三维人脸识别方法还存在哪些缺点？

  基于人工特征的方法：通过精确的三维扫描摄像机，获取目标任务的三维人脸模型，以三维点云或者三角网格的数据形式表示。对处理好的三维人脸模型进行手工特征提取，例如计算三维点云的曲率，法线，设计SIFT,MMH等特征，再根据提取好的特征进行匹配，进而分辨三维人脸模型是否属于同一人。这类算法的缺点是，由于使用的人工特征主要基于三维模型，当人脸表情变化较大时三维模型变化也较大，故对于人脸表情较为敏感。而一些全局的人工特征例如计算三维形变模型参数的方法能解决表情变化问题，但需要很大的额外计算量。同时，提取人工特征的方法在大规模三维人脸测试集上表现不是很好。
  基于深度学习的方法：由于深度学习在二维人脸识别上的成功，学术界也主要把目光放在使用深度学习的方法来进行三维人脸识别的研究。而深度学习在训练阶段需要大量的数据，三维人脸的采集比起二维人脸来说成本更高。现阶段的公开三维人脸数据集大多只采集了几百人，远远达不到能实际应用的训练量。故除了使用三维摄像头采集外，还有通过三维形变模型进行三维人脸模型的生成以得到足够的训练数据。同时，为了利用深度学习在二维人脸识别的成果，往往也将三维人脸模型投影到二维平面转化为深度图等作为输入，进而分辨是否为同一人脸。这种方法的缺点是，使用三维形变模型生成的数据缺少细节，与真实人脸的差异性较大，实际应用性能不好。只将深度图作为三维模型的表达方式也缺少了三维人脸的很多其他信息。