人脸识别是当前生物特征识别的热点之一,并且在信息安全、视频监控、视频跟踪等领域有着广泛的应用前景.目前的人脸识别方法主要集中在二维图像方面,恒由于受到光照、姿势、表情变化等因素的影响,其识别的准确度受到很大的限制.到目前为止,建立一个鲁棒的人脸识别系统仍然是一个很困难的问题.三维人脸模型具有比二维人脸图像更丰富的信息,利用三维人脸模型是解决目前问题的有效方法之一.三维人脸识别中的核心部分是建立3D形变模型(Morphable Model),而数据库中不同姿势下的人脸图像与参考图像的特征点对应是构建形变模型的关键性问题.目前这个问题在人脸识别领域还是尚未很好解决的问题. 本文主要研究不同姿势下的人脸对齐问题.这个问题可以分为两部分,第一部分是从二维人脸图像中估计其人脸姿势;第二部分,根据已知的人脸姿态,利用主动形状模型提取人脸的特征点.这样可以用稀疏的特征点建立3D形变模型,相比于用其它的方法(如光流方法)简单、节省计算成本. 本文的主要贡献总结如下: 1)系统综述了人脸识别的发展历史与研究现状.以人脸识别系统的框图为基础,阐述了人脸识别系统的主要组成模块:人脸检测、人脸表征和分类识别.然后以这些主要模块的核心技术为线索,详细阐述了人脸识别在不同发展阶段的特点和成就,并且对这些模块中一些典型的算法进行分类.特别指出,三维人脸识别是现阶段人脸识别研究的热点和难点,也是以后人脸识别研究的主流方向.此外,介绍了目前国内外相关的科研机构,和人脸识别中常用的一些数据库. 2)从两个方面改经主动形状模型(Active Shape Model,简称ASM)方法. SM一般是通过一维的局部纹理搜索,形成迭代过程,使得形状模型在人脸图像中搜索到与它相类似的实例.由于ASM的搜索时间较长,对初始化位置比较敏感,而且容易陷入最小值,使得ASM难以直接用于面部特征的提取.为此,首先提取面部显著特征点,为形状模型在人脸图像中粗略定好初始位置,较好地克服了ASM方法本身中的一些不足,减少了迭代搜索时间;并且提出建立2D纹理模型,使用Bhattacharyya 距离搜索最优特征点位置,这些改进提高了多特征点的定位精度.这一研究为后面的不同姿势下的人脸对齐打下良好的基础. 3) 流形学习用于人脸姿势分析和人脸识别.在多元数据分析领域的潜力引起了计算机视觉领域的浓厚兴趣,它试图揭示多元数据集的内蕴结构,并进一步用于数据特征的研究.本文回顾了各种流形学习方法,并且把一些典型方法整合到一个框架中,揭示了由于优化函数的不同,出现了不同的流形学习方法.最后,由于流形学习降维得到的子空间的判别能力低于传统的降维方法得到的子空间,我们提出了监督式局部保持映射方法.此方法充分利用了数据的类别信息可以很好的应用于人脸识别和人脸姿势估计中. 4) 研究了人脸姿势估计问题.从二维人脸图像中估计人脸姿势是很困难的事情,而且一些影响因素增加了此问题的难度,比如光照的变化、人的身份变化、图像分辨率等.简要介绍了一些现有的人脸姿势方法,并提出了两种改进的人脸姿势估计方法.一种是基于人脸检测概率的姿势估计方法,另一种是基于流形学习的姿势估计方法. 5) 讨论了多姿势下的人脸对齐问题.由于人脸在深度方向上发生旋转,引起一些非线性变换,使得解决此类问题的难度加大.在本文中,我们提出了一个新的方法,此方法共分为两部分:一部分是把从正面人脸到左侧面人脸之间的范围平均分成几个区间,在每个区间内训练一个统计形状模型,另一部分是由人脸姿势估计方法寻找相应的统计形状模型,并用优化算法从新的一幅人脸图像中搜索到与统计形状模型相似的实例.我们用JCL-PEAL人脸数据库,此方法证实有比较好的性能.