3D人臉識別研究探索

形變模型由M個人臉樣本數據構成，這些數據分別表示為它的3D形狀和紋理兩部分，也可寫成M個樣本圖像的質心坐標表達式，即：
是形狀協方差矩陣Cs的特征值。p(β)的計算與p(α)的計算類似。
最終定義的3DMM為[smodel(α)，tmodel(β)]，由兩個變量參數確定a=[a1，a2，…，aM]T，b=[b1，b2，…，bM]T。這樣，任意新的人臉都可以通過變化a，b來控制其形狀和紋理。

2 基于視頻圖像的識別算法
特征臉方法通常利用主分量分析進行降維和提取特征。該方法選擇與原數據協方差矩陣前幾個最大特征值對應的特征向量構成一個組基，以達到最佳表征原數據的目的。在人臉識別中，由一組特征臉基圖像張成一個特征臉子空間，任何一幅人臉圖像(減去平均人臉后)都可投影到該子空間，從而得到一個權值向量。圖3所示是一個主分量分析的應用舉例。圖中最左邊的圖像為平均臉，其他為對應7個最大特征值的特征向量。

但是，3D人臉識別是通過自動檢測人臉區，從視頻中提取特征后才識別出人臉的身份。雖然視頻人臉識別是基于靜態圖像的人臉識別的直接擴展，但一般認為，視頻人臉識別算法需要同時用到空間和時間信息，它的時間連續性是視頻圖像的一個非常重要的特性，包括由此產生的人臉信息的不確定性。視頻人臉識別算法和基于靜態圖像的人臉識別算法的最大區別就是在人臉跟蹤和識別中利用時間信息。目前這類算法大致可分為兩類：
(1)跟蹤-然后-識別，這類方法首先檢測出人臉，然后跟蹤人臉特征隨時間的變化。只在跟蹤階段用到時間信息。識別還是采用基于靜態圖像的方法，而沒有用到時間信息。
(2)跟蹤-且-識別，這類方法中，人臉跟蹤和識別是同時進行的，在跟蹤階段和識別階段都要用到時間信息。

3 3D人臉識別存在的問題
近幾年才開始研究將三維方法用于人臉機器識別，目的是為了彌補二維方法的不足，或者是解決二維方法所無法根本解決的問題。
目前，三維人臉識別的處理方法和手段還是處于發現時期，其本身還不成熟，主要存在以下困難：
(1)海量存儲和計算的困難。由于三維識別過程中處理的數據容量和計算量十分巨大，對于一般計算機來說，它們的存儲和運算還比較困難；
(2)信息來源方面的困難。由于三維識別的完整信息難于獲取或者識別的信息往往不完整，同時，再加上圖像采集設備的差異和成像原理的不同，都可能造成識別算法本身不可糾正的錯誤；
(3)對人的生理認識的不足。由于計算機沒有人的經驗和知識功能，而只有計算功能，同時由于對肌肉的運動理論和表情形成等問題，現在還不能提供給計算機足夠的專家支持；
(4)受環境和條件的約束。影響二維識別的不利因素在三維識別上同樣存在，如光線的強弱、方向、遮蓋、陰影、背景等；
(5)實現方式和手段的不足。傳統的識別方法不能滿足三維識別的要求，必須改進或采用新的方法。例如由于動態圖像的計算量太大，因此，適用于靜態圖像處理的神經網絡就變得不適合了。

4 結語
3D人臉的研究始于計算機動畫和生物醫學成像。計算機動畫方面的方法是在計算機上生成三維的人臉來表達人的運動、姿態和表情。這種動畫的人臉可以在不同的環境下應用和發展為虛擬現實，這在生物醫學方面可從生物圖層或切片來重構人體器官組織，并將其用于病理分析。而三維人臉識別是極具挑戰性的課題，如在技術上有所突破，將具有很強的創新性和應用價值。