一个直接应用于点云的3D面部识别算法
Xingyi You1,2, Xiaohu Zhao1,2
1National and Local Joint Engineering Laboratory of Internet Applied Technology on Mines, China University of Mining and Technology, Xuzhou 221008, China.
Biomimetics (Basel, Switzerland)
|February 25, 2025
概括
本研究介绍了一种使用虚拟数据生成和双分支网络的新型3D面部识别方法. 它有效地从点云中提取歧视性面部特征,克服数据稀缺和非刚性结构挑战.
科学领域:
- 计算机视觉 计算机视觉
- 生物识别信息 生物识别信息
- 机器学习 机器学习
背景情况:
- 使用点云的3D面部识别显示出希望,但在有限的3D数据和非刚性面部结构方面存在困难.
- 直接从3D点云中提取区分特征仍然是一个重大挑战.
研究的目的:
- 开发一个强大的3D人脸识别系统,克服数据稀缺,并改进从点云中提取特征.
- 为了提高3D面部识别在存在遮,姿势变化和表情变化的准确性和可靠性.
主要方法:
- 一个新的框架使用可变形模型和高斯过程生成大规模的虚拟3D面部扫描,以有限的真实数据为指导.
- 建议采用核心点卷积 (KPConv) 的双分支网络,从点云中直接提取非刚性面部特征.
- 一个具有上下文采样的本地社区自适应特征学习模块通过层次下调采样来增强歧视性特征提取.
主要成果:
- 拟议的方法有效地解决了通过大规模虚拟扫描生成3D面部数据的稀缺问题.
- 双分支网络成功地从点云中提取了歧视性的非刚性面部特征.
- 在FRGC v2.0和波斯波罗河数据集上的实验验证实了该方法的有效性和潜力.
结论:
- 使用少量真实数据与合成数据相结合指导3D人脸识别是有效的.
- 拟议的方法显示了提高3D人脸识别准确性和稳定性的巨大潜力.
