论文解读：《利用 DNA 进行人脸预测的研究进展》

Title:Advancement in Human Face Prediction Using DNA

DOI 10.3390/genes14010136

期刊 Genes

中科院分区：3区

影像因子：3.5↓ 0.641

作者 Aamer Alshehhi; Aliya Almarzooqi; Khadija Alhammadi; Naoufel Werghi; G.K. Tay; et al

出版日期 2023-01-03

网址 https://www.mdpi.com/2073-4425/14/1/136/pdf?version=1673516981

摘要

识别影响面部形态的遗传因素的快速进展，使颅面综合征的早期识别成为可能。同样，这项技术在涉及从生物痕迹或人类遗骸进行人类鉴定的法医案件中至关重要，特别是在脱氧核糖核酸 (DNA)数据库中没有参考样本的情况下。这篇综述总结了目前使用的基于遗传变异预测人类表型如年龄、血统、色素沉着和面部特征的方法。为了识别受 DNA  影响的面部特征，回顾了各种二维 (2D)和三维(3D)扫描技术和分析工具。本文还对这些扫描技术进行了比较。按时间顺序讨论了人脸标记技术和人脸表型算法。然后，重点介绍了遗传到三维人脸形状分析的最新方法;通过系统评价和荟萃分析(PRISMA)方法的首选报告项目，对目前通过 GWAS 目录中单核苷酸多态性(SNP)-面部性状的全基因组关联(GWAS) 阈值的标记进行了系统评价。最后，对目前法医 DNA  表型研究面临的挑战进行了分析和讨论。

关 键词:单核苷酸多态性(SNP);法医 DNA 表型分析(FDP);脸的地标;全基因组关联研究(GWAS)

1.介绍

在过去的二十年中，各种基因分型技术被用于发现导致人类外观变化的遗传因素。 人脸特征预测一直是人类学家、医学人类遗传学家和犯罪学家面临的挑战。在本综述中，这种类型的预测将被称为法医 DNA  表型(FDP)。FDP  旨在从 DNA  中推断出一个人的未 知的、外部可见的特征(EVCs )。在人类学家建立了用于人类识别目的的表型基础后，遗 传学家开展涉及人类识别中常用的形态特征的遗传变异研究，如年龄、血统、眼睛颜色、头发颜色、肤色和面部特征[1-5]。1996 年， Charles  H.  Brenner 发表了一篇关于扩展使用 DNA  短串联重复序列(STR)谱来估计基于贝叶斯推理的白人与非裔美国人种族区分的似 然比的论文[6]。相应地，确定的数学依据

在犯罪现场留下生物证据的嫌疑人的祖先已经确定。此外， 托尼·弗鲁达基斯(Tony Frudakis)在 2008 年的一本书中讨论了利用 DNA 测试确定人类身体外观的推断感，如祖先和其他表型，使用术语分子光拟合[7]。dna  表型技术在灾难受害者识别(DVI)中具有重要意义，其中由于腐烂引起的皮肤、眼睛颜色和其他环境因素的变化，死者的面部识别很困难。这类常见的灾害包括海啸和飓风[8]。此外，当在 DNA  和指纹数据库中搜索并使用犯罪现场线索而无法识别时，这种类型的面部预测是至关重要的[9]。2003  年，在南路易斯安那州的一系列强奸和谋杀案件中，基因血统检测首次被用于识别犯罪嫌疑人的种族。使用 DNA 证人试剂盒分析证据显示，嫌疑人是混合血统，特别是(85%)非洲人和(15%)美洲原住民。2004 年，这一 DNA 图谱导致了嫌疑人的识别和定罪[10]。随着技术的进步和可靠性的提高，它现在可以为传统的 dna 分析方法提供额外的支持。通过提供嫌疑人身体特征的信息描述，该技术可以根据提供的数据，通过可能的纳入或排除嫌疑人来加速调查[3,11,12]。此外，当受害者的头骨无法进行面部重建时，受害者的身份识别就会受阻[13]。

本次综述的组织如下;在第 1 节中，我们提供了 DNA 表型的总体概述。第 2 节暴露了不同的 2D 和 3D 面部扫描技术和分析工具。第 3 节提供了当前人脸标记技术、算法和分析工具的概述。在第 4 节中，详细介绍了从 DNA 分析和理解面部特征的一些方法。第 5 节详细阐述了目前法医 DNA 表型的挑战。

