所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

真实感三维人脸建模:全面的描述

Sushma贾斯瓦尔1辛格Sarita Bhadauria博士2辛格Dr.Rakesh米伦3
  1. 讲师,sos在计算机科学中,Pt.Ravishankar舒克拉大学sujeet kumar (C.G.)
  2. 教授和头部,Electornics工程系Madhav理工学院和科学,瓜廖尔(议员)
  3. &教授,计算机应用部门Madhav理工学院和科学,瓜廖尔(议员)
相关文章Pubmed,谷歌学者

访问更多的相关文章全球研究计算机科学杂志》上

文摘

提供一个全面的调查,我们不仅分类现有建模技术也呈现详细描述每个类别内代表性的方法。此外,相关的话题,例如生物识别模式,系统评价,光照和姿态变化的问题。3 d模型的更多信息,如表面信息,可用于人脸识别或歧视。本文给出了基于调查的真实感三维人脸建模技术或方法,即本文的第一步模型面临重建为基础,其次真实感三维人脸模型的方法分为三个部分整体匹配方法、基于特征(结构)匹配方法、混合方法第三其他方法又分为三个部分基于2 d类,基于3 d类和基于2 d + 3 d类进行了讨论。有两个潜在的动机我们写这篇论文的调查:第一个目标是提供一个最新的现有文献的回顾,第二是提供一些见解研究机器识别的面孔

关键字

生物识别模式,真实感三维人脸模型,引导算法,morphable模型,基于三维形状的方法。

介绍

可靠的个人识别技术起到至关重要的作用在我们的日常社会活动。在访问控制,应该允许授权用户入口与高精度而未经授权的用户应该被拒绝。在福利支出,人们不但要检查一个人的身份是否他/她声称自己是谁,但也要避免出现一个人自称是另一个人接受福利的好处(双浸)的两倍。
传统上,有两个类别的个人识别方法,基于符号和知识(米勒,1994)。在基于符号的方法中,一个人的身份验证他们。任何人都拥有一定的物理对象(令牌),例如,钥匙或身份证、授权接收相关的服务。以知识为基础的方法验证的身份按照他们所知道的一个人。任何个人与特定的秘密知识,例如密码和问题的答案,将获得相关的服务。基于符号和以知识为基础的方法,然而,有一些固有的局限性。基于符号的方法,“令牌”可能是被盗或者丢失。在以知识为基础的方法,“秘密知识”可以猜到了,忘记,或共享。生物特征识别是一个新兴的个人识别技术来克服固有的局限性,传统的个人识别方法中,Bolle Jain, & Pankanti, 1999;张,2000、2002 & 2004; Wayman, 2005; Bolle, 2004). The term biometrics, which comes from the Greek words bios (life) and metrikos (measure), refers to a number of technologies to authenticate persons using their physical traits such as fingerprints, iris, retina, speech, face and palm print or behavior traits such as gait, handwritten signature and keystrokes. In other words, biometric recognition recognizes the identity of an individual according to who He/she is. Compared with the token-based and the knowledge-based methods, biometric identifiers cannot be easily forged, shared, forgotten, or lost, and thus can provide better security, higher efficiency, and increased user convenience.
生物特征识别奠定了基础广泛的阵列的高度安全的身份验证和可靠的个人验证(或标识)解决方案。第一个商业生物系统、Identimat是在1970年代开发的,作为一个员工的一部分时间在希尔森哈米尔,华尔街投资公司(米勒,1994)。它测量的形状的手,手指的长度。同时,fingerprint-based自动个人身份验证系统是广泛应用于执法由美国联邦调查局和美国政府部门。随后,硬件的进步更快的处理能力和更大的内存容量等生物识别技术更加可行和有效的。自1990年代以来,虹膜,视网膜的脸,声音,棕榈打印、签名和DNA技术加入生物家族(Jain et al ., 1999;张,2000)。
随着对可靠的安全系统和自动解决方案的需求,生物特征识别变得越来越广泛部署在很多商业,政府,和法医的应用程序。911年恐怖袭击后,biometrics-based安全解决方案和应用程序的兴趣急剧增加,尤其是在需要识别个人的人群。一些航空公司飞机的控制室实现虹膜识别技术,以防止任何未经授权的人员进入。2004年,澳大利亚国际机场实施护照使用面部识别技术对航空公司的工作人员,这将最终成为所有澳大利亚护照持有人(Jain et al ., 1999)。一些国家的政府正在使用或即将使用生物识别技术。美国INSPASS移民卡和香港身份证,例如,可靠,方便个人存储生物特征认证。
一般来说,任何情况下,允许人类和机器之间的交互能够将生物识别技术。这种情况下可能会陷入一系列的应用领域。目前使用生物识别技术等领域的计算机桌面,网络银行、移民、执法、电信网络和监控的时间和参加人员。各国政府使用和发展生物识别技术极大的参与。国家认同方案,投票登记和福利津贴项目涉及数以百万计的人的管理,迅速将生物识别解决方案。欺诈是一个还和安全问题在许多各行各业正成为一种必需品。生物识别应用程序可以简单地分类如下(2000张):
执法
执法社区可能是生物识别技术的最大用户。警察部队在世界各地使用自动指纹识别系统(AFIS)技术来处理犯罪嫌疑人,匹配的手指图像和处理指责的人。许多生物识别厂商在这一领域获得重要的收入,主要用AFIS和palm-based技术。
银行
银行一直在评估一系列生物技术多年。自动柜员机(atm)和事务的时候特别容易受到欺诈和销售可以通过生物识别技术是安全的。其他新兴市场如电话银行和网上银行也必须完全安全的银行客户和银行家。各种生物识别技术正在努力证明自己在这一系列多样化的市场机会。
计算机系统(也称为逻辑访问控制)-
生物技术被证明是比保障计算机网络的能力。这个市场领域有惊人的潜力,特别是在生物行业可以迁移到大规模的互联网应用。银行数据、商业智能、信用卡号、医疗信息和其他个人资料成为攻击的目标,生物识别供应商正在迅速升级的机会。
物理访问
学校、核电站、军事设施、主题公园、医院、办公室和超市,在全球范围内使用生物识别技术来减少安全威胁。作为父母的安全变得越来越重要,雇主、政府和其他组织——生物识别技术将被视为一个更容易接受,因此必要的工具。潜在的应用程序是无限的。汽车IGI全球,分布在打印或电子形式没有书面许可IGI全球是被禁止的。例如,普通公民的避难所,受到威胁的盗窃。生物识别技术——如果适当的定价和销售可以提供完美的安全解决方案。
福利制度
福利制度像福利特别是需要生物识别技术与欺诈斗争。生物识别技术是将利用这非凡的市场机会和供应商建立在强大的关系目前享受的福利社会。
移民
恐怖主义、毒品,非法移民和吞吐量的增加合法的旅行者正在世界各地移民当局的压力。至关重要的是,这些权限可以快速并自动守法由旅行者和识别过程。生物技术被使用在许多不同的应用程序使这一切成为可能。美国移民归化局的主要用户和评估者的最先进的生物识别系统。系统目前在我们自动化合法的旅行者和阻止非法移民的流动。其他生物识别技术捕捉想象力的国家如澳大利亚、百慕大、德国、马来西亚和台湾。
国家认同
生物识别技术开始帮助政府人口增长记录,识别公民和防止欺诈的发生在地方和国家的选举。这常常涉及到储存卡上的生物特征模板,作为国家身份证件。手指扫描尤其强烈,方案已经在牙买加、黎巴嫩、菲律宾和南非。
电话系统
全球通信真正打开了在过去的十年中,虽然电话公司受到欺诈。再一次,生物识别技术正在呼吁抵御这种攻击。演讲者ID显然是适合电话环境和打入这些市场。
时间、考勤、监控:记录和监控员工的运动当他们上班,休息,离开一天是传统上由工作时间机器。取代手动过程的生物识别技术,阻止任何弊端与时间管理软件系统,可以合并生产管理会计和人事报告。
生物特征识别技术/方法
生物识别系统可以被视为一种模式识别系统,功能集是第一个从收购中提取数据,然后进行比较与存储模板将决定一个人的身份。生物识别系统可以在两种模式,生物识别验证和生物识别。在生物识别验证模式下,决定一个人是否“他/她自称是谁吗?“在生物识别模式下,决定是“这是谁的生物特征数据?“因此生物识别系统可以正式为两舱或多模式识别系统。
一般的行为学和生理学之间的区别是生物特征。生理特征通常是由基因决定的(如脸或静脉模式),在某些情况下(指纹,虹膜)他们也受到extra-genetic或环境因素的影响,在理论上可以用来区分同卵双胞胎(相同的基因组)。行为模式也受到人类基因组,但他们的出现可以改变故意。捕获的过程行为模式是一个活动的测量。因此这些模式被称为积极的形式。
生物识别系统通常包括四大模块:数据采集、特征提取、匹配和系统数据库(Jain, Ross &角色,2004)。在数据采集模块,个人的生物特征数据是使用一个捕捉传感器获得。在特征提取模块,获得数据处理提取一组区别的特征。匹配模块,功能与存储的模板将决定一个人的身份。在系统数据库模块、数据库建立和维护存储注册用户的生物特征模板。特征提取和匹配是最具挑战性的问题在生物特征识别的研究中,和吸引了研究人员来自不同背景:生物识别技术,计算机视觉,模式识别、信号处理、神经网络。
传感器技术的进步和日益多元化需求的生物识别系统持久进步事业发展小说采集传感器和新颖的生物识别技术。在1980年代之前,离线“ink-technique”是占主导地位的方法获取指纹图像。如今,许多在线live-scan指纹传感器,如光学、固态,和超声波,为指纹采集而设计的。
尽管共同生物识别技术的研究问题引起了极大关注,并被广泛的研究在过去的25年里,仍有一些局限性品种现有的应用程序。例如,有些人他们的指纹损坏由于努力工作与他们的手,有些人天生不清楚指纹。Face-based和语音识别系统更准确和更容易使用模拟攻击。努力针对改进当前的个人识别方法将会继续,同时新的生物识别技术正在接受调查。目前,主要的生物识别技术涉及的脸,指纹,虹膜,棕榈打印签名,和语音识别以及multi-biometric识别技术(张,2002年)。下面简要介绍这些生物特征:
指纹
因为山脊和山谷的模式在一个人的指尖是独一无二的个体,指纹可用于个人身份验证。几十年来,执法已经被匹配要点分类和确定身份的山脊末梢和分岔。指纹是独一无二的,即使是同卵双胞胎通常不会有相同的指纹。
虹膜
虹膜的图案,彩色区域周围的学生,被认为是独一无二的。虹膜模式可以通过视频图像采集系统。虹膜扫描设备被用于个人身份验证应用程序。已经证明iris-based生物识别系统可以处理个人不考虑种族或国籍。
手掌印
手掌,手掌的内表面,有几种独特的识别特性准确、可靠的个人识别。像指纹、手掌打印有永久的区别的特性包括模式的山脊和山谷,在高分辨率细节,甚至毛孔(> 1000 dpi)图像。除了这些准指纹特征,手掌印也是有其他特殊的特色包括主要纹和皱纹。使用一个高分辨率捕获装置,可以提取各种棕榈打印特性来构建一个高精确的生物系统。在早期阶段,棕榈打印识别技术研究了提取和匹配的奇异点和细节点棕榈打印高分辨率图像。高分辨率棕榈打印扫描仪,然而,是昂贵的,并且耗费时间来捕获一个手掌印图像,这限制了在线棕榈打印识别系统的潜在应用。随后,在线实时捕获设备收集了低分辨率棕榈打印图像和低分辨率的手掌印识别最近逐渐收到了相当大的兴趣生物共同体(张,香港,你,和黄,2003;Jain et al ., 2004;张,2004)。
的脸
人类专家在识别面孔。这种故意的自动化过程并不容易,但在二维人脸识别研究是复杂的。这种形态有一个非常高的用户接受,因为它经常就业。经过30年的研究,2 d效果很好[64]。
然而,有一些问题很难应付只考虑“平”面孔的图像。三维深度信息的照明条件和姿势变化可以处理更精确。这种类型的面部识别是一个不断发展的领域,还没有研究。3 d模型的另一个优点是,它们比2 d图像难以复制。几个二维人脸识别系统可以被简单地拿着照片的捕获设备。最近系统包括活性检测机制来防止这种攻击——可能是两个摄像机系统解决方案,是傻瓜。
签名
签名认证涉及的动态分析签名来验证一个人的身份。signaturebased系统将测量速度、压力和角度时使用的人产生一个签名。这项技术有可能应用于电子商务,可以接受的方法签名的个人身份验证。
演讲
基于语音的个人身份验证,大约四十年的历史,被认为是一种非侵入性的生物识别技术。演讲身份验证使用语音的声学特征,发现了个体之间的不同。这些声学模式反映了解剖(例如,喉咙和嘴巴的大小和形状)和行为模式(例如,音高,说话方式)的一个独立的个体。学习模式的合并到语音模板(后者称为“声纹”)使说话人识别被认为是一个“行为生物”。基于语音的个人身份验证系统采用三种风格的口语输入:text-dependent, textprompted text-independent。大多数演讲身份验证应用程序使用text-dependent输入,包括选择和注册一个或多个声音密码。Text-prompted输入使用每当有冒名顶替者的关注。
视网膜
血管模式内在的眼睛作为参考。这个特性很稳定,不会改变。可见光传感器是昂贵的和必须使用可能惹恼用户。视网膜图像在医学领域用于诊断疾病,因此被认为是为数不多的生物形态的敏感信息。
步态
步态,特有的方式一走,是一个复杂的时空的生物特征。注意,步态是一个行为特性,不得在很长一段时间保持不变,由于一些因素,如体重的变化。人们普遍认为不同步态生物识别系统可用于一些轻罪的应用程序。步态身份验证也不是侵入和步态的收购获得面部图像相似。通常不同步态生物识别系统分析视频序列获取步态特征和一般计算昂贵。
手和手指几何
系统可以测量的几何特征的手或手指来执行个人身份验证。这些特征包括长度,宽度,厚度和面积的手。只需要一个小生物样品的几个字节是一个有趣的特征的生物识别技术。生物识别系统基础上的手和手指几何被用于物理访问控制在商业和住宅应用程序中,在时间和考勤系统。
DNA
特征提取是非常昂贵的,需要很长时间(数天),但它被称为终极生物特征。脱氧核糖核酸可以在每个生物体的每一个细胞,同卵双胞胎的缺点是平等。尽管99.5%的人类基因组之间的重叠个人仍有足够的信息进行准确识别。等位基因是替代形式的DNA,可以用于特征提取。
DNA可以滥用获得其他信息(如医疗条件、种族或父权可以提取),因此是至关重要的隐私。
耳朵
有证据表明,耳朵的形状和在耳廓软骨组织的结构是独特的。结果,ear-based生物识别系统可用于个人身份验证。这个不寻常的形态也可以用于识别。采用温谱图,而不是正常的图片提高系统性能,因为发型没有影响。耳朵形状模型往往结合人脸识别来提高整体性能。人类的身体提供更多的属性被捕获和比较。举几例:气味,汗毛孔,静脉模式,嘴唇运动或皮肤反射。使用综合biometrics7可以提高系统的性能。
气味
每个对象,包括人,传播气味的特征化学成分。这可能是用于区分不同对象。这将是完成了一系列的化学传感器,每个敏感某个组的化合物。然而,除臭剂和香水可以妥协的特殊性。
MULTI-BIOMETRICS
从应用程序的角度来看,用户身份验证解决方案的广泛部署需要支持一个企业的异构环境。通常,这需要多方面的安全方法,部署安全解决方案相结合。身份验证解决方案应该无缝地扩展组织的现有安全技术。我们现在感兴趣了解如何构建multi-biometric识别系统和可能的改进这些组合可以产生什么。目前有几个真正综合数据库用于测试multi-biometric识别算法。最重要的资源可能会延长M2VTS数据库可用,这是与特定洛桑协议相关测量的性能验证任务。这个数据库包含视听材料从295受试者(Poh & Bengio, 2006)。促进multi-biometric研究,NIST提出了一个开放资源的生物成绩设置版本1 (BSSR1),其中包括真实multimodel匹配分数产生的脸和指纹识别算法(Grother & Tabassi, 2004)。
主要问题在生物特征识别中
加强生物识别系统的识别性能,本节显示两个先进的生物识别技术,生物识别数据歧视和multi-biometric技术。在生物特征数据歧视,我们首先介绍基本的生物特征数据歧视,然后建议使用一个家庭的张量判别分析处理多样性形式的生物特征数据。在multi-biometrics,我们介绍三种融合策略提高生物识别系统的性能和可靠性。除了识别性能,安全和隐私问题也应该考虑的。在terms of security, There are many attacks, such as overplay, database and brute-force attacks, on biometric applications. In terms of privacy, biometric traits may carry additional sensitive personal information. For example, genetic disorders might be inferred from the DNA data used for personal
生物特征数据歧视
Generally, biometric data mainly exists in the following three forms: 1D waveform (e.g. voice, signature data), 2D images (e.g. face images, fingerprints, palm prints, or image sequences, i.e., video), and 3D geometric data (such as 3-D facial or hand geometric shapes). Since the diversity in biometric data and feature forms, it is hardly difficult to develop a universal recognition technology which is capable to process all kinds of biometric data. Fortunately, recent progress in discriminant analysis sheds some light on the possibility on this problem. Discriminant analysis, with the goal of dimensionality reduction and of retaining the statistical separation property between distinct classes, is a natural choice for biometric recognition. With the development of biometrics and its applications, many classical discriminant analysis technologies have been borrowed and applied to deal with biometric data. Among them, principal component analysis (PCA, or K-L transform) and Fisher linear discriminant analysis (LDA) have been very successful, in particular for face image recognition. These methods have themselves been greatly improved with respect to specific biometric data analyses and applications. Recently, nonlinear projection analysis technology represented by kernel principal component analysis (KPCA) and kernel Fisher discriminant (KFD) has also shown great potential for dealing with biometric recognition problems. In summary, discrimination technologies play an important role in the implementation of biometric systems. They provide methodologies for automated personal identification or verification. In turn, the applications in biometrics also facilitate the development of discrimination methodologies and technologies, making discrimination algorithms more suitable for image feature extraction and recognition.
目前判别分析已被广泛应用于脸,耳朵,指纹,步态识别,甚至综合生物识别技术。此外,可靠和方便的生物识别系统的需求增加也导致的开发和改进线性/非线性判别分析技术。
张量是一个高阶向量或矩阵的泛化。事实上,一个向量是一个一阶张量的矩阵是一个张量两种。另外来说,张量在一组向量空间的多重线性映射。如果我们有三个或更多维度中的数据,然后我们要处理一个高阶张量。张量提出了一种广义生物特征数据的表示。处理多样性生物特征数据形式,家庭的张量判别分析技术进行了研究。如今,张量主compoenent分析,张量判别分析,张量独立分量分析,和其他张量分析方法已经成功地应用于脸,手掌印,步态识别。
生物识别数据歧视技术可以简单定义为自动特征提取方法和识别基于生物特征数据。应该强调生物技术数据歧视不歧视经典技术的简单应用程序生物识别技术,但实际上是改进或改革歧视更适合生物应用技术,例如通过一个更强大的识别性能或通过计算更有效的特征提取和分类。换句话说,生物识别数据歧视技术用于从生物中提取特征数据,典型的高维的大规模,只提供一个小样本大小。下面的更全面地解释了这些特征。
高维度
在生物特征识别中,高维数据通常预计将更加强大。生物特征的高维数据,然而,将直接分类(如所谓的相关方法,使用近邻分类器)在原始数据空间几乎是不可能的,首先因为相似性(距离)计算的计算非常昂贵,其次,因为它需要大量的存储空间。高维度使我们有必要识别之前使用降维技术。
大规模的
真实世界的生物识别应用程序经常大规模,这意味着生物识别系统应该在庞大的人口数据库。典型的例子包括welfare-disbursement、国家身份证、边境控制,选民身份证、驾照、刑事调查,尸体鉴定、为人父母的决心,失踪儿童的识别。给定一个输入生物样本,大规模的生物识别系统确定是否相关的模式是大量(例如,数百万)的注册身份。这些大规模生物识别应用程序需要高质量和很普遍的生物数据歧视技术。
样品质量
生物识别系统自动捕获、检测和识别生物形象,使其不可避免的生物特征数据有时会吵闹或部分损坏。生物数据的捕获和沟通本身可能引入噪声;一些配件将导致部分腐败的生物数据,例如一条围巾可能挡住面部形象。因为所有这些因素是不可避免的,生物识别系统的开发应该解决的健壮的特征提取和识别噪声或部分损坏的生物特征数据。
小样本大小
与,例如,光学字符识别(OCR)问题,每个类的训练样本可用在实际生物识别问题总是非常有限。的确,可能只有一个样本为每个可用。结合高维、小样本大小创建所谓的小样本大小(或采样)的问题。在这些问题中,withinclass散射矩阵总是单数,因为训练样本大小通常小于空间维度。因此,传统LDA算法在图像向量空间变得不可行。
MULTI-BIOMETRICS
验证或鉴定精度总是first-ofall生物识别系统的目的。Unibiometric系统、生物识别系统使用单一生物特征,通常受到一些限制,不能提供令人满意的识别性能。例如,体力劳动者与受损或脏手可能无法提供高质量的指纹图像,因此未能注册为单身指纹识别系统会发生。
Multi-biometric系统,整合来自多个生物特征的信息,提供一些有效的方法来提高生物识别系统的性能和可靠性。从个体生物特征,结合信息有三个类别的融合策略,特征级融合,融合匹配得分水平,和决策级融合。在特征级融合,从每个传感器获得的数据被用来计算一个特征向量。作为特征提取从一个生物识别特征提取的独立于其他,这是合理的两个向量合并到一个新的向量执行multibio——基于度量的个人身份验证。注意,新的特征向量维数高于从每个传感器原始特征向量生成。功能降低的技术可以用来提取有用的特性集的新特性向量。在匹配分数水平融合,每个子系统使用生物特征之一multi-biometric系统提供一个匹配分数表明与模板特征向量的距离向量。这些分数可以组合坚持声称的身份的真实性。在决策级融合每个传感器首先获得一个多种生物特征和生成的特征向量分别分为两个决定,接受或拒绝所宣称的身份。
然后一个方案,利用已知的决定做出最后的决定。multi-biometrics,领域的大量研究的特征级融合,匹配分数级融合和决策级融合。Though fusion of multi-biometrics are generally recognized as three classes as described above, in real-world applications of multi-modal biometric it is possible that the “Fusion Process” may be simultaneously involved in different levels such as in both the matching score level and the decision level. Recent decades have witnessed the development and prosperity of biometric data discrimination technologies. Various unsupervised/supervised, linear/nonlinear, vector/tensor discrimination technologies have been investigated and successfully applied to biometric recognition. At the beginning, linear unsupervised method, principal component analysis (PCA), was used to extract the holistic feature vectors for facial image representation and recognition (Sirovich & Kirby, 1987; Kirby & Sirovich, 1990; Turk & Pentland, 1991a & 1991b). Since then, PCA has been widely investigated and has become one of the most successful approaches to face recognition (Pentland, Moghaddam, & Starner, 1994; Pentland, 2000; Zhao & Yang, 1999; Moghaddam, 2002; Zhang, 2002; Kim, H. C., Kim, D., Bang, & Lee, 2004) and palm print recognition (Lu, Plataniotis, & Venetsanopoulos, 2003b). Other popular unsupervised methods, such as independent component analysis (ICA) and non-negative matrix factorization (NMF), have been applied to biometric recognition (Bartlett et al., 2002; Yuen & Lai, 2002; Liu & Wechsler, 2003; Draper, Baek, Bartlett, & Beveridge, 2003; Petridis & Perantonis, 2004).
自无监督方法不利用类标签信息在培训阶段,人们普遍认为,更有效的监督方法处理识别问题。Fisher线性判别分析(LDA),旨在找到一组最优判别投影向量,将原始数据映射到一个lowdimensional特征空间,然后在生物特征识别研究中越来越受欢迎。1986年,Fisher线性判别分析第一次被应用于图像分类(田,巴贝罗,顾&李,1986)。此外,LDA用于人脸识别,随后发展成一个最著名的人脸识别方法,Fisherfaces (Liu k . Cheng杨& Liu x 1992;不要&翁,1996;Belhumeur、Hespanha & Kriengman, 1997)。在生物特征识别中,数据的维数远高于训练集的规模,导致了著名的小样本大小(SSS)问题。目前有两种流行的策略来解决SSS问题,transform-based和algorithmbased(杨&杨,2003;剑,杨,胡锦涛,&卢,2001;陈、辽、林、花王&玉,2000; Yu & Yang, 2001; Lu et al., 2003a; Liu & Wechsler, 2000 & 2001; Zhao et al., 1998; Loog, Duin, & Haeb-Umbach, 2001; Duin & Loog, 2004; Ye, 2004; Howland & Park, 2004). The transform-based strategy first reduces the dimensions of the original image data and then uses LDA for feature extraction. Typical transform-based methods include PCA+LDA and uncorrected LDA. The algorithm-based strategy finds an algorithm for LDA that can circumvent the SSS problem. Some representative algorithm-based methods can avoid the SSS problem, but most algorithm-based methods are computationally expensive or lose parts of important discriminatory information.
生物特征识别通常是高度复杂的,不能被视为一个线性问题。在过去的几年里,一类非线性判别分析技术命名为基于判别分析已被广泛研究生物特征数据的歧视。核主成分分析(KPCA)和内核Fisher判别(KFD)是两种最具代表性的非线性方法,收到了相当大的兴趣在生物识别技术领域,模式识别,机器学习。到目前为止,许多核方法,如KPCA, KFD,完整的内核Fisher判别(CKFD)和内核直接判别分析(KDDA),由生物识别(Scholkopf et al ., 1998;韦斯顿,米卡Ratsch、Scholkopf Smola &穆勒1999 & 1999 b;Baudat & Anouar, 2000;Roth & Steinhage, 2000;米卡,Ratsch &穆勒,2001 & 2001 b;米卡et al ., 2003;杨,2002; Lu et al., 2003b; Xu, Zhang, & Li, 2001; Billings & Lee, 2002; Gestel, Suykens, Lanckriet, Lambrechts, De Moor, & Vanderwalle, 2002; Cawley & Talbot, 2003; Lawrence & Schölkopf, 2001; Liu, 2004; Yang, Zhang, & Lu, 2004a & 2004b; Xu, Yang, J. Y, & Yang, J., 2004; Yang, Zhang, Yang, Zhong, & Frangi, 2005). Most recently, manifold learning methods, such as isometric feature mapping (ISOMAP), locally linear embedding (LLE), and Laplacian eigenmaps, have also shown great potential in biometric recognition (Tenenbaum, 2000; Roweis & Saul, 2000; Belkin & Niyogi, 2002).
基于矢量的泛化方法,许多张量技术提出了歧视。张量的开始歧视技术可以追溯到1993年,一个基于2维图像矩阵的代数特征提取方法,提出了图像识别(刘、陈&杨,1993)。作为新发展的基于2维图像矩阵直接投影技术,二维主成分分析(2神龙公司)和不相关的图像投影分析提出了脸表示和识别(杨,张、Frangi &杨,2004 c;杨。J,杨,J . Y。,Frangi, A. F., & Zhang, 2003b). To reduce the computational cost of 2DPCA, researchers have developed several BDPCA and generalized low rank approximation of matrices (GLRAM) approaches (Zuo, Wang, & Zhang, 2005; Ye, 2004; Liang & Shi 2005; Liang, Zhang, & Shi, 2007). Motivated by multilinear generalization of singular vector decomposition, a number of alterative supervised and unsupervised tensor analysis methods have been proposed for image or image sequence feature extraction (Lathauwer, Moor, & Vndewalle, 2000; Vasilescu, & Terzopoulos 2003; Tao, Li, Hu, Maybank, & Wu, 2005; Yan, Xu, Yang, Zhang, Tang, & Zhang, 2007).
Multi-biometric系统旨在克服任何一个生物识别系统的局限性,从多生物特征融合信息。可以实现融合的三个层次,功能水平,匹配分数水平和决策水平。在特征级融合,一种新的特征向量构造使用连接规则(Ross &戈文达拉扬,2005),并行规则(杨et al ., 2003;杨,J。,& Yang, J. Y., 2002), or the competitive rule (Kong, Zhang, & Kamel, 2006). In matching score level fusion, a number of transformation-based (Jain, Nandakumar, & Ross, 2005; Zuo, Wang, Zhang, D., & Zhang, H., 2007), clas-sifierbased (Brunelli & Falavigna, 1995; Jain, Prabhakar, & Chen, 1999b; Fierrez-Aguilar, Ortega-Garcia, Gonzalez- Rodriguez, & Bigun, 2005), and density-based (Ulery, Hicklin, Watson, Fellner, & Hallinan, 2006; Nandakumar, Chen, Jain, & Dass, 2006) score fusion methods have been used to combine scores of multiple scores. In decision level fusion, boolean conjunctions, weighted decision methods, classical inference, Bayesian inference, Dempster–Shafer method, and voting have been proposed to make the final recognition decision (Gokberk, Salah, & Akarun, 2003; Jing, Zhang, D., & Yang, 2003).

