?作者?|?機器之心編輯部

來源?|?機器之心

人臉識別是機器學習社區研究最多的課題之一，以 3D 人臉識別為代表的相關 ML 技術十年來都有哪些進展？這篇文章給出了答案。

近年來，人臉識別的研究已經轉向使用 3D 人臉表面，因為 3D 幾何信息可以表征更多的鑒別特征。近日，澳大利亞迪肯大學的三位研究者回顧了過去十年發展起來的 3D 人臉識別技術，總體上分為常規方法和深度學習方法。

從左至右依次是迪肯大學信息技術學院博士生 Yaping Jing、講師（助理教授） Xuequan Lu 和高級講師 Shang Gao。

該調查通過代表性研究的詳細描述來對各類技術進行評估，其中將技術的優缺點總結為對面部變化（表情、姿態和遮擋等）的準確性、復雜性和穩健性。該調查全面涵蓋了 3D 人臉識別的常規方法和深度學習方法，并闡明了可用的 3D 人臉數據庫和未來的研究挑戰與方向。

論文地址：

https://arxiv.org/pdf/2108.11082.pdf

該調查研究的主要貢獻包括如下：

• 這是第一篇全面涵蓋傳統方法和基于深度學習的 3D 人臉識別方法的調查論文；

• 與現有調查不同，它特別關注基于深度學習的 3D 人臉識別方法；

• 涵蓋 3D 人臉識別最新、最前沿的發展，為 3D 人臉識別提供清晰的進度圖；

• 它對可用數據集上的現有方法進行了全面比較，并提出了未來的研究挑戰和方向。

如下圖 1 所示，根據所采用的特征提取方法，3D 人臉識別技術可以分為兩類：傳統方法和基于深度學習的方法。

3D 人臉數據庫

大規模 3D 人臉數據庫 / 數據集對于 3D 人臉識別的發展至關重要，它們用于訓練特征提取算法并評估其性能。為了滿足這一需求，許多研究機構和研究人員建立了各種 3D 人臉數據庫。

下表 I 列出了當前突出的 3D 人臉數據庫，并比較了數據格式、身份數量、圖像變化（例如表情、姿勢和遮擋）和掃描儀設備。

四種不同的 3D 數據格式如下圖 2 所示——點云（ 2a）、網格（2b）、距離圖像（2c）或深度圖，以及 3D 視頻；兩種類型的采集掃描儀設備：基于激光的和基于立體的。

傳統方法

如下圖 3 所示，傳統 3D 人臉識別系統中有兩個主要階段：訓練和測試。在訓練階段，需要 3D 人臉數據來生成特征庫，面部特征通過數據預處理和特征提取模型獲得，然后保存在特征庫中；在測試階段，獲取一個探針作為目標人臉，并進行與訓練階段相同的數據預處理和特征提取過程。

人臉識別是一個匹配的過程。將目標人臉的特征向量與存儲在特征庫中的特征向量進行比較。掃描圖庫并返回匹配距離最近的人臉。如果距離小于預定義的閾值，則將目標人臉標記為已識別，否則失敗。因此，人臉識別過程包含三個核心步驟：數據預處理、特征提取和人臉匹配。所有這些都會影響識別的性能。

下表 2 列舉了基于局部特征的 3D 方法以及它們的重要細節。

基于深度學習的 3D 人臉識別

十年來，深度神經網絡已成為最流行的人臉識別技術之一。與傳統方法相比，基于深度學習的方法比圖像處理有很大的優勢。對于傳統方法，關鍵步驟是根據 3D 人臉數據的幾何信息找到穩健的特征點和描述符。與端到端的深度學習模型相比，這些方法具有良好的識別性能，但涉及檢測關鍵特征的算法操作相對復雜。而對于基于深度學習的方法，可以通過在大型數據集上訓練深度神經網絡來學習穩健的人臉表征。

下表 III 總結了社區在該領域做出的非凡努力。Spreeuwers 提出了一種用于 3D 人臉配準的固有坐標系。該系統基于通過鼻子、鼻尖和鼻子方向的垂直對稱平面。

混合 3D 人臉識別方法結合了不同類型的方法（基于局部和基于整體），并將局部和全局特征應用于人臉匹配。通過結合不同的特征提取技術，它們可以處理更多的面部差異，例如表情、姿勢和遮擋。最近的混合方法在下表 IV 中進行了比較。

用于面部識別的深度神經網絡很多，而卷積神經網絡 (CNN) 是最受歡迎的。CNN 通常由卷積層、池化層和全連接層組成。卷積層的目的是從輸入數據中提取特征。每個卷積層使用濾波器內核執行卷積操作并應用非線性傳遞函數。池化層的目標是通過將一層神經元簇的輸出整合到下一層的單個神經元中來降低特征圖的維度。通過 CNN 學習的穩健性和判別性特征表示可以顯著提高人臉識別的性能。

下圖 4 描繪了基于 Deep-CNN（DCNN）的常見人臉識別過程。

下表 V 列出了最近的基于 DCNN 的 3D 人臉識別技術。

下表 VI 總結了該調查列舉的方法在 rank-1 的不同數據庫上的識別率。與傳統的人臉識別算法相比，基于 DCNN 的方法具有流水線更簡單、性能更高的優點。一般來說，基于深度學習的方法不必執行關鍵點檢測、人臉分割或特征融合。相反，它們只需要將 3D 數據轉換為合適的網絡輸入格式（例如 2D 圖像）。

#投 稿?通 道#

?讓你的文字被更多人看到?

如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學術熱點剖析、科研心得或競賽經驗講解等。我們的目的只有一個，讓知識真正流動起來。

📝?稿件基本要求：

? 文章確系個人原創作品，未曾在公開渠道發表，如為其他平臺已發表或待發表的文章，請明確標注?

? 稿件建議以?markdown?格式撰寫，文中配圖以附件形式發送，要求圖片清晰，無版權問題

? PaperWeekly 尊重原作者署名權，并將為每篇被采納的原創首發稿件，提供業內具有競爭力稿酬，具體依據文章閱讀量和文章質量階梯制結算

📬?投稿通道：

? 投稿郵箱：hr@paperweekly.site?

? 來稿請備注即時聯系方式（微信），以便我們在稿件選用的第一時間聯系作者

? 您也可以直接添加小編微信（pwbot02）快速投稿，備注：姓名-投稿

△長按添加PaperWeekly小編

🔍

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

·

總結

以上是生活随笔為你收集整理的全面涵盖传统方法和深度学习方法：3D人脸识别的十年发展及未来趋势的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。