimensional sample library. The first is to use the gridfit algorithm to fit the surface of the form z(x,y) to the 3D point cloud to generate a depth image; the other two are the vectors that normalize the surface of the original point cloud, ie the azimuth angles of the normal vectors. The elevation angles correspond to the two-dimensional sample maps respectively. The fourth one considers the weighting and normalization of the first three two-dimensional sample maps to synthesize a two-dimensional sample image.

Finally, the whole process of face recognition based on deep learning is realized, and the training and recognition capabilities of the generated samples are compared and analyzed. Finally, the mapping methods and algorithm flow for 3D face recognition are summarized.

KEY WORDS: Face recognition，3D Point Cloud, Point Cloud Mapping, Deep Learning

目 录

摘 要 I

Abstract II

第一章 绪论 2

1.1 引言 2

1.2 研究背景与目的 2

1.3 研究现状 2

1.3.1 点云去噪 2

1.3.2 点云切割 3

1.3.3 三维人脸识别 3

1.3.4 神经网络 5

1.4 本文主要内容 5

第二章 三维点云 7

2.1 点云介绍 7

2.2 点云切割 7

2.3 点云去噪 9

第三章 卷积神经网络中训练样本的生成 13

3.1 卷积神经网络 13

3.1.1 层级结构 13

3.1.2 局部感知野和权值共享 16

3.1.3 损失函数 17

3.1.4 反向传播 17

3.1.5 VGG网络 18

3.2 本文训练样本的生成 20

3.2.1 深度图 20

3.2.2 基于法向量的深度图 21

3.2.3 加权归一化RGB图 24

3.2.4 Lmdb文件生成 25

第四章 样本训练与结果分析 27

4.1 系统总框架 27

4.2 实验结果与分析 27

4.2.1 深度图训练结果与分析 27

4.2.2 RGB图像训练结果与分析 32

第五章 总结与展望 38

5.1 总结 38

5.2 展望 38

致 谢 39

参考文献 40

绪论

引言

人脸识别，是通过检测人脸面部特征来锁定人物身份的一种识别技术，正迅速成为监控领域（例如边界控制、可疑跟踪、身份认证），安全性（例如系统登录、银行业务、文件加密）以及娱乐（例如人机交互、3D动画、虚拟现实）的选择^[1]。近十年来，随着技术水平的不断进步，三维数据的实时获取愈发便利，为三维人脸识别铺平了道路^[2]。由于二维人脸识别易受光照、姿态、表情等因素的影响，同时与二维数据相比，三维数据中包含了人脸的空间结构信息，是人脸本身的固有信息，对外界的条件变化具有很好的鲁棒性^[3]，因此，三维人脸识别越来越受学术界的青睐。

研究背景与目的

人脸识别研究从1888年开始，由于当时技术水平的限制，并不涉及到自动识别领域，20世纪九十年代开始，人脸识别进入高潮时期。在此期间，不仅诞生了若干代表性人脸识别的算法，还由此应运而生出很多商业化运作的人脸识别系统。而迄今为止，尽管基于二维图像的人脸识别算法在半个多世纪的研究过程中，取得了丰硕的成果，但受光照，姿态和表情变化的影响很大。此外，由于现代化妆技术的发展，面貌会因为妆容的差别发生较为大的改变，所以让基于面部特征的二维人脸识别变得更为困难。

三维人脸的研究始于生物医学成像和计算机动画^[4]。将人脸识别推举到三维情况下下是近几年开始的，主要是由于二维人脸识别在表情、姿态、妆容等方面的局限性，让三维人脸识别有了发展的方向与意义。三维人脸识别主要是以人脸的三维结构信息为特征，这些不会因为妆容、姿态发生太大变化。

剩余内容已隐藏，请支付后下载全文，论文总字数：26190字