基于模型的表面重建

相关工作

在本节中,我们回顾形状重建的方法。首先,我们描述的方法已被用于恢复(收购)几何数据仅考虑形状。以下给出了方法在重建完成收购的形状和结构。结构恢复,重建模型动画。
形状重建
得到一个详细的形状匹配,我们需要耗时的手工工作,一个复杂的设备,或复杂的算法。他们中的大多数需要一个过程结构化形状动画。在本节中,我们专注于几个方法来获取详细的范围数据的脸。
石膏模型Magnenat Thalmann等。[1987]利用石膏模型在现实世界和顶点标记和选择方面的模型从不同角度拍摄的数字化。这里的重建方法需要一个网格画在脸和耗费时间,但是可以获得高分辨率的任何感兴趣的地区。
激光扫描范围内图像视觉系统一些传感器,如扫描仪、屈服区域图像。对于图像的每个像素,范围的可见表面场景中的对象。因此,空间位置确定为大量点在这个表面。商业的例子基于激光扫描三维数字化仪,是DigitizerTM控件颜色。李等。[1996]数字化面部几何通过使用传感器扫描范围。然而,该方法基于3 d数字化要求特别的高成本的硬件和一个强大的工作站。
最近,激光三维扫描仪范围已经商业化。例子包括CyberwareTM[控件,2003)扫描仪,EyetronicsTM扫描仪(Eyetronics, 2003),等。CyberwareTM扫描仪照一个安全、低强度激光在人脸创建一个点燃的概要。从两个视点视频传感器捕获这个概要文件。面对周围的激光束旋转360度在不到30秒,这样的三维形状的脸可以从各个角度被结合配置文件。同时,第二个视频传感器扫描获得的颜色信息。EyetronicsTM扫描照射激光网格在人类的面部表面。基于网格的变形,表面的几何计算。比较这两个系统,EyetronicsTM是一个“一枪”系统。该系统可以输出真实感三维人脸几何数据的基础上一枪。相比之下,CyberwareTM扫描仪需要收集多个概要文件在一个完整的圆,需要更多的时间。
在后处理阶段,然而,EyetronicsTM需要更多的手工调整处理噪声数据。至于捕获的3 d模型的纹理,EyetronicsTM以来高分辨率使用高分辨率的数码相机,在纹理CyberwareTM低分辨率,因为它是从低分辨率视频传感器。总之,这两个管理员扫描仪有不同的特性,可以用来在不同的场景中捕捉真实感三维人脸数据。
基于3 d测量使用这些游侠扫描仪,人们提出了很多方法来生成真实感三维人脸模型准备动画。Ostermann et al。(Ostermann et al ., 1998)开发了一个系统来适应一个3 d模型使用CyberwareTM扫描数据。然后模型用于mpeg - 4的脸动画。
李et al。(李et al ., 1993年,李et al ., 1995)开发的技术来清理和寄存器数据来自CyberwareTM激光扫描仪。然后获得模型动画通过使用基于物理的方法。马斯纳et al。(马斯纳et al ., 2000)实现使用一个方法建立在模型拟合拟合细分表面。
条纹发生器为例,结构光相机范围数字化仪,光颠装置摄像头和条纹模式发生器可以用来面对重建相对廉价的设备相比,激光扫描仪。条纹图案预计3 d物体表面是由相机拍摄的。信息的假定离子的投影仪和摄像机和条纹模式,可以计算三维形状。Proesmans等。[1997]显示了良好的动态三维形状用幻灯机,一帧一帧重建一个视频。
照明开关光度学灯光开关光度法使用三个或更多光源为计算法向量提取静态对象的形状,科尔曼在出版社。[1982]或移动的人脸,Hrroshi Saji出版社。[1992]。该方法假定传感器的反射图。通过光度学灯光开关,点的法向量计算三个入射光源照亮。很难计算出准确的法向量的辐射强度很小,比如阴影区域。
体视学距离测量方法如立体声可以建立在某些特征点的对应关系。该方法使用了立体影像的几何关系恢复表面深度。该方法通常会导致稀疏的空间数据。Fua和勒克莱尔[1996]主要用于纹理区域的加权音响组件最强烈的变形图像区域和阴影组件texture-less最强烈的地区。
结构形状重建
最上面的方法专注于恢复良好,但最大的缺点是,他们只提供形状没有结构化的信息。结构形状动画,最典型的方法是修改一个可用的通用模型等结构信息,眼睛,嘴唇,鼻子,头发等等。我们分类方法使用范围data1和不使用范围的数据。
用范围数据
石膏标记方法Magnenat Thalmann等。[1987]一节中提到的结构动画,因为每个点都有自己的标签对应的动画模型。Except in this method, it is necessary to add a structural information to a set of 3D points to make the model suitable for animation.
翘曲内核威廉姆斯[1990]重建一头使用CyberwareTM数字化仪和应用warpware动画模型。一组翘曲内核分配的脸,每一个都是一个汉宁(cos)窗口,中心扩大到1.0,顺利到0.0在边缘递减。
网格适应从一个结构化的面部网,李et al。[1996]发达算法自动构建功能模型的人类被试的头从激光扫描范围和反射数据。在得到大数组的数据通过扫描仪,它们减少到简洁的几何模型的脸能有效地最终动画。他们适应一个通用的网格数据。一旦安装了网基于特征的匹配技术,该算法样本图像范围面网格的节点的位置捕捉面部几何。节点位置也提供纹理贴图坐标用于地图全分辨率彩色图像到三角形。
而3 d人脸识别的研究可以追溯到1990年以前,从3 d和2 d算法,结合结果数据没有出现,直到2000年。大多数努力到目前为止在这一领域使用相对简单的方法融合结果独立于3 d数据和二维数据。最常见的方法是使用一种eigenface的方法在每个独立的2 d和3 d,然后把两个匹配分数。然而,最近的工作似乎采取各种不同的方法。有趣的是,一些商业人脸识别公司已经有能力多3 d + 2 d人脸识别。
老挝等。[2000]执行3 d人脸识别使用稀疏的深度由立体影像地图。Iso-luminance轮廓用于立体匹配。2 d边缘和iso-luminance轮廓都是用于发现虹膜。在这个特定的有限的意义上说,这种方法是综合的。然而,并没有单独的识别二维人脸识别的结果。利用虹膜的位置,其他特征点被发现这姿势标准化可以做到的。识别是由最接近平均差异对应点后的数据转换为规范姿势。识别的87 - 96%报告使用数据集的10人,有四个九在每个姿势拍摄的图像为每个人。Beumier和Acheroy[2001]方法综合识别通过使用加权和的3 d和2 d相似的措施。他们使用一个中央概要文件和一个横向剖面,每个在3 d和2 d。 Therefore they have a total of four classifiers, and an overall decision is made using a weighted sum of the similarity metrics. A data set representing over 100 persons imaged on multiple sessions, with multiple poses per session, is acquired. Portions of this data set have been used by several other researchers [C.Xu et.al. (2004), B.Gokberk et.al.(2005)]. In this paper, results are reported for experiments on a subset of the data, using a 27-person gallery and a 29-person probe set. An equal-error rate as low as 1.4% is reported for multimodal 3D + 2D recognition that merges multiple probe images per subject. In general, multi-modal 3D + 2D is found to perform better than either 3D or 2D alone.
王et al。[2002]使用伽柏过滤反应2 d和3 d“签名”来执行综合人脸识别。2 d和3 d特征一起构成一个特征向量。分类是由支持向量机决策有向无环图(DDAG)。
实验执行图片来自50个主题,6个图片/主题,姿势和表情变化。识别报告率超过90%。
布罗斯特等。[2003]使用一个等距变换三维面分析方法,以更好地应对由于面部表情变化。他们提出一个方法就是有效地综合3 d + 2 d识别使用扁平的纹理特征分解和标准图像。他们展示正确的和不正确的识别的示例通过不同的算法,但没有报告任何整体量化算法的性能结果。
Tsalakanidou等。[2003]报告综合使用3 d和彩色图像人脸识别。颜色的使用而不是简单的灰度强度似乎成为独一无二的综合调查工作。使用图像的实验结果XM2VTS数据集[1999]40人的报告对彩色图像,3 d,和3 d +颜色。PCA-style匹配识别算法,其次是各个颜色的组合结果飞机和范围的形象。识别利率高达99%多模式的实现算法,找到和综合性能高于3 d或2 d。
张等。[2003]PCA-based识别实验报告执行使用3 d和2 d图像从200人。一个实验中使用一组后图像的每个人的调查。另一个实验中使用一组更大的676调查多个收购在较长时间。结果在这两个实验是大约99%秩一识别综合3 d + 2 d, 3 d为94%,89%,2 d。获得的综合结果是使用距离的加权和个人3 d和2 d空间。
Godil等。[2005]的结果3 d + 2 d人脸识别使用价值200人的数据来自凯撒人体测量数据库。他们使用PCA匹配2 d和3 d,与3 d表示为一系列的形象。真实感三维人脸数据从这个数据库可能相当粗糙,脸上有大约4000点。多种方法探索score-level融合的两个结果。性能高达82% rankone认可报告。
Papatheodorou和Rueckert[2004]执行综合3 d + 2 d人脸识别使用泛化的ICP基于点的距离在四维空间(x, y, z,强度)。
这种方法集成了形状和纹理信息处于初级阶段,而不是作出决定独立使用每个模式,结合决策。他们目前的实验结果与62例画廊,和探针集不同的姿势和面部表情的图片画廊。他们报告98 - 100%正确识别匹配的额,中性的表情探测额中性的表情画廊图片。识别下降时的表情和姿势探针图像画廊不匹配的图像,例如73 - 94%的范围45 _斜的探测器,和笑容的69 - 89%范围调查。Tsalakanidou出版社。[2004]报告的方法多基于嵌入式隐马尔可夫模型的人脸识别为每个方法。
他们的实验数据集表示一个小数量的不同的人,但是每个人都有12图像获得的五个不同的会议。12个图片代表不同的姿势和面部表情。有趣的是,他们报告更高的曾经的3 d比2 d匹配额neutralexpression探测额中性的表情画廊图片,分别为19%和5%。他们报告说,“深度数据主要遭受构成变化和使用眼镜”[马丁Koudelka合编(2005)]。这个工作也不寻常,因为它是基于使用五个图像画廊,招收一个人,也会产生额外的合成图像,这样一个人是由共有25个图片画廊。更长的版本的工作出现在[F。Tsalakanidou合编(2005)]。
胡¨斜眼看et al。[2005]描述Viisage多模态识别方法。接下来的3 d匹配层次图匹配的风格已经用于Viisages二维人脸识别技术。这是感觉,允许更大的速度匹配技术相比,基于ICP或类似的迭代技术。融合两种方法的结果是在分数级别完成的。多通道FRGC版本2的性能数据集验证报告为93% 0.01。此外,据报道,2 d的性能仅略低于综合性能,性能仅3 d是大大低于2 d的孤独。在这种情况下,它可能是有趣的,结果一群(Geometrix)最初集中在3 d人脸识别显示3 d优于2 d,而结果从一群(Viisage)最初仅专注于2 d显示2 d仅优于3 d。
陆等。[2005]建立在先前的研究工作与ICP风格匹配的三维形状(X。陆合编》(2004))创建一个3 d + 2 d综合系统。他们使用一个线性判别分析的方法对二维匹配组件。他们的实验数据集包含多个扫描的100人。五个扫描美能达生动的910系统是为了创建一个真实感三维人脸模型为招收一个人。注册是用中性的表情。6对每个人进行扫描,三个表情,和三个面带微笑的表情,作为个人探针进行测试。他们用3 d报告更好的性能匹配比单独使用2 d匹配。他们还报告98%秩一识别上的3 d + 2 d识别中性表情,大组和91%中性和微笑的表情。
毛雷尔等。[2005]描述Geometrix综合3 d + 2 d人脸识别方法。3 d匹配基于Medioni和描述的方法Waupotitsch[2005],而二维匹配使用的方法乃文愿景。加权求和规则用于融合两个结果,除了,“当形状得分非常高,我们忽略纹理得分”(T。毛雷尔合编(2005)]。
实验结果给出了FRGC版两个数据集。这个数据集的面部表情变化分为“中性”,“小”和“大”,结果分别给出这三个类别。综合性能的“所有与”匹配4007图像达到大约87%验证为0.01。他们还报告说,3 d + 2 d优于3 d独自明显增加,而验证率为2 d仅低于3 d。
没有范围的数据
基于三维数字化的方法获得一系列数据通常需要专用硬件高成本。所以创造3 d对象的常用方法是重建二维信息,可以在低价格。两个常用的方法是一个交互式的变形方法修改或生成一个表面采用变形、重建方法和特征点后,修改一个通用模型特性检测。
交互式变形Magnenat Thalmann等。[1995]使用一个交互式工具来生成一个多边形网格表面用于创建数据。主要操作包括创建的基本类型,选择、局部变形和全球变形。更繁琐,耗费时间。然而,它可能是唯一可能的方式数字化历史人物的绘画或其他来源是不可用的,有用的发明新角色。
重建与特征点有更快的方法来重建一个脸型的一些照片(Horace H.S.et.al一张脸。1996年,高明Akimoto出版社。1993年,栗原市et.al.1991]。在这种方法中,一个通用模型的3 d提前提供,和一个有限数量的特征点检测自动或交互的两个(或更多)正交照片,和其他点通用模型是由一个特殊的修改功能。然后计算了3 d点结合几个二维坐标。
栗原市和Arai[1991]使用一个交互式方法来获取一些点,和一个德劳内三角脸的构象和纹理映射。结果看起来不错,但最大的缺点是他们使用太少点修改通用模型。如果通用模型具有非常不同的形状,其结果可能不是类似于人,纹理映射可能也不适合。提高准确性,每个人都应该增加修改通用模型的输入点。Ip和阴[1996]有非常相似的方法之一Akimoto et al。[1993]。这两种方法试图检测特征点自动使用动态模板匹配或LMCT(本地Maximum-Curvature跟踪)检查凹凸点的侧面轮廓的脸和一个非常简单的过滤方法来获取内部点。自动化的试验,但他们使用的方法探测点似乎并不是很健壮。除了LMCT设计计算凸或凹点,只适用于先天愚型的人。
真实感三维人脸模型的方法
赵出版社。(2003)描述了,许多的人脸识别方法提出了在过去的许多年。人脸识别是一个具有挑战性而又有趣的问题,它已经吸引了研究人员有不同的背景:行为、心理学、模式识别、神经网络、计算机视觉和计算机图形学。这是由于这一事实,人脸识别是巨大的和多样化的文学。通常,一个系统涉及到技术出于不同的原则。的混合技术的使用这些系统很难分类纯粹基于他们使用什么类型的技术特性表征或分类。有明确和高标准的分类,我们遵循指南建议的心理学研究人类如何使用整体和局部特性。具体地说,我们有以下分类:
整体匹配方法:
这些方法使用整张脸地区作为原始输入识别系统。它涵盖了主成分分析(PCA)、Eigenfaces概率Eigenfaces, Fisherfaces /子空间LDA,支持向量机,进化追求,特征线,ICA,其他表征- LDA /盛名,PDBNN(概率决策基于NN)。
基于特征匹配方法(结构)。
通常情况下,在这些方法中,局部特性,比如眼睛、鼻子和嘴是首先提取及其位置和地方统计(几何和/或外观)被送入一个结构分类器。它涵盖了纯粹的几何方法,动态链接架构,隐马尔科夫模型,卷积神经网络。
混合方法。
就像人类的感知系统使用本地特性和整张脸区域识别,机器识别系统应该同时使用。可以认为,这些方法可能会提供更好的的两种类型的方法。它涵盖了模块化Eigenfaces、混合LFA Shape-normalized,基于组件。
其他方法
很少有关于这一主题的论文发表,即使3 d人脸识别研究开始在最后的年代。许多标准可以采用比较现有3 d脸算法考虑的类型问题地址或他们的内在属性。事实上,一些方法只在脸部表情表现非常好,而一些其他人也试着处理表达的变化。额外的参数测量基于3 d模型的鲁棒性是由他们有多么敏感尺寸变化。事实上,有时目标和相机之间的距离会影响面部表面的大小,以及它的高度,深度,等。因此,方法利用curvature-based表示不能区分两个面临相似的形状,但是不同的大小。
为了克服这一问题的一些方法是基于点对点或体积比较近似。然而,没有一个适当的标准数据集包含大量和各种各样的人,拍摄的照片与一个重要的时间延迟和有意义的表达变化,姿势和照明,是一个伟大的局限性实证实验对现有算法。
特别是,3 d人脸识别系统专有的数据库上进行测试,与几个模型和每个模型有限数量的变化。因此,比较不同算法性能常常会变成一项艰巨的任务。不过,他们可分为基于问题解决的类型,如网格对齐、变形等。
本节的目标是提供一个简短的描述基于最新的3 d人脸识别算法。方法分为三大类:基于2 d图像为基础,3 d图像和多通道系统。第一类包括基于强度图像中比较的方法,但由一个三维的过程,提高了系统的鲁棒性。第二类组方法基于三维面部表示,像图像或网格。最后,方法结合二维图像和三维图像信息属于第三类。
2 d - base类
方法基于2 d图像由一些3 d数据被确定为2 d - base类方法。一般来说,这个想法是使用3 d人脸通用模型,以提高鲁棒性对外观变化等困难的姿势,照明和面部表情。这种方法的一个例子是由Blanz和检查者(2003)。他们提议合成各种面部变化通过使用morphable模型增加给定的训练集只包含一个额为每个主题2 d图像。morphable面临是一个参数模型基于向量空间表示的脸。这个空间构造,这样任何凸组合的形状和纹理属于空间向量描述了一个人脸。给定一个脸图像,该算法自动估计3 d形状,质地,和所有相关的3 d场景参数如姿势,照明,等(见图7),而识别的任务是实现测量距离Mahalanobis(杜达et al ., 2001)的形状和纹理参数模型之间的画廊和拟合模型。识别测试在两个公开的数据库的图片:CMU-PIE (Sim et al ., 2003)和FERET(菲利普斯et al ., 2000)。95%的识别率CMUPIE FERET数据集上声称数据集和95.9%。
另一个有趣的方法使用三维模型生成各种二维人脸图像是由陆et al。(2004)。他们生成的3 d模型的脸从一个正面形象。从这个三维模型视图合成模拟许多新姿势,灯饰和表达式。测试执行通过测量根据给定的仿射子空间距离测量之间的异同。特别的仿射子空间包含所有的面部变化合成一个主题。他们做实验的数据集10学科建设22合成图像每个主题用不同的姿势,面部表情和灯饰。该方法的识别率达到85%,优于PCA-based这个数据集的方法。然而,很少有人在数据库中,使很难估计准确的辨别能力的方法。相反,胡锦涛et al。(2004)表明,线性方法,如主成分分析和LDA可以进一步扩展到应对姿态和光照的变化通过使用最近邻方法。数据集是聚集在68例和41.368循环水图像在不同面部表情,灯饰和姿势。 Their results show that using virtual face for particular poses increase the recognition rate and the highest rate reached 95% when pose is approximately frontal and LDA is used.
创建不同的2 d合成面孔可能是好方法克服二维人脸识别的经典问题,但是两个重要的注意事项必须仔细检查:“现实是一个合成的脸多少?”和“如何精确三维面部重建了一个图片是什么?”。首先,我们必须考虑到现代三维计算机图形技术可以复制合成图像在一篇出色的现实的方式和一个精确的几何精度。其次,我们必须考虑到从单一视图三维面部重建图像可以被认为是足够好,只有实验结果显示高鉴别力。
面对建模使用2 d图像
一些研究者提出创建脸模型从2 d图像。一些方法使用两个正交视图,因此面部表面点的三维信息可以测量[Akimoto et al ., 1993年,Dariush et al ., 1998年,H.S.Ip和阴,1996]。他们需要两个摄像头必须精心设置,这样他们的方向是正交的。(郑1994)开发了一个系统从图像轮廓构造几何对象模型。
系统需要一个转台的安装。Pighin et al。(Pighin et al ., 1998)开发了一个系统,允许用户手动指定对应多个图像,并利用计算机视觉技术来计算指定的特征点的三维重建。然后安装到一个3 d网格模型重建3 d点。手动密集的过程,他们能够产生高度真实的人脸模型。Fua和Miccio Fua Miccio, 1998]开发系统,结合多种图像测量,如立体数据,轮廓边缘和2 d特征点,从图像重建三维人脸模型。因为表面点的三维重建图像噪声或需要大量的手工工作,研究人员试图利用先验知识作为约束来帮助基于图像的真实感三维人脸建模。一个重要约束的类型是“线性类”约束。在这种限制下,它假定任意真实感三维人脸几何可以表示为一个线性组合的某些基本几何图形。使用线性对象的类的优势是,它消除了大部分的非天然的脸,大大减少了搜索空间。检查者和小山(检查者和小山,1997)代表一个任意的脸图像的线性组合的原型和这种表示(称为线性对象类)用于图像识别,编码,和图像合成。 In their representative work, Blanz and Vetter [Blanz and Vetter, 1999] obtain the basis of the linear classes by applying Principal Component Analysis (PCA) to a 3D face model database. The database contains models of 200 Caucasian adults, half of which are male. The 3D models are generated by cleaning up, registering the CyberwareTM scan data. Given a new face image, a fitting algorithm is used to estimate the coefficients of the linear combination. They have demonstrated that linear classes of face geometries and images are very powerful in generating convincing 3D human face models from images. For this approach to achieve convincing results, it requires that the novel is similar to faces in the database and the feature points of the initial 3D model is roughly aligned with the input face image.
因为它是很难获得全面、高质量的真实感三维人脸数据库,提出了其他方法使用“几何图形”的线性类的想法。康和琼斯(康和琼斯,1999)也使用的线性空间几何模型构建3 d人脸模型从多个图像。但他们的方法需要手动调整的通用网格的图像,这是一般的乏味任务平均用户。而不是面对真正的线性组合的脸,刘et al。(刘et al ., 2001 b)表示它的线性组合一个中立的脸和一些数量的指标,指标是一个向量,线性变形的脸。指标的系统是有意义的脸变形,如头大,鼻子大,等他们被艺术家交互式地定义。
年代。贾斯瓦尔出版社。文献[2010]给出一个全面的图像基于人类和机器识别的脸在1987年到2010年期间。机器识别面临的几个应用程序。作为最成功的应用程序的图像分析和理解,人脸识别最近引起相当大的关注,尤其是在过去的几年里。此外,相关的话题,例如简短的研究,系统评价,光照和姿态变化的问题。摘要许多方法与基于图像的三维人脸识别进行了讨论。年代。贾斯瓦尔出版社。[2007]描述了一种有效的方法和算法,使个人面临动画从可能的输入。 Proposed algorithm reconstruct 3D facial model for animation from two projected pictures taken from front and side views or from range data obtained from any available resources. It is based on extracting features on a face in automatic way and modifying a generic model with detected feature points with conic section and pixalization. Then the fine modifications follow if range data is available. The reconstructed 3Dface can be animated immediately with given parameters. Several faces by one methodology applied to different input data to get a final Animatable face are illustrated.
年代。贾斯瓦尔出版社。[2007]提出的研究中,2 d照片图像分成两部分;一部分是前视图(x, y)和侧视图(y, z)。这种方法的必要条件是位置或坐标的图像应该一律平等。我们结合图像根据坐标然后将三维模型(x, y, z),但这个3 d模型不准确的大小或形状。在定义——换句话说,我们将3 d可以做成动画的脸,精致的3 d人脸可以做成动画通过pixellization和平滑的过程。平滑的执行更现实的真实感三维人脸模型的人。
安全是当今世界的主要问题之一。无论是电信领域,信息、网络、数据安全、机场或家庭安全,国家安全或人身安全,有各种各样的技术保障。生物识别的模式之一。”生物识别技术,自动识别个体的方法基于其独特的生理或行为特征。“人脸识别是人类完成一个任务非常容易和成功。这个明显的简单展示了作为自动人脸识别危险的误导性似乎还远远没有得到解决的问题。尽管超过20年的广泛的研究,大量的论文发表在期刊和会议致力于这一领域,我们仍然不能声称人工系统可以测量人类性能。自动人脸识别复杂的困难主要是因为成像条件(照明和角度变化引起的身体运动)因为各种衰老等效果,面部表情,遮挡等。研究人员从计算机视觉、图像分析和处理、模式识别、机器学习等领域共同工作,动机主要由一系列可能的实际应用。人脸识别问题的通用声明(在计算机视觉)可以制定如下:鉴于仍然或场景的视频图像,识别或验证一个或者更多的人面临的场景使用存储数据库。人脸识别是一个最活跃的和广泛使用的技术,因为它的可靠性和准确性的过程中识别和验证一个人的身份。需要变得重要,因为人们越来越意识到安全和隐私。 For the Researchers Face Recognition is among the tedious work. It is all because the human face is very robust in nature; in fact, a person’s face can change very much during short periods of time (from one day to another) and because of long periods of time (a difference of months or years). One problem of face recognition is the fact that different faces could seem very similar; therefore, a discrimination task is needed. On the other hand, when we analyze the same face, many characteristics may have changed. These changes might be because of changes in the different parameters. The parameters are: illumination, variability in facial expressions, the presence of accessories (glasses, beards, etc); poses, age, finally background. We can divide face recognition techniques into two big groups, the applications that required face identification and the ones that need face verification. The difference is that the first one uses a face to match with other one on a database; on the other hand, the verification technique tries to verify a human face from a given sample of that face.
