项目级别：院基金
起止时间：2014.5-2015.4
主要参加人员：何艳，高凤娇，宋昌江
项目介绍：本项目在总结和深入研究当前国内外三维人脸识别算法的基础上，在对三维人脸模型进行预处理及归一化的基础上建立了具有平移比例和旋转不变性的三维人脸模型的矩不变量特征表示，并基于支持向量机的智能学习技术研究实现利用多维度3D-Zernike特征的人脸分析识别系统的建模,采样基于蜂群算法的分析识别模型优化，提高模型可靠性和系统的鲁棒性，进而利用该系统进行三维人脸数据的匹配识别。
本项目利用具有平移比例和旋转不变性的多维度3D-Zernike矩特征来表征三维人脸特征，通过分类识别模型实现人脸的匹配识别。人脸识别技术主要包括特征提取和分类识别两大部分。首先，如何提取最大限度反应三维人脸数据的三维特性是首要问题。3D-Zernike描述子可以充分反映出目标的三维空间结构，越高阶次的描述子越能描述目标的三维空间形状的细节。该立体特征不但能够保持较好的平移，尺度，旋转不变性，而且具有信息表达的冗余性小，信息表达的高效性，鲁棒性。项目通过研究3D-Zernike描述子特征实现三维人脸特征的提取和分析。其次是分类识别部分，三维人脸的识别问题属于典型的多类样本分类问题，样本的类别数（即需要识别的个体数）远远大于每个个体所包含的样本个数。比较现有的有监督机器学习方法，本项目采用支持向量机对分析识别系统建模，利用支持向量机的智能学习技术实现多维度3D-Zernike特征向量的人脸分析识别系统的建模。同时，针对SVM参数选择不同会对识别结果影响很大的问题在模型优化方面，采样基于蜂群算法的分析识别模型优化，以提高模型的可靠性和系统的鲁棒性，进而利用该系统进行三维人脸数据的匹配识别。本项目探索了3D-Zernike 描述子在三维人脸数据里所表现出的同一性和可分性方面的研究，探索了SVM在三维人脸特征模型的建立、ABC在模型优化中的应用有比较重要的意义。
