1.1 研究目的及意义

生物特征识别是人机交互领域的一个重要的研究方向。生物特征是人类具有识别个人身份的特征，使得计算机通过生物特征（如人脸、虹膜、指纹、掌纹、声音、足迹等）判断出人的身份，是人机交互的基础。其中，人脸识别是生物特征鉴别的一个重要的方向，一直受到国内外学者的密切关注。与其他生物特征相比，人脸特征具有主动性、非侵犯性、自然、友好、对用户干扰少以及易被用户接受等优点。而且，人脸识别技术具有很高的学术价值，涉及了计算机视觉、计算机图像学、图像处理、模式识别、生理学及心理学等多类学科知识。

传统的人脸识别大多是基于二维图像，虽然在特定的环境下，这类方法已经达到了较高的识别率，但是这类方法易于受到光照、表情、姿态等影响。这些因素限制了二维人脸识别方法的推广和应用。

鉴于二维人脸识别的局限性，越来越多的研究者开始关注三维人脸识别。近年来，随着三维数据采集设备的发明和不断成熟，人们逐渐将三维人脸运用到人脸识别的模型中来。三维人脸是人脸在自然状态下的模型，包含了丰富的形状和深度信息，可以描述人脸的空间结构。而二维人脸本质上是三维人脸在平面上的投影，因而在不同角度上可得到不同的投影，造成同一面部随不同姿态呈现出多样性。相对于二维人脸图像，三维人脸数据拥有以下优点：首先，人脸信息不会由于姿态的变化而造成损失；其次，光照变化对于三维人脸数据的影响非常小；而且由于三维人脸数据仅仅包含面部几何信息，所以化妆对识别的影响不大。因此，三维人脸具有姿态和光照不变的优点，研究三维人脸识别在提高人脸识别在实际环境下的准确率有着重要的意义。

尽管三维人脸数据相比于图像包含了更多的信息，但是在三维人脸识别研究中依旧存在很多的困难。首先，利用三维扫描仪器得到的原始人脸数据包含许多杂乱的数据，例如头部、耳朵、颈部等干扰信息，这些数据都要在模型的预处理阶段予以剔除；另外，虽然姿态变化不会造成三维数据信息的缺失，但是多数算法中需要进行三维人脸数据的配准。相比于图像，三维人脸空间包含了6个自由度，因而具有更大的不确定性，这为配准带来了一定的困难。

相比于以上困难，表情变化带来的人脸形状的变化是当前三维人脸识别方法中遇到的最大困难，不同程度和类型的表情造成同一个人的三维扫描数据的差异很大，直接采用形状匹配导致类內相似度很低。如何处理表情变化所带来的影响是目前三维人脸识别研究中亟待解决的问题。

1.2 国内外研究现状

三维人脸识别的研究始于计算机动画和医学成像。上世纪八十年代，由于当时三维成像技术发展不是很成熟，三维人脸数据的获取比较困难，同时采集图像的精度低，数据规模小，研究还处于初始阶段。改进成像设备获得更高质量的三维图像成为研究的重点。近年来，随着三维成像技术的不断成熟，越来越多的研究人员开始转向三维人脸识别的研究。2004年，Xu等分别采用灰度图像和深度图像的人脸识别方法性能进行对比，实验结果表明，基于深度图像的方法比基于灰度图像的方法有更高的识别率，因为灰度图像很容易受到光照和姿态变化的影响。

到了21世纪，三维人脸识别已经成为模式识别和人工智能领域的研究热点，越来越多的国内外研究机构投入其中。国外著名的研究机构有美国卡耐基隆大学的Human-Computer Interface研究所、美国麻省理工学院的Media实验室和AI实验室、英国萨里大学Visual、speech and processing研究中心、法国INRIA研究院、日本ART研究所等等。国内的三维人脸识别研究虽然起步较晚，但近几年在863计划和国际自然科学基金等资助下，相关研究也取得了一些进展。主要研究机构有清华大学、浙江大学、中国科技大学、上海交通大学以及中国科学院计算所等。三维人脸的识别阶段正处于方法和手段上的探索和发展的时期，大量的人脸识别的会议论文会刊登于一些模式识别、计算机视觉领域等著名会议和知名的国际期刊，如ICCV、ICPR、ACCV、IEEE Trans. on PAMI、PR、ICV等。

近年来，通过国内外学者的大量探索，提出了很多利用三维信息实现人脸识别的可行方法。由于三维数据自身的优越性使得其本身对于姿态和光照变化有较好的鲁棒性，但表情问题仍是三维人脸识别研究的难点。因此这里重点对表情变化的三维人脸识别研究方法做简单介绍。