主成分分析(PCA)和线性判别分析(LDA)广泛应用于人脸识别系统。这些方法可以有效地降低生物特征数据的维度,提高鲁棒性扰动等因素方差的表达式,戴眼镜,模仿,等。由于这些优势,他们是受商业人脸识别系统提供商。
However, the strong dimension reduction of PCA-LDA algorithms limits its integration with in the template protection techniques. In our work, we selected three techniques for comparative study and evaluation, using a common face data base that contains overall 360 images. The three techniques are Principal Component Analysis (eigenface) , Regularized Linear Discriminant Analysis (R-LDA), and Morphological Method. These all are coupled with artificial neural networks for training and classification of extracted features. These techniques are having apparently promising performances and are representative of new trends in face recognition. All three techniques were reported to have recognition rates of more than 80–90% on data bases of moderate sizes (e.g., 16–50 persons). We believe this work would be a useful complement to, where the surveyed techniques were not evaluated on a common data base of relatively large size. Indeed, through a more focused and detailed comparative study of three important techniques, our goal is to gain more insights into their underlying principles, interrelations, advantages, limitations, and design tradeoffs and, more generally, into what the critical issues really are for an effective recognition algorithm. Basically we have used two different approaches for feature extraction of image:
形态学方法
在形态学方法中特征提取方法可以区分为三种类型:(1)一个通用的方法是基于边缘的分析,比如直线、曲线等。(2)基于featuretemplate的方法是基于面部特征的检测,如眼睛。(3)结构匹配方法,考虑几何约束特性。这里我们提出的技术是独立于老化的因素,照明和配件的存在(眼镜、胡须等)。我们正在考虑在这个技术基准的点。点是眼睛之间的距离;眼睛和嘴巴。这些面部点之间的距离从来没有变化。后画出基准分我们实现神经网络(NN)系统训练和分类。
神经网络训练
反向传播算法寻找最低的重量误差函数空间使用梯度下降的方法。正确训练反向传播网络往往会给出合理的答案当面对输入,他们从来没有见过。通常情况下,一个新的输入会导致输出类似于正确的输出为输入向量用于培训,类似于所呈现的新的输入。这个泛化属性可以训练一个网络代表的一组输入双和得到好的结果,没有培训网络在所有可能的输入或输出对。RBF网络与BP执行类似的功能映射,然而其结构和功能不同。当地一个RBF网络训练的监督方式与BP网络,是一个全球性的网络。BP执行全局映射,这意味着所有输入输出,而一个RBF执行本地映射,这意味着只有输入接受域附近产生激活。LVQ网络有两层:一层输入神经元,输出层神经元。这个连接神经元的权重是改编,即近如果正确分类的数据点或少了类似的如果它错误地分类。
基于外观的方法
这些方法利用像素强度或intensityderived特性。然而,这些方法可能不会表现良好在许多实际情况下,测试的脸出现在哪里培训面临数据明显不同,由于姿势的变化,照明和表达式。
通常一脸的图像大小p×像素由向量p表示。问维空间。然而在实践中,这些(p.q)维空间太大,允许健壮和快速目标识别。试图解决这个问题的一种常用方法是使用降维技术。为此技术的两个主成分分析(PCA)和正规化的线性判别分析(R-LDA)。将二维的脸在这些方法中,图像被认为是一个矢量,通过连接每一行或列的形象。每个分类器都有自己的基向量的表示高维向量空间。维度是减少投影向量基向量,并用作每张脸的特征表示图像。
3 d - base类
本节探讨了几个方法,直接在三维数据集。第一个问题关于3 d人脸识别是建立正确对齐两个面之间的表面。获得一个正确对齐的一种可能的方法是使用一个基于morphable采集系统模型,因为它是pre-aligned在给定参考框架。安萨里的工作和Abdel - Mottaleb(2003)可以被认为是这种方法的一个例子。从一个正面,一个概要文件显示图像,他们使用一套面部特征点的三维坐标变形morphable模型拟合真实的面部表面。模型的变形在执行两个步骤。第一次全球变形进行规模和对齐morphable模型从对图像提取的特征点。然后应用局部变形带顶点尽可能特征点。识别的任务是计算了29个特征点之间的欧几里得距离躺在三维面部表面的嘴,鼻子和眼睛。他们的实验结果显示96.2%的识别率与两对26的数据库对象的图像,一个用于培训和其他测试。
迭代最近点(ICP)算法(Besl和麦凯,1992)是常用的作为替代方法调整模型。它可以用来减少失调在注册阶段以及近似体积两个表面之间的区别。虽然,它会导致问题收敛时的初始偏差数据集太大,通常;反击可以用粗预对准这个限制。一种方法基于迭代最近点算法是由厨师et al . (2004)。
他们只使用ICP之间建立对应关系3 d表面为了补偿问题由于面临的非刚性的本质。然后,一旦完成了注册,脸比较通过使用一个统计模型,即高斯混合模型(GMM),然后错误的分布是参数化的。他们在3 d RMA数据库上进行实验(Beumier Acheroy, 2000)达到97.33%的识别率。ICPbased非常相似的方法找到一个地标之间的点对点通信功能是由Irfanoglu et al。(2004)。他们描述一个方法来获得一个密集point-topoint匹配的网格包含点出现在所有的脸,那脸对齐是非常。然后,一旦建立了密集的信件,点集的距离(PSD),这是一个面部的表面之间的离散近似体积,用于计算两个不同的点云之间的距离。在实验中,他们测试了3 d的算法RMA数据库得到的识别率为96.66%。即使ICP是一个强大的工具来估计两个面之间的相似性,它有一个严重的缺乏。事实上,ICP-based方法治疗的3 d形状的脸作为一个刚性对象所以他们无法处理表达的变化。
Medioni和Waupotitsch(2003)提出了一个ICP-based两脸表面相吻合的方法并计算差异的地图面部表面,然后运用统计措施为了获得这张地图的一个紧凑的描述。他们建造了100名受试者的3 d模型使用音响系统;每个主题已经收购了7个不同的姿势在度对额叶的观点。这个数据集上的识别率为98%。如之前说的,另一种使用ICP算法的近似表面两个面之间的区别。的确,陆et al .(2004)的工作是朝这个方向。他们描述的过程构建一个三维网格模型的数据库从几个2.5 d图像和基于ICP算法的识别方法。为了建立3 d网格,特征点自动检测到2.5 d图像,寻找当地最大和最小曲率,ICP是运行在这些点调整2.5 d图像。然后,面孔识别匹配是利用当地相关的特征信息进行ICP。实验中,他们报告的识别率96.5%使用数据库113范围图像18科目不同的姿势,面部表情和灯饰。 A further interesting aspect dealing with 3D face recognition concerns the analysis of the 3D facial surface in order to extrapolate information about the shape. Some approaches are based on a curvature-based segmentation detecting a set of fiducial regions.
戈登(1991)提出了一种新方法的基础上,认为一些面部描述符,如形状的额头,下巴,眼角落蛀牙和脸颊,通常保持相似,尽管它们采取不同的范围图像相同的主题。这并不是完全正确,当检测错误或发生变化的表达式。他的方法包括在两个不同的任务:前提取一组高度形状描述符,对眼睛、鼻子和头;后者使用这些描述符计算一组基本标量特征对应于距离测量。最后,预计每个面图像特征空间,在特征向量之间的欧氏距离作为度量。该方法的实验显示了100%的识别率使用小训练集的8个主题有三个不同的看法对于每个总共24的面孔。
另一个有趣的分割方法提出了基于高斯曲率莫雷诺et al . (2003)。对于每一个三维面部模型,他们发现一组86个不同的分割区域用一种算法利用中位数的迹象和高斯曲率,以孤立的地区重要的曲率(见图8),这个特性空间是为了增加效率的降低。最后,为每个主题创建一个特征向量。实验进行数据集的420三维面部模型属于60主题,包括图像与光、旋转和面部表情变化,达到78%的识别率,最佳匹配为92%,五个最佳匹配。此外,分割过程可以用于治疗面部识别问题为非刚性的对象识别问题改善面部表情变化的鲁棒性。
蔡美儿et al。(2000)观察到,在面部上有地区表面,如鼻子、眼眶和前额,经历更少的变形的表情变化(见图9)。他们发现这些“刚性”的面部区域用一个点签名2乘2比较(蔡美儿和贾维斯,1997)在不同面部表情的同一个人。然后,他们只有刚性部分存储在索引库,排名模型根据其相似性。
他们的实验显示了100%的识别率6主题和4面部表情变化的数据集。模型的面部形状也可能通过创建一个代表本地/全球曲率的数学框架。面部形状分析的另一种方法是创建一个数学模型的代表当地的曲率。这是一个好方法账户3 d表面以紧凑的方式使用一些功能描述符来描述一个脸,没有浪费的时间复杂性。此外,更好地应对当地curvature-based表示由于面部的非刚性的本质,因为面部表面虽然表情的变化在全球和当地的曲率关系保留。不幸,这种表示是不能够处理的信息的大小脸,做不可能区分两个相似的面孔,但大小不同。
田中et al。(1998)提出的这些方法的一个例子执行correlation-based人脸识别分析的基础上最大和最小主曲率方向,描述面部的表面形状。然后,这些描述符映射在两个单位球体,扩展高斯图像(EGI)。相似性匹配是由使用费舍尔的近似球形的赞助的面孔。该方法在37范围图像由加拿大国家研究理事会(NRCC)收集(Rioux Cournoyer, 1988),提供100%的识别率。相反,王et al .(2004)提出了一个viewpoint-invariant技术基于一个自由格式的表示,称为Sphere-Spin-Images (SSI)。
ssi是用来描述局部面部表面的形状。SSIs的点被映射构造三维点坐标躺到一个球体空间,集中在这一点上,到一个二维空间。这个映射的主要目的是代表点的局部形状的直方图。描述一个脸,方法选择一个小的不动点集的最小主曲率分析,构建一个SSI为每个主题系列。然后,一个简单相关系数是用来比较不同SSI系列之间的相似性。他们执行测试SAMPL数据集(范围图像),31岁的6种不同模型的主题,报道91.68%的识别率。然后,一个简单相关系数是用来比较不同SSI系列之间的相似性。他们执行测试SAMPL数据集(范围图像),31岁的6种不同模型的主题,报道91.68%的识别率。主成分分析(PCA)一直被认为是一种技术主要用于二维人脸识别为了脸图像进行分类,降低图像输入空间的维数。在3 d人脸识别应用治疗数据的云点而不是一个表面和最好的总结方差的新轴顶点确定。 Thus, the PCA is able to work with different facial poses producing a descriptive model of the facial shape.
这种方法一直延伸到3 d人脸识别毫不et al。(2002)。应用PCA方法直接范围的图像,当他们使用欧氏距离来度量生成的特征向量之间的相似之处。作者这种方法识别率达到100%的数据集222范围的图像37主题有不同的面部表情。进一步调查PCA在3 d框架由赫塞尔廷et al。他们提出了两个不同的工作基于PCA理论,展示实验结果与几个面部表面表征由不同的卷积核,给出几个指标如欧氏距离和余弦。第一种方法(赫塞尔廷et al ., 2004)是基于PCA-based特征表面方法和聚集在一个数据集330可用的三维网格模型的约克大学(真实感三维人脸数据库,2003)。它达到87.3%的识别率。第二种方法(赫塞尔廷et al ., 2004 b)是改编自传统的2 d Belhumeur fisherface方法(Belhumeur et al ., 1997)三维面部表面数据(参见图10)。1770年的结果是聚集在一个数据集三维网格模型与280例与几个姿势和面部表情。最高时达到88.7%的识别率表面梯度表示和使用余弦距离度量。
3 d SHAPE-BASED脸
3 d shape-based人脸识别算法可以大致分为以下几类:cloudbased(1),(2)深度地图,profile-based(3),(4)点基于签名,(5)curvature-based算法。最突出的方法在目前的3 d人脸识别系统是使用三维点云来表示的面孔。在点云计算方法中,原始三维点集是用于注册的脸,然后从注册功能是提取的面孔。通常,两个面部点集之间的相似度是由对齐的质量产生的迭代最近点(ICP) (P。Besl合编》(1992))算法,(G。陆Medioni合编》(2003),x合编》(2004),美国Malassiotis合编》(2004),t . Papatheodorou合编》(2004),c .徐合编(2004)]。然而,ICP算法只能处理刚性转换。陆和耆那教(2005)扩展他们ICP-based算法,薄板样条(TPS)扭曲算法用于建立登记在非刚性的变形位置。类似的方法曾用于犯罪手法IA‹一™rfanoglu合编(2004)]TPS翘曲是用于建立密集的信件。提出了一种完全不同的想法在[点 Bronstein et.al. (2003)] where the distances between 3D facial points are approximated by geodesic distances. In their work, authors apply multidimensional scaling algorithm to the geodesic distance matrix to obtain a canonical face representation. In their later work [A.M. Bronstein et.al.(2004), C. Hesher et.al.(2003)], they have extended their approach using surface gradients field. Their experimental result confirms that canonical form matching is robust to expression variations and outperforms 2D image-based eigenfaces [C. Hesher et.al. (2003)].
深度地图,代表3 d面临的另一个流行的方法是项目的三维深度数据的2 d图像根据z-depth 3 d点。在[C。毫不合编》(2003)),主成分分析(PCA)和独立分量分析(ICA)是应用于二维深度图像。李等。[2003]使用手段和深度值的方差的本地windows鼻子中部地区代表的脸从2 d图像深度。斯利瓦斯塔瓦等人找到最优线性子空间通过模拟退火方法,并提取特征空间。他们的研究结果表明,最优线性优于PCA子空间方法,LDA, ica特征提取方法。使用2 d纹理和深度图像和各工作[K.I.相结合Chang合编》(2005),f . Tsalakanidou合编(2003)]。
Silhouette-based表示也应用于3 d人脸识别问题。在[C。Beumier合编》(2000年),中央和侧配置文件来自3 d人脸表面用于识别。匹配的配置文件是使用迭代条件模式(ICM)优化。沿着轮廓曲线曲率值计算作为特征。在[C。Beumier合编(2001)],作者扩展他们的系统,灰度颜色与形状特征信息融合。
点签名都是受欢迎的3 d人脸识别的描述符。在(c。蔡合编》(2000)),点签名用于粗登记和僵硬的面部区域检测提供表达不变性。在他们以后的工作[Y。王合编(2002)],作者包括纹理到他们的系统通过使用2 d伽柏小波。另一个3 d形状描述符类似于点签名在[Z用于人脸识别。吴合编(2004)],提出当地地图形状从3 d特征点提取二维直方图。他们的方法不需要注册,和两个面之间的相似性计算的投票算法(c。蔡合编(2000)]。
表面曲率中扮演重要角色代表3 d人脸(G。戈登(1992)]。在高强度田中合编(1998)],最大和最小的主要方向是由两个增强的高斯图像(保护)和相似性计算面临的费雪的球形相关方法。莫雷诺等。[2003]面部表面分割成七个地区使用曲率和提取等几个功能区域的地区,区域关系,曲率的意思。类似于曲率描述符,表面法线也被用来代表在[S面临的三维形状。堤合编(1998)]。结合不同的形状特征也发现在3 d人脸识别系统是有益的。去¨kberk等。[2005]表明,当点云,surface-normal-based和基于深度图像的形状表示rankbased方式在决策级融合,显著的性能改进是可能的。同样,基于地表的识别器和profilebased识别器相结合的决策水平(G。 Pan et.al.(2003), G. Pan et.al.(2005)].
我们的目标在本文研究中最先进的技术经常用于纯粹的3 d shape-based人脸识别系统。比较分析首先将3 d人脸识别任务划分为两个连续的子任务,并为每个子任务我们实现各种方法。第一子任务,即面部表面进行登记使用两种最常用的方法。第一个注册方法是基于非线性扭曲的面部表面使用TPS,和第二种方法是基于一个刚性变换使用ICP技术。warping-based登记,我们提出一种新颖的三维面部特征定位算法由于TPS扭曲需要几个记者地标。ICP-based注册算法的实现也是小说和速度比那些已经出现在文献中。我们的实现使用一个平均脸模型来定义密度对应。这大大减少了计算工作量。第二子任务的提取是人脸识别三维面部特征。我们提供一个比较分析最常用的功能,如点云,面部特征,表面curvature-based特性,二维深度图像方法,和表面法线。 We note that surface normal features are not so popular in the 3D face recognition community. However, we show that the use of surface normal features can significantly outperform other approaches. The second contribution of the paper is the systematic analysis of several fusion algorithms, which operate solely on the 3D shape features. Up to now, simple decision-level fusion algorithms were employed to fuse shape and texture information. Only a small number of studies emphasized the decision-level fusion of 3D shape-based face classifiers [B. Go¨kberk et.al.(2005), G. Pan et.al.(2003), G. Pan et.al.(2005)].
独特的外在的面部外形颜色和形状的组合。面临的这两个方面可以一起使用(A.S.所谓的综合方法面合编》(2007),K.I. Chang合编》(2003),m . Husken合编》(2005),f . Tsalakanidou合编(2003)]。在this review, however, we focus on the shape component only, which is defined as all the geometrical information that remains when colour, pose (rotation and location) and size (scale) effects are filtered out.
的形态学研究变异和变化形式(大小和形状)的生物或物体(M。韦伯斯特(2006)]。的形态学定量元素,使数值对比不同的形状。量化和数值数据提取的形状,减少它的一系列数字(通常是连接到一个所谓的矢量描述),并促进目标(向量)比较不同对象。
应用于面临这些客观比较生成一个数值评分相似,这是需要识别。在身份验证设置中,两个给定的面孔之间的相似性得分必须足够高的身份。对于识别场景,探针之间的相似性得分面对未知的身份和一组在一个画廊与已知身份生成。最高的画廊的脸相似调查的脸是用于建立身份。在一个分类情况下面对面临的相似性得分一定人口必须足够高属于人口。
有几种不同的方法在文献中提取和比较数据的面部形状,每个都有自己的优点和缺点。然而,无论使用何种方法,三个问题始终存在,必须考虑。(1)使用的面部表示类型的数据提取。(2)构成的方式或面部取向差异不同面孔,更容易在3 d比2 d但还是一个重要的挑战。(3)是否提取的数据嵌入到任何形式的统计形状分析。
仅3 d形状
Cartoux等。[1989]3 d人脸识别方法通过将一系列图像分割基于曲率和找到一个主要平面两侧对称的脸。这架飞机是用于正常姿势。他们认为匹配方法的概要文件从飞机上对称和匹配的表面,并报告100%认可在小数据集。
李和Milios[1990]段凸地区一系列图像基于均值和高斯曲率的符号,并创建一个扩展为每个凸区域高斯图像(EGI)。Amatch地区探针之间的形象和画廊的形象是通过相关的保护。EGI描述物体的形状分布的表面正常的物体表面。图匹配算法将关系约束是用来建立一个探针图像画廊形象的整体匹配。凸区域主张改变形状小于其他地区对面部表情的变化。这给一些面部表情应对变化的能力。然而,保护对象大小变化不敏感,所以两个相似的形状但不同大小的脸在这表示不会区分。
戈登[1992]始于curvature-based分割的脸。然后描述一组特征提取的曲率和公制尺寸的属性的脸。因此每个脸变成一个点在特征空间,和nearestneighbor匹配。实验报告的测试集三个视图的八个面孔和识别报告率高达100%。有人指出特性的值通常是类似的用于不同的图像相同的脸,“除了例大特征检测错误,或由于变化表达式“(戈登[1992]。
Nagamine等。[1992]3 d人脸识别方法通过寻找五个特征点,利用这些特征点构成标准化的面孔,然后通过面对数据匹配各种曲线或配置文件。16个受试者实验执行,10图片/主题。识别率最高的被发现使用垂直剖面曲线通过的中央部分的脸。计算需求显然是被视为严重的在执行这项工作时,作者指出,“使用整个面部数据可能不是可行的考虑到大型计算和硬件能力需要“[戈登(1992)]。
Achermann等人延长eigenface和隐马尔可夫模型(HMM)方法用于二维人脸识别图像处理范围。他们现在的结果数据集的24人,人均10图片和报告100%认可使用二维人脸识别算法的适应性。
田中等。[1998]也执行curvature-based分割和代表面对使用一个扩展的高斯图像(EGI)。识别是performedusingaspherical相关的保护。实验报告一组37加拿大国家研究理事会范围的图片图像数据集[1988],和100%的认可报告。
蔡美儿et al。[2000]在3 d人脸识别使用“签名”。应对面部表情变化,只有大约刚性部分的脸从鼻子到前额下方用于匹配。点签名用于定位参考点用于规范姿势。实验完成了多个图像用不同的表情从六个科目,和100%的认可报告。
Achermann和煤仓[2000]报告的3 d人脸识别方法,使用一个扩展的豪斯多夫距离匹配。他们报告实验使用240图片,10 24人,每个人的形象和实现100%的识别算法的实例。毫不等。[2003]探讨主成分分析(PCA)方法使用不同数量的风格特征向量和图像大小。图像数据集使用六种不同的面部表情的37。性能数据结果的每个主题使用多个图像画廊。这有效地给出了探针图像更多的机会做出正确的匹配,并提高识别率相对于已知有一个样本每主题画廊[2003]。
Medioni和Waupotitsch[34]执行3 d人脸识别使用迭代最近点(ICP)方法来匹配面表面。而这里的大多数作品使用3 d形状通过结构光传感器,本工作使用3 d形状收购一个被动立体视觉传感器。实验七图像每个报告从一组100例,与七个图像抽样不同的姿势。曾经的“2%以上”的报道。
莫雷诺和同事[2003]3 d人脸识别方法首先执行一个分割基于高斯曲率,然后创建一个基于分段区域的特征向量。他们报告的结果数据集420脸上网格代表60个不同的人,不同的表情和姿势的抽样为每个人。秩一识别实现78%的子集的额观点。
李等。[2003]执行3 d人脸识别定位鼻子尖,然后形成特征向量基于轮廓的脸在一系列的深度值。他们报告94%正确识别排名5,但不报告一阶的认可。识别率可以排名1和5之间发生巨大的变化,所以不可能的项目这种方法如何执行在一个排名。
锅等。[2003]实验使用一个豪斯多夫距离与3 d人脸识别方法和PCA-based方法。在实验图像从M2VTS数据库[1999]他们报告equal-error率(曾经)3 - 5%的范围的豪斯多夫距离的方法和一个曾经的5 - 7%范围PCA-based方法。
李和垫片[2004]考虑方法使用“depth-weighted豪斯多夫距离”和表面曲率信息(最大,最小和高斯曲率)对3 d人脸识别。他们现在与一个数据集的实验结果代表42人,有两个图片为每个人。一个一阶识别率高达98%是最佳组合方法研究报道,而普通的豪斯多夫距离达到小于90%。
陆等。[2004]报告结果ICP-based 3 d人脸识别方法。这种方法假定画廊三维图像是一个更完整的脸模型和探针3 d图像是一个额视图,很可能的一个子集画廊的形象。在实验图像从18人,人均与多个探针图像,将一些姿势和表情的变化,实现了97%的识别率。
拉斯等。[2004]现在分离的结果图像匹配范围。他们使用部分[2003]中使用的数据集的实验。在验证试验中,200人进入画廊,和68年200人加上另一个冒名顶替者代表正确验证的调查。一个概率高达98%(200)的误警率达到0 (68)。在识别实验中,30人参加画廊和相同的30人稍后成像探针集。50%的概率识别实现的误警率为0。
识别实验使用可用数据的一个子集”,因为目前算法的计算成本”[2004]。徐等。[2004]开发了一种三维人脸识别和评价的方法,使用数据库从Beumier Acheroy [2001]。原来的3 d点云转换为常规的网。鼻子区域发现并作为锚找到当地其他地区。特征向量计算数据在当地区域的嘴巴,鼻子,左眼和右眼。使用主成分分析特征空间维数减少,和基于最小距离的匹配是利用全球和当地形状组件。实验结果报告完整的120人的数据集和子集的30人,分别用96%到72的性能。这说明了普通点报告实验性能高度依赖数据集的大小。大多数其他的作品不被认为是性能变化与数据集的大小。应该提到,报告的性能获得了五个图片画廊。一个人用于注册的 Performance would generally be expected to be lower with only one image used to enroll a person.
布罗斯特等。[2005]提供了一个3 d人脸识别方法旨在允许变形相关的面部表情。这个想法是真实感三维人脸数据转换成一个“eigenform”不变的形状变形的类型是建模。实际上,有一个假设,“测地线距离由于面部表情的变化是微不足道的。“实验评价是通过使用一个数据集包含220的30人(真正的人和27日3人体模型),和100%的认可报告。共有65名注册图像用于30科目,这样一个主题是由多个图像。如前所述,使用一个以上的注册图像通常会增加人均认可率。方法2 d eigenface的方法相比,在相同的主题,但是面对空间训练只用35图像和刚刚23维度。
