自动入脸识别技术在身份认证、出入控制和金融防伪等领域具有广泛的应用前景。经过十几年的研究,基于二维图像的人脸识别已取得较大进展,但是仍然无法很好地克服光照、姿态和表情等变化。相较于二维图像,三维图像在获取时无需考虑投影变化所以容易校准人脸姿态,不含亮度信息因而不受光照干扰。近年来随着三维图像获取设备的发展,基于三维图像的人脸识别逐渐成为人脸识别领域的研究热点,有望解决二维人脸识别中碰到的难题。本课题研究的是姿态和表情不变的三维人脸识别问题。表情变化使人脸变形,改变脸部几何形状,姿态变化使人脸不仅根据不同旋转角度发生不同变化,而且由于自遮挡损失部分数据,这两种情况都会使同一身份人脸的类内距离增大,可能超过类间距离,因而降低人脸识别率。本文提出由粗到精的人脸校准方法,将人脸统一到正面,并且采用基于刚性区域的人脸特征提取方法克服表情变化,主要工作内容和创新成果如下：1、提出一种基于深度图的平均鼻子模型的鼻尖点检测及人脸粗校准算法。首先采用基于随机采样一致性的三维人脸分割方法,对三维人脸进行预处理后转换为深度图,然后提取人脸最刚性的鼻子区域,构造三个平均鼻子模型,能够检测带有姿态的人脸的鼻尖点,同时计算出人脸的粗旋转角度,进行人脸粗校准。2、提出一种基于深度图的主动外观模型的人脸精校准方法。根据人脸的形状和外观信息,构造基于深度图的主动外观模型,将经过粗校准之后的人脸通过迭代的方式与模型匹配,精确地校准人脸。3、提出基于深度图的直接特征提取方法,并利用局部二值模式提取特征。为了降低表情的影响,只对人脸相对刚性的上半脸提取特征,为了克服人脸数据丢失的影响,采用多区域特征融合的方法。利用支持向量机的机器学习方法对特征进行训练,获取分类模型,完成人脸识别。