摘要：这些年来人脸识别技术发展的很快，进入2017之后，更是迎来了井喷式的爆发，多种应用、多个领域都出现它的身影。传统的人脸识别技术一般采用二维彩色图来识别人脸特征，容易受到外界的影响。微软开发的Kinect可以得到数据和颜色，对使用二维和三维的人脸识别系统埋下了基石，人脸识别采集的途中，采用局部二值模式来描述的分辨率能展示出人脸的特征。实验显示，相对于主成份分析和线性判别分析算法，局部二值模式能够明显的提高人脸识别的准确度。首先，检测人脸的位置需要使用骨骼追踪技术，并且从带有颜色的深颜色图像中自动显示人脸的位置。紧接着用移动最小二乘法对人脸进行滤波。最后面采用零点迭代做人脸结尾的识别。还需要明白阀值对迭代法这块的影响，讨论和分析点云的数目是如何影响人脸识别的准确率的。完成上面所有的步骤以后，我们需要采用模糊积分将二维与三维的人脸识别决策融合。

关键词：人脸识别二维;人脸识别三维; 最近点迭代法; 点云; Kinect

目录

摘要

ABSTRACT

第一章  绪论-1

1.1选题背景与研究意义-1

1.2国内外研究现状-1

1.3 存在的困难及解决办法-1

第二章  理论介绍-3

2.1系统总体设计-3

2.2 硬件平台介绍-3

2.3定义姿势-4

2.3.1  基于骨骼追踪技术的人脸检测-4

2.4基于人脸识别的学生关注度检测-5

2.4.1朝向判断-5

2.4.2 图像的检测和识别原理-5

2.4.3基于子空间分析的人脸识别-6

2.4.4基于模板匹配的人脸识别-6

2.4.5基于神经网络的人脸识别-6

2.5声音的采集和定位-7

第三章 选择算法分析-8

3.1人体姿态算法分析-8

3.1.1 骨骼数据获取-8

3.1.2 特征提取-8

3.2 人脸识别算法分析-9

3.2.1 ICP 算法介绍-9

3.2.2  三维人脸数据的三种形式-9

第四章  系统软件分析-10

4.1算法工作的流程-10

4.2子系统的介绍-10

4.2.1人脸检测子系统-10

4.2.2姿态检测子系统-12

4.2.3声音检测子系统-13

第五章 实验结果分析-17

5.1姿态分析实验结果-17

5.2人脸识别实验结果-18

5.3声音分析实验结果-19

结束语-20

致  谢-21

参考文献-22