方法也比刚性表面匹配方法。也许这个工作的最不寻常的方面是声称这种方法”可以区分同卵双胞胎。“去¨kberk et al。[2005]比较五3 d人脸识别方法使用Beumier所使用的数据的一个子集和Acheroy [2001]。他们比较方法基于扩展高斯图像,ICP匹配范围,主成分分析和线性判别分析(LDA)。他们的实验数据集已从106人571张照片。他们发现ICP和LDA方法提供了最好的性能,尽管性能相对类似的在所有的方法但PCA。他们还探索方法的融合结果的五个方法,能够实现99%秩一识别器的识别与组合。
这个工作相对比较小说比较不同的3 d人脸识别算法的性能,与记录性能增加通过结合多个算法的结果。Additional work exploring these sorts of issues would seem to be valuable. Lee et al. [2005] propose an approach to 3D face recognition based on the curvature values at eight feature points on the face. Using a support vector machine for classification, they report a rank-one recognition rate of 96% for a data set representing 100 persons. They use a Cyberware sensor to acquire the enrollment images and a Genex sensor to acquire the probe images. The recognition results are called ‘‘simulation’’ results, apparently because the feature points are manually located.
卢和耆那教的[2005]使用一个扩展以前的工作[X ICPbased识别方法。陆合编》(2004))显式地处理不同面部表情的变化。问题是与刚性变换的探针接触,画廊,用ICP,以及非刚性的变形,利用薄板样条(TPS)技术完成的。评估的方法使用一个100人的数据集,neutralexpression和微笑的探针,匹配neutralexpression画廊图片。
画廊条目满头的数据结构,而探针是正面的观点。大多数错误从微笑探针刚性变换的结果后,这些错误是大幅减少后,非刚性的变形阶段。196年总探测器(98中性和98年微笑),性能达到89% shape-based多模式匹配和91% 3 d + 2 d匹配[2005]。
拉斯等。[2005]开发了一个使用范围上的豪斯多夫距离匹配方法的图像表示真实感三维人脸数据。注册一个迭代的过程类似于ICP用于调整探头的校准数据画廊数据。各种方式降低时间和空间复杂度的匹配过程。
实验结果给出了在FRGC版本1的数据集的一部分,每人使用一个探测器而不是所有可用的调查。性能高达98.5%秩一识别或验证错误接受率为0.1%,93.5%。在相关工作,Koudelka et al。[2005]已经开发出一种Hausdorff-based试销一个大型数据集选择方法最有可能的匹配更仔细考虑[2005]。
锅等。[2005]应用PCA,或eigenface,匹配到小说的3 d数据映射到一个范围,或者深度,形象。发现鼻子尖作为中心点,和一个对称轴用于对齐,面对数据映射到一个圆形范围的形象。实验结果报告使用FRGC版本1中使用的数据集。面部区域映射包含大约12500 - 110000点。秩一识别性能报告为95%或2.8%曾经在验证场景。目前尚不清楚报告的性能包括大约1%的图像映射过程的失败。
张等。[2005]描述了一个“多区”的3 d人脸识别方法。这是一个类型的分类器整体方法的多个重叠在鼻子使用ICP独立匹配条件,和多个3 d匹配融合的结果。这项工作中的实验评估使用本质上FRGC版本2的数据集,代表超过4000个图像从超过400人。在一个实验,让一个中性的表情图像注册作为每个人的画廊,和所有后续图像(不同的面部表情)作为探针,92%秩一识别的性能。
Passalis等。[2005]描述了一个3 d人脸识别方法,使用带注释的可变形模型。平均3 d的脸从训练集计算在统计的基础上。里程碑点的3 d面临选择基于描述法卡斯[1994]。实验结果给出了使用FRGC版本2的数据集。识别实验,一个图像人均参加美术馆(466)和所有后图像(3541)作为探针,rankone识别性能达到近90%。
真实感三维人脸建模统计变形模型
我们提出一种自动、高效的方法来适应一个统计变形模型的人脸三维扫描数据。在全球当地配件计划,这个模型的形状参数进行了优化,这样的生产实例模型准确地符合输入的三维扫描数据的脸。增加模型的可表达性和模型的产生一种更紧的配合,我们的方法符合一组预定义的脸组件,然后将这些组件。定量评价给出了一个改进的拟合结果当使用多个组件而不是一个。与现有的方法相比,我们的全自动方法实现更高精度的拟合结果。面对实例生成的准确是流形网格没有噪音和漏洞,并且可以有效地用于3 d人脸识别:我们正确识别876年实现100%的查询和设置,98% 244查询GAVAB脸,98%,700查询BU-3DFE脸集。我们的结果表明,模型基于系数优于轮廓曲线匹配和具有里程碑意义的脸匹配,和更多的时间效率比轮廓曲线匹配。
使用三维扫描数据用于人脸识别已成为一个热门的研究领域。认可率高的报道,许多大型的3 d扫描,脸的三维形状信息被证明是一个有用的贡献人识别。三维扫描数据的主要优势在2 d颜色数据,是比例的变化和光照影响收购的外观脸上少了数据。然而,扫描数据遭受由于遮挡噪音和缺失的数据。处理这些问题,三维人脸识别方法应该不变的噪音和缺失的数据,或噪音必须被移除,洞内插。
此外,数据可以被捕获来自多个方面,但这需要复杂的数据采集。在这一章里,我们提出一个方法,产生一个精确的统计3 d形状模型面临的扫描数据。我们表明,3 d几何生成的脸的情况下,没有噪音和漏洞,可以有效地用于3 d人脸识别。
以前的技术是基于3 d测地线表面信息,如布罗斯特等人的方法。[2005]和Berretti et al。[2007]。表面上的两个点之间的测地距离是两点之间的最短路径的长度。计算精确的3 d测地线距离用于人脸识别,一个3 d的脸没有噪音,没有漏洞。因为这是通常不与激光测距扫描,噪音必须被移除,洞3 d曲面插值。然而,基本的噪声消除技术的成功,如拉普拉斯算子平滑非常依赖的分辨率和密度扫描数据。简单的技术来插入孔使用曲率信息或平面三角形经常失败的复杂的洞,中指出,j·戴维斯,合编》(2002)。使用变形模型来近似新的扫描数据和插入缺失的数据是一个温和的方式调节缺陷扫描数据。
众所周知的统计变形模型专门为表面网格设计的3 d的脸,是3 d morphable面临Blanz模型和检查者[1999]。这个统计模型是由三维密集通讯扫描,应用主成分分析(PCA)。在他们的早期作品,Blanz和检查者[1999]这个3 d人脸morphable模型适合二维彩色图像和圆柱形深度CyberwareTM扫描仪的照片。在每个迭代拟合过程,调整模型参数来获得一个新的3 d的脸实例,这是将二维图像空间圆柱允许其颜色值的比较对输入图像(或深度值)。使用随机牛顿算法的参数进行了优化。最近,Blanz等。[2007]提出了一个方法来适应他们的3 d人脸morphable模型更常见的变形深度图像。在拟合过程中,成本函数最小化使用颜色和深度值投影后的三维模型到二维图像空间。手动初始化拟合方法,他们选择相应七的脸在他们的模型和深度扫描特性。陆morphable模型的表达式提出了et al。[2008]。
Amberg等。[2008]建立了PCA模型从270年身份向量和PCA模型从135年表达向量和两个合成为一个morphable脸模型。他们符合这个模型的三维扫描和和GAVAB脸集,并使用了模型系数表达式不变的脸匹配相当大的成功。
非统计性提出了变形模型。黄等。[2006]提出了全球局部变形框架变形的形状任意维度(2 d, 3 d或更高)到一个新的形状相同的类。他们显示框架的适用性3 d人脸,变形的一个不完整的源面对目标的脸。Kakadiaris等。[2006]变形带注释的脸模型扫描数据。扫描数据的变形是由三角形吸引模型的顶点。的变形受到约束刚度、质量和阻尼矩阵,控制阻力,速度和加速度模型的顶点。这种变形的脸的优点是,他们并不仅限于统计形状变化的例子,所以变形更少的限制。然而,这也是他们的劣势,因为这些模型不能依靠统计数据的噪音和缺失的数据。
扫描,我们适应morphable脸模型,是3 d的脸和扫描,的一个子集GAVAB (a。莫雷诺合编》(2004),f·b·ter Haar合编(2008)]和BU-3DFE l的一个子集,阴,[2006]数据库。和设置包含953额范围扫描的277个不同的主题大多是中性的表情。GAVAB集包含9个低质量扫描的61年的主题,包括扫描不同的姿势和表情。从这组我们选择,每主题,四个中性的扫描,即两个额扫描和扫描对象上下打量。获得扫描数据从这些姿势在点云密度不同,完整性和相对较小的面部变化。面部表情分类BU-3DFE集开发。这组包含一个中立的扫描和24表达具有不同强度级别的扫描,每100例。从这组我们选择了中立的扫描和低水平表达扫描。虽然目前使用morphable模型只是基于对中性表情的面孔,是有意义的调查我们的脸模型拟合的性能的姿势和表情的变化。 These variations in 3D scan data, which are typical for a non-cooperative scan environment, allows us to evaluate our 3D face recognition methods.
构成正常化之前,我们应用一些基本的扫描数据预处理步骤:二维深度图像转换为三角形网格通过连接相邻深度与三角形样品,细长的三角形和奇点被移除,只保留了相当大的连接组件。之后,面对分割的扫描数据与欧几里得距离大于100毫米的鼻子尖。
一般来说,3 d扫描范围受到噪声、异常值,缺失的数据和他们的决议可能会有所不同。单面扫描的问题,特别是GAVAB扫描,是大面积的脸不见了,这是很难填补使用简单洞充填技术。当morphable脸模型是安装在一个3 d扫描,获得一个模型没有洞,有适当的拓扑结构,具有保证决议。
迭代面拟合
的距离度量定义压缩morphable脸模型的一个实例,m维空间可以寻找最佳实例。配件是通过选择一组权重,测量RMSdistance新实例的扫描数据,选择新的权重和继续直到找到最佳实例。知道每个实例评估使用大量的顶点,m的一套详尽的搜索最优权重太计算昂贵。一个常见的方法解决大规模组合优化问题是模拟退火(SA) [S。柯克帕特里克,合编(1983)]。在我们的例子中,随机m维向量可以生成当前面临实例代表不同的变种。变形,将当前实例接近扫描数据被接受(下坡),否则要么是接受(艰苦的避免局部最小值)或拒绝有一定概率的。拟合过程始于平均脸和变种对扫描数据,这意味着扫描数据应该平均脸很好地结合。为此,分段,提出规范化的脸放在它的质心的质心的意思是脸,和精确对齐使用迭代最近点(ICP)算法(P。j . Besl合编(1992)]。 The ICP algorithm iteratively minimizes the RMS distance between vertices. To further improve the effectiveness of the fitting process, our approach is applied in a coarse fitting and a fine fitting step.
粗拟合
平均脸粗安装扫描数据通过调整权重的前十个主要特征向量.Fitting模型通过优化前十个特征向量结果面对实例,与全球面临性质类似的扫描数据。之后,扫描的对齐与ICP算法进一步改进。
好合适的
从改良的线路,我们再次扫描数据的模型。
多个组件
知道从100年morphable模型生成3 d扫描,增加其表达是最有可能需要覆盖人口众多。增加表现力,也Blanz和检查者[1999]独立提出适合不同组件的脸,眼睛、鼻子、嘴和周边地区。因为每个组件被定义为自己的形状参数的线性组合,一个更大的各种各样的脸可以生成相同的模型。从一节好合适的方案是开发了适用于要么morphable脸模型作为一个整体,而且该模型的各个组件。
面对匹配
我们的模型拟合的算法确定一组模型系数,变种的平均脸干净模型实例,类似于3 d扫描。基于这一模型实例,我们使用三种不同的方法来执行面临匹配。两个方法使用新创建的3 d几何作为输入,即地标和基于轮廓的方法。第三种方法使用模型系数作为特征向量来描述生成的实例。
地标性建筑
所有顶点的两个不同实例morphable模型假定有一个一一对应。假设面部等标志性建筑的鼻子,角落里的眼睛,等演变到正确位置的扫描数据,我们可以使用它们来匹配两个3 d的面孔。
等值线
另一种方法是适合模型A和B扫描和使用新的清洁几何作为输入为一个更复杂的3 d人脸识别方法。执行3 d人脸识别,我们从每一个安装面实例提取三个三维面部轮廓曲线,搭配只有这些曲线找到相似的面孔。
模型系数
迭代模型拟合过程决定了最优的重量为每个特征向量。这些权重,或者模型系数,乘以描述路径沿着线性无关的特征向量通过m维面对空间。两个类似的扫描可以假设这些路径是一样的,这意味着可以使用m模型系数的设置作为脸的特征向量匹配。多个组件,每个组件都有自己的一组系数m模型。在[V。Blanz,合编(2007)],集模型系数的简单地连接到一个单一的系数向量。在这里,我们也连接多个组件的系数向量。决定用这些系数向量的相似性,我们用四个距离的措施。在[B。Amberg et.al.(2008)], the authors assume that caricatures of an identity lie on a vector from the origin to any identity and use the angle between two coefficient vectors as a distance measure.
分析
在本节中,我们评估我们的拟合结果和,GAVAB, BU-3DFE数据集。我们执行一个获得模型的定性和定量评价和比较结果符合其他模型拟合的方法。证明多个组件的使用提高了拟合精度在一个单独的组件,我们比较定量措施,将拟合精度与人脸识别通过应用不同的面孔产生符合匹配算法。通过应用和比较不同的面孔匹配方法,我们得到一个完整的3 d人脸识别系统识别率高的所有三个数据集。
从3 d扫描从一个数据集,我们应用面临分割方法。我们面对正确分割方法规范化的姿势都面临扫描和充分提取的鼻子的顶端。953的扫描和脸,我们评估了鼻尖提取通过计算的平均距离和标准偏差的953自动选择鼻子提示我们手动选择的鼻子尖,2.4±1.3毫米。因为我们的模型拟合方法将面临扫描平均脸和后来的粗安装实例,这些结果不够好。
比较
Blanz等。[18]报道平均深度1.02毫米的误差超过300和扫描时被忽视的异常值。为我们安装单独的组件和扫描错误davr.depth 0.65毫米,已经更准确。这些错误的安装多个组件是0.47和0.43,分别四和七个组件。我们的时间来处理一个原始扫描需要ca。3秒面对细分,ca。粗拟合1秒,30秒和ca。优良的配件在奔腾IV 2.8 GHz。Blanz报道ca方法。4分钟3.4 GHz Xeon处理器,但也包括结构拟合。Huang et al. [49] report for their deformation model a matching error of 1.2 mm after a processing time of 4.6 minutes. Recently, Amberg et al. [2008] proposed a competitive fitting time of 40 to 90 seconds for their face model with 310 model coefficients and 11.000 vertices.
面对匹配
我们可以使用演变脸实例执行3 d人脸识别。对于这个实验,我们计算了953×953、244×244、700×700个不同矩阵和排序的排名列表脸上模型减少相似。从这些排名列表,我们计算识别率(RR),意味着平均精度(MAP)和验证速度0.1%错误接受率((电子邮件保护)%)。一个人认可(或确定)当面对的排名列表中检索(查询除外)属于同一主题的查询。77科目和组只有一个实例可用无法辨认的,所以对于这组RR基于剩余的876查询。均值的平均精度(MAP)排名列表也报道,详细说明检索所有相关的面孔,即所有面临相同的主题。而不是关注真实感三维人脸检索应用程序,可以使用3 d的脸匹配冒名顶替者检测。对于一个冒名顶替者/客户端检测系统,以上脸匹配不同精心选定的阈值被拒绝了。降低这个门槛意味着更多的冒名顶替者成功地拒绝,但也少,客户接受。我们使用不同的阈值错误接受率为0.1%,也用于人脸识别供应商测试。因为(电子邮件保护)%远取决于相似的价值观,不仅是重要相关面临排名列表的顶部,但也相似,他们的价值观是一样的,不同于无关紧要的脸。
以来,(电子邮件保护)%远评估衡量取决于获得相似值有几种方式来影响这一措施。排名聚合使用一致投票或Borda数(T。Faltemier合编》(2008),例如,抽调相似性值基于排名。这样一个可以抽象与实际相似的价值观,它允许不同的冒名顶替者阈值的选择和改变(电子邮件保护)%。当然,基于等级的阈值不能用在一对一的情况下面对匹配,也就是说,一个场景,在该场景中,必须确认或拒绝别人的身份。rank-based措施的应用程序域是one-tomany脸匹配,也就是说,一个场景,在该场景中,我们寻找最相似的脸在大型数据库中。
在面对基于模型匹配系数,我们假设身份躺在一个向量的漫画从原点到任何身份。如果我们这些向量的长度正常化,我们忽略了漫画和关注的身份。这标准化的步骤也调节相似值,从而影响(电子邮件保护)%。在表5.3中,我们报告的匹配结果基于L1和L2的系数向量之间的距离,前后长度归一化。显著的显著增加(电子邮件保护)%的归一化系数向量,而排名如地图所示类似。虽然我们只在表5.3中显示结果面对使用七个组件模型拟合,它也适用于一个和四个组件的情况。因为L1归一化系数向量之间的距离略优于L2距离测量,我们使用这个衡量每当我们评估模型的性能系数。
面对检索和基于人体测量的验证结果地标,轮廓曲线,模型系数。每组的扫描我们安装morphable脸模型使用一个,四个,七个组件。每个安装组件生成一个99维度模型系数向量和一个不同的面孔实例。脸上匹配的性能取决于两个组件的数量以及应用特性集。(1)的两个主要的观测是基于系数方法优于地标和基于轮廓的方法,和(2),使用多个组件可以增加真实感三维人脸匹配的性能。在接下来的段落我们详细说明这些观察。自动选择人体地标有一个合理的性能和面部扫描,但不足够可靠有效的真实感三维人脸匹配的两个集。的轮廓表现良好的检索和验证目的和脸。然而,他们的表现对于其他两组,显著降低,因为等值线不能有效地用于面部变形。使用模型的系数始终优于地标匹配和基于轮廓的脸。除了性能的差异,不同运行时间的三种方法。具有里程碑意义的基础方法匹配两个面临使用只有15坐标,而基于轮廓的方法匹配两个面临135使用坐标。 The coefficient based method matches faces using 99 weights times the number of fitted components. So, the coefficient based method using four components has the approximately the same running time as the contour based method. The observation that multiple (four or seven) components increases the performance of our face matching holds for all results except the landmark based and contour based methods in the GAVAB set. The problem with this set is that a low quality scans of a person looking up or down causes artifacts on and around the nose. In such cases a more accurate fit of the face model’s nose harms, because the performance of landmark and contour based methods are heavily dependent on an accurate selection of the nose tip. Although the face matching improves from the single to multiple component case, there is no consensus for the four or seven component case. The use of either four or seven components causes either a marginal increase or decrease of the evaluation scores. Although, face matching with the use of 1000 model coefficients is usually referred to as time efficient, one could argue to use four components instead of seven, because the number of coefficients is smaller.
比较。Blanz等。[2007]150年取得了96%的RR查询150年一系列的面孔从FRGC(1节)。确定两个脸实例的相似性,他们计算的标量积1000年获得模型系数。在前面的章节中,我们实现了95%的RR和使用三个选定的等值线,设置和98% RR ICP-based方法。
其他需要进行手动初始化的方法,我们提出了一种全自动真实感三维人脸变形方法,产生一个快速和准确的适合morphable脸模型三维扫描数据。基于全球当地配件计划粗脸模型安装在自动分段扫描3 d的脸。粗拟合后,面对模型精细安装作为一个单独的组件或单个组件的集合。
引导算法真实感三维人脸模型
我们提出一种新的引导算法自动增强3 d morphable面临与新面孔数据模型。我们的算法是基于Morphable模型拟合方法,使用一组预定义的脸的组件。这种拟合方法产生精确的模型真实感三维人脸数据符合噪音和漏洞。在拟合过程中,密集的pointto点扫描数据之间的对应关系和面对模型可以在组件的边界变得不那么可靠。在这一章,我们解决这个问题通过引入混合技术,提高在扭曲通讯接近边界。后来,新面孔实例获得类似于3 d扫描数据,在模型对应的脸上。这些新生成的实例可以被添加到morphable脸模型建立一个更具描述性的。为了避免我们的引导算法从不必要地增加冗余的数据,我们将一个冗余估计算法。我们测试引导算法的扫描获得不同的扫描设备,和和数据集。定量和定性评价表明,我们的算法成功地提高初始morphable面临数据模型与新面孔,全自动的方式。的过程中使用一个统计模型来提高自动,被称为引导模型的合成(T。检查者合编(1997)]。 The difficulty of bootstrapping is that: (1) If the model (as is) fits a new example well, there is no use of adding the new example to the model. This must be automatically verified. (2) If the model doesn’t fit the new example, the correspondences are incorrect and the example cannot be added to the model. (3) It should be fully automatic. Nowadays, several statistical models are available, ready to be used and reused. In this chapter we present a bootstrapping algorithm based on an initial statistical model, which automatically fits to new scan data with noise and holes, and which is capable of measuring the redundancy of new example faces.
引导统计模型的重要性被检查者等构成。[1997]。他们介绍了统计模型引导算法,表明,仅仅是一个光流算法的使用并不足以建立完整的对应例子脸和脸的引用。相反,他们获得一个有效的引导算法通过迭代拟合面模型,应用光流算法,并更新模型。Blanz和检查者也用这个引导算法(V。Blanz合编(1999)]建立3 d morphable脸模型。
他们引导算法的输入数据与属性不变,但失败当输入数据是不完全的,当光流算法失败。引导3 d morphable脸模型与一般数据,低音部等。[2006]增加了平滑项调整光学流对应的顶点的位置是不可靠的。在案例3 d morphable面临模型还没有可用的,参考脸可以用作一个近似相反,这是一个主要的优势。Amberg等。[2007]提出了一种非刚性的迭代最近点(ICP)算法建立密集的参考面之间的通讯和面部扫描,但是他们需要一个初始刚性变换参考基于14个手动选择地标。之后,参考脸和安装实例可以用来构造一个新的morphable面模型。
低音部等。[2007]适应morphable脸模型扫描数据使用隐式表示。他们也用多个组件和混合组件的隐函数的边界,但是他们宽松的完整的点对点通信。所以安装实例不能被添加到morphable模型。
黄等。[2006]提出了全球局部变形框架变形的形状任意维度(2 d, 3 d或更高)到一个新的形状相同的类。他们的方法也有隐式空间的表面,但使用非统计性变形模型。他们显示框架的适用性3 d人脸,变形的一个不完整的源面对目标的脸。
使用多个组件已经被Blanz等人来改善面部模型拟合(V。Blanz出版社。(2007)]和用于人脸识别[V。Blanz合编》(2003)),但到目前为止,结果脸实例不够准确的被纳入统计模型。明确的点对点通讯的安装面实例和统计模型建立了基于光流或非刚性的ICP技术。在前面的章节中,一组预定义的脸组件被用来增加一个3 d的叙述morphable脸模型。使用多个组件,收紧脸部模型获得和更高的识别率。然而,通过拟合每个组件,组件开始相交,移动,或跨越。所以,后来全morphable之间的点对点通讯模型和拟合实例被歪曲了。后处理方法混合组件的边界表面引入了一组新的样品没有对应的模型。
不使用不可靠的光学流(C。低音部合编(2006)]或半自动非刚性的ICP (B。Amberg合编》(2007)),我们能够引导3 d morphable脸模型与高度准确的实例。作为一个概念验证,我们(1)符合初始morphable脸模型几个3 d扫描使用多个组件,(2)混合组件的边界,这样准确point-topoint通讯模型的建立,(3)安装面实例添加到morphable模型,和(4)增强morphable扫描数据作为一个单一的组件模型。最后,我们比较每个单一组件与增强morphable模型获得适合单一组件与初始morphable模型获得。定性和定量评价表明,新面孔实例准确point-topoint通讯,可以添加到初始morphable脸模型。通过比较多个和单独的组件,我们引导算法自动区分新面孔数据添加和冗余数据拒绝。这是很重要的保持模型拟合和人脸识别模型系数省时间。
MORPHABLE脸模型
我们符合morphable面对模型三维扫描数据获取完整的扫描和模型之间的通信。我们作物morphable脸模型,降低分辨率,n = 12964点仍拟合。我们符合morphable面对模型三维扫描数据和[K。i . Chang合编(2005)],GAVAB (A。莫雷诺合编(2004)],BU - 3 dfe (L。阴合编》(2006)),荷兰凯撒(CAESARsurvey(2008)],和我们当地的数据集。除了和设置,我们随机选择四个扫描产生一组第一个测试的18个扫描。这些扫描不同姿势,面部表情,分辨率,精度和覆盖率。这组18脸扫描是用来测试我们的引导算法。测试自动冗余校验,我们使用277面扫描和数据集的一个子集,即第一扫描每一个新的主体。
引导算法
主要的问题在引导3 d morphable脸模型中,(1)我们只是想添加示例的面孔,不受当前模型,(2)新的例子面临着遭受噪音和缺失的数据,这使得它很难建立point-topoint通讯,和(3)应该是全自动的。建立3 d之间的点对点通讯morphable脸模型和新面孔数据噪音和缺失的数据。这种方法适合模型作为一个单独的组件或作为一组预定义的组件。模型是作为一个单独的组件,安装的最后模型适合点对点通信的脸上模型,但没有添加当前面临的额外信息模型。以防模型拟合为一组预定义的组件,这种方法产生的模型符合这一脸的超越当前统计模型,但点到点通信错误或丢失。在本节中,我们简要介绍了使用模型拟合方法,然后我们解释我们的算法建立密集的点对点通讯之间的多个组件适合和morphable脸模型,最后,我们解释引导算法如何区分新面孔的数据添加到模型和冗余数据拒绝。
模型拟合
这个模型拟合迭代算法调整系数为每个组件,这样的顶点接近顶点扫描数据。毕竟组件安装在单独的扫描数据,一个新面孔的精确表示。
分析
详细说明我们的引导算法的性能,我们应用它的17个不同面扫描和数据集的子集276和扫描。小集是用来评估模型拟合和信件估计算法。和设置用于测试冗余估计。

