【《三维人脸识别研究的国内外文献综述》5700字】

附录三维人脸识别研究的国内外文献综述目录TOC\o"1-3"\h\u30451三维人脸识别研究的国内外文献综述 1164771.1人脸识别的发展 1292501.2三维人脸识别研究现状 4196061.3三维人脸识别的发展和挑战 51.1人脸识别的发展人脸识别技术经过了近40年的发展，已经成为图像理解与分析领域最成功的应用之一，大量识别算法踊跃出来。人脸识别技术最基础的目的是从获取的人脸图像中提取具有个性化的面部特征，并由此来检验和识别人的身份。早在二十世纪初，人脸识别就出现了。人脸识别在二十世纪中叶发展成为一个独立的学科。在近百年的时间，可以从使用方法上将相关研究工作分为三个发展阶段。第一阶段为早期的人脸识别工作。通过某种分布假设去直接获取低维度的表征，如线性子空间ADDINEN.CITE<EndNote><CiteExcludeAuth="1"><Year>2014</Year><RecNum>7</RecNum><DisplayText><styleface="superscript">[4-6]</style></DisplayText><record><rec-number>7</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619162166">7</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors></contributors><titles><title>Transform-InvariantPCA:AUnifiedApproachtoFullyAutomaticFaceAlignment,Representation,andRecognition%JIEEETransactionsonPatternAnalysis&MachineIntelligence</title></titles><pages>1275-1284</pages><volume>36</volume><number>6</number><dates><year>2014</year></dates><urls></urls></record></Cite><Cite><Author>Belhumeur</Author><Year>1997</Year><RecNum>6</RecNum><record><rec-number>6</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619162077">6</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Belhumeur,P.</author><author>Hespanha,P.</author><author>Kriegman,D.</author><author>Fisherfaces,E.V.</author></authors></contributors><titles><title>Recognitionusingclassspecificlinearprojection</title></titles><dates><year>1997</year></dates><urls></urls></record></Cite><Cite><Author>MoghadDaM</Author><Year>1998</Year><RecNum>8</RecNum><record><rec-number>8</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619162221">8</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>MoghadDaM,B.</author><author>Wahid,W.</author><author>Pentland,A.%JProc.ThirdIntl.Conf.AutomaticFace-</author><author>Gesture-Recognition</author></authors></contributors><titles><title>Beyondeigenfaces:probabilisticmatchingforfacerecognition</title></titles><pages>30</pages><dates><year>1998</year></dates><urls></urls></record></Cite></EndNote>[4-6]，流行ADDINEN.CITEADDINEN.CITE.DATA[7-9]，稀疏表示ADDINEN.CITEADDINEN.CITE.DATA[10-13]。该思想在1990年代占据了主流，直到2000年左右。最代表性的工作就是EigenfaceADDINEN.CITE<EndNote><CiteExcludeAuth="1"><Year>2014</Year><RecNum>7</RecNum><DisplayText><styleface="superscript">[4]</style></DisplayText><record><rec-number>7</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619162166">7</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors></contributors><titles><title>Transform-InvariantPCA:AUnifiedApproachtoFullyAutomaticFaceAlignment,Representation,andRecognition%JIEEETransactionsonPatternAnalysis&MachineIntelligence</title></titles><pages>1275-1284</pages><volume>36</volume><number>6</number><dates><year>2014</year></dates><urls></urls></record></Cite></EndNote>[4]，EigenFace方法使用PCA获得面部分布的主要成分。具体实现是对训练集中所有面部图像的协方差矩阵进行特征值分解，得到对应的特征向量。这些特征向量是“特征脸”。每个特征向量或特征脸等效于捕获或描述人脸之间的变化或特征。这意味着这些特征脸的线性组合可以表示不同的人脸。实际上，空间变换等同于“基变换”。原始像素空间的底数是单位“基”。在PCA之后，空间基于每个特征面或特征向量。在此空间（或坐标轴）下，每个面都是一个点，该点的坐标是每个要素基础下该面的投影坐标。之后由RonaldFisher提出FisherfaceADDINEN.CITE<EndNote><Cite><Author>Fisher</Author><Year>1936</Year><RecNum>9</RecNum><DisplayText><styleface="superscript">[14]</style></DisplayText><record><rec-number>9</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619163070">9</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Fisher,R.A.