CN111768477A - 三维人脸表情基建立方法及装置、存储介质及电子设备 - Google Patents
三维人脸表情基建立方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111768477A CN111768477A CN202010642367.9A CN202010642367A CN111768477A CN 111768477 A CN111768477 A CN 111768477A CN 202010642367 A CN202010642367 A CN 202010642367A CN 111768477 A CN111768477 A CN 111768477A
- Authority
- CN
- China
- Prior art keywords
- target
- face model
- dimensional
- key points
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008921 facial expression Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 230000014509 gene expression Effects 0.000 claims abstract description 60
- 230000008859 change Effects 0.000 claims description 26
- 230000001815 facial effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000000513 principal component analysis Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 210000004709 eyebrow Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/20—3D [Three Dimensional] animation
- G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开涉及图像处理技术领域，具体涉及一种三维人脸表情基建立方法及装置、计算机可读存储介质及电子设备，方法包括：提取输入数据中的目标人脸图像的目标关键点，根据目标关键点和平均人脸模型中的与目标关键点对应的初始关键点确定摄像机投影矩阵，平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型；利用摄像机投影矩阵根据目标关键点、平均人脸模型参考三维人脸模型以及初始关键点计算得到与目标人脸图像相对应的目标三维人脸模型；利用目标三维人脸模型生成与目标人脸图像相对应的目标三维人脸表情基。本公开实施例的技术方案能够克服现有技术中得到的表情基模型效果较差且计算量较大的问题。
Description
技术领域
本公开涉及图像处理技术领域，具体而言，涉及一种三维人脸表情基建立方法及装置、计算机可读存储介质及电子设备。
背景技术
随着互联网的发展，三维人脸表情基建立的技术也广泛应用于动画制作、游戏制作、人机交互、影视广告等方面。
但是，现有技术中的三维人脸表情基建立方法自动化程度低，标椎不一致，得到的表情基模型效果较差，且计算量较大。
因此，有必要设计一种新的三维人脸表情基建立方法。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种三维人脸表情基建立方法及装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服现有技术中的三维人脸表情基建立方法自动化程度低，标椎不一致，得到的表情基模型效果较差且计算量较大的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供了一种三维人脸表情基建立方法，包括：
提取输入数据中的目标人脸图像的目标关键点，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，其中，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型；
利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型；
利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基。
在本公开的一种示例性实施例中，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型，包括：
统计分析所述人脸模型数据集，获取PCA人脸参数化模型；
计算所述PCA人脸参数化模型的平均脸模型作为所述参考三维人脸模型。
在本公开的一种示例性实施例中，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，包括：
确定所述目标关键点、所述初始关键点与所述摄像机投影矩阵之间的数学关系；
根据所述数学关系通过最小化重投影误差估计所述摄像机投影矩阵。
在本公开的一种示例性实施例中，利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型，包括：
建立所述目标三维人脸模型与所述参考三维人脸模型的参数关系；
调整所述参数关系使得所述初始关键点经摄像机投影矩阵投影后与所述目标关键点重合；
利用修改后参数关系和所述参考三维人脸模型计算所述目标三维人脸模型。
在本公开的一种示例性实施例中，在利用修改后参数关系和所述参考三维人脸模型计算所述目标三维人脸模型之前，所述方法还包括：
利用所述目标关键点和所述初始关键点，经过多次迭代优化所述摄像机投影矩阵和所述参数关系。
在本公开的一种示例性实施例中，利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基，包括：
获取模板表情基，并根据所述参考三维人脸模型和模板表情基确定参考表情变化三角面片；
根据所述参考表情变化三角面片从所述目标三维人脸模型中选取目标表情变化三角面片；
根据所述参考表情变化三角面片调整所述目标表情变化三角面片。
在本公开的一种示例性实施例中，根据所述参考表情变化三角面片调整所述目标表情变化三角面片，包括：