基于面部表情建模

这个统计模型由面临数据与中性的表情,和我们在前一章的引导算法,我们可以扩展模型与小变形表达式。添加这些表达式变形相同morphable脸模型导致身份和表达式的统计空间干涉,这意味着模型系数不再是可靠的脸部识别。因此,我们应该能够适应模型一个中立的和一个表达式扫描相同的人,但我们不能使用系数来确定一次。
本章提出了一种新的自动、高效的统计表达式模型拟合的方法,人脸三维扫描数据。实现表情不变的脸匹配我们合并expression-specific变形模型的拟合方法。在全球当地配件计划,当中的身份和表达式系数模型调整,这样的生产实例模型准确地符合输入的三维扫描数据的脸。定量评价表明,该表达式变形以及一组预定义的脸组件改进拟合结果。真实感三维人脸匹配实验在公开和GAVAB BU-3DFE FRGC v。2datasets show high recognition rates of respectively 99%, 98%, 100%, and 97% with the use of the identity coefficients. Results show that not only the coefficients that belong to the globally optimized model fit perform well, but that the coefficients of four locally optimized model fits can produce similar recognition rates. Finding the optimal model fit is hard and loosening this requirement could make a system more robust.
统计模型的人脸已被证明是一个有效的工具,人的识别扫描3 d的脸。建立一个统计模型,面临一系列的例子是需要面对功能完整的信件。这样一个模型,可以构造一个新面孔实例作为例子的一个线性组合的面孔。真实感三维人脸识别的想法是使用统计模型来构造一个实例,就像一个输入图像。这些例子面临结合线性的方式来表示一个输入面提供了全球和本地的信息输入的脸,可用于分类和识别不同的输入。表达式是一个问题,因为他们改变输入人脸的相似之处。
最早期的3 d人脸识别方法侧重于不同的迭代最近点(ICP) (P。j . Besl出版社。(1992)]相似性算法找到的3 d扫描。随着3 d人脸识别变得更具挑战性更大的数据库和表达扫描,ICP-based方法显示两个主要缺点。非刚性的表达式变形迫使ICP-based方法依赖较小的脸鼻子和额头,等地区和计算昂贵的脸匹配降低了它的实际应用。Faltemier等方法。[2008]和面等。[2007]报道基于鼻子的认可率高的地区与ICP组合。高效匹配,人特定特性的提取变得感兴趣的新领域。
识别率高、低计算成本在面对匹配,和高鲁棒性噪音和缺失数据,3 d morphable面临基于模型的方法证明表现良好。建立3 d morphable脸模型,密集的通讯需要面临一套3 d例子之一。这些面孔的平均脸和统计变化可以计算使用主成分分析(PCA)。使用统计面临变化,平均脸可以变形以适应嘈杂的扫描数据。这样一个模型的方式变形(更大、更广泛,长鼻子等),提供信息在输入的几何形状属性的脸上。这些变形系数,从而诱导形成一个相对较小的特性向量有效匹配。为可靠的模型系数,模型变形必须独立于人脸姿态的变化。因此,模型拟合往往加上ICP算法来弥补刚性变换之间的亲密点的特性。因为模型拟合和ICP算法局部优化方法,扫描数据和模型之间的粗对齐应该自动建立。
Blanz和检查者用3 d morphable脸模型3 d人脸模型的2 d图像[V。Blanz合编(1999)]。在[2007],Blanz等人适合morphable模型三维扫描数据和使用变形权重(或模型系数)与中性表情识别人脸。随机牛顿算法在每次迭代中,当前的模型实例预计将二维图像空间和模型系数是根据不同的纹理和深度调整值。粗对准和启动morphable模型,手动选择相应七面特性的模型和深度扫描。
Amberg等。[2008]构建一个PCA模型从270年身份向量和PCA模型从135年表达向量和两个合成为一个morphable脸模型。他们的方法适合这个模型三维扫描数据通过迭代寻找最接近点对提高对齐,恒等变形,变形同时表达。当地的优化方法,它并不能保证收敛到全局最小值,返回一组身份系数在人脸识别方面表现良好。对模型的初始对准扫描,他们使用我们的自动人脸姿态归一化法。
Lu和耆那教的[2008]火车morphable表达式模型为每个测试集表达式。从现有中性扫描,他们适合每个表达式模型分别调整鼻子周围的顶点在一个小地区降低ICP误差之间特定的中性扫描和表达式扫描。的表达模型产生最精确的适合用于变形中性扫描。他们使用的初始对准三自动检测到的特征点。配件,他们结合的ICP精确对齐刚性变换的快速特征空间投影[M。土耳其人合编为表达式变形(1991)]。这个过程是迭代直至收敛和最低的残余误差作为不同分数之间的中性的扫描和新的扫描。尽管作者使用PCA模型,他们的方法可以分为基于ICP方法,因为安装过程必须对每一对面临重复扫描数据集。表达模型仅仅是用来改进ICP拟合过程。
Mpiperis等。[2008]为BU-3DFE数据集构建一个双线性PCA模型适用于表达和身份识别面部扫描后进入完整的通信模型。建立完整的信件,他们检测口的边界,弹性变形脸低分辨率网格扫描数据(考虑到嘴),并细分网格密度对应关系。双线性PCA模型仅用于地图表达和同一性的完全对应系数,用于表达分类或识别人。
Kakadiaris等。[2006]变形带注释的细分模型扫描数据。非统计性变形是由三角形的扫描数据吸引模型的顶点。的变形受到约束刚度、质量和阻尼矩阵,控制阻力,速度和加速度模型的顶点。他们使用新创建的几何形状对小波分析和实现的识别结果在人脸识别大挑战(FRGC) (P。j·菲利普斯合编(2006)]。
首先,我们介绍七morphable表达模型,“表情”的愤怒,厌恶,恐惧,快乐,悲伤,惊讶的是,和膨胀的脸颊。其次,我们使用一个新的morphable身份执行表情不变的真实感三维人脸识别模型,结合表达模型。从中立的扫描数据集,表达式扫描,和一个小的带注释的地标,我们描述了如何建立一个强大的多分辨率morphable模式对身份和人脸的表情变化。这种建模方法中的一个新特性是解耦的规范化和变形模型,使模型拟合变得高度timeefficient。
第三,我们引入一个模型拟合方法,该方法结合了特征空间抽样,特征空间投影,预定义组件。该方法能够产生精确的适合morphable标识模型结合最好的表达模型新表达式扫描。Morphable脸模型中捕获的数据允许强劲处理噪音和漏洞。之后,最后表达实例及其模型系数可以作为表达式的完整和无噪声表征扫描,自动提取面部地标,引导面对模型,把表达式,表达式不变的人脸识别。第四,对3 d人脸识别与模型系数,我们提出一种新的多个极小值的方法和比较的结果与全球最小的方法。局部最小值在facespace更容易找到及其位置为人脸识别提供有价值的信息。
结果表明,(1)我们的方法可以应用与巨大的成功在很大范围的认可率高的数据为99%,98%,100%,和97%,和,GAVAB BU-3DFE FRGC v。2datasets, (2) the use of expression models is essential for a high performance, (3) the use of multiple components (MC) improves on the single component (SC) results, (4) in case of scan data with lower quality, as in the GAVABdataset, the multiple minima (MM) approach can improve the system’s performance. (5) the time-efficiency of our complete 3D face recognition system allows for its application in face authentication and face retrieval scenarios.
MORPHABLE脸模型
我们使用morphable脸模型由3 d中性和表情人脸的扫描。我们适合这个模型三维扫描数据的方式表达可以删除和主题确定不变的一种表达方式。建立morphable脸模型表达式,一组例子的主题展示各种表达式是必需的。为此,我们使用BU-3DFE(数据库)的数据集,从我们选择100中性扫描和600年表达式扫描强度最高的水平。BU - 3 dfe设置了面部表情分类。这组包含一个中立的扫描和24表达具有不同强度级别的扫描,每100例。从这组我们选择了中立的扫描和最高的强度水平表达扫描模型,目标是一个中性的脸从密集的通讯模型,和一个中立的表达模型的每个表情愤怒,厌恶,恐惧,快乐,悲伤和惊奇。中性面模型,它是由100年的中立的扫描,捕捉不同主题的身份,而neutral-to-expression模型捕捉面部变化引起的某些表达式。
morphable脸模型是一种统计点分布模型(PDM) [T。傻瓜合编》(2001)),点是面部特征有不同的分布在不同的面孔。构建morphable脸模型,需要n密集通讯S = (x1, y1, z1。xn, yn, zn)T  3n among a set of input face scans. Principal Component Analysis (PCA) is used to capture the statistical distribution of these correspondences among the input faces. Because the automatic estimation of reliable dense correspondences among noisy face scans with expressions is still unsolved, we propose a semiautomatic correspondence estimation that requires 26 facial landmarks. With the use of these 26 landmarks, we construct a low resolution mesh that is projected to the cylindrical depth image of a 3D face scan. By subdividing the triangles of the low resolution mesh, a multi-resolution representation of the face is constructed. At each level, we assume that the vertices between different subjects or expressions correspond. The correspondences at the highest level are used to build a neutral 3D morphable face model as well as a morphable expression model for each of the expressions. Because the manual annotation of facial landmarks in 3D face scans is often a major disadvantage in statistical modeling.This automatic bootstrapping is a useful tool to limit the user input. The flow chart of our semi-automatic modeling approach. Our semi-automatic model building consists of the following steps:
答:人工注释的面部地标,包括鼻子、眼睛、眉毛和嘴巴。
b柱深度的形象建设。
多分辨率面临网建设。
d .构建morphable身份模型。
e .构建morphable表达模型。
f .自动引导morphable模型。
g数据减少。
h .组件选择。
具有里程碑意义的注释
700年的每个姿势规范化(生)BU-3DFE扫描,我们手动选择相同序列的26个面部地标作为一组初始的对应关系。这些地标包括位置的鼻子,嘴巴,眼睛,眉毛,和提供一个粗的面部变化在不同的身份和表达式。这是唯一在本章用户输入。事实上,大多数的这些地标已经注释BU-3DFE集和鼻子尖自动检测。
圆柱形深度图像
知道几乎所有的脸扫描(即使面部毛发和表达式)可以正确姿势规范化最终对准后平均鼻子模板,是有意义的构建morphable脸模型基于扫描坐标系的鼻子模板。每个BU-3DFE扫描是迎合引用鼻子模板,所需的构成和鼻子尖在原点。虽然鼻子模板准确安装于面部扫描,这并不意味着鼻子尖脸的扫描的鼻子尖对齐模板。例如,一个小鼻子,它提示模板和背后的更大的鼻子前面的模板(更高的z值)。产生一个圆柱形深度图像的每个面扫描,我们模拟一个圆柱形激光测距扫描仪。覆盖大部分的脸,鼻子模板和对齐的脸扫描移动80毫米沿着积极的z轴。每个角的表面样本获得_在每个高度y半径距离d的轴坐标系统。基本上,我们铸造水平射线高度y的一个角_ xz-plane从轴面扫描,并存储构成标准化面临的距离与地标注释(第一行),对应不同的表达式和不同学科之间构造一个初始面临网状层的圆柱形深度图像(第二行)。Asubdivision方案应用于获得真实感三维人脸网格密度(第三行)。
MORPHABLE身份模型
构建一个基于身份的脸模型需要一个训练集中性面孔不同主题的完整的信件。土耳其和Pentland[1991]也描述了如何计算“eigenfaces”定义这个“脸空间”,为二维强度图像。
MORPHABLE表达模型
构建一个表达式模型需要完整的对应所有的中性面孔和集的表达。矩阵与表达之间的差异正在发起的脸和中性的话题。工作的Lu和耆那教的[2008],与expression-generic和expression-specific模型实验表明,后者优于前者。
自动引导
对人脸识别的目的是很重要的一个身份Sid模型,描述了一个庞大的人口。面对空间允许插值样板间面临及其统计边界外的外推,但是只有一些扩展。
MORPHABLE模型拟合
模型拟合算法的任务是找到面对Sexpr实例。本月在高维面临空间产生最好的点对点通信新面孔扫描。此外,模型拟合的算法应该健壮的噪音和表现良好,即使面对大面积的失踪。
表达式拟合
模型拟合的主要困难是,表达式系数和单位可以优化没有优化。当模型是安装一个新的扫描一个未知的表情,是有意义的粗估计基于表达式的身份不变区域,然后选择最好的表达模型和搜索最优参数表达式。
身份配件
表达式拟合之后,我们已经获得了一个粗糙的单位向量,结合最后的表达载体,产生一个相对合适的扫描数据。对于人脸识别的目的,每个主题需要一个独特的表情不变的身份向量_。Amberg等。[5]提出生产最好的适应和使用面部识别的矢量解耦的身份。在前面的章节中,更准确的满足是由拟合预定义面对单独的组件。在这里,我们使用两种方法,提出一种新的描述符。(我这将导致更高的拟合精度。Mpiperis合编(2008)]。kd tree最近的点对应的使用可以有效地找到。效率高,我们计算算法ESSamp只扫描的通讯模型,由于模型及其kd tree改变在每个迭代中。我们考虑两个最近点对的特征空间抽样对应,如果它们之间的距离小于50毫米,我们使用对应的特征空间投影小于10毫米。 We stop traversing a kD-tree, when this criterion can no longer be met.
面对匹配
morphable模型拟合后的每个面扫描,我们已获得三个特征向量的模型系数,也就是说,单组分向量,多元向量,multi-minima向量。面对匹配我们使用这些向量分别做3 d人脸识别。决定用这些系数向量的相似性,我们使用L1的归一化系数向量之间的距离。
分析
我们可以评估适合定性通过查看更频繁的拟合模型的表面渗透和面部扫描(图7.9),这意味着一种更紧的配合。注意,拟合方法是健壮的缺失数据,甚至创建精确的脸实例当一半的脸不见了。和比较。几个作者报告为theUNDdataset识别利率。Blanz等。[2007]150年取得了96%的RR查询150年一系列的脸。萨米尔。[2006]报道90.4% RR 270查询在一组470年的脸。面等。[2005]报道277年的RR为86.4% 277年一组查询扫描。Amberg等。[2008]使用所有953 RR扫描和达到100%。比较GAVAB。GAVAB数据集被用于形状检索大赛2008 (R。 C. Veltkamp et.al.(2008)] to compare 3D face retrieval methods. Results of different approaches vary between 60% and 100% RR. Recently, Amberg et al. [2008] achieved a recognition rate of 99.7% on this dataset. They use a morphable head model that covers the neck and ears as well, features that may aid the person identification.
比较BU-3DFE。Mpiperis等。[2008]实验BU-3DFE数据集执行的。他们使用表情不变的脸匹配两种方法,一个对称双线性模型和测地线极坐标,RR分别为86%和84%。作者报告说,他们的识别结果优于布罗斯特等。[2005]规范的形象代表。
比较FRGC 2。陆等。[2008]expression-specific变形模型适用于只有100名受试者的FRGC v。2,报告识别率92%和0.7(电子邮件保护)%,这是远远低于结果与我们expression-specific变形模型。此外,我们不需要一个中性面扫描变形和计算昂贵的ICP算法的匹配。其他报告的基于三维形状的方法(电子邮件保护)%所有面临的匹配实验,毛雷尔et al。[2005] 0.78 VR,面等。[2007]0.87 VR,库克et al。[2006] 0.92虚拟现实,和Faltemier et al .[2008] 0.93虚拟现实。他们中的大多数使用计算昂贵的ICP算法在匹配和简单的面对忽视数据的地区与表达式。Kakadiaris等。[2007]RR 97%和0.97(电子邮件保护)%,稍有不同的实验。
我们提出的模型拟合方法,粗适合表达式的身份模型结合每个模型和整体最适合。因为单独的模型用于标识和变形表达式,表达式可以很容易地中和和独立身份系数可用于表达不变的脸匹配。三个身份系数向量获得的匹配,基于面对作为一个单独的组件,一个用于多个面组件,多个局部最小值。与文献相比,我们所有的系数向量证明公开数据集上执行得很好。多个面组件的使用是一种简单的方法来改善表面上匹配性能,和低质量的扫描多个极小值向量可以是一个不错的选择。因此,我们的方法可以很好地应用于身份验证场景以及检索面临的场景。

2 d + 3 d - base类

多通道方法结合信息从2 d图像以及3 d模型的脸。最近常et al。(2003)调查可能的改进,2 d表面上生物也可以接收集成3 d。他们提出,该方法执行单独的PCA的强度和范围图像然后结合这两种策略的结果,得到全球系统的响应。作者断言四个重要的结论:“(1)2 d和3 d时也有类似的识别性能分别考虑,(2)结合使用一个简单的2 d和3 d结果加权方案优于2 d或3 d,(3)结合结果从两个或两个以上的2 d图像也使用类似的加权方案优于单一的2 d图像,和(4)合并2 d + 3 d优于多映像2 d的结果”(Chang et al ., 2004)。实验已经进行了275名被试的数据集使用单一和一个多功能探针集。强度图像的识别率是89.5%和92.8%范围的图像,而合并后的解决方案提供了一个全球98.8%的速度(见图11)。
布罗斯特et al .(2003)提出了一种新的方法基于弯曲规范不变的表示形式(图12),他们叫规范化形象模型变形产生的面部表情和姿势变化。他们观察到面部表情并不是任意的,但它们可以利用等距变换模型。规范化形象店这些几何不变量,它是由计算测地线在面部表面点之间的距离。2 d表面图像映射到规范图像形状扁纹理坐标到规范化的表面。实验结果的数据库上执行157科目但没有说关于利率的认可。
相反,Tsalakanidou et al。(2003)提出了一个嗯方法集成深度数据和强度图像。开始本地化的方法与基于深度和亮度的过程,而识别任务利用嵌入式techniq隐马尔科夫模型应用于3 d图像范围以及2 d图像。实验结果是聚集在一个非常大的数据库50 3000范围和灰度图像的主题,各种面部表情,姿势,灯饰/不戴眼镜,报告2 d强度图像识别率90.7%和80%的3 d图像范围,系统达到91.67%的速度,当信息的总和。Papatheodorou Rueckert(2004)提出了4 d注册方法基于迭代最近点(ICP),但添加结构信息。完成数据采集与立体相机系统由三个摄像机和投影仪模式,而面部相似的测量涉及到四维欧几里得距离(由colors1如图13所示):四维点之间的三个空间坐标更特塞尔绵羊强度的信息。他们报告各种结果与13个不同的数据集收集的62例3 d网格和2 d纹理地图考虑一些面部表情和姿势。正确的百分比匹配和正确否定被用作性能的措施。额的姿势,结果表明,使用纹理和形状提高性能,同时正确识别的比例从66.5%到100%不等,这取决于几个姿势和表情。所有基于3 d的方法介绍了到目前为止在表4总结除了少量的参数,可以被认为是有意义更完整、准确的评估方法进行讨论。一般来说,识别率是一种广泛使用的测量评估人脸识别方法,但它强烈依赖于数据库中的人数和图像的数量/主题收集实验结果。 In addition the key features (illumination (i), expression (e), pose (p), occlusions (o)) considered on the models in the probe and gallery set are reported, in order to take into account for the testingframework, in which 3D methods have been tested.

