人脸识别技术基于3D人脸识别算法

人脸识别算法是模式识别和计算机视觉领域一个重要的研究内容。虽然近年来，人脸识别取得了长足的进步，但是仍受到一些因素的制约，如人脸角度、光照条件和表情的不同变化等。减少这些因素对人脸识别准确率的影响，需要不同的算法研究作为支撑。这里，我们主要研究的是基于不同角度的人脸识别算法。

目前已有很多方法试图解决这一问题。Chan[1]采用了一种局部线性回归（Locally linear Regression）的方法，将非正面人脸转换为虚拟的正面人脸。Berg[2]通过一种叫做“身份保留”（Identity-Preserving）的对齐方法，将不同角度和表情的人脸变化至正面人脸。Hu[3]将一张2D人脸图像重建为3D人脸模型，通过3D模型的变化，生成更多的人脸数据库进行训练，从而提高人脸识别的准确率。Asthana[4]提出了一种3D角度归一化模型，用于改进角度适中的人脸识别率。

这些方法在实验室数据中都取得了一定的成效，但是对于实际情况下光照和角度更为复杂的人脸图片，识别性能却不尽如人意。我们提出了一种更加稳定和准确的基于不同角度的人脸3D重建算法，用于提高各种角度的人脸图片的识别准确率。首先，我们引入了更为鲁棒的人脸关键点算法和角度估计模型，为人脸重建工作提供较好的初始化参数；再次，我们在传统人脸3D重建的基础上，提出了动态提取特征的方法用于提取不同角度下的人脸特征。

算法的预处理和初始化

在建立人脸的3D模型之前，我们首先进行关键点检测和角度估计。

对一张输入图片，在检测出其中的人脸后，我们采用了一种树型模型的关键点检测点算法[5]来检测人脸的关键点信息。我们采用的训练数据为角度和光照较为复杂的人脸图片（多为网络图片），所以我们的关键点检测算法对于这些条件较为复杂的图片，均能取得较为准确的关键点信息。在关键点检测过程之后，我们能够得到人脸的68个关键点的位置信息。

我们通过提取一种分层高斯[6]（HG）的特征，来对不同角度的人脸进行分类。我们同样采用了角度和光照均比实验室复杂的人脸图片作为训练数据，从而训练得到更为鲁棒的角度估计模型。

通过关键点检测和角度估计，我们能够为3D人脸重建提供一个较好的初始化参数模型，避免由于错误的初始化影响后续处理的结果。

将3D人脸的位置信息记为一个向量：

其中 是 个结点中第 个的坐标信息。一个新的3D人脸形状模型可以看作是一个平均形状模型和主成分的线性组合。这样新的形状模型可以表示为：

其中 表示平均形状， 为形状向量的因子系数向量， 为形状信息前 个主成分向量组成的矩阵。

在上一步初始化的过程中，我们得到了 个关键点的2D位置信息，我们根据这些位置信息与平均3D模型的对应关系，来重新构建新的人脸3D模型。定义2D形状向量 ，新的2D形状模型表示为：

其中 为 的 和 轴部分，这里的 与求取3D模型时系数向量 完全相同。通过2D模型与人脸的关键点信息的对应关系，我们可以计算得到系数向量 ，从而推广至3D模型计算公式中。

上述的形状模型重建是基于正面人脸图像，当处理其它角度的人脸时，我们首先将3D形状模型 以估计的人脸角度旋转，然后再映射至 ：

其中 为映射矩阵， 为角度旋转矩阵，这样可以得到新的重建公式：

我们注意到 , , 均为旋转后的向量，而系数向量 保持不变。

在形状模型重建后，我们将2D图像的纹理信息映射至3D模型中，并通过线性插值等方式补全所有结点及结点间的纹理，从而完成纹理信息的重建[3]。这时的3D模型为旋转后的模型，需将它按照相反的角度再旋转至正面视角，从而得到重建后的正面人脸，

华天成人脸识别布控系统，把各处采集到的人脸信息与布控人脸进行比对，能够同时进行多路视频分析比对，在发现目标后迅速提示并将警情推送至客户端，同时在地图上计算出目标人物的活动轨迹与频度。此外，系统还支持单目标多张照片批量导入，多目标批量照片导入等各种导入方式，在降低了技术人员的工作量同时大幅提高了安保人员的工作效率。

网站 ：http://www.pelcoview.com/product/26-cn.html#ad-image-0

联系电话：13163796961 18129813716      

联系人：叶先生 0755-23467369