2. DNA 分型

通过研究 Sonic-Hedgehog 、骨骼形态发生蛋白、homeobox 基因等多种因素对面部特征发育的影响，研究了遗传对面部特征的影响[14-17]。此外，一些遗传疾病，如神经纤维瘤病、胎儿酒精谱系障碍、22q 11.2  基因缺失、唐氏综合征等染色体异常，与健康个体相比，会引起面部特征的改变[18-20]。

由于 DNA 甲基化水平与某些 Cp G 位点的年龄之间存在关联，DNA 甲基化等表观遗传因素在预测年龄方面显示出可重复的结果[21-24]。其他基因的 DNA 甲基化水平，如 ELOVL2、FHL2、KLF14、C1orf132/MIR29B2C 和 TRIM59，也与实际年龄 3.844 岁的平均绝对偏差(MAD)相关[25]。另一方面，Xia 等人利用三维人脸图像分析对中国参与者的年龄进行预测，预测年龄与实足年龄的平均差异仅为±2.8 ~ 2.9 岁[26]。这一发现与其他遗传因素一起，证明了年龄在人脸预测中的重要性。

此外，在 1000 基因组计划(1000  Genomes  Project)等数据集内对欧洲人口进行的研究表明， 多基因性强烈影响表型。然而，在特定人群中，不同表型之间存在相关性，因为他们具有相似的遗传变异[27,28]。面部特征和群体子结构之间存在联系，这表明面部形态可能受到血统[17]的影响。基因组全关联研究(GWAS)目录中关于遗传-表型关联的大多数研究都是在欧洲血统人群中进行的，其他人群的代表性不足， 例如中东人群，仅占 GWA S  数据库的 0.08%[29,30]。研究来自代表性不足群体的样本可以提高我们对遗传结构的了解，并扩展法医和医学发现的适用性[31]。基于祖先的 snp (AISNP)通常与面部特征有关，因为给定人群的种族的可预测性更高，当人群的面部特征更明显[32]。研究报告已经证明了 AISNPs  在法医、医学和人类学应用中的重要性[33-35]。Kidd 和 Seldin  AISNP 小组包括来自主要大陆地区[33]的参考人口的不同数据。大多数祖先标 记是双等位基因(插入-删除)标记或  snp，因为目前使用短串联重复(STR)标记的方法不 能预测祖先。因此，snp 可以提供调查线索[36]。Snipper 应用程序套件是一个开源工具，为基于包含 AISNPs 的大规模平行测序(MPS)面板的生物地理分类提供多种解决方案 [37,38]。其他商业试剂盒也被开发用于确定种族背景和血统，包括 AncestryDNA 、 23andMe 和国家地理[39-41]。AISNPs 在不同的人群中具有不同的频率， 因此可以使用 DNA 确定个体的祖先 [33,42,43]。通过确定与 DNA 样本中遗传变异最相关的群体，个体的遗传祖先主要表现为比例祖先或混合[44-46]。

除了 AISNPs 可以提供的调查线索外，表型信息性 snp  (PISNPs )还揭示了有关嫌疑 人外表的更多信息。这样的表型包括受试者眼睛、头发和皮肤的颜色，以及他们的面 部特征[5,47-54]。控制个体表型的基因之间存在着复杂的相互作用，如突变、基因漂移、重组、分离变异、拷贝数变异等。因此，在过去的十年中， 来自遗传学、图像处理工 程、生物信息学、统计学等背景的科学合作者们都专注于对与特定表型相关的遗传变 异进行分类。本次合作旨在了解上述相关性，并准确预测面部特征[17,55]。

识别和区分一个人与另一个人的主要类别之一是颜色。突出的、主要可识别的可见颜  色与一个人的眼睛、头发和皮肤有关。用于预测这三种表型的工具之一是 HIrisPlex-S 系统，该系统结合了眼睛、头发和肤色的预测模型[51,56]。

当应用于荷兰欧洲人时，IrisPlex 眼睛颜色预测工具仅使用 31pg  DNA，就蓝色/棕色表型的预测准确率超过 90%，使该试剂盒敏感，适合低拷贝数 DNA  样品的应用[57- 60]。然而，该工具对绿榛型或中深色表型和混合群体的预测精度较低，因此表明需要使用混合群体和更大的样本量进一步研究该工具[61-63]。另一项 GWAS  研究纳入了来自 10 个群体的许多欧洲参与者(~  19.3 万人)，确定了 124 个用于眼部预测的遗传位点，