结论

这里我们给的完整调查基于3 d建模方法。我们得出结论,三维人脸建模需要更好的算法。在这里,更意味着更多的宽容现实世界的各种因素。同时,也意味着更少的计算要求更好。三维表面建模一般似乎需要更多的计算工作每匹配比2 d表面建模。这里的3 d morphable脸建模是优于其他方法。

引用

  1. (电子邮件保护)形状库登录:/ /www.aimatshape.net/resources, 2006年11月。
  2. l . Akarun b . Gokberk和沙拉。3 d生物识别应用程序认脸。2005年EUSIPCO。
  3. f·r·Al-Osaimi m . Bennamoun,面。在tegration of Local and Global Geometrical Cues for3D Face Recognition. Pattern Recognition, 41(3):1030–1040,2008.
  4. p . Alliez d . Cohen-Steiner y,和m . Desbrun。Voronoi-Based变分重建ofUnoriented点集。在Geometryprocessing研讨会上,39-48,2007页。
  5. b . Amberg r . Knothe, t .检查者。ExpressionInvariant Morphable模型的人脸识别。2008年InAutomatic脸和手势识别。
  6. b . Amberg s Romdhani, t .检查者。最优StepNonrigid ICP算法表面登记。InCVPR,页1 - 8,2007。
  7. n Amenta Y.-J。杀。定义点集的表面。在反式。图形,第23卷,264 - 270页,2004年。
  8. 比比阿莫,k . Ouji m . Ardabilian, l·陈。3 dface ICPbased形状匹配识别。在
  9. ICMI, 2005年。
  10. g . Barequet和m . Sharir。填补空白的多面体边界。计算机辅助GeometricDesign, 12(2): 207 - 229年,1995年。
  11. 低音部,p . Paysan, t .检查者。登记使用3 dmorphable ofExpressions数据模型。InAutomatic脸和手势识别,205 - 210页,2006年。
  12. c .男低音歌手和a·维利。拟合的3 d Morphable ModelsUsing隐式表示。VirtualReality杂志和广播,4 (18),2007。
  13. r . Bergevin m . Soucy,公司h . Gagnon, d . Laurendeau。对一般的多视图注册Technique.18(5): 540 - 547年,1996年。
  14. f . Bernardini j .米h . Rushmeier c·席尔瓦andG。Taubin。球——旋转曲面算法
  15. 重建。反式。在可视化和ComputerGraphics 5(4): 349 - 359年,1999年。
  16. f . Bernardini和h . Rushmeier。3 d ModelAcquisition管道。计算机图形学论坛,21(2):149 - 172年,2002年。
  17. s . Berretti a . Del女人p Pala, f·席尔瓦马塔。人脸识别的匹配2 d和3 d GeodesicDistances。在MCAM07, 444 - 453页,2007年。
  18. p . j . Besl和n d·麦凯。Registrationof三维形状的方法。PAMI 14(2): 239 - 256年,1992年。
  19. 宾厄姆顿大学三维面部表情Database.BU-3DFE。
  20. 诉Blanz、k . Scherbaum H.-P。塞德尔。拟合aMorphable模型的3 d扫描的面孔。在ICCV,页1 - 8,2007。
  21. 诉Blanz和t .检查者。蒽醌的Morphable模型3 d人脸。在SIGGRAPH, 187 - 194页,1999年。
  22. 诉Blanz和t .检查者。基于人脸识别的onFitting 3 dmorphable模型。PAMI 25(9): 1063 - 1074年,2003年。
  23. k·w·鲍耶k . Chang和p·弗林。调查审讯手段和挑战在3 d和综合3 d + 2 d人脸识别。CVIU, 101 (1): 1 - 15, 2006。
  24. m·布罗斯特·m·m·布罗斯特,Kimmel r。三维人脸识别。IJCV, 64(1): 30, 2005年。
  25. CAESAR-survey。美国平民和EuropeanSurface人体测量学资源登录:/ /store.sae.org/caesar, 2008年12月。
  26. r·j·坎贝尔和p . j .弗林。一项调查Free-formObject表示和识别的技术。CVIU, 81(2): 166 - 210年,2001年。
  27. j·c·卡尔r·k·Beatson j·b·红t·j·米切尔,W。r .恐慌,公元前McCallum, t·r·埃文斯。3 d对象的重建和表示withRadial基础功能。在SIGGRAPH, 67 - 76页,2001年。
  28. k . i . Chang k·w·鲍耶和p•j•弗林。AnEvaluation多通道的2 d + 3 d生物识别技术。PAMI 27(4): 619 - 624年,2005年。
  29. k . i . Chang K.W.鲍耶和p•j•弗林。MultipleNose区域匹配对3 d人脸识别underVarying面部表情。PAMI, 28(10): 1695 - 1700年,2006年。
  30. c。陈,Y.-P。挂,J.-B。程。RANSACbasedDARCES:一个新的方法来快速AutomaticRegistration部分重叠的图像。PAMI, 21(11): 1229 - 1234年,1999年。
  31. y陈和g Medioni。对象建模byRegistration多个范围的图像。图像andVision计算,10(3):145 - 155年,1992年。
  32. 程和h .堂。一个图表to3-D对应点匹配方法。Int。PatternRecognition杂志和人工智能,5(3):399 - 412年,1991年。
  33. c . s . Chua和r·贾维斯。签名:一个NewRepresentation 3 d对象识别。IJCV,25(1): 63 - 85年,1997年。
  34. p . Cignoni c Rocchini, r . Scopigno。地铁:简化表面测量误差。ComputerGraphics论坛,17:167 - 174,1998。
  35. j·库克,诉Chandran和c·福。3 d认脸使用Log-Gabor模板。在BMVC, 83 - 93页,2006年。
  36. j·库克,诉Chandran,美国曾经和c·福。人脸识别从3 d数据使用迭代ClosestPoint算法和高斯混合模型。In3DPVT, 502 - 509页,2004年。
  37. t .笨蛋、g·爱德华兹和c·泰勒。ActiveAppearance模型。PAMI, 23(6): 681 - 685年,2001年。
  38. 坎宁顿和a·j·斯托达特。零件点SetRegistration:比较。在BMVC, 234 - 244页,1999年。
  39. Levoy Curless和m。从范围图像体积方法forBuilding复杂模型。InSIGGRAPH,卷303 - 312页,1996年。
  40. j·戴维斯和x。激光测距扫描仪设计为最小校准复杂性。3昏暗,00:91 - 99,2001。
  41. j·戴维斯,s·r·马斯纳m . Garr, Levoy m。使用VolumetricDiffusion填补复杂的表面。3 dpvt, 428 - 861页,2002年。
  42. t·k·戴伊和美国他。:可证明的SurfaceReconstruction从嘈杂的样本。在研讨会onComputational几何,330 - 339页,2004年。
  43. d·w·艾格特a·w·菲茨吉本和r·b·费舍尔。同时注册多个视图foruse在逆向工程CAD模型。CVIU, 69(3): 253 - 272年,1998年。
  44. t . Faltemier k·鲍耶和p·弗林。三维人脸识别的RegionEnsemble。反式。并且取证和安全,1(3):62 - 73年,2008年。
  45. 诉小糠草、p . Cignoni和r . Scopigno。Out-of-coreMLS重建。在计算机图形学中andImaging, 27-34, 2007页。
  46. 菲茨帕特里克。欧几里得的几何元素。RichardFitzpatrick, 2008年。
  47. m . Heckbert的花环,表面Simplificationusing二次误差度量。在SIGGRAPH, pages209 - 216, 1997。
  48. b . Gokberk m . o . Irfanoglu和l . Akarun。3 d ShapebasedFace表示和特征提取forFace认可。形象和VisionComputing, 24(8): 857 - 869年,2006年。
  49. j . Gwilt。马卡斯维特鲁威的体系结构:在十本书。洛克伍德,1874年。[48]k . Higuchi M。赫伯特,k . Ikeuchi。构建三维模型fromUnregistered范围图像。CVGIP-GMIP 57 (4): 315 - 333, 1995。
  50. 黄x: Paragios, d·n·迈塔克瑟白兰地。ShapeRegistration在隐式空间使用InformationTheory和自由形式的变形。PAMI, 28(8): 1303 - 1318年,2006年。
  51. d·胡贝尔和m·赫伯特。3 d建模使用aStatistical传感器模型和随机搜索。InCVPR, 858 - 865页,2003年。
  52. Imhausen。计算每日的面包:口粮inTheory和实践。HistoriaMathematica 30(1): 3-16, 2003年。
  53. 接下来的技术。2004年RapidForm PP2登录:/ / www.rapidform.com, 2006年11月。
  54. ISTI-CNR视觉计算实验室。MeshAlign、MeshLab MeshMerge、OM和地铁
  55. http://vcg.isti.cnr.it, 2009年6月。
  56. e·约翰逊。旋转图片:一个表示3-DSurface匹配。匹兹堡卡内基MellonUniversity博士论文,1997年。
  57. 居。健壮的多边形模型的修复。反式。OnGraphics, 23(3): 888 - 895年,2004年。
  58. Kakadiaris, g . Passalis g . Toderici n . Murtuza和。Theoharis。3 d人脸识别。BMVC pages869 - 878, 2006。
  59. a . Kakadiaris g . Passalis g . Toderici m . N。Murtuza, y, n . Karampatziakis和t . Theoharis。三维人脸识别在ofFacial表达式:一个带注释的变形ModelApproach。PAMI 29(4): 640 - 649年,2007年。
  60. 杀y . j ., n . Amenta Mederos。激光ScannerSuper-resolution。在基于点的图形,2006。
  61. Kimmel r . j . Sethian。计算测地线Pathson集合管。在国家科学院的Proc。,体积95(15),8431 - 8435页,1998年。
  62. 柯克帕特里克,c, d . Gelatt和m . p . Vecchi。通过模拟退火优化。科学,4598号,1983年5月13日,220年,4598:671 - 680,1983。
  63. 特区。线性代数及其应用。addison - wesley, 1997年。
  64. m . Levoy k . Pulli b . Curless Rusinkiewicz, D。科勒,l·佩雷拉·m·基斯顿美国安德森,J·戴维斯,J。金斯堡、j .阴影和d·富尔克。DigitalMichelangelo项目:3 d扫描的大型雕像。InSIGGRAPH, 131 - 144页,2000年。
  65. c, a . Barreto j .翟和c的下巴。探索认脸相结合3 d概要文件和轮廓。在SoutheastCon, 576 - 579页,2005年。
  66. w·e·Lorensen和h·克莱恩。游行立方体:HighResolution 3 d表面构造算法。InSIGGRAPH,体积21,303 - 312页,1987年。
  67. x Lu和耆那教的。变形建模Robust3D脸匹配。PAMI 30(8): 1346 - 1356年,2008年。
  68. t·毛雷尔,d . Guigonis马斯洛夫,b . Pesenti。Tsaregorodtsev,西方d、g . Medioni。Performanceof GeometrixActiveIDTM 3 d脸上RecognitionEngine FRGC数据。CVPR车间,0:154 - 160,2005。
  69. 面,m . Bennamoun, r·欧文斯。MatchingTensors姿势不变自动3 d认脸。2005年A3DISS。
  70. 面,m . Bennamoun, r·欧文斯。Automatic3D人脸检测标准化和认可。In3DPVT, 735 - 742页,2006年。
  71. 面,m . Bennamoun, r·欧文斯。AnEfficient多通道2 d-3d混合方法toAutomatic人脸识别。PAMI 29(11): 1927 - 1943年,2007年。
  72. 面,m . Bennamoun, r·a·欧文斯。FromUnordered范围图像到三维模型:FullyAutomatic多视图对应算法。InTheory和实践计算机图形学中,页162 - 166。计算机协会出版社,2004年。
  73. 面,m . Bennamoun, r·a·欧文斯。3 dmodel-based对象识别和分割inScenes。PAMI, 2006年。
  74. 面,m . Bennamoun, r·a·欧文斯。NovelRepresentation和特征匹配算法
  75. 自动成对登记范围图像。IJCV, 66(1): 19-40, 2006年。
  76. 莫雷诺和桑切斯。GavabDB: 3 d FaceDatabase。维哥在InternetCOST275生物识别技术研讨会,77 - 85页,2004年。
  77. Mpiperis、美国Malassiotis和m . g . Strintzis。三维的脸和面部ExpressionRecognition BilinearMod els)。反式。在取证和安全信息,3(3):498 - 511年,2008年。
  78. p . Nair, a . Cavallaro。SHREC 08年条目:注册和使用PointDistribution 3 d人脸模型的检索。在形状建模及应用,257 - 258页,2008年。
  79. p . j . Neugebauer。通过同时注册和重建Real-WorldObjects RobustCombination多个范围的图像。Int。杂志ofShape建模、3(1 - 2):71 - 90年,1997年。
  80. j . Novatnack和k . Nishino。尺度/不变的地方3 d形状描述符forFully自动注册多个RangeImages集。在大会,440 - 453页,2008年。
  81. 美国公园、y通和a . k . Jain。面对Recognitionwith时间不变性:3 d老化模型。2008年InAutomatic脸和手势识别。
  82. p . j .菲利普斯·j·弗林K.W.鲍耶,andW.Worek中锋t。初步的人脸识别GrandChallenge结果。在自动的脸和GestureRecognition, 15 - 24页,2006年。
  83. f . Pighin j .检验员d·里奇斯r . Szeliski, D.Salesin。综合现实的面部表情fromPhotographs。在SIGGRAPH, 75 - 84页,1998年。
  84. p . Pingi a法、p . Cignoni c . Montani R.Scopigno。利用大型组的扫描序列forAutomatic登记范围的地图。计算机图形学论坛,24(3):517 - 526年,2005年。
  85. k . Pulli。大型数据集的多视图注册。In3DI M, 160 - 168页,1999年。
  86. h·t·f·罗兹。阿方斯贝迪永:父亲科学检测。Adelard-Schuman, 1956年。
  87. Rocchini, P . Cignoni f . Ganovelli c . Montani P。萍我和r . Scopigno。行进的
  88. 十字路口算法合并范围的图像。计算机视觉,20:149 - 164,2004。
  89. Rocchini, p . Cignoni c . Montani p . Pingi, R.Scopigno。一个低成本的基于StructuredLight 3 d扫描仪。Proc。例如,20卷(3),299 - 308页,2001年。
  90. 美国Rusinkiewicz。Nov2006 Trimesh2登录:/ /www.cs.princeton.edu/gfx/proj/ Trimesh2 /。
  91. s . Rusinkiewicz o . Hall-Holt, Levoy m。实时三维模型获取。反式。图形,21(3):438 - 446年,2002年。
  92. Levoy Rusinkiewicz和m。高效的ICP算法的变体。3暗,145 - 152页,2001年。
  93. w·萨利姆,o .绍尔对g . Patane a . Belyaev, s . H。在随机表面重建的方法。TheVisual电脑,23(6):381 - 395年,2007年。
  94. 萨米尔,a·斯利瓦斯塔瓦和m . Daoudi。三维人脸识别使用FacialCurves的形状。PAMI, 28(11): 1858 - 1863年,2006年。
  95. 萨米尔,斯利瓦斯塔瓦,m . Daoudi和e·克拉森。AnIntrinsic框架分析面部的表面。IJCV, 82(1): 80 - 95年,2009年。
  96. a . Ruifrok Scheenstra, r . c . Veltkamp。三维人脸识别方法的调查。在AVBPA, 891 - 899页,2005年。
  97. m . Alexa Sharf, d . cohen或者。Context-BasedSurface完成。反式。图形,23(3):878 - 887年,2004年。
  98. m·斯莱特a骏马,y Chrysanthou。从现实主义toReal-Time ComputerGraphics和虚拟环境:。addison - wesley出版社,2001年。
  99. 斯坦福大学计算机图形学实验室。3 d ScanningRepository Scanalyze, VripPack,和VolFill登录:/ /graphics.stanford.edu/software/, 2006年11月。
  100. j·斯托达特和希尔顿。登记MultiplePoint集。在模式识别中,体积,40-44,1996页。
  101. 斯图加特。范围图像数据库登录:/ / range.informatik.unistuttgart。德/根/ html / 2006年11月。
  102. f . b . terHaar。在http://givelab.cs.uu四对齐。问/ quadruple-alignment /, 2006年11月。
  103. f·b·terHaar p . Cignoni p . Min, r . c . Veltkamp。比较三维扫描系统和工具。在3D Digital Imaging and Modeling: Applications ofHeritage, Industry, Medicine and Land, 2005.
  104. f·b·terHaar m . Daoudi和r . c . Veltkamp。ShapeREtrieval比赛2008:3 d扫描。在ShapeModeling和应用程序(重度),225 - 226页,2008年。
  105. f . b . terHaar和r . c . Veltkamp。对齐、合并和孔填充实验3 d范围
  106. 扫描。技术报告uu - cs - 2005 - 047, UtrechtUniversity, 2005年。
  107. f . b . terHaar和r . c . Veltkamp。一个3 d FaceMatching框架。技术报告uu - cs - 2007 - 047,乌得勒支大学,2007。
  108. f . b . terHaar和r . c . Veltkamp。AutomaticMultiview四排列的无序
  109. 扫描。在形状建模和应用程序(重度),137 - 146页,2007年。
  110. f . b . terHaar和r . c . Veltkamp。3 d面临ModelFitting认可。在欧洲会议onComputer视觉大会,652 - 664页,2008年。
  111. f . b . terHaar和r . c . Veltkamp。一个3 d FaceMatching框架。在形状建模及应用(重度),103 - 110页,2008年。
  112. f . b . terHaar和r . c . Veltkamp。一个3 d FaceMatching框架面部曲线。GraphicalModels, 71(2): 77 - 91年,2009年。
  113. g . Turk, Levoy m。拉链多边形Meshesfrom范围图像。在SIGGRAPH, 311 - 318页,1994年。
  114. m . Turk, Pentland。人脸识别usingEigenfaces。在CVPR, 586 - 591页,1991年。南佛罗里达大学Sudeep Sarkar。USFHumanID真实感三维人脸数据库。
  115. r·c·Veltkamp r . Ruijsenaars m . Spagnuolo r . vanZwol, f . b . terHaar。SHREC2006: 3 d ShapeRetrieval比赛。技术报告uu - cs - 2006 - 030,乌得勒支大学,2006。
  116. r . c . Veltkamp和f . b . terHaar。SHREC2007: 3 dshape检索大赛。技术报告uu - cs - 2007 - 015,乌得勒支大学,2007。
  117. r . c . Veltkamp和f . b . terHaar。SHREC2008: 3 dshape检索大赛。在形状建模及应用,215 - 263页,2008年。
  118. t .检查者,m·j·琼斯和方法。对学习BootstrappingAlgorithm对象类的线性模型。在CVPR 40-46, 1997页。
  119. S.-F。王工程学系。赖。估计3 d面临管理制度面部变形从单个图像基于onExpression歧管优化。在大会,pages589 - 602, 2008。
  120. 一个。Wehra和Lohrb。机载激光扫描——anIntroduction和概述。Photogrammetryand遥感学报,54(2 - 3):68 - 82年,1999年。
  121. t·怀斯、b . Leibe和l . v .干傻事。快速3 d Scanningwith自动运动补偿。在pages1-8 CVPR, 2007。
  122. t·惠特马什r . c . Veltkamp m . Spagnuolo年代。马里尼,f . b . terHaar。具有里程碑意义的检测3 dface扫描通过面部模型注册。在1日Int.Workshop形状和语义,71 - 76页,2006年。
  123. l . j . v . Wyngaerd诉干傻事,m . Proesmans。在variant-based Registration of Surface Patches. InICCV, pages 301–306, 1999.
  124. 徐,t . Tan和l . y . Wang全。CombiningLocal特性在3 d FacialData健壮的鼻子位置。模式识别字母,27(13):1487 - 1494年,2006年。
  125. l .阴X。魏,y太阳,J。王,m·j·罗。面部BehaviorResearch A3D面部表情数据库。在自动的脸和手势识别,211 - 216页,2006年。
  126. b . l . Zhang Curless, s·m·塞茨。使用彩色结构光和快速ShapeAcquisition MultipassDynamic编程。在3 dpvt 24-36, 2002页。
  127. h .赵和g .徐。三角曲面网格Fairingvia高斯曲率流。Computationaland应用数学学报,195(1):300 - 311年,2006年。
  128. z Zonghua, p, s、h .答。一项调查MultipleRange表面重建的图像。在亚太Conf. SystemsIntegrity和维护、体积8,519 - 523页,2000年。
  129. 巴特利特,m . S。,Movellan, J. R., &Sejnowski, T. J.(2002). Face recognition by independent componentanalysis. IEEE Transactions on Neural Networks, 13(6),1450-1464.
  130. Baudat G。,&Anouar, F. (2000). Generalizeddiscriminant analysis using a kernel approach. NeuralComputation, 12(10), 2385-2404.
  131. Belhumeur, p . N。,Hespanha, J. P., &Kriengman, D. J.(1997). Eigenfaces vs. Fish[126]erfaces: Recognition using class specific linearprojection. IEEE Transactions on Pattern Analysis andMachine Intelligence, 19(7), 711-720.
  132. 贝尔金,M。,&Niyogi, P. (2002). Laplacianeigenmapsand spectral techniques for embedding and clustering.Advances in Neural Information Processing Systems,14, 585-591.
  133. 比林斯,s。,& Lee, K. L. (2002). Nonlinear Fisherdiscriminant analysis using a minimum squared errorcost function and the orthogonal least squaresalgorithm. Neural Networks, 15(2), 263-270.
  134. r中,Bolle M。,Connell, J. H., Pankanti, S., Ratha, N. K.,& Senior, A. W. (2004). Guide to biometrics. NewYork: Springer-Verlag.
  135. 布鲁内利,R。,&Falavigna, D. (1995). Personidentification using multiple cues. IEEE Transactionson Pattern Analysis and Machine Intelligence, 12(10),955–966.
  136. 考利,g . C。,& Talbot, N. L. C. (2003). Efficientleave-one-out cross-validation of kernel fisherdiscriminant classifiers. Pattern Recognition, 36(11),2585-2592.
  137. 陈,l F。,Liao, H. Y., Lin, J. C., Kao, M. D., & Yu,G. J. (2000). A new LDA-based face recognition system which can solve the small sample size problem.Pattern Recognition, 33(10), 1713-1726.
  138. 德雷伯,b。门敏,K。,巴特利特,m . S。,&Beveridge,J. R. (2003). Recognizing faces with PCA and ICA.Computer Vision and Image Understandin,, 91(1/2),115-137.
  139. 印尼,r·p·W。,&Loog, M. (2004). Lineardimensionality reduction via a heteroscedasticextension of LDA: the Chernoff criterion. IEEETransactions on Pattern Analysis and MachineIntelligence, 26(6), 732-739.
  140. Fierrez-Aguilar, J。Ortega-Garcia, J。,Gonzalez-Rodriguez, J., &Bigun, J. (2005). Discriminativemultimodal biometric authentication based on qualitymeasure. Pattern Recognition, 38(5), 777-779.
  141. Gestel, t . V。,Suykens, J. A. K., Lanckriet, G.,Lambrechts, A., De Moor, B., &Vanderwalle, J.(2002). Bayesian framework for least squares supportvector machineclassifiers, gaussianprocesss and kernel fisherdiscriminant analysis. Neural Computation, 15(5),1115-1148.
  142. Gokberk B。,Salah, A. A., &Akarun, L. (2003). Rankbaseddecision fusion for 3D shape-based facerecognition. Lecture Notes in Computer Science, 3546,10191028.
  143. Grother, P。,&Tabassi, E. (2004). NIST BiometricScores Set - Release 1 (BSSR1). Available athttp://www.itl.nist.gov/iad/894.03/biometricscores.
  144. 霍德兰,P。,& Park, H. (2004). Generalizingdiscriminant analysis using the generalized singular va
  145. Lu分解。IEEE PatternAnalysis和机器智能,26 (8),995 - 1006。
  146. 耆那教徒,一个。,Bolle, R., &Pankanti, S. (1999a). Biometrics:Personal Identification inNetworked Society. Boston Hardbound: KluwerAcademic.
  147. 耆那教徒,a K。,Prabhakar, S., & Chen, S. (1999b).Combining multiple matchers for a high securityfingerprint verification system. Pattern RecognitionLetters, 20, 1371-1379.
  148. 耆那教徒,a K。,罗斯。,&Prabhakar, S. (2004). Anintroduction to biometric recognition. IEEE Trans.Circuits and Systems for Video Technology, 14(1), 4-20.
  149. 耆那教徒,a K。,Nandakumar, K。,& Ross, A. (2005). Scorenormalization in multimodel biometric systems. PatternRecognition, 38(5), 2270-2285.
  150. 金,Z。,杨,J。Y., Hu, Z. S., & Lou, Z. (2001). FaceRecognition based on uncorrelated discriminanttransformation. Pattern Recognition, 34(7), 1405-1416.
  151. 京,X.Y.,张,D。,& Yang, J. Y. (2003). Facerecognition based on a group deci-sion-makingcombination approach. Pattern Recognition, 36(7),1675-1678.
  152. 金,h . C。金,D。,Bang, S. Y., & Lee, S. Y. (2004).Face recognition using the second-order mixture-ofeigenfacesmethod. Pattern Recognition, 37(2), 337-349.