</author></authors></contributors><titles><title>Theuseofmultiplemeasurements</title></titles><dates><year>1936</year></dates><urls></urls></record></Cite></EndNote>[14]理论和特征脸里用到的PCA有相同的地方，其原理是基于LDA（LinearDiscriminantAnalysis，线性判别分析），两者都是降低整体维数并将原始数据映射到低维空间的方法。从高维空间中提取具有最佳判别力的低维特征。这些特征使同一类别的样本尽可能接近，同时使不同类别的样本尽可能地分离，即选择使类别间散布矩阵和样本类别成为特征。内部散射矩阵达到最大比率。但是，一个众所周知的问题是，这些理论上可以解释的整体方法通常无法处理无约束的面部变化，因为它们都是从预设分布中得出的。第二阶段的人脸识别算法普遍采用了人工特征加分类器的思路。支持向量机，贝叶斯，神经网络等都是一些比较成熟的方案。这里人工特征的设计是关键，它要能有效的区分不同的人脸。描述图像的很多特征都先后被用于人脸识别问题，包括HOGADDINEN.CITE<EndNote><Cite><Author>Dalal</Author><Year>2005</Year><RecNum>22</RecNum><DisplayText><styleface="superscript">[15]</style></DisplayText><record><rec-number>22</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619165235">22</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Dalal,N.</author><author>Triggs,B.</author></authors></contributors><titles><title>HistogramsofOrientedGradientsforHumanDetection</title><secondary-title>IEEEComputerSocietyConferenceonComputerVision&PatternRecognition</secondary-title></titles><dates><year>2005</year></dates><urls></urls></record></Cite></EndNote>[15]、SIFTADDINEN.CITE<EndNote><Cite><Author>Lowe</Author><Year>2004</Year><RecNum>21</RecNum><DisplayText><styleface="superscript">[16]</style></DisplayText><record><rec-number>21</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619165116">21</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Lowe,D.G.%JInternationalJournalofComputerVision</author></authors></contributors><titles><title>DistinctiveImageFeaturesfromScale-InvariantKeypoints</title></titles><pages>91-110</pages><volume>60</volume><number>2</number><dates><year>2004</year></dates><urls></urls></record></Cite></EndNote>[16]、GaborADDINEN.CITE<EndNote><Cite><Author>Liu</Author><Year>2002</Year><RecNum>19</RecNum><DisplayText><styleface="superscript">[17]</style></DisplayText><record><rec-number>19</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619164981">19</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Liu,C.</author><author>Wechsler,H.%JIEEETransactionsonImageProcessingAPublicationoftheIEEESignalProcessingSociety</author></authors></contributors><titles><title>Gaborfeaturebasedclassificationusingtheenhancedfisherlineardiscriminantmodelforfacerecognition</title></titles><pages>467</pages><volume>11</volume><number>4</number><dates><year>2002</year></dates><urls></urls></record></Cite></EndNote>[17]、LBPADDINEN.CITE<EndNote><Cite><Author>Ahonen</Author><Year>2006</Year><RecNum>20</RecNum><DisplayText><styleface="superscript">[18]</style></DisplayText><record><rec-number>20</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619165032">20</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Ahonen,T.</author><author>Hadid,A.</author><author>Pietikainen,M.%JIEEETransactionsonPatternAnalysis</author><author>MachineIntelligence</author></authors></contributors><titles><title>FaceDescriptionwithLocalBinaryPatterns:ApplicationtoFaceRecognition</title></titles><pages>2037-2041</pages><volume>28</volume><number>12</number><dates><year>2006</year></dates><urls></urls></record></Cite></EndNote>[18]等。它们的典型代表是LBP（局部二进制）特征。此特征简单但有效。与特征脸方法相比，LBP的识别率有了很大的提高。LBP特征的计算非常简单，可以部分解决光敏性问题，但仍然存在姿势和表情问题。