其中 50 个此前未被报道。研究结果还表明，东亚人群和欧洲人之间眼睛颜色特征的基因结构具有一致性[64]。此外，一些研究人员使用退化的 DNA 样本在巴基斯坦人群中测试了该工具，结果显示准确性较低(70%)， 主要是由于欧洲人与南亚人相比，表型眼睛颜色的差异很大。他们建议，如果某些 snp 含有缺失等位基因，则不要使用该工具 [65]。关于发色预测， HIrisPle x 工具显示金发、棕色、红色和黑色发色的曲线下面积(AUC)在 72-92 之间，这表明该工具在取证方面的应用潜力[5,47-50,52]。

用于肤色预测的 snp 被纳入 HIrisPlex-S 工具，并分布在 16 个色素沉着基因中。使用以下两种方法评估了两种肤色模型:三种肤色尺度和五种肤色尺度。使用三种肤色模型(浅色、深色和深黑色)，其准确率范围在 83-97%之间，而五种肤色模型(从非常苍白到深黑色)的准确率范围在 72%到 97%之间[51,53]。HIrisPlex-S  工具中的部分基因在 ad-中进一步研究

混合种群并显示相似的关联[66-69]。此外，在波兰、欧洲和混合人群(包括西班牙裔)中发现 SNP  rs12913832  (HERC2) 与三种皮肤色素沉着特征的关联[70-73]。此外，一项针对 17019 名韩国女性进行的 GWA S 研究揭示了 7 个位点与面部色素沉着的关联，其中 3 个位点此前未被报道[74]。其他研究人员正在测试这些多位点，并试图发现它们与附近基因的关联。他们的目的是在应用于不同人群时验证并优化其结果的准确性[75-77]。

另一方面，阿拉伯研究人员在中东人口(伊拉克)身上测试了一些与眼睛颜色相关的主要基因位点，如 HERC2  和 OCA2。他们发现，由于这些基因座的单核苷酸多态性与次要等位基因频率的变化之间的连锁不平衡，由于这些工具没有考虑到中东人群，因此在预测深棕色、淡褐色和蓝色眼睛颜色方面，发现了一些与模型的偏差[78]。其他研究人员也在其他中东人群(沙特和伊朗)中证实了类似的结果[72,79]。这表明了验证多个人口群体的预测工具的重要性，以便在正式在法医应用中使用该工具之前了解由此产生的变化。

总体而言，眼睛、头发和肤色预测显示了不同人群群体的精度水平，中间颜色群体的预测精度较低，这可以通过增加解释血统的遗传标记和扩大对混合人群的研究来提高 [5,47,49-51,53,56,72,80-82]。HIrisPlex-S  工具是一个开源工具，可供任何有兴趣通过指定感兴趣的单核苷酸多态性的等位基因拷贝数来推断头发/皮肤/眼睛颜色的法医调查人员在线使用。该软件根据 AUC 值提供结果的准确度水平[83]。

人脸特征推断

在过去的几十年里，利用人类头骨来重建整个面部一直被用于对死者尸体的法医调查。面部照片对于识别未知身份的人可能非常重要。这些图像被成功地用于识别未知个体[84-86] 。 2004  年， Turner  等人开发了  reality  enhancement/facial  approximation   by computational estimation  (RE/ FACE)软件来预测颅骨的软组织结构。该软件是为联邦调查局(FBI)创建的，用于使用计算机断层扫描(CT)自动使用密集的地标放置。最近， Fac IT等其他开源计算机化工具被开发出来，允许通过使用 CT  等工具扫描头骨来重建人脸 [13,87]。尽管存在争议，但这些工具已经帮助调查人员和人类学家识别了来自不同时代和人口群体的人。一些研究人员想要探索 DNA 对颅骨的影响，他们的发现表明，面部特征是由颅骨和软组织厚度的变化组成的[88]。

为了解决没有头骨可以用来构建人脸的实例，目前正在使用 dna  -表型技术研究面部特征推断。这种方法从生物证据中提供了关于一个人的外貌的调查线索。与从头骨重建人脸相似，面部特征点在这种类型的分析中是必不可少的。它们可以通过人脸之间的线性测量来区分人脸，例如面部高度、鼻子(宽度、突出度和大小)、眼间距离、下巴和前额突出度[5,47-51,89,90]。

