二维人脸姿态识别方法

　　人脸姿态的变化，会导致人脸图像信息降低，由于成像时是把三维立体空间的人脸投影到二维平面空间里，这个过程本身是有信息(尤其是深度信息、遮挡等)损失的，致使很难有效的恢复损失的图片信息，并且二维姿态人脸识别门禁系统一般需要采集大量的数据，计算量也比较大。因而，二维姿态人脸识别在实际应用中会受到限制，如何利用人脸图像库中仅有单个视点的照片来解决多姿态人脸识别，就成为人们关注的问题。于是，很多研究者从三维人脸模型人手来解决人脸姿态识别问题。

　　首先，我们需要理解基于人脸三维建模的方法及其思想是怎样的：它是利用某种几何模型或结构来表示人脸的结构和形状，并通过提取某些特征，在模型和图像之间建立起对应关系，然后通过几何或其他方法实现人脸空间姿态的估计。这里使用的模型既可以是简单的几何形体，如平面、圆柱，也可以是某种几何结构，又或者是通过激光扫描或其他方法获得的三维模型。由于简单的几何模型或结构不能准确地描述人脸的真实形状和特征，往往要求一些先验知识或者使用正则化方法减少误差。因此，基于人脸三维模型的方法越来越受到重视。

　　Lopez等提出了利用三维模型和图像上的28组特征点对实现人脸姿态的估计的方法。该方法需要顶先建立一个庞大的、包含各种姿态在内的模板库，因此计算开销比较大。Yang等提出了将三维模型引入一个实时的立体视觉系统实现来高精度的人脸姿态估计的方法。该方法需要两台摄像机，预先要用半交互式的方法，利用立体视觉系统建立一个人脸三维模型。Shimizu等提出了使用三维模型和图像上特定的曲线之间的对应关系并通过优化迭代过程得到人脸姿态的估计的方法。这种方法需要提取人脸图像上某些特定曲线并实现三维模型上的曲线与像上的曲线之间的匹配。Hattori等提出了采用深度数据 (range data)和人脸对称属性进行姿态估计的方法。该方法有一个缺点是需要具备深度数据，同时需要检测和跟踪三维空间中的面部特征点。Hallian等提出了三维弹性图匹配的方法，该方法只能解决小角度的姿态变化。CMU的Xiao提出了利用二维人脸图像生成三维模型的方法，该方法加大了人脸姿态估计的尺度，但是识别效果仍然不理想。

　　Vetter等提出了三维形变模型的方法，这种方法使用形变模型的变形系数作为特征进行人脸识别，可以分析更大范围的人脸姿态。但在实际应用中，形变模型的优化是一个很复杂的过程，数值求解难以达到最优解，所以得到的变形系数就不能很好的代表人脸的特征。

　　总之，基于模型方法的优点是：在准确的特征点检测前提下，姿态估计的准确率和效率非常高。基于模型方法的缺点有四点：①要在不断变化的光照条件和不同人脸姿态的情况下，鲁棒地检测和跟踪到每一帧图像中的面部特征点，这是一个很大的挑战。②不容易建立起二维与三维特征点之间的对应关系。③大多数基于模型的方法都假定弱透视投影，这种假定使得该方法不适合实际的应用。现实生活中，被摄影者大多距离摄像机很近，比如在一台有摄像头的电脑前，此时就不适合用弱透视投影的方法。④人脸不是严格意义上的刚体，在表情不同时，人脸的形状及特征点之间的距离都是变化的，而且人脸的特征点还可能被胡须或眼镜等物体遮盖。另外，人与人之间脸的形状是不同的，采用统一的人脸模型必然会给姿态估计带来误差。

　　人脸识别技术中有三维、二维的识别技术，而我们的指纹识别技术产品中的指纹门禁一体机，指纹门禁考勤机等都是靠识别我们的指纹图像即可。