联合贝叶斯ADDINEN.CITE<EndNote><Cite><Author>MultiPIE</Author><Year>2016</Year><RecNum>23</RecNum><DisplayText><styleface="superscript">[19]</style></DisplayText><record><rec-number>23</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619166452">23</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>MultiPIE</author></authors></contributors><titles><title>BayesianFaceRevisited:AJointFormulation</title></titles><dates><year>2016</year></dates><urls></urls></record></Cite></EndNote>[19]是对贝叶斯人脸进行改进的方法，以LBP和LE为基本特征，面部图像的差异表示为由于姿势，表情等导致的同一人之间的差异以及不同人之间的差异。由潜在变量组成的协方差用于建立两个面孔的关联。该方法的创新之处在于对两个面部表示的联合建模。当对脸部进行联合建模时，将使用该脸部的先验知识将两个脸部的建模问题转换为单个脸部图片的统计计算，以更好地验证人脸的相关性，该方法在LFW数据集上取得了92.4%的优异准确率。人工特征的巅峰之作是在2013年MSRA提出的ADDINEN.CITE<EndNote><Cite><Author>Dong</Author><Year>2013</Year><RecNum>24</RecNum><DisplayText><styleface="superscript">[20]</style></DisplayText><record><rec-number>24</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619166495">24</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Dong,C.</author><author>Cao,X.</author><author>Fang,W.</author><author>Jian,S.</author></authors></contributors><titles><title>BlessingofDimensionality:High-DimensionalFeatureandItsEfficientCompressionforFaceVerification</title><secondary-title>ComputerVision&PatternRecognition</secondary-title></titles><dates><year>2013</year></dates><urls></urls></record></Cite></EndNote>[20]，有关如何在面部验证中使用高维特征的文章。作者主要以LBP为例，讨论高维特征与验证性能之间的正相关关系。即人脸尺寸越高，验证越准确、越高。第三个阶段是基于深度学习ADDINEN.CITE<EndNote><Cite><Author>Krizhevsky</Author><Year>2012</Year><RecNum>25</RecNum><DisplayText><styleface="superscript">[21]</style></DisplayText><record><rec-number>25</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619166885">25</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Krizhevsky,A.</author><author>Sutskever,I.</author><author>Hinton,G.</author></authors></contributors><titles><title>ImageNetClassificationwithDeepConvolutionalNeuralNetworks</title><secondary-title>NIPS</secondary-title></titles><dates><year>2012</year></dates><urls></urls></record></Cite></EndNote>[21]的方法，自2012年深度学习在ILSVRC-2012取得优异成绩之后，许多研究人员正在尝试将其应用到自己的方向，这极大地促进了深度学习的发展。卷积神经网络在图像分类中表现出强大的功能，通过学习获得的卷积核明显优于人工设计的特征+分类器方案。人脸识别的研究人员使用卷积神经网络（CNN）从大量的人脸图片中学习，然后从输入图像中提取可用于区分不同人脸的特征向量，而不是人为设计的特征。在早期阶段，研究人员尝试了网络结构，输入数据设计等方面的各种解决方案，然后将其发送到卷积神经网络，以进行经典的目标分类模型训练。在后期，主要的改进集中在损失函数上，也就是说，强制卷积网络学习获得更有效地区分不同人的特征。这时，人脸识别领域已通过深度学习彻底改变。DeepFaceADDINEN.CITE<EndNote><Cite><Author>Taigman</Author><Year>2014</Year><RecNum>26</RecNum><DisplayText><styleface="superscript">[22]</style></DisplayText><record><rec-number>26</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619167287">26</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Taigman,Y.</author><author>Ming,Y.</author><author>Ranzato,M.</author><author>Wolf,L.</author></authors></contributors><titles><title>DeepFace:ClosingtheGaptoHuman-LevelPerformanceinFaceVerification</title><secondary-title>IEEEConferenceonComputerVision&PatternRecognition</secondary-title></titles><dates><year>2014</year></dates><urls></urls></record></Cite></EndNote>[22]是Facebook在2014年提出的一种方法。它是深度卷积神经网络在人脸识别领域的基础工作。在本文中，将3D模型用于人脸对齐任务，而深度卷积神经网络则针对对齐的人。FacePatch使用经典的交叉熵损失函数（Softmax）进行多类分类学习，以优化问题，并最终通过FeatureEmbedding获得固定长度的人脸特征向量。基本网络使用多层本地卷积结构。原因是希望网络的不同卷积核可以学习脸部不同区域的特征，但是这会增加参数量并需要大量数据。回顾过去，这种策略不是非常必要。DeepFace在LFW上达到了97.35％的精度，已接近人类水平。与早期的小数据规模相比，Facebook收集了4000个人400万张照片进行模型训练。在大数据训练的条件下，准确率也得到了很大的提高。之后谷歌提出了FaceNetADDINEN.CITE<EndNote><Cite><Author>Schroff</Author><Year>2015</Year><RecNum>27</RecNum><DisplayText><styleface="superscript">[23]</style></DisplayText><record><rec-number>27</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619167363">27</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>FSchroff</author><author>Kalenichenko,D.