1、近半世紀(jì)以來(lái)，生物識(shí)別技術(shù)的飛速發(fā)展給人們生活各方面帶來(lái)了極大的方便。其中，人臉識(shí)別以其特有的優(yōu)勢(shì)，得到了廣大研究者的關(guān)注。然而，人臉識(shí)別技術(shù)在不斷進(jìn)步的同時(shí)，也面臨著諸多亟待解決的問(wèn)題，如傳統(tǒng)的識(shí)別算法識(shí)別過(guò)程中特征的選取及提取成為直接影響識(shí)別結(jié)果的決定性因素，且二維人臉識(shí)別中，缺少人臉空間立體信息，不符合人眼視覺(jué)三維的、抽象的特點(diǎn)。這些問(wèn)題成為人臉識(shí)別技術(shù)發(fā)展及商業(yè)推廣的瓶頸。正是由于傳統(tǒng)識(shí)別算法的局限性及識(shí)別率隨樣本數(shù)量增大趨于飽

2、和的特點(diǎn)，學(xué)者們將目光投向了深度學(xué)習(xí)方法（Deep Learning）。同時(shí)，廉價(jià)RGB-D傳感器的普及使三維人臉信息的廣泛應(yīng)用成為可能，三維人臉識(shí)別的研究以其能夠充分利用人臉深度信息，能夠克服二維識(shí)別中光照、表情、姿態(tài)影響的特點(diǎn)成為人臉識(shí)別領(lǐng)域的研究方向。
　　因此，本論文將深度學(xué)習(xí)方法應(yīng)用到三維人臉識(shí)別技術(shù)中，設(shè)計(jì)了深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)特征自動(dòng)進(jìn)行提取，成功避免了特征選擇的影響，同時(shí)在原有二維數(shù)據(jù)的基礎(chǔ)上增加了樣本的深度信息，增強(qiáng)了

3、識(shí)別系統(tǒng)對(duì)光照、表情等影響因素的魯棒性。
　　首先，將三維人臉點(diǎn)云數(shù)據(jù)轉(zhuǎn)為深度圖形式。對(duì)二維人臉（灰度/彩色）圖像及深度圖進(jìn)行臉部提取及歸一化，以提高識(shí)別系統(tǒng)的效率。
　　之后，將改進(jìn)的深層卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks，DCNN）與soft-max分類器相結(jié)合，分別設(shè)計(jì)二維人臉圖像及深度圖的特征提取層網(wǎng)絡(luò)，利用數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練的識(shí)別測(cè)試，以識(shí)別率最大化為原則優(yōu)化特征提取。將