1、计算机应用技术专业毕业论文 精品论文 基于几何特征向量的三维人脸识别研究关键词：三维人脸识别 特征提取 几何特征向量 相似度匹配摘要：目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从 3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程
2、减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了 5 种计算方法(包
3、括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之后进行了相关数据的比较和分析。正文内容目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维
4、人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度
5、，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了 5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维
6、人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之后进行了相关数据的比较和分析。目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人
7、脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同
8、的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了 5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之
9、后进行了相关数据的比较和分析。目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率
10、，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了 5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性
11、。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之后进行了相关数据的比较和分析。目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计
12、算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图
13、”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了 5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别
14、。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之后进行了相关数据的比较和分析。目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟
15、合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了
16、5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之后进行了相关数据的比较和分析。目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征
17、向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括
18、距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了 5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可
19、视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之后进行了相关数据的比较和分析。目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在
20、确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一
21、维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了 5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5
22、，并在此之后进行了相关数据的比较和分析。目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通
23、过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了 5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效
24、性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之后进行了相关数据的比较和分析。目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，
25、最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸
26、三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综合运用了 5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三
27、维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之后进行了相关数据的比较和分析。目前，基于三维模型的人脸识别已经成为学术界的研究热点之一。本文主要研究了基于几何特征向量的三维人脸识别方法：首先读取三维人脸点云数据，提取出面部轮廓线，然后进行关键特征点的定位和几何特征向量的计算，最后通过计算相似度得到识别结果。本文的主要工作包括： (1)数据预处理：从3DS 格式的三维人脸数据文件中提取出数据点云，在确定三维人脸坐标系之后，结合深度信息提取出人脸中分轮廓线和过鼻尖点的横向轮廓线，然后尝试对提取出的轮廓线点集进行曲
28、线平滑和拟合预处理，这个过程减少了数据噪声的干扰，提高了下一步特征点定位的准确度。 (2)关键特征点定位与特征向量组计算：通过计算曲率，定位和抽取出人脸面部的 11 个关键特征点，然后在此基础之上选取并计算了 6 大类共计 21 维的特征向量(包括距离，角度，面积，周长、体积和面部比例)以构成一个相对完整的几何特征向量组用于识别匹配工作。在此过程中提出了“人脸三角轮毂图”的概念以表征抽象的三维人脸。 (3)相似性度量与人脸识别：对特征向量组进行分析，在平衡稳定性与区分度之后赋予每一维向量不同的权值，并进行归一化处理，最后通过识别库与样本库之间的相似性度量完成最后的识别工作。在整个算法过程中，综
29、合运用了 5 种计算方法(包括邻域搜索方法、平均化方法、对称性修正方法、分层化方法和抽象化方法)以尝试改善整个识别算法的有效性与稳健性。 (4)3D 人脸识别系统与识别率：我们基于 OpenGL，Visual C+和 SQL 数据库技术构建了一个可视化的三维人脸识别系统。该系统能提取人脸轮廓线，定位面部关键特征点，计算人脸特征向量组，并通过进行相似度比较实现三维人脸识别。基于此系统，本文在 150 个数据库样本上，对 42 个识别数据进行测试，得到识别率为90.5，误识率为 9.5，并在此之后进行了相关数据的比较和分析。特别提醒 ：正文内容由 PDF 文件转码生成，如您电脑未有相应转换码，则无
30、法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 1627550258 ，提供原格式文档。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌?U 閩 AZ箾 FTP 鈦X 飼?狛P? 燚?琯嫼 b?袍*甒?颙嫯?4)=r 宵?i?j 彺帖 B3 锝檡骹笪 yLrQ#?0 鯖 l 壛枒l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛渓?擗#?“?# 綫 G 刿#K 芿$?7. 耟?Wa 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 皗 E|?pDb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$F?責鯻 0 橔 C,f 薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍秾腵薍秾腵薍