</author><author>Philbin,J.%JIEEE</author></authors></contributors><titles><title>FaceNet:AUnifiedEmbeddingforFaceRecognitionandClustering</title></titles><dates><year>2015</year></dates><urls></urls></record></Cite></EndNote>[23]，使用三重损失函数（TripletLoss）代替了常用的Softmax交叉熵损失函数，在超球面空间中进行了优化，以使类内距离更紧凑，类间距离更长，最后获得一个紧凑的128维人脸特征。该网络使用GoogLeNet的Inception模型。模型参数较小，精度较高。LFW的准确率达到99.63％。这个损失函数的思想也可以追溯到早期的LDA算法。汤晓鸥团队提出的DeepID系列是一组非常有代表性的人脸识别模型。eepID1使用四层卷积，最后一层是Softmax，中间是深度隐藏身份特征。这是学习的人脸特征表示。使用Multi-patch分别训练模型，最后将它们组合成高维特征。人脸验证阶段使用联合贝叶斯方法；通过学习多类别（10000个类别，每个类别大约有20个实例）来学习人脸识别任务。该方法指出，随着训练期间要预测的人脸类别越多，DeepID的泛化能力将越强。DeepID2ADDINEN.CITE<EndNote><Cite><Author>Sun</Author><Year>2014</Year><RecNum>29</RecNum><DisplayText><styleface="superscript">[24]</style></DisplayText><record><rec-number>29</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619167929">29</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Sun,Yi</author><author>Wang,Xiaogang</author><author>Tang,Xiaoou%JarXivpreprintarXiv:.</author></authors></contributors><titles><title>Deeplearningfacerepresentationbyjointidentification-verification</title></titles><dates><year>2014</year></dates><urls></urls></record></Cite></EndNote>[24]在DeepID1的基础上改进了损失函数，并在原始识别损失的基础上增加了验证损失。验证主要增加了一个类的紧凑性，而“识别”则反映了类之间的变化。通过增加类间的差距并减少类内的差距。这个想法也起源于早期的LDA算法。DeepID3ADDINEN.CITE<EndNote><Cite><Author>Sun</Author><Year>2015</Year><RecNum>28</RecNum><DisplayText><styleface="superscript">[25]</style></DisplayText><record><rec-number>28</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619167861">28</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Sun,Yi</author><author>Liang,Ding</author><author>Wang,Xiaogang</author><author>Tang,Xiaoou%JarXivpreprintarXiv:.00873</author></authors></contributors><titles><title>Deepid3:Facerecognitionwithverydeepneuralnetworks</title></titles><dates><year>2015</year></dates><urls></urls></record></Cite></EndNote>[25]提出了两种非常深的神经网络结构（基于VGG和GoogleNet）用于人脸识别，但是识别结果与DeepID2相同。也许当有更多的训练数据时，性能可以提高，并且需要进一步的研究。当前的人脸识别任务主要用于开环识别的情况下，要求学习的人脸特征具有良好的泛化能力，Softmax函数本身用于解决多分类问题，不是面向隐式使用要素层进行优化时，直接训练的要素通常没有良好的泛化能力。尽管Contrastive人脸Loss和Triplet人脸Loss的优化目标是明确合理的，但它们要求研发人员具有丰富的数据工程经验（例如OHEM困难的样本挖掘）。通过添加Center-Loss人脸ADDINEN.CITE<EndNote><Cite><Author>Wen</Author><Year>2016</Year><RecNum>30</RecNum><DisplayText><styleface="superscript">[26]</style></DisplayText><record><rec-number>30</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619168246">30</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Wen,Yandong</author><author>Zhang,Kaipeng</author><author>Li,Zhifeng</author><author>Qiao,Yu</author></authors></contributors><titles><title>Adiscriminativefeaturelearningapproachfordeepfacerecognition</title><secondary-title>Europeanconferenceoncomputervision</secondary-title></titles><pages>499-515</pages><dates><year>2016</year></dates><publisher>Springer</publisher><urls></urls></record></Cite></EndNote>[26]来优化特征层并与Softmax结合，可以训练具有良好内聚力的特征。此方法在人脸识别中尤其重要，因此使用较少数据训练的模型也可以具有良好的性能。Center-Loss增加了一个损失函数，该函数在Softmax的基础上保持类别的中心，并使特征收敛到类别的中心，从而获得与Triplet人脸Loss相似的效果。