随着身份信息验证重要性的提升,人脸识别技术的发展也日渐成熟。由于二维人脸识别技术的发展局限性,近年来,三维人脸识别技术受到了研究者们的青睐。但是三维人脸识别算法性能受数据库质量、人脸姿态、表情影响较大,算法的发展面临较大挑战。本文对三维人脸识别做出了如下几方面改进:1、在三维人脸模型数据库预处理中,本文采用了由中科院自动化所拍摄的CASIA 3D数据库,由于该数据库原始数据格式无法直接用于算法,因此在数据库预处理模块中,不同与其它算法中的预处理过程,本文中使用了集成软件进行分割、降噪等处理,简化了预处理流程,并将模型退化为原始点云模型用于实验。2、在特征提取模块中,为提高特征点提取的准确率,从而更好的进行后续识别步骤,本文中将曲率信息和轮廓信息融合用于特征点定位,最大程度定位较多特征点的同时,提高了特征点定位的精度,避免了其它算法中因为信息缺失造成的特征点定位不准确的现象。在对比实验中,实验结果表明本文的特征点定位算法在特征点数量和定位时间两方面具有一定的优越性。3、在人脸匹配模块中,做了两方面改进:第一,在特征点描述符构建中,本文将具有优越性的2D_DAISY描述符拓展到三维空间,即3D_DAISY描述符。该描述符的优势在于保持姿态表情不变性的基础上,能最大程度的集成特征点与其邻域点的结构关系;第二,在人脸匹配阶段,为了测量待测人脸与库人脸的相似度,本文采用了豪斯多夫距离的拓展,即平均豪斯多夫距离。平均豪斯多夫距离不仅能有效避免点云模型中坏点、空洞点、噪声点对算法性能的影响,还能有效降低算法计算复杂度。算法性能评价过程中,将数据库中中性表情、中性姿态部分作为库集模型,将带有表情姿态的部分作为待测库进行识别。通过分析,本文算法准确率可达93.5%以上,且单一特征点识别时间不高于2.3 ms,识别性能较其它算法得到了提升。