Tredimensionell ansiktsigenkänning

3D-modell av ett mänskligt ansikte

Tredimensionell ansiktsigenkänning ( 3D face recognition ) är en modalitet av ansiktsigenkänningsmetoder där den tredimensionella geometrin hos det mänskliga ansiktet används. Det har visat sig att 3D-ansiktsigenkänningsmetoder kan uppnå betydligt högre noggrannhet än sina 2D-motsvarigheter, vilket konkurrerar med fingeravtrycksigenkänning .

3D-ansiktsigenkänning har potential att uppnå bättre noggrannhet än sin 2D-motsvarighet genom att mäta geometrin hos stela särdrag på ansiktet. Detta undviker sådana fallgropar med 2D-ansiktsigenkänningsalgoritmer som förändring i belysning, olika ansiktsuttryck, smink och huvudorientering. Ett annat tillvägagångssätt är att använda 3D-modellen för att förbättra noggrannheten för traditionell bildbaserad igenkänning genom att omvandla huvudet till en känd vy. Dessutom får de flesta 3D-skannrar både ett 3D-nät och motsvarande textur. Detta gör det möjligt att kombinera resultatet från rena 3D-matchare med de mer traditionella 2D-ansiktsigenkänningsalgoritmerna, vilket ger bättre prestanda (som visas i FRVT 2006 ).

Den huvudsakliga tekniska begränsningen för 3D-ansiktsigenkänningsmetoder är förvärvet av 3D-bilder, vilket vanligtvis kräver en räckviddskamera . Alternativt kan flera bilder från olika vinklar från en gemensam kamera (t.ex. webbkamera) användas för att skapa 3D-modellen med betydande efterbehandling. (Se 3D-datainsamling och objektrekonstruktion . ) Detta är också en anledning till att 3D-ansiktsigenkänningsmetoder har dykt upp betydligt senare (i slutet av 1980-talet) än 2D-metoder. Nyligen ^{[ när? ]} kommersiella lösningar har implementerat djupuppfattning genom att projicera ett rutnät på ansiktet och integrera videoinspelning av det i en högupplöst 3D-modell. Detta möjliggör god igenkänningsnoggrannhet med lågkostnadskomponenter .

3D-ansiktsigenkänning är fortfarande ett aktivt forskningsfält, även om flera leverantörer erbjuder kommersiella lösningar.

Se även

Okuwobi, IP; Chen, Q; Niu S.; et al. (2016). "Tredimensionell (3D) ansiktsigenkänning och förutsägelse". Signal-, bild- och videobehandling . 10 (6): 1151–1158. doi : 10.1007/s11760-016-0871-z . S2CID 11211308 .
Bronstein, AM; Bronstein, MM; Kimmel, R. (2005). "Tredimensionell ansiktsigenkänning". International Journal of Computer Vision . 64 (1): 5–30. CiteSeerX 10.1.1.77.9592 . doi : 10.1007/s11263-005-1085-y . S2CID 670151 .
Heseltine, T.; Pears, N.; Austin, J. (2008). "Tredimensionell ansiktsigenkänning med hjälp av kombinationer av komponenter för ytfunktionskartor". Bild- och bildberäkning . 26 (3): 382–396. doi : 10.1016/j.imavis.2006.12.008 .
Kakadiaris, IA ; Passalis, G.; Toderici, G.; Murtuza, N.; Karampatziakis, N.; Theoharis, T. (2007). "3D ansiktsigenkänning i närvaro av ansiktsuttryck: en kommenterad deformerbar modellansats". IEEE-transaktioner på mönsteranalys och maskinintelligens . 13 (12).
Queirolo, CC; Silva, L.; Bellon, OR; Segundo, MP (2009). "3D ansiktsigenkänning med hjälp av simulerad glödgning och ytinterpenetrationsmåttet". IEEE-transaktioner på mönsteranalys och maskinintelligens . 32 (2): 206–19. doi : 10.1109/TPAMI.2009.14 . PMID 20075453 . S2CID 12411479 .
Gupta, S.; Markey, MK; Bovik, AC (2010). "Antropometrisk 3D-ansiktsigenkänning". International Journal of Computer Vision . 90 (3): 331–349. doi : 10.1007/s11263-010-0360-8 . S2CID 10679755 .
A. Rashad, A Hamdy, MA Saleh och M Eladawy, "3D ansiktsigenkänning med 2DPCA", (IJCSNS) International Journal of Computer Science and Network Security, Vol.(12),2009. http://paper.ijcsns.org/07_book/200912/20091222.pdf
Spreeuwers, LJ (2015). "Att bryta 99%-barriären: optimering av 3D-ansiktsigenkänning". IET Biometri . 4 (3): 169–177. doi : 10.1049/iet-bmt.2014.0017 .
Spreeuwers, LJ (2011). "Snabb och exakt 3D-ansiktsigenkänning med hjälp av registrering till ett inbyggt koordinatsystem och sammansmältning av klassificerare för flera regioner" . International Journal of Computer Vision . 93 (3): 389–414. doi : 10.1007/s11263-011-0426-2 .

externa länkar