L-SoftmaxADDINEN.CITE<EndNote><Cite><Author>Liu</Author><Year>2016</Year><RecNum>31</RecNum><DisplayText><styleface="superscript">[27]</style></DisplayText><record><rec-number>31</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619168573">31</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Liu,Weiyang</author><author>Wen,Yandong</author><author>Yu,Zhiding</author><author>Yang,Meng</author></authors></contributors><titles><title>Large-marginsoftmaxlossforconvolutionalneuralnetworks</title><secondary-title>ICML</secondary-title></titles><pages>7</pages><volume>2</volume><number>3</number><dates><year>2016</year></dates><urls></urls></record></Cite></EndNote>[27]由ICML2016中的一篇文章提出。它改进了Softmax并消除了网络设计中最后一个分类层的偏差项（此方法用于随后的人脸识别损失功能的改进中），直接优化分类器的特征和余弦角，添加如果仅支持原始Softmax损失，则人为地增加一个角度（裕度）以增加学习模型的难度，并借鉴SVM的思想进行理解（即使分类，矢量与分类表面之间的距离也大于h）效果更好，则L-Softmax需要在分类效果达到预期结果之前达到mh（m为正整数）的距离。这样，最终增加了类之间的距离，并且使类内的样本更紧凑。SphereFaceADDINEN.CITE<EndNote><Cite><Author>Liu</Author><Year>2017</Year><RecNum>32</RecNum><DisplayText><styleface="superscript">[28]</style></DisplayText><record><rec-number>32</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619168616">32</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Liu,Weiyang</author><author>Wen,Yandong</author><author>Yu,Zhiding</author><author>Li,Ming</author><author>Raj,Bhiksha</author><author>Song,Le</author></authors></contributors><titles><title>Sphereface:Deephypersphereembeddingforfacerecognition</title><secondary-title>ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition</secondary-title></titles><pages>212-220</pages><dates><year>2017</year></dates><urls></urls></record></Cite></EndNote>[28]提出了A-Softmax，它对L-Softmax进行了较小的改进，对权重进行了归一化，可以看作是对超球形流形上的样本进行分类和区分。以上几种方法都没有对嵌入的特征层进行规范化，因此从严格意义上讲，不能将其视为角度的优化。L2-SoftmaxADDINEN.CITE<EndNote><Cite><Author>Ranjan</Author><Year>2017</Year><RecNum>33</RecNum><DisplayText><styleface="superscript">[29]</style></DisplayText><record><rec-number>33</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619168646">33</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Ranjan,Rajeev</author><author>Castillo,CarlosD</author><author>Chellappa,Rama%JarXivpreprintarXiv:.09507</author></authors></contributors><titles><title>L2-constrainedsoftmaxlossfordiscriminativefaceverification</title></titles><dates><year>2017</year></dates><urls></urls></record></Cite></EndNote>[29]，特征向量由L2归一化。这样做的好处是，以较小范数的特征计算出的梯度会更大；范数较小的特征通常对应于质量较差的图片。因此，在某种程度上，特征归一化起着类似于困难案例挖掘的作用。但是，在特征层上强制使用L2约束将导致分类空间太小，导致模型训练困难，并且Loss值难以降低。分类效果不好。在实际模型训练中，为了促进模型优化，作者添加了比例因子以扩大分类的超球空间。随后的AM-SoftmaxADDINEN.CITE<EndNote><Cite><Author>Wang</Author><Year>2018</Year><RecNum>34</RecNum><DisplayText><styleface="superscript">[30]</style></DisplayText><record><rec-number>34</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619168678">34</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Wang,Feng</author><author>Cheng,Jian</author><author>Liu,Weiyang</author><author>Liu,Haijun%JIEEESignalProcessingLetters</author></authors></contributors><titles><title>Additivemarginsoftmaxforfaceverification</title></titles><pages>926-930</pages><volume>25</volume><number>7</number><dates><year>2018</year></dates><isbn>1070-9908</isbn><urls></urls></record></Cite></EndNote>[30]和ArcFaceADDINEN.CITE<EndNote><Cite><Author>Deng</Author><Year>2019</Year><RecNum>35</RecNum><DisplayText><styleface="superscript">[31]</style></DisplayText><record><rec-number>35</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619168709">35</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Deng,Jiankang</author><author>Guo,Jia</author><author>Xue,Niannan</author><author>Zafeiriou,Stefanos</author></authors></contributors><titles><title>Arcface:Additiveangularmarginlossfordeepfacerecognition</title><secondary-title>ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition</secondary-title></titles><pages>4690-4699</pages><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>[31]是对SphereFace的改进。