摘 要：经过多年的人脸识别研究，受光照、噪声等条件影响而导致识别率相对较低的二维人脸识别技术已经跟不上时代最前沿的步伐，虽然三维人脸识别技术正在步步发展，但是它却有着较高的复杂性。针对这一问题，根据传统的深度信息定位方法以及LFA局部特征分析方法，提出了一种改进的三维人脸关键特征点定位算法，并在获取完备聚类训练样本的基础上，进一步提出了全局和局部加权融合的特征提取算法。通过在FRGC和BU3DFE两个人脸库中实验数据的对比分析，本文方法在三维人脸的识别效果方面具有更高的鲁棒性。
关键词：特征点定位；多信息融合；局部特征分析；人脸识别
DOI：1015938/jjhust201703004
中图分类号： TP7511
文献标志码： A
文章编号： 1007-2683（2017）03-0019-06
Abstract：After years of face recognition research， due to the effect of illumination， noise and other conditions have led to the recognition rate is relatively low， 2 d face recognition technology has couldn′t keep up with the pace of The Times the forefront， Although 3 d face recognition technology is developing step by step， but it has a higher complexity In order to solve this problem， based on the traditional depth information positioning method and local characteristic analysis methods LFA， puts forward an improved 3 d face key feature points localization algorithm， and on the basis of the trained sample which obtained by complete cluster， further put forward the global and local feature extraction algorithm of weighted fusion Through FRGC and BU3DFE experiment data comparison and analysis of the two face library， the method in terms of 3 d face recognition effect has a higher robustness
Keywords：locate feature points； multiple information fusion； local characteristic analysis； face recognition
图中我们发现测试对象的识别率整体上比较稳定，对于识别率偏低的对象我们应关注分析其原因。通过表中详细数据我们能够明显看到3号和10号人脸识别率最高，4号和9号人脸识别率较低，而其他测试人脸识别效果处于较为理想状态。
针对两个人脸库中随机选取测试对象出现的识别率较低的情况，我们通过具体数据进行分析[20]。其中一个主要原因就是训练样本图像不完备导致，在对二维虚拟图像进行子集划分时，没有完全的包含不同光照、角度的尽可能多的图像，故导致特征提取时特征向量不够完整，从而导致识别率偏低。另外一种可能是由关键特征点定位错误导致，直接影响了识别效果。我们通过对BU3DFE实验中4号和9号分析发现，这两个测试对象表情较为夸张，导致特征点定位错误，使得识别率变低。针对这两个问题，也是我们以后研究中需要关注的。
4 结 语
本文提出了一种基于关键特征点定位算法的多信息融合人脸识别算法，它一方面能够将一些光照、表情、服饰等外界因素排除在外，更好的对关键特征点进行定位，获得一个低维线性子空间生成的二维人脸的聚类训练样本集；另一方面很好的解决了在进行特征提取的过程中存在的非线性问题，将对人脸特征提取后得到的虚拟图像划分成包含聚类信息的子集。然而仍然存在许多问题，虽然充足的训练样本集提高了特征模板的完备性，但是训练样本数目的增加无疑会影响整个算法的性能和效率。而全局和局部加权融合的特征提取，对权重的分配并没有一种自适应的优化方法，故此问题可以作为今后的一个研究方向。
参 考 文 献：
[1] 邹国锋，付桂霞，李海涛，等 多姿态人脸识别综述[J]. 模式识别与人工智能，2016，28（7）：613-625
[2] 侯保卫，杨国胜 人脸检测与识别[J]. 中央民族大学学报（自然科学版），2013（4）：57-62
[3] 刘帅，林克正，孙旭东，等 基于聚类的SIFT人脸检测算法[J]. 哈尔滨理工大学学报，2014（19）：31-35
[4] 龚劬，卢力，廖武忠 基于主成分分析的人脸个体差异识别算法[J]. 计算机工程，2012，38（1）：45
[5] 李昆明 基于局部特征的人脸识别研究与实现[D]. 长沙：湖南大学，2014
[6] 韦杏琼，周永权 求解矩阵特征值和特征向量的PSO算法[J]. 计算机工程，2010（3）：189-191
[7] 苏煜，山世光，陈熙霖等 基于全局和局部特征集成的人脸识别[J]. 软件学报，2010，21（8）：1849-1862
[8] 袁圆 人脸识别的多线性方法及改进[J].科技信息，2013（34）：203
[9] 杨福猛，袁晓斌，相桂芳 基于稀疏表示的快速三维人脸识别方法[J]. 安徽师范大学学报（自然科学版），2014，37（6）：543-548.
[10]周利 基于球面谐波函数模型的人脸识别[D]. 广州：中山大学，2008
[11]詹曙，张芝华，叶长明，等 三维人脸深度图的流形学习LOGMAP识别方法[J].电子测量与仪器学报，2012，26（2）：138-143.
[12]蔡泽民，闫敬文 人脸识别：从二维到三维[J]. 计算机工程与应用，2011，47（11）：155-159
[13]刘涛 基于统计模型的多姿态人脸识别研究[D]. 成都：西南交通大学，2011
[14]林奎成，王雪，谈宇奇 复杂光照下自适应区域增强人脸特征定位[J].仪器仪表学报，2014，35（2）：292-298.
[15]张近，夏凌，李光瑞 基于压缩感知和图像分块的遮挡人脸识别[J]. 西华大学学报（自然科学版），2015（3）：13-16
[16]叶剑华，刘正光.多模态人脸识别融合方法比较研究[J].计算机工程与应用，2009，45（19）：153-156.
[17]朱冰莲，王大为，李明均等.针对表情变化的三维人脸识别系统研究[J].仪器仪表学报，2014，35（2）：299-304.
[18]刘蓉.姿态和表情不变的三维人脸识别研究[D].杭州：浙江大学，2015.
[19]林奎成，王雪，谈宇奇.复杂光照下自适应区域增强人脸特征定位[J].仪器仪表学报，2014，35（2）：292-298.
[20]柴秀娟，山世光，卿來云等.基于3D人脸重建的光照，姿态不变人脸识别[J].软件学报，2006，17（3）：525-534.
（编辑：温泽宇）