其中一种研究性别、血统和遗传变异对面部测量的影响的方法使用 bootstrapped response-based  imputation  modeling  (BRIM)来测量和建模面部形状的变化。相关研究涉及 592 名参与者，他们来自西非和欧洲的混合人口。样本池来自美国、巴西和佛得角。他们在 20 个显著影响面部形态的基因中发现了 24 个单核苷酸多态性。此外，从总数为7150 的高密度准地标(QL)构型中进行了叠加和对称的 3D 人脸，选择了 44 个主成分(PCs)，它们描述了 98%的总变差[80]。

其他 GWAS 研究表明，遗传变异与面部特征之间存在很强的相关性，如面部宽度、前额突出度、脸颊突出度、鼻梁隆起度、鼻子长度和突出度、鼻梁位置、鼻梁宽度和  眼球之间的距离。这些关联大多以 p 值和标准差值的形式呈现，而不是以准确率百分 比的形式呈现。每项研究针对的是不同的人群，由于影响祖辈相关面部特征的因素，  这些人群可能已经影响了相关值。为法医应用优化这样的技术，需要对人类外貌的基  因基础有进一步的了解。这种优化依赖于使用来自不同群体的更大样本量， 了解相关 的表观遗传因素， 调查可能的环境因素，涉及不同科学学科的合作者，并改进分析方 法[1,8,17,89,91 -95]。

3.面部筛查和扫描工具

3.1 使用 2D 方法进行面部筛查

在过去的十年中，人脸的二维图像一直被用于临床应用(ferry  et  al.， 2014)。不同的 医学应用已经将 2D  照片纳入人类发展早期阶段的遗传综合征和面部相关异常的诊断中 [96]。在一些农村地区和贫困社区，建立具有先进设备和技术的高度精密的中心是非常困 难的。手机的使用提供了一种现成的方法，可以提供遗传学家所需的信息，以便在网上 提供诊断。这种类型的推理将为欠发达地区儿童的早期诊断创造一个实用的选择。此外，许多在线可用的数据集，如 Face2Gene 和 Ferry 及其同事，已被公开，以便研究人员将它 们纳入他们的工具中[97,98]。因此，这些算法被简化为对各种遗传疾病患者的面部照片 进行训练[99]。

深度学习算法的架构是通过开发三个层次的神经网络来创建的， 它们首先标准化 二维人脸图像，然后检测人脸的形状，最后估计遗传综合征的风险。基于来自不同国家 的 2800  张儿童照片，利用年龄和性别来转换手机照片和基于手机的应用程序作为主要基因筛选工具的能力。总的来说，该模型对呈现遗传综合征的儿童的风险评估的平均准确率为 88%。这项研究显示了一张脸可以通过 2D 照片揭示一个人的基因构成的信息量。该系统需要对 44  个位置的人脸进行人工标记。然后，根据内部应用程序对这些地标进行测量，因为每个畸形数量都与特定的遗传综合征相关。由于照片不能以(mm)为单位 提供细节，因此每个患者的瞳孔间距离被用作标准化误差的标准。

当遗传疾病/综合征涉及面部的关节变形形态时，如 Williams -Beuren、Crnelia de Lange、Down’s、22q11.2 缺失和 Noonan 综合征[96]，这些技术具有更高的成功率。

然而，为了获得更高层次的面部细节以进行人体识别，并更好地代表人脸的深度，就需要第三维。大多数研究人员推荐使用 3D 扫描仪。它们在捕捉面部细节时增加了更高的分辨率和更准确的精度[100]。因此， 下一节将重点介绍 3D  人脸扫描技术的使用。

3.2.3D 人脸表型技术

三维表面成像指的是一种技术，其中三维数据是从一个物体作为三个坐标(x, y，和 z)的函数获得的维度扫描仪通过获取物体的精细细节和捕捉自由形状来生成精确的点云。因此，一旦这些特征被转换为数字数据，它们就可以用于不同的目的，例如质量检查和测量。此外，表面成像主要通过测量图像表面的坐标点来工作。这些测量可以看作是笛卡尔坐标系中位置(x,y)的深度图函数(z)。它们也可以表示为矩阵形式{zij= (xi, yj)， i  =  1,2，…， L, j = 1,2，…， m}[101,102]。