可以将ArcFace视为AM-Softmax的改进版本，将Margin直接添加到角度中。这样做的优点是，角度距离比余弦距离对角度的影响更大。ArcFace参照L2-Softmax同时对特征和权重进行归一化，并添加了固定的特征比例因子S。通过有针对性地改进网络结构和清理MegaFace数据集，该方法为二维人脸识别在该阶段最优的结果。1.2三维人脸识别研究现状在1980年代后期，cartousADDINEN.CITE<EndNote><Cite><Author>Cartoux</Author><Year>1989</Year><RecNum>36</RecNum><DisplayText><styleface="superscript">[32]</style></DisplayText><record><rec-number>36</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619168835">36</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Cartoux,Jean-Yves</author><author>LaPresté,Jean-Thierry</author><author>Richetin,Marc</author></authors></contributors><titles><title>Faceauthentificationorrecognitionbyprofileextractionfromrangeimages</title><secondary-title>Proceedings.WorkshoponInterpretationof3DScenes</secondary-title></titles><pages>194,195,196,197,198,199-194,195,196,197,198,199</pages><dates><year>1989</year></dates><publisher>IEEEComputerSociety</publisher><urls></urls></record></Cite></EndNote>[32]等人使用基于曲率的方法在小型三维人脸数据库上进行测试，并实现了100％的识别精度。在1996年，GordonADDINEN.CITE<EndNote><Cite><Author>RWGeaaadlikilneeTgrGs</Author><Year>2000</Year><RecNum>37</RecNum><DisplayText><styleface="superscript">[33]</style></DisplayText><record><rec-number>37</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619169231">37</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>RWGeaaadlikilneeTgrGs</author><author>Mbsgrcaooor,A.</author></authors></contributors><titles><title>FaceRecognitionfromFrontalandProfileViews</title></titles><dates><year>2000</year></dates><urls></urls></record></Cite></EndNote>[33]实验证明将人脸的正面视图和侧面视图组合在一起可以提高三维人脸识别的识别精度。从那时起，随着3D扫描设备（主要基于激光和结构光技术）的渐渐普及，3D人脸识别研究也在继续发展。Mohamadzade等ADDINEN.CITE<EndNote><Cite><Author>Mohammadzade</Author><Year>2012</Year><RecNum>38</RecNum><DisplayText><styleface="superscript">[34]</style></DisplayText><record><rec-number>38</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619169356">38</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Mohammadzade,Hoda</author><author>Hatzinakos,Dimitrios%JIEEEtransactionsonpatternanalysis</author><author>machineintelligence</author></authors></contributors><titles><title>Iterativeclosestnormalpointfor3Dfacerecognition</title></titles><pages>381-397</pages><volume>35</volume><number>2</number><dates><year>2012</year></dates><isbn>0162-8828</isbn><urls></urls></record></Cite></EndNote>[34]人利用类似于二维人脸识别中基于模式识别的方法，提出了一种用于三维人脸识别的迭代最近法线点的方法。与经典ICP不同，该方法对一组点进行采样并对齐这些点，以在采样点处形成人脸的表面法线向量。作者的结论是，在采样点上人脸的表面法线向量比该点的坐标包含更多的判别信息。Luuk等人ADDINEN.CITE<EndNote><CiteExcludeYear="1"><Author>Fast</Author><RecNum>39</RecNum><DisplayText><styleface="superscript">[35]</style></DisplayText><record><rec-number>39</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619169381">39</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Fast,SpreeuwersLuuk%JInteurnalofcomputerVision.-.-3</author></authors></contributors><titles><title>Accurate3DFaceRecognitionUsingRegistrationtoanIntrinsicCoordinateSystemandFusionofMultipleRegionClassifiers</title></titles><pages>389-414</pages><volume>93</volume><dates></dates><urls></urls></record></Cite></EndNote>[35]将人脸分成多个重叠区域，并使用主成分分析线性判别分析来融合这些区域。