  153. 科比,M。,&Sirovich, L. (1990). Application of theKL procedure for the characterization of human faces,IEEE Transactions on Pattern Analysis Machine Intelligence,12(1), 103-108.
  154. 香港,一个。,张,D。,&Kamel, M. (2006). Palmprint identification using feature level fusion, Pattern Recognition, 39, 478-487.
  155. Lathauwer, L。沼泽,B。,&Vndewalle, J.(2000). Amultilinear singular value decomposition. SIAMJournal on Matrix Analysis and Application, 21(4),1233-1278.
  156. 劳伦斯:D。,&Schölkopf, B. (2001). Estimatinga kernel Fisher discriminant in the presence of labelnoise. Proceedings of 18th International Conference onMachine Learning. San Francisco, CA, 306-313.
  157. 梁,Z。,& Shi, P. (2005). An analytical method forgeneralized low rank approximation matrices. PatternRecognition, 38(11), 2213-2216.
  158. 梁,Z。,张,D。,& Shi, P. (2007). The theoreticalanalysis of GRLDA and its applications. PatternRecognition, 40(3), 1032-1041.
  159. 刘,K。,Cheng, Y. Q., Yang, J. Y., & Liu, X. (1992).An efficient algorithm for Foley-Sammon optimal set of discriminant vectors byalgebraic method. International Journal of PatternRecognition and Artificial Intelligence, 6(5), 817-829.
  160. 刘,K。,Cheng, Y. Q., & Yang, J. Y. (1993). Algebraicfeature extraction for image recognition based on anoptimal discriminant criterion. Pattern Recognition,26(6), 903-911.
  161. 刘,C。,& Wechsler, H.(2000). Robust codingschemes for in dexing and retrieval from largeface databases. IEEE Transactions on ImageProcessing, 9(1), 132-137.
  162. 刘,C。,& Wechsler, H.(2001). A shape-and texturebasedenhanced Fisher classifierfor face recognition. IEEE Transactions on Image Processing, 10(4), 598-608.
  163. 刘,C。,& Wechsler, H. (2003). Independentcomponent analysis of Gabor features for facerecognition. IEEE Transactions on Neural Networks,14(4), 919-928.
  164. 刘,c (2004)。认脸Gabor-based内核PCA withfractional权力多项式模型。IEEE模式分析及机器智能,26 (5),572 - 581。
  165. Loog, M。,Duin, R. P. W., &Haeb-Umbach, R. (2001).Multiclass linear dimension reduction by weightedpairwise Fisher criteria. IEEE Transactions on PatternAnalysis and Machine Intelligence, 23(7), 762-766.
  166. 陆,j·W。,Plataniotis, K. N., &Venetsanopoulos, A.N. (2003a). Face recognition using LDA-basedalgorithms. IEEE Transactions on Neural Networks,14(1), 195200.
  167. 陆,J。,Plataniotis, K. N., &Venetsanopoulos, A. N.(2003b). Face recognition using kernel directdiscriminant analysis algorithms. IEEE Transactionson Neural Networks, 14(1), 117-126.
  168. 陆,G。,张,D。,& Wang, K. (2003). PalmprintRecognition using Eigenpalms Features, PatternRecognition Letters, 24(9-10), 1463-1467.
  169. 米勒(1994)。生命体征的身份。IEEESpectrum 31(2),比如22 - 30。
  170. 米卡,S。,Rätsch, G., Weston, J., Schölkopf, B., &Müller, K. R. (1999a). Fisher discriminant analysis withkernels. IEEE International Workshop on NeuralNetworks for Signal Processing, Madison, Wisconsin, August 23-25 (pp. 41-48).
  171. 米卡,S。,Rätsch, G., Schölkopf, B., Smola, A.,Weston, J., & Müller, K. R. (1999b). Invariant featureextraction and classification in kernel spaces. Advancesin Neural Information Processing Systems, 12, 526-532.
  172. 米卡,S。,Rätsch, G., & Müller, K. R. (2001a). Amathematical programming approach to the KernelFisher algorithm. Advances in Neural InformationProcessing Systems, 13, 591-597.
  173. 米卡,S。,Smola, A. J., &Schölkopf, B. (2001b). Animproved training algorithmfor kernel fisherdiscriminants. International Workshopon Artificial Intelligence and Statistics, San Francisco,CA, January 4-7, 98-104.
  174. 米卡,S。,Rätsch, G., Weston, J., Schölkopf, B., Smola,A., & Müller, K. R. (2003). Constructing descriptiveand discriminative non-linear features: Rayleigh coefficientsin kernel feature spaces. IEEE Transactions onPattern Analysis and Machine Intelligence, 25(5), 623-628.
  175. 穆贾达姆,b (2002)。主阀组andprobabilistic子空间视觉识别。IEEETransactions模式分析机器智能,24 (6),780 - 788。
  176. Nandakumar, K。陈,Y。耆那教的,。K., &Dass, S.(2006). Quality-based score level fusion inmultibiometric systems. Proceedings of InternationalConference on Pattern Recognition, Hong Kong,August 20-24 (pp. 473-476).
  177. Pentland,。,Moghaddam, B., &Starner, T. (1994).View-based and mododulareigenspaces for facerecognition. IEEE Conference on Computer Vision andPattern Recognition, Seattle, June 21-23 (pp. 84-91).
  178. Pentland, a (2000)。看着人们:传感forubiquitous和可穿戴计算。IEEE Transactionson模式分析机器智能,22 (1),107 - 119。
  179. Petridis, S。,&Perantonis, S. T. (2004). On the relationbetween discriminant analysis and mutual informationfor supervised linear feature extraction. PatternRecognition, 37(5), 857-874.
  180. Poh, N。,&Bengio, S. (2006). Database, protocol andtools for evaluating score-level fusion algorithms inbiometric authentication. Pattern Recognition, 39(2),223-233.
  181. 罗斯。,&Govindarajan, R. (2005). Feature levelfusion using hand and face biometrics. Proceedings ofSPIE Conference on Biometric Technology for HumanIdentification, Orlando, USA, March 28 (pp. 196-204).
  182. 罗斯,V。,&Steinhage, V. (2000). Nonlineardiscriminant analysis using kernel functions. Advancesin Neural Information Processing Systems, 12, 568-574.
  183. Roweis, s T。,& Saul, L. K. (2000). Nonlineardimensionality reduction by locally linear embedding.Science, 290, 2323-2326.
  184. Scholkopf B。Smola,。,& Muller, K. R. (1998).Nonlinear component analysis as a kernel eigenvalueproblem. Neural Computation, 10(5), 1299-1319.
  185. 她L。,& Kirby, M. (1987). Low-dimensionalprocedure for characterization of human faces. Journalof Optical Society of America A, 4, 519-524.
  186. 不要,d . L。,&Weng, J.(1996). Using discriminanteigenfeatures for image retrieval. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(8), 831-836.
  187. 道,D。,Li, X., Hu, W., Maybank, S. J., & Wu, X.(2005). Supervised tensor learning. IEEE InternationalConference on Data Mining, Houston, Texas,November 27-30 (pp. 450-457).
  188. 特南鲍姆,j·B。de Silva V。,& Langford, J. C.(2000). A global geometric framework for nonlineardimensionality reduction. Science, 290, 2319-2323.
  189. 田问。,Barbero, M., Gu, Z. H., & Lee, S. H. (1986).Image classification by the Foley-Sammon transform.Optical Engineering, 25(7) 834-839.
  190. 土耳其人,M。,&Pentland, A. (1991a). Eigenfaces forrecognition. Journal of Cognitive Neuroscience, 3(1),71-86.
  191. 土耳其人,M。,&Pentland, A. (1991b). Face recognitionusing Eigenfaces. IEEE Conference on ComputerVision and Pattern Recognition, Maui, Hawaii, June 3-6(pp. 586-591).
  192. Ulery B。,Hicklin, A. R., Watson, C., Fellner, W., &Hallinan, P. (2006). Studies of biometric fusion. NISTTechnical Report IR7346.
  193. Vasilescu, m·a·O。,&Terzopoulos, D. (2003).Multilinear subspace analysis of image ensembles.IEEE Conference on Computer Vision and PatternRecognition, Madison, Wisconsin, June 16-22 (pp. 93-99).
  194. Wayman, j . (2005)。生物识别系统:技术、设计和性能评价。伦敦:施普林格。
  195. 吴X。,张,D。,& Wang, K. (2003). Fisherpalmsbased Palmprint recognition. Pattern RecognitionLetters, 24(15), 2829-2838.
  196. 徐,J。,Zhang, X., & Li, Y. (2001). Kernel MSEalgorithm: a unified framework for KFD, LS-SVM, andKRR. Proceedings of the International Joint Conferenceon Neural Networks, Washington, D.C., July 15-19 (pp.1486-1491).
  197. 徐,Y。,杨,J。Y., & Yang, J. (2004). A reformativekernel Fisher discriminant analysis. PatternRecognition, 37(6), 1299-1302.
  198. 燕,S。,Xu, D., Yang, Q., Zhang, L., Tang, X., &Zhang, H. J. (2007). Multilinear discriminant analysisfor face recognition. IEEE Transactions on ImageProcessing, 16(1), 212-220.
  199. 杨m . h (2002)。内核Eigenfaces vs kernelFisherfaces:人脸识别使用内核的方法。学报》第五IEEE国际Conferenceon自动脸和手势识别(RGR ' 02),华盛顿d . C。5月21日(页215 - 220)。
  200. 杨,J。,& Yang, J. Y. (2002). Generalized K-Ltransform based combined feature extraction. PatternRecognition, 35(1), 295-297.
  201. 杨,J。,& Yang, J. Y. (2003). Why can LDA beperformed in PCA transformed space? PatternRecognition, 36(2), 563-566.
  202. 杨,J。,杨,J。Y., Zhang, D., & Lu, J. F. (2003a).Feature fusion: parallel strategy vs. serial strategy.Pattern Recognition, 36(6), 1369-1381.
  203. 杨,J。,杨,J。Y., Frangi, A. F. ,& Zhang, D.(2003b). Uncorrelated projection discriminant analysisand its application to face image feature extraction.International Journal of Pattern Recognition andArtificial Intelligence, 17(8), 1325-1347.
  204. 杨,J。,金,Z。,杨,J。Y., Zhang, D., &Frangi, A.F. (2004a). Essence of Kernel Fisher Discriminant:KPCA plus LDA. Pattern Recognition, 37(10), 2097-2100.
  205. 杨,J。,Frangi, A. F., & Yang, J. Y. (2004b). A newkernel Fisher discriminant algorithm with application tonface recognition, Neurocomputing, 56, 415-421.
  206. 杨,J。,张,D。,Frangi, A. F., & Yang, J. Y.(2004c). Two-dimensional PCA: A new approach toface representation and recognition. IEEE Transactionson Pattern Analysis and Machine Intelligence, 26(1),131-137.
  207. 杨,J。,张,D。,杨,J。Y., Zhong, J., &Frangi,A. F. (2005). KPCA plus LDA: A complete kernelFisher discriminant framework for feature extractionand recognition. IEEE Transactions on Pattern Analysisand Machine Intelligence, 27(2), 230-244.
  208. 你们,j . (2004)。广义ofmatrices低秩近似。21国际会议onMachine学习,德国波恩,8月7 - 11。
  209. 你们,J。,Janardan, R., Park, C. H., & Park, H. (2004).An optimization criterion for generalized discriminantanalysis on undersampled problems. IEEE Transactionson Pattern Analysis and Machine Intelligence, 26(8),982-994.
  210. Yu H。,& Yang, J. (2001). A direct LDA algorithm forhigh-dimensional data—with application to facerecognition. Pattern Recognition, 34(10), 2067-2070.
  211. 袁,p . C。,& Lai, J. H. (2002). Face representationusing independent component analysis. PatternRecognition, 35(6), 1247-1257.
  212. 张,d . (2000)。自动化的生物识别技术:技术和系统。波士顿精装:Kluwer学术。
  213. 张,d . (2002)。生物识别技术解决方案forauthentication吉尼斯世界。波士顿精装:Kluwer学术。
  214. 张,d . (2004)。的掌纹认证。BostonHardbound: Kluwer学术出版商。
  215. 张,D。,Peng, H., Zhou, J., & Pal, S. K. (2002). Anovel face recognition system using hybrid neural anddual eigenfaces methods. IEEE Transactions on System,Man, and Cybernetics, Part A, 32(6), 787-793.
  216. 张,D。,Kong, W. K., You, J., & Wong, M.(2003).On-line palmprint identification.IEEE Transactions on Pattern Analysis MachineIntelligence, 25(9), 1041-1050.
  217. [218]赵,L。,& Yang, Y. (1999). Theoretical analysis ofillumination in PCA-based vision systems. PatternRecognition, 32(4), 547-564.
  218. 赵,W。,Krishnaswamy, A., Chellappa, R., Swets,D., &Weng, J. (1998). Discriminant analysis of
  219. 用于人脸识别的主要组件。在H.Wechsler P.J.菲利普斯诉布鲁斯,F.F. Soulie, T.S.黄(Eds),面部识别:从理论到applications73 - 85年柏林:斯普林格出版社。
  220. [221]赵,W。,Chellappa, R., & Rosenfeld, A. (2003). Facerecognition: a literature survey. ACM ComputingSurvey, 36(4), 399-458.
  221. 左,W。,Wang, K., & Zhang, D. (2005). Bi-directionalPCA with assembled matrix distance metric.International Conference on Image Processing Genova,Italy, September 11-14 (pp. 958-961).
  222. 左,W。,Wang, K., Zhang, D., & Zhang, H. (2007).Combination of two novel LDA-based methods for facerecognition. Neurocomputing, 70(4-6), 735-742.
  223. Akimoto高明、YasuhitoSuenaga和理查兹。华莱士,自动创建三维面部模型,IEEE计算机图形学与应用,1993年9月,。
  224. 科尔曼EN, Jain R,获得3-DimensionalShape变形和镜面表面使用四个源测光,IEEE计算机图形学andImage处理,18:309 - 328,1982。
  225. p . Fua Y.G.勒克莱尔,利用ofImage-Based和基于几何的约束才能恢复三维表面,计算机视觉和ImageUnderstanding, 64(1): 111 - 127年7月,1996年。
  226. 贺拉斯H.S. Ip、利津阴,构建3 dindividual头从两个正交视图模型。TheVisual电脑,斯普林格出版社,12:254 - 266,1996。
  227. TsuneyaKurihara Arai清,ATransformation方法建模和动画的人脸照片,ComputerAnimation,斯普林格出版社东京45-58,1991页。
  228. Yuencheng Lee DemetriTerzopoulos KeithWaters,现实的面部动画,建模InComputer图形(Proc SIGGRAPH), 55 - 62、1996页。
  229. n . Magnenat-Thalmann d . Thalmann方向合成影片中的演员rendez - vous aMontreal, IEEE计算机图形学和应用程序,7(12):9-19,1987年。
  230. n . Magnenat-Thalmann i s Pandzic让-克劳德·穆萨Zhyong黄JianhuaShen,
  231. 西安兵马俑的士兵,ComputerGraphics:在虚拟环境中,发展学术出版社(ISBN 0-12-227741-4), 1995。
  232. 马克•Proesmans吕克·范干傻事。Readingbetween行——动态3 dwith纹理提取方法。VRST论文集,第102 - 95页,1997年。
  233. HrroshiSaji,藤日本日置、YoshihisaShinagawa Kensyu吉田和Tosiyasu l . Kunii提取的三维形状移动人类faceusing照明开关测光。创建andAnimating虚拟世界,气象出版社,东京,pp。69 - 86年,1992年。
  234. 兰斯·威廉姆斯FacialAnimation, InComputer图形(Proc SIGGRAPH),页。235 - 242年,1990年。
  235. 刘et al ., 2001 b)刘,Z。张,Z。,Jacobs, C., andCohen, M. (2001b). Rapid modeling of animated facesfrom video. Journal of Visualization and ComputerAnimation, 12(4):227–240.
  236. 康和琼斯,1999]Kang s b和琼斯,m (1999)。外貌的结构与运动usinglinear类的3 d模型。手稿。
  237. (检查者和小山,1997]检查者,t和小山,t (1997)。线性对象类和图像合成图像从单一的例子。IEEE过渡语PatternAnalysis和机器智能,19 (7):733 - 742。
  238. Blanz和检查者,1999]Blanz,诉和检查者,t (1999)。3 dfaces morphable模型的合成。在计算机图形学中,年度ConferenceSeries,页187 - 194。Siggraph。
  239. [Fua Miccio, 1998] Fua, p, Miccio c (1998)。从常规图像动画头:至少squaresapproach。在欧洲ComputerVision会议上,页188 - 202。
  240. [Pighin et al ., 1998) Pighin, F。检验员,J。,Lischinski,D., Szeliski, R., and Salesin, D. H. (1998).Synthesizingrealistic facial expressions from photographs. In Proc.SIGGRAPH 98, pages 75–84.
  241. 郑1994郑,j . y (1994)。收购3-dmodels序列的轮廓。IEEE Transactionson模式分析与机器智能,16 (2):163 - 178。
  242. (Akimoto et al ., 1993) Akimoto, T, Suenaga, Y。, andWallace R.S. (1993)。自动三维面部模型。IEEEComputer图形和应用,13 (5):16 - 22。
  243. Dariush et al ., 1998] Dariush, B。康,s . B。,andWaters, K. (1998). Spatiotemporal analysis of faceprofiles: Detection, segmentation, and registration. InProc. of the 3rd International Conference on AutomaticFace and Gesture Recognition, pages 248–253. IEEE.
  244. [H.S.Ip和阴,1996]H.S.Ip、h和阴l . (1996)。构建一个三维的头从twoorthogonal视图模型。计算机视觉,(12):254 - 266。
  245. 李,y . C。,Terzopoulos, D., andWaters, K. (1995). Realistic modeling for facialanimation. In Computer Graphics, Annual ConferenceSeries, pages 55–62. SIGGRAPH.
  246. 李,y . C。,Terzopoulos, D., andWaters, K. (1993). Constructing physicsbased facialmodels of individuals. In Proceedings of GraphicsInterface, pages 1–8.
  247. 马斯纳,s R。,京特·B。,and Raghupathy, S. (2000). Modeling and rendering forrealistic facial animation. In Rendering Techniques,pages 231–242. Springer Wien New York.
  248. Ostermann et al ., 1998] Ostermann, J。陈,L。,,andHuang, T. S. (1998). Animated talking head with
  249. 个性化的3 d模型。《VLSISignal信号处理系统,图像和视频技术,20 (1):97 - 105。
  250. 控件(2003).Cyberware。描述从http://www.cyberware.com/索取。
  251. Eyetronics .Eyetronics (2003)。描述从http://www.eyetronics.com/索取。
  252. c . Beumier m . Acheroy面临来自3 dand灰度级信号,验证模式识别字母22 (2001)1321 - 1329。
  253. 点布罗斯特,M.M.布罗斯特,r . Kimmel Expression-invariant 3 d人脸识别:国际会议音频,Video-BasedPerson身份验证(AVBPA 2003),信号,vol.2688, 2003年,页62 - 70。
  254. k, k .鲍耶·弗林的脸recognitionusing面部数据,2 d和3 d:多通道UserAuthentication研讨会,2003年12月,25-32页。
  255. Godil,美国莱斯勒,p . Grother,人脸识别using3D面部形状和颜色映射信息:comparisonand组合,我为HumanIdentification生物识别技术,有5404卷,2005年4月,第351 - 361页。
  256. Gokberk,沙拉,l . Akarun Rank-based decisionfusion对3 d shape-based人脸识别,在:国际会议音频和视频生物识别人的身份验证(AVBPA 2005),信号,3546卷,2005年7月,页1019 - 1028。
  257. m . Husken m . Brauckmann s Gehlen c·冯·derMalsburg策略和2 d and3D融合人脸识别的好处,在:IEEE研讨会认脸大挑战实验,2005年6月。
  258. 老挝,y烟灰墨,m . Kawade f .获利,3 d templatematching姿势不变的面孔识别使用3 dfacial模型建立与iso-luminance行立体观察为基础,在:国际会议PatternRecognition (ICPR 2000), 2000,第二页:911 - 916。
  259. x, d . Colbry A.K. Jain,匹配2.5 d扫描forface识别:国际会议onPattern识别(ICPR 2004), 2004年,页362 - 366。
  260. x, A.K. Jain,集成范围和textureinformation 3 d人脸识别,在:7日IEEEWorkshop在计算机视觉的应用(WACV _05), 2005年,页155 - 163。