在 3D 扫描仪中使用了不同的技术， 每种技术都有其优点和缺点。这些技术包括手机应用、激光三角测量、结构光和立体摄影测量。

3.2.1.3D 扫描中的高级手机应用

 从一系列图像中收集空间中一系列点的做法被称为摄影测量。首先，需要从所有可能的角度拍摄物体的多个 2D  图像;然后，软件会将这些图像的重叠过程中产生的所有相关点连接起来，并创建一个 3D  网格[103]。苹果、索尼、三星等移动科技公司的最新创新，使得使用他们的设备生成 3D 照片成为可能。iPhone 型号如 12  Pro、13  Pro 或最新的 iPad  Pro 可能使用激光雷达扫描。这些设备配备了内置的激光雷达传感器，使它们能够使用深度数据轻松扫描超大物体。多种类型的软件和应用程序利用这些技术来处理照片和创建 3D 对象，如 Trnio 和 Scann3d。此外，这类手机可以使用增强现实(AR)来 3D-注册物理对象，具有极高的准确性。虽然这些技术很有前途，但这些手机将需要 20-40  张不同的物体照片才能获得可接受的扫描[104]。Trnio  3D  扫描软件有两种配置:对象模式和场景模式。在摄影师扫描物体后，软件会在这些模式下提供即时协助。对于对象模式，摄影师在对象周围移动，应用程序创建对象的全景照片，以循环的方式可用。场景模式是免费扫描的，这意味着它可以用来扫描大规模的物体或室外场景的 3D。

其他选项可能需要使用手机附带的插件设备，如 itSeez3D  和 Bevel[105]。这些设备通常对较低的手机功能有益， 因为它们提供额外的摄像头和眼睛安全激光器作为探测器。收集到的信息通过从激光中收集大小和几何信息的软件进行分析，同时它从手机摄像头中收集颜色、纹理和其他物体特征[104]。

尽管智能手机的应用前景广阔，并且已经成功地再现了 3d 打印的家居物品，但所需的照片数量高，创建扫描所需的时间长，可能会降低准确性，尤其是在法医相关研究中。

3.2.2. 基于激光三角测量的 3D 扫描仪

这些扫描仪通过激光线或单个激光点扫描物体。扫描仪发射激光，它的光被扫描的物体反射。首先，传感器瞄准初始轨迹。根据轨迹和三角测量角度之间的变化，系统感知特定的像差角度。这些角度与扫描器与物体之间的距离有关。当收集到足够的距离测量数据时，扫描仪会绘制该物体的表面，从而生成 3D 图像。扫描器也可以用于移动物体，因为它可以从激光线中收集一系列轮廓，形成一个物体的完整 3D 地图。然而，基于三角测量的扫描仪表现出了涉及参与者眼睛安全的安全问题[106]。它们在扫描具有显著次表面散射的闪亮物体和材料时也可能表现不佳[107,108]。该方法被用于捕捉雅芳父母和儿童纵向研究(ALPAC)参与者的 3D 面部扫描[109,110]。这种激光构成的眼睛安全技术被美国食品和药物管理局(FDA)接受波长为 690 nm，波长为 30 mW 。使用这种类型的扫描仪表明，重新审视旧技术并尝试改进它们以实现面部扫描的可能应用是多么重要。

3.2.3. 结构光 3D 扫描仪

 这种类型的扫描仪使用主动照明。它闪烁由特殊光源或投影仪产生的二维空间排列不同强度的图案。然后，它使用成像传感器获取物体的表面信息。假设光线投射到平面上(即 2D  表面)。在这种情况下，相机获得的图案将与投影的图案相似，这意味着投射的结构光不会有失真。但是，如果表面是非平面的，这意味着它具有突出和深度，那么投射的结构光就会发生扭曲。畸变模式可以使用不同的算法进行计算，从而生成物体的 3D  表面。这些扫描仪可以是手持的，也可以是固定的。通常，这些扫描仪是由静态单反相机和一个光投影仪，如 SL2  系统生产的  XYZ   RGB  公司(卡纳塔， ON，加拿大)[101,111]。revpoint 3D  技术公司(中国西安和深圳)生产其他使用相同技术的方法，包括 Handysense 手持式 3D 扫描仪[112]。

3.2.4. 立体摄影测量 3D 扫描仪

这些扫描仪的概念涉及从一系列使用计算机视觉算法的 2D 图像。在这种方法中，使用任何可访问的相机从不同的视角拍摄物体的几张照片。通过自动识别与同一物理点对应的像素的算法计算出从一张照片到另一张照片的变化，从而生成 3D  图像。这项技术可以扫描各种尺度的物体[113]。 Canfield  科学公司(Parsippany-Troy  Hills,  NJ,  USA)是一家基于立体摄影测量技术发明 VECTRA   M3 系统的公司3D  扫描仪模型。整形外科医生主要使用这个系统来查看面部和颈部的高分辨率图像[114]。