使用60个融合区域的分类器可提高识别率。cao等人ADDINEN.CITE<EndNote><Cite><Author>Cao</Author><Year>2012</Year><RecNum>40</RecNum><DisplayText><styleface="superscript">[36]</style></DisplayText><record><rec-number>40</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619169403">40</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Cao,Xue</author><author>Shen,Wen</author><author>Yu,Li-Gong</author><author>Wang,YL</author><author>Yang,Jing-Yu</author><author>Zhang,ZW%JPatternRecognition</author></authors></contributors><titles><title>Illuminationinvariantextractionforfacerecognitionusingneighboringwaveletcoefficients</title></titles><pages>1299-1305</pages><volume>45</volume><number>4</number><dates><year>2012</year></dates><isbn>0031-3203</isbn><urls></urls></record></Cite></EndNote>[36]利用相邻小波系数的相关性克服了光照变化，并用于实现三维人脸识别。类似于在二维人脸识别中基于手动特征的方法，Liu等人ADDINEN.CITE<EndNote><Cite><Author>Liu</Author><Year>2012</Year><RecNum>41</RecNum><DisplayText><styleface="superscript">[37]</style></DisplayText><record><rec-number>41</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619169429">41</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Liu,Peijiang</author><author>Wang,Yunhong</author><author>Huang,Di</author><author>Zhang,Zhaoxiang</author></authors></contributors><titles><title>Recognizingoccluded3DfacesusinganefficientICPvariant</title><secondary-title>2012IEEEInternationalConferenceonMultimediaandExpo</secondary-title></titles><pages>350-355</pages><dates><year>2012</year></dates><publisher>IEEE</publisher><isbn>1467316598</isbn><urls></urls></record></Cite></EndNote>[37]提出了一个球面深度图（SDM）来描述面部表面，并使用均匀的下采样来减少顶点的数量来处理更大的点云。elaiwat等人ADDINEN.CITE<EndNote><Cite><Author>Elaiwat</Author><Year>2013</Year><RecNum>42</RecNum><DisplayText><styleface="superscript">[38]</style></DisplayText><record><rec-number>42</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619169449">42</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Elaiwat,S</author><author>Bennamoun,Mohammed</author><author>Boussaid,Farid</author><author>El-Sallam,Amar%JIEEESignalProcessingLetters</author></authors></contributors><titles><title>3-Dfacerecognitionusingcurveletlocalfeatures</title></titles><pages>172-175</pages><volume>21</volume><number>2</number><dates><year>2013</year></dates><isbn>1070-9908</isbn><urls></urls></record></Cite></EndNote>[38]使用曲线波特征来实现三维人脸识别。该算法检测人脸上的显着点，并构造多尺度局部表面描述符，以获得不变于旋转和位移的局部特征。Lei等人将三维人脸图像分为刚性和半刚性区域，并提取四个局部几何直方图特征。最后，使用支持向量机（SVM）对特征进行分类，并且不同的类别对应于不同的个体。实验表明，刚性和半刚性区域特征的融合可以为面部表情的变化提供可靠的基础。Zhang等人ADDINEN.CITE<EndNote><Cite><Author>Zhang</Author><Year>2011</Year><RecNum>43</RecNum><DisplayText><styleface="superscript">[39]</style></DisplayText><record><rec-number>43</rec-number><foreign-keys><keyapp="EN"db-id="vff95faa00st9oet2f1x2v9hv2rtxafw0p9r"timestamp="1619169498">43</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Zhang,Guangpeng</author><author>Wang,Yunhong%JPatternRecognitionLetters</author></authors></contributors><titles><title>Robust3Dfacerecognitionbasedonresolutioninvariantfeatures</title></titles><pages>1009-1019</pages><volume>32</volume><number>7</number><dates><year>2011</year></dates><isbn>0167-8655</isbn><urls></urls></record></Cite></EndNote>[39]使用SIFT在六个不同的尺度上定位和匹配空间极限。该方法对噪声和表情变化具有更好的鲁棒性。近年来，卷积神经网络在二维人脸识别方向的成熟应用促进了其在三维人脸识