  261. t·毛雷尔,d . Guigonis马斯洛夫,b . Pesenti。Tsaregorodtsev, d .西方,g . Medioni性能ofgeometrixactiveidtm 3 d人脸识别引擎thefrgc数据:IEEE研讨会人脸识别大挑战实验,2005年6月。
  262. g . Medioni r . Waupotitsch在3 d人脸识别andmodeling: IEEE国际研讨会onAnalysis和建模的面孔和手势(AMFG2003), 2003年10月,页232 - 233。
  263. k .梅塞尔集团j . Matas j .难应付的j . Luettin g .管家XM2VTSDB:扩展M2VTS数据库:
  264. 第二次国际会议上音频,VideobasedBiometric人认证,1999年,页72 - 77。
  265. 乃文愿景,Inc . visiontechnology Nevenvision机器。http:// < www.nevenvision.com/ >。
  266. t . Papatheodorou d . Reuckert评价ofautomatic 4 d人脸识别使用表面和textureregistration:第六次国际会议onAutomated脸和手势识别,2004年5月,页。321 - 326。
  267. f . Tsalakanidou s Malassiotis m . Strintzis Faceauthentication和身份验证使用颜色和depthimages, IEEE 14(2)图像处理(2005)152 - 168。
  268. f . Tsalakanidou s Malassiotis m . Strintzis集成的2 d和3 d图像增强faceauthentication:第六国际会议onAutomated脸和手势识别,May2004, pp。266 - 271。
  269. f . Tsalakanidou d . Tzocaras m . Strintzis ofdepth和颜色eigenfaces用于人脸识别,模式识别字母24 (2003)1427 - 1435。
  270. c . y . Wang蔡,y Ho面部特征检测andface从2 d和3 d图像识别,PatternRecognition字母23 (2002)1191 - 1202。
  271. l . c .徐y . Wang t . Tan,自动3 d认脸结合全球withlocal形状几何特性变化信息,:第六InternationalConference自动化脸上GestureRecognition, 2004年5月,页308 - 313。
  272. Blanz, V。,Vetter, T., 2003. Face recognition based onfitting a 3D morphable model. IEEE Trans. PatternAnal. Machine Intell. 25 (9), 1063–1074.
  273. 陆,X。,Hsu, R., Jain, A., Kamgar-Parsi, B., Kamgar-Parsi, B., 2004. Face recognition with 3D model-basedsynthesis. In: Proc. Internat. Conf. on BiometricAuthentication (ICBA), Hong Kong, July, pp. 139–146.
  274. 胡、周益春,Jiang, D.L., Yan, S.C., Zhang, H.J., 2004.Automatic 3D Reconstruction for Face Recognition. In:Proc. Proceeding of IEEE International Conf. onAutomatic Face and Gesture Recognition (FGR 2004),Seoul, Korea, May, pp. 843–850.
  275. 安萨里,。,Abdel-Mottaleb, M., 2003. 3-D facemodeling using two views and a generic face modelwith application to 3-D face recognition. In: Proc. IEEEConf. on Advanced Video and Signal BasedSurveillance (AVSS 2003) Miami, FL, USA, July, pp.37–44.
  276. 厨师,J。,Chandran, V., Sridharan, S., Fookes, C.,2004. Face recognition from 3D data using iterativeclosest point algorithm and Gaussian mixture models.In: Proc. 2nd Internat. Symposium on 3D DataProcessing, Visualization and Transmission (3DPVT2004), Thessaloniki, Greece, 6–9 September.
  277. Irfanoglu,犯罪手法,Gokberk B。Akarun, L。,2004年。3 dshape-based人脸识别使用automaticallyregistered面部的表面。:Proc。17世界的。Conf.on模式识别(ICPR2004),剑桥,pp.183 - 186。
  278. Medioni G。,Waupotitsch, R., 2003. Face recognitionand modeling in 3D. In: Proc. IEEE Internat. Workshopon Analysis and Modeling of Faces and GestureRecognition (AMFG’03). Nice, France, October, pp.232–233.
  279. 陆,X。,Colbry, D., Jain, A.K., 2004. Threedimensionalmodel based face recognition. In: Proc.17th Internat. Conf. on Pattern Recognition(ICPR2004), Cambridge, pp. 362–366.
  280. 戈登,G。,1991年。基于depthmaps和表面曲率的人脸识别。:Proc。GeometricMethods在计算机视觉中,有1 - 12页。
  281. 莫雷诺,学士,Sanchez, A., Velez, J.F ., Diaz, F.J.2003. Face recognition using 3D surface-extracteddescriptors. In: Proc. Irish Machine Vision and Image,(IMVIP’03), September.
  282. 蔡c。,汉族,F。,Ho, Y.K., 2000. 3D human facerecognition using point signature. In: Proc. 4th IEEEInternat. Conf. on Automatic Face and GestureRecognition (FG 2000) Grenoble, France, March,pp.233–238.
  283. 田中,高韧性池田,M。,Chiaki, H., 1998. Curvaturebasedface surface recognition using sphericalcorrelation – principal directions for curved objectrecognition. In: Proc. 3rd Internat. Conf. on Face &Gesture Recognition (FG’98), Nara, Japan, April, pp.372–377.
  284. 王,Y。,Pan, G., Wu, Z., 2004. Sphere-spin-image:A viewpointinvariant surface representation for 3D facerecognition. In: Proc. Internat. Conf. on ComputationalScience (ICCS’04), Lecture Notes in ComputerScience, Vol. 3037 (June), pp. 427–434.
  285. 高,Y。,Leung, M.K.H., 2002. Face recognition usingline edge map. IEEE Trans. Pattern Anal. MachineIntell. 24 (6), 764–779.
  286. 赫塞尔廷,T。、梨、N。,Austin, J., 2004a. Threedimensionalface recognition: An eigensurface approach. In: Proc. Internat. Conf. on Image Processing(ICIP 2004), October, Singapore.
  287. 赫塞尔廷,T。、梨、N。,Austin, J., 2004b. Threedimensionalface recognition: A fischersurfaceapproach. In: Proc. Image Analysis and Recognition:Internat. Conf. (ICIAR 2004), Porto, Portugal(September– October), pp. 684–691.
  288. 常,K。,Bowyer, K., Flynn, P., 2004. An evaluationof multi-modal 2D + 3D face biometrics. IEEE Trans.Pattern Anal. Machine Intell. (PAMI 2004).
  289. 布罗斯特,。,Bronstein, M., Kimmel, R., 2003.Expression-invariant 3D face recognition. Proc. Audio&Video-based Biometric Person Authentication(AVBPA). In: Lecture Notes in Computer Science, Vol.2688. Springer, pp. 62–69.
  290. Tsalakanidou F。Tzovaras D。,Strintzis, M.G., 2003.Use of depth and colour Eigenfaces for facerecognition. Pattern Recognition Lett. 24 (9–10), 1427-1435.
  291. Papatheodorou, T。Rueckert D。,2004年。评估使用表面和textureregistration ofautomatic 4 d人脸识别。:Proc。第六IEEE国际比赛。Conf. onAutomatic脸和手势识别首尔,韩国,5月,页321 - 326。
  292. p . Besl n .麦凯的登记方法3 dshapes, IEEE反式。在PAMI 14日(1992)239 - 256。
  293. g . Medioni r . Waupotitsch在3 d人脸识别andmodeling: IEEEInternational车间的程序分析和建模ofFaces和手势,2003年,页232 - 233。
  294. x, d . Colbry a . Jain三维modelbased人脸识别:模式识别国际研讨会论文集,pp.362 - 366, 2004。
  295. s Malassiotis m . Strintzis姿势和illuminationcompensation 3 d人脸识别:研究进展国际会议图像处理、卷。1,第94 - 91页,2004。
  296. t . Papatheodorou d . Reuckert评价ofautomatic 4 d人脸识别使用表面和textureregistration:学报第六InternationalConference自动化脸上GestureRecognition, 321 - 326年,2004页。
  297. l . c .徐y . Wang t . Tan,自动3 d认脸结合全球withlocal形状几何特性变化信息,:学报第六个国际会议自动化脸上andGesture认可,308 - 313年,2004页。
  298. x, A.K. Jain,变形分析3 d facematching:第七IEEEWorkshop学报》在计算机视觉的应用,99 - 104年,2005页。
  299. 犯罪手法吗?rfanoglu, b .¨kberk, l . Akarun 3 d shapebasedface识别使用自动registeredfacial表面:学报InternationalConference模式识别,183 - 186年,2004页。
  300. 点布罗斯特,M.M.布罗斯特,r . Kimmel Expression-invariant 3 d人脸识别,研究音频,视频生物PersonAuthentication信号2688 (2003)62 - 69。
  301. 点布罗斯特,M.M.布罗斯特,a·斯派拉r . Kimmel人脸识别面部表面指标:T。Pajdla j•马特斯(Eds),《八欧洲计算机视觉信号,vol.3022(2004),页225 - 237。
  302. 布罗斯特,m .布罗斯特,r . Kimmel Threedimensionalface认可,国际期刊ofComputer愿景64 (1)(2005)5 - 30。
  303. 毫不,斯利瓦斯塔瓦,g .苏欣noveltechnique使用范围成像,人脸识别:学报》第七届国际研讨会onSignal处理及其应用,2卷,第204 - 201页,2003年。
  304. j . k . y . Lee公园垫片,t .咦,3 d脸recognitionusing统计为本地depthinformation多个特性,在:16 InternationalConference学报》在视觉界面,2003。
  305. 斯利瓦斯塔瓦,x, c .毫不人脸识别usingoptimal范围图像的线性组件,submittedto杂志的形象和视觉计算。
  306. K.I. Chang K.W.鲍耶,P.J.弗林,一个evaluationof综合2 dc3d面对生物识别技术,在PAMI 27日IEEETransactions (4) (2005) 619 - 624。
  307. f . Tsalakanidou d . Tzocaras m . Strintzis ofdepth和颜色eigenfaces用于人脸识别,模式识别字母24 (2003)1427 - 1435。
  308. Beumier, m . Acheroy自动3 d faceauthentication,形象和视觉计算18 (4)(2000)315 - 321。
  309. Beumier, m . Acheroy面临来自3 d andgrey水平线索,验证模式识别字母22 (2001)1321 - 1329。
  310. c。蔡,汉族,Y.-K。Ho 3 d人类认脸使用签名,点:面对andGesture自动识别国际会议,233 - 237年,2000页。
  311. c . y . Wang蔡,y Ho面部特征检测andface从2 d和3 d图像识别,PatternRecognition信23 (10)(2002)1191 - 1202。
  312. y, z . Wu g, 3 d人脸识别usinglocal地图,形状:职能InternationalConference的图像处理,3卷,2004年,pp.2003 - 2006。
  313. 基于深度andcurvature g·戈登,人脸识别功能,在:计算机视觉andPattern IEEEComputer协会会议认可,108 - 110年,1992页。
  314. 热处理田中,池田m . h . Chiaki Curvature-basedface表面使用球形correlationprincipal方向弯曲的物体识别,识别:第三届国际研讨会论文集onAutomated脸和手势识别,372 - 377年,1998页。
  315. A.B.莫雷诺,a·桑切斯参考维,F.J. Diaz认脸使用3 d surface-extracted描述符,在:爱尔兰机器视觉和ImageProcessing研讨会论文集,2003。
  316. 堤,菊池,m .及其Faceidentification使用3 d灰度图像的方法forlessening面部方向,限制:学报》第三届IEEE国际Conferenceon自动脸和手势识别,306 - 311年,1998页。
  317. 去¨kberk,沙拉,l . Akarun Rank-based decisionfusion对3 d shape-based人脸识别:T。金,a . Jain N.K. Ratha (Eds),诉讼的音频,视频生物PersonAuthentication信号,卷。3456(2005),页1019 - 1029。
  318. g .锅y, z . Wu自动3 d脸verificationfrom范围数据,在:《InternationalConference声学,演讲,和SignalProcessing, 3卷,第196 - 193页,2003年。
  319. g .锅z吴,3 d人脸识别范围的数据,国际图象图形学报5 (3)(2005)573 - 583。
  320. K.I. Chang K.W.鲍耶P.J.弗林,认脸使用2 d和3 d的面部数据,在:ACMWorkshop多通道用户认证,2003年,25-32。
  321. 响亮的面,m . Bennamoun r·欧文斯Keypointdetection和地方特征匹配的纹理3 dface识别,Int。j .第一版。粘度79 (1)(2007)1 - 12。
  322. m . Husken m . Brauckmann s Gehlen简历derMalsburg,策略和融合的好处2 d和3 dface识别,在:CVPR 05:《2005年IEEE计算机学会学报ComputerVision与模式识别会议(CVPR ' 05)研讨会,华盛顿,美国IEEE ComputerSociety, 2005。
  323. K.I. Chang k .鲍耶P.J.弗林,一个评估ofmulti-modal 2 d + 3 d生物识别技术,IEEE反式。肛门模式。27 (2005)619 - 624。
  324. f . Tsalakanidou d . Tzovaras m . Strintzis ofdepth和颜色eigenfaces用于人脸识别,Recogn模式。列托人。(2003)1427 - 1435。
  325. m·韦伯斯特GeometricMorphometrics概论,2006年。
  326. 3模式系统。3 q qlonerator。< http://www.3q.com/offerings_prod。htm / >。
  327. b . Achermann h .煤仓、分类范围图像与豪斯多夫距离,人类面临着:15-thInternational模式识别会议2000年9月,第809 - 813页。
  328. b . Achermann x江,h .煤仓刷脸recognitionusing范围图像,VirtualSystems国际会议和多媒体(1997)129 - 136。
  329. c . Beumier m . Acheroy面临来自3 dand灰度级信号,验证模式识别字母22 (2001)1321 - 1329。
  330. 诉Blanz, t .检查者,人脸识别基于拟合a3D morphable模型,IEEE PatternAnalysis和机器智能25 (2003)1063 - 1074。
  331. c . Boehnen P.J.弗林、准确性的3 d scanningtechnologies脸扫描环境,:FifthInternational会议3 d成像和建模(3的2005),2005年6月,第310 - 317页。
  332. K.W.鲍耶,人脸识别技术和安全与隐私的权衡,IEEE技术andSociety 9-20 (2004)。
  333. K.W.鲍耶,k . Chang P.J.弗林,调查3 dand综合3 d + 2 d人脸识别:17-thInternational模式识别会议上,2004年8月,页358 - 361。
  334. K.W.鲍耶,k . Chang P.J.弗林,调查3 dand多通道3 d + 2 d人脸识别,面对处理:先进的建模和方法,toappear。
  335. 点布罗斯特,M.M.布罗斯特,r . Kimmel Expression-invariant 3 d人脸识别:国际会议音频,Video-BasedPerson身份验证(AVBPA 2003),信号,vol.2688, 2003年,页62 - 70。
  336. 点布罗斯特,M.M.布罗斯特,r . Kimmel Threedimensionalface认可,国际期刊ofComputer愿景(2005)5 - 30。
  337. J.Y. Cartoux j.t LaPreste, m . Richetin Faceauthentication或识别轮廓提取fromrange图像:诉讼的车间onInterpretation 3 d场景,1989年,页194 - 199。
  338. k, k·鲍耶,p·弗林,一个评价ofmulti-modal 2 d + 3 d生物识别技术,在模式分析和MachineIntelligence 27日IEEETransactions (4) (2005) 619 - 624。
  339. k, k .鲍耶·弗林的脸recognitionusing面部数据,2 d和3 d:多通道UserAuthentication研讨会,2003年12月,25-32页。
  340. k . Chang K.W.鲍耶,s . Sarkar维克多,耳朵和脸的比较和组合图像forappearance-based生物测定,IEEE onPattern分析和机器智能25 (9)(2003)1160 - 1165。
  341. K.I. Chang K.W.鲍耶P.J.弗林,适应性rigidmulti-region选择处理表达式variationin 3 d人脸识别,:IEEE研讨会认脸大挑战实验,2005年6月。
  342. c . Chua f .汉Y.K. Ho 3 d人脸recognitionusing点签名,IEEE国际会议onAutomatic脸和手势识别(2000)233 - 238。
  343. l . Farkas人体测量学的头和脸,乌鸦出版社,纽约,1994年。
  344. Godil,美国莱斯勒,p . Grother,人脸识别using3D面部形状和颜色映射信息:comparisonand组合,我为HumanIdentification生物识别技术,有5404卷,2005年4月,第351 - 361页。
  345. Gokberk,沙拉,l . Akarun Rank-based decisionfusion对3 d shape-based人脸识别,在:国际会议音频,Video-basedBiometric人身份验证(AVBPA 2005),信号,3546卷,2005年7月,页1019 - 1028。
  346. 基于深度andcurvature g·戈登,人脸识别功能,计算机视觉和PatternRecognition (CVPR) (6) (1992) 108 - 110。
  347. 毫不,斯利瓦斯塔瓦,g .苏欣noveltechnique使用范围成像,人脸识别:第七各类信号加工应用国际研讨会,2003年,页201 - 204。
  348. m . Husken m . Brauckmann s Gehlen c·冯·derMalsburg策略和2 d and3D融合人脸识别的好处,在:IEEE研讨会认脸大挑战实验,2005年6月。
  349. 杰拉斯,马丁Koudelka, M.W.科赫prescreenerfor 3 d人脸识别使用径向对称和theHausdorff分数,:IEEE研讨会认脸大挑战实验,2005年6月。
  350. 老挝,y烟灰墨,m . Kawade f .获利,3 d templatematching姿势不变的面孔识别使用三维面部模型建立与iso-luminance行立体观察为基础,在:国际会议PatternRecognition (ICPR 2000), 2000,第二页:911 - 916。
  351. e . Milios J.C. Lee humanfaces的图像匹配范围,在:计算机视觉国际会议上,1990年,页722 - 726。
  352. j . k . y . Lee公园垫片,t .咦,3 d脸recognitionusing统计为本地depthinformation多个特性,在:2003年6月16日国际会议onVision接口,。可以在
  353. j . y . Lee垫片,Curvature-based人类认脸使用depth-weighted豪斯多夫距离:图像处理国际会议(ICIP), 2004年,页1429 - 1432。
  354. h . y . Lee歌,杨,k . h . Shin孙。Localfeature基于3 d人脸识别,:InternationalConference音频——和Videobased BiometricPerson身份验证(AVBPA 2005),信号,卷。3546年,2005年7月,页909 - 918。
  355. x, d . Colbry A.K. Jain,匹配2.5 d扫描forface识别:国际会议onPattern识别(ICPR 2004), 2004年,页362 - 366。
  356. x, A.K. Jain,变形分析3 d facematching: 7日IEEE ofComputer视觉应用研讨会(WACV _05), 2005年,页99 - 104。
  357. x, A.K. Jain,集成范围和textureinformation 3 d人脸识别,在:7日IEEEWorkshop在计算机视觉的应用(WACV _05), 2005年,页155 - 163。
  358. t·毛雷尔,d . Guigonis马斯洛夫,b . Pesenti。Tsaregorodtsev, d .西方,g . Medioni性能ofgeometrixactiveidtm 3 d人脸识别引擎thefrgc数据:IEEE研讨会面临RecognitionGrand挑战实验,2005年6月。
  359. g . Medioni r . Waupotitsch在3 d人脸识别andmodeling: IEEE国际研讨会onAnalysis和建模的面孔和手势(AMFG2003), 2003年10月,页232 - 233。
  360. k .梅塞尔集团j . Matas j .难应付的j . Luettin g .管家XM2VTSDB:扩展M2VTS数据库:第二次国际会议上音频,VideobasedBiometric人认证,1999年,页72 - 77。
  361. j . Min K.W.鲍耶,p·弗林,人均使用多个galleryand探针图像以提高性能offace识别,圣母院大学计算机科学工程技术报告(2003)。美能达公司柯尼卡美能达3 d数字化仪。< http://www.minoltausa。com/vivid/ >。
  362. A.B.莫雷诺,´ngelSa´nchez,参考Ve´lez, F.J.Di´az,人脸识别使用3 d surface-extracteddescriptors:爱尔兰机器视觉和ImageProcessing会议(IMVIP 2003), 2003年9月。
  363. t . Nagamine t . Uemura。此外,3 d面部人类识别、图形分析:InternationalConference在模式识别(ICPR 1992), 1992, pp。324 - 327。
  364. 乃文愿景,Inc . visiontechnology Nevenvision机器。http:// < www.nevenvision.com/ >。
  365. g .锅,汉族,y, z . Wu真实感三维人脸recognitionusing深度图像映射,在:IEEE研讨会人脸识别大挑战实验,June2005。
  366. g .锅y, z . Wu自动3 d脸verificationfrom范围数据,在:国际会议onAcoustics,演讲,和信号处理(ICASSP), 2003,第三页:193 - 196。
  367. t . Papatheodorou d . Reuckert评价ofautomatic 4 d人脸识别使用表面和textureregistration:第六次国际会议onAutomated脸和手势识别,2004年5月,页。321 - 326。
  368. g . Passalis Kakadiaris, t . Theoharis g . Toderici N。Murtuza,评价3 d人脸识别的面部表情:一个带注释的deformablemodel方法:IEEE研讨会认脸大挑战实验,2005年6月。
  369. [370]P.J.K.W.中锋菲利普斯P.J.弗林,t·鲍耶,J。Chang k·霍夫曼,j .品牌j . Min w . Worek
  370. 概述的人脸识别大挑战,计算机视觉和模式识别(CVPR)(2005),页。I: 947 - 954。
  371. P.J.菲利普斯·Grother R.J. Michaels, D.M.布莱克本,e . Tabassi j .骨FRVT 2002: overviewand总结。可以在
  372. P.J.菲利普斯,h .月亮,P.J. Rauss, s . Rizvi TheFERET评价方法面临recognitionalgorithms, IEEE模式分析andMachine情报22 (10)(2000)。
  373. m . Rioux l . Cournoyer Nrcc文件中提取数据,加拿大国家研究委员会,委员会29077年,1988年6月。
  374. 杰拉斯,K.W.科赫中国区小3 d facialrecognition:定量分析:45-th研究所的年度核MaterialsManagement (INMM), 2004年7月。
  375. M.W.科赫,杰拉斯中国区,2 d rangeHausdorff 3 d人脸识别方法:在人脸识别大ChallengeExperiments IEEEWorkshop, 2005年6月。
  376. 直Veltkamp Scheenstra, A . Ruifrok, of3D人脸识别方法,调查:InternationalConference在音频和视频BiometricPerson身份验证(AVBPA 2005),信号,vol.3546, 2005年7月,页891 - 899。
  377. 热处理田中,池田m . h . Chiaki Curvature-basedface表面使用球形correlationprincipal方向弯曲的物体识别,识别:第三国际会议自动化脸上andGesture认可,1998年,页372 - 377。
  378. f . Tsalakanidou s Malassiotis m . Strintzis Faceauthentication和身份验证使用颜色和depthimages, IEEE 14(2)图像处理(2005)152 - 168。
  379. f . Tsalakanidou s Malassiotis m . Strintzis集成的2 d和3 d图像增强faceauthentication:第六国际会议onAutomated脸和手势识别,2004年5月,页。266 - 271。
  380. f . Tsalakanidou d . Tzocaras m . Strintzis ofdepth和颜色eigenfaces用于人脸识别,模式识别字母24 (2003)1427 - 1435。
  381. c . y . Wang蔡,y Ho面部特征检测andface从2 d和3 d图像识别,PatternRecognition字母23 (2002)1191 - 1202。
  382. 徐,y, t . Tan l .全3 d自动认脸结合全球几何特性
  383. 当地的形状变化信息,:第六InternationalConference自动化脸上GestureRecognition, 2004年5月,页308 - 313。
  384. p .严K.W.鲍耶,实证评价耳生物识别技术,精神文明:IEEE车间onEmpiricalEvaluation方法在计算机视觉(EEMCV 2005), 2005年6月。
  385. p .严K.W.鲍耶,ICP-based3D形状生物识别技术的快速算法,在:第四IEEE车间onAutomatic识别先进技术(AutoID 2005), 2005年10月(出现)。
  386. w·赵,r . Chellappa, p . j .菲利普斯和A·罗森菲尔德ACM“人脸识别:文献调查”
  387. 计算调查,35卷,4号,2003年12月,页。399 - 458。
  388. SushmaJaiswal, Sarita辛格Bhadauria, Rakesh Kumar SinghJadon和塔伦Divakar,简要描述ofimage基于3 d人脸识别方法,卷1,4号,1 - 15,DOI: 10.1007 / 3 dres.04 (2010) 02。
  389. SushmaJaiswal,辛格Sarita Bhadauria RakeshSingh米伦“创造3 d可以做成动画FaceMethodology使用圆锥Section-Algorithm”,信息TechnologyJournal ISSN: 18125638, no.292 - 298页,2007年。
  390. Sushma贾斯瓦尔,辛格Sarita Bhadauria RakeshSingh米伦,“自动真实感三维人脸模型从2 dimage-through投影”日报:信息技术杂志:2007期:6问题:7页/记录没有。:1075 - 1079。
全球技术峰会