3.2.5. 选择正确类型的扫描仪

 在选择 3D  扫描仪捕捉面部特征时，需要考虑几个因素。最重要的因素是扫描分辨率和准确性。扫描分辨率是扫描仪能够测量的物体上两点之间的最小距离。精度是测量值符合物体实际值的程度。而且，随着扫描器与物体之间距离的增大，误差的绝对值也相应增大，这是一个应该考虑的值。在处理人体受试者和反光物体时，如果不考虑合适的波长，激光三角测量系统可能会伤害受试者的眼睛。为了比较这三种系统，我们选择了四种设备，它们在基于 3d 的面部研究中使用的普及程度(表 1)。

柯尼卡美能达 Viv id 900 激光相机在四款设备中具有最高的 3D 分辨率、最小的文件大小和最快的处理速度。3dMDhead 系统是一种立体摄影测量固定设备，可以 360 度扫 描整个脸部、头部和颈部。该设备允许用户以最高速度捕捉帧。3dMDhead  系统在多篇 法医相关论文中使用，如表 1 所示。另一个使用立体摄影测量的设备是 Canfield 公司的 Vectra H1。在其他仪器中，它的几何分辨率最低，只有 0.8 毫米，精度最低，只有 0.84。该设备生成的图像顶点最高，分辨率为 1.2 毫米。

 表 1。 使用三种不同 3D 扫描技术的四种扫描工具的比较:3dMDhead、Canfield VECTRA H1、Artec Eva 和 Vivid 900[115-118]。

而且，相比其他两款设备，Vect ra H1 可以以最低的价格购买(约为各自价格的一半)。另一方面，Artec  Eva 系统是一种手持设备，在捕捉图片时需要围绕物体旋转;因此，捕捉 一张人脸需要大量的时间(每人~4  分钟的处理时间)。这也需要受试者付出更多的努力来 稳定面部表情，使用该设备的人与受试者保持特定的距离范围，以实现足够的扫描。总  的来说，这四种扫描仪适合捕捉面部细节。选择合适的设备取决于其应用的性质以及目标价格、分辨率、覆盖范围和精度。从文献来看，3dMDhead 扫描仪由于在捕捉细节方面速度快，在与人脸相关的研究中似乎更受青睐

4.面部标志，算法和分析工具

4.1 面部标志

面部标志可以被定义为面部上的显著区别位置，其可以被用作面部比较的参考点。标志的选择取决于被研究的表型，但是这些标志中的大多数位于面部的口鼻区域。面部标志于1994年由现代颅面研究的先驱莱斯利·法卡什引入，他建议使用17个标志来建模面部[128]。面部标志被分成主要组或次要组。主要(一阶)标志包括鼻尖、嘴角、眼角等。

他们专注于法医应用，包括用于人体识别的主要特征。可以使用梯度直方图(HOG)和尺度不变特征变换(SIFT) [129]等工具对主要标志进行定位。此外，次要(二阶)界标由主要界标引导，因为它们代表具有关于非末端点的更多细节的点。这些界标通常表示诸如鼻梁、下巴尖和脸颊曲线之类的特征，这些特征通常用于理解面部表情或分析单侧/不完整的面部照片。

当获得高质量的面部扫描时，会遇到一些问题，包括姿势、表情、照明、遮挡等。[129].地标方法包括手动、半自动、全自动和使用准地标的面部掩蔽。本文对这些方法进行了综述。

4.2.地标

之间的手动地标测量通过进行人体测量线性测量来获得。Weinberg等人比较了使用卡尺的直接人体测量法、来自照片的2D摄影测量法和使用射线照相技术的头颅测量法。研究表明，这些技术无法准确捕捉3D人脸的细节[128，130]。通常通过使用标记器用点标记面部并测量它们之间的距离或者在不使用标记器的情况下估计界标位置来执行界标的放置。这个过程可以用数字或直尺手动完成。这些测量也可以通过将面部扫描上传到软件上来获得，该软件允许2D照片和3D面部网格旋转[128]。由于人工识别界标的不可控性，以及操作员的内部和内部变化可能导致更高程度的误差，因此最好使用软件来获得此类测量值[127，128，131–133]。为了调查每种技术的精度，已经进行了多次统计分析(手动测径与使用参考点的3D图像和没有参考点的3D图像)。比较了各种标记技术的平均绝对差、相对误差、实际测量误差和一致性系数。结果显示，当使用计算机软件标记3D图像时，精确度更高[128]。