根据所述参考表情变化三角面片的尺寸及表情，同比例调整所述目标表情变化三角面片中的表情。
在本公开的一种示例性实施例中，所述输入数据包括单幅人脸图像、多幅人脸图像或多帧RGB-D人脸数据。
根据本公开的一个方面，提供一种三维人脸表情基建立装置，包括：
估计模块，用于提取输入数据中的目标人脸图像的目标关键点，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，其中，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型；
计算模块，用于利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型；
生成模块，用于利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任意一项所述的三维人脸表情基建立方法。
根据本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任意一项所述的三维人脸表情基建立方法。
本公开实施例提供的技术方案可以包括以下有益效果：
本公开的一种实施例所提供的三维人脸表情基建立方法中，通过提取输入数据中的目标人脸图像的目标关键点，根据目标关键点和平均人脸模型中的与目标关键点对应的初始关键点确定摄像机投影矩阵，其中，平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型；利用摄像机投影矩阵根据目标关键点、平均人脸模型参考三维人脸模型以及初始关键点计算得到与目标人脸图像相对应的目标三维人脸模型；利用目标三维人脸模型生成与目标人脸图像相对应的目标三维人脸表情基。相较于现有技术，利用目标关键点和初始关键点来计算投影矩阵，并计算目标三维人脸模型，能够较少计算量，减轻服务器的计算压力，利用数据集中的数据获取参考三维人脸模型，然后通过像机投影矩阵根据目标关键点和初始关键点计算目标三维人脸模型，通过摄像机投影矩阵的计算能够使得得到的三维人脸表情基的模型效果较好。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示意性示出本公开示例性实施例中三维人脸表情基建立方法的流程图；
图2示意性示出本公开示例性实施例中摄像机模型示意图；
图3示意性示出本公开示例性实施例中输入数据为RGB-D图像时人脸关键点提取示意图；
图4示意性示出本公开示例性实施例中由参考三维人脸模型通过参数话变形得到目标参考模型的示意图；
图5示意性示出本公开示例性实施例中模板表情基获取的示意图；
图6示意性示出本公开示例性实施例中表情基迁移示意图；
图7示意性示出本公开示例性实施例中表情基mask说明图；
图8示意性示出本公开示例性实施例中模板表情基的示意图；
图9示意性示出本公开示例性实施例中一种三维人脸表情基建立装置的组成示意图；
图10示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机***的结构示意图；
图11示意性示出了根据本公开的一些实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参照附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本示例性实施例中，首先提供了一种三维人脸表情基建立方法，参照图1中所示，上述的三维人脸表情基建立方法可以包括以下步骤：
S110，提取输入数据中的目标人脸图像的目标关键点，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，其中，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型；
S120，利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型；
S130，利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基。
根据本示例性实施例中所提供的三维人脸表情基建立方法中，相较于现有技术，利用目标关键点和初始关键点来计算投影矩阵，并计算目标三维人脸模型，能够较少计算量，减轻服务器的计算压力，利用数据集中的数据获取参考三维人脸模型，然后通过像机投影矩阵根据目标关键点和初始关键点计算目标三维人脸模型，通过摄像机投影矩阵的计算能够使得得到的三维人脸表情基的模型效果较好。
下面，将结合附图及实施例对本示例性实施例中的三维人脸表情基建立方法的各个步骤进行更详细的说明。
步骤S110，提取输入数据中的目标人脸图像的目标关键点，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，其中，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型。
在本公开的一种示例实施例中，服务器可以首先从数据库中获取人脸数据集，然后对上述人脸数据集进行统计分析，得到获取PCA(Principal Component Analysis，主成分分析)人脸参数化模型。
具体而言，PCA人脸参数化模型是一种基于3D人脸数据集的参数化模型，设定数据集中每一个三维人脸模型表示为S＝(X1,Y1,Z1,X2,……,Yn,Zn)T∈R3n，包含n个P＝[X,Y,Z]坐标，对m个人脸数据做PCA操作，分解出对应的特征值和特征向量，构建主成分，获取前k个主成分，生成PCA人脸参数化模型成。其中m、n、k均为正整数。
在本示例实施方式中，然后可以计算所述PCA人脸参数化模型的平均脸模型作为参考三维人脸模型，具体而言，平均脸模型是通过3D人脸数据集求和平均得到。
在本示例实施方式中，可以按照预设规则提取标定参考三维人脸模型的初始关键点，其中关键点的提取标定可以包括人脸轮廓点、眉毛、眼睛、鼻子、嘴巴等部位，还可以根据需求进行自定义，初始关键点的数量可以是68点，106点等，在本示例实施方式中不做具体限定。
在本示例实施方式中，输入数据可以包括单幅人脸图像、多幅人脸图像或多帧RGB-D人脸数据，在输入数据为单幅人脸图像时，可以按照上述预设规则图像中的目标关键点，目标关键点可以包括人脸轮廓点、眉毛、眼睛、鼻子、嘴巴等部位。当输入数据为多幅人脸图像时，可以分别提取每一幅人脸图像种的人脸轮廓点、眉毛、眼睛、鼻子、嘴巴等部位作为目标关键点。上述初始关键点的确认和目标关键点确认的方式是相同得，即得到的初始关键点的数量和目标关键点的数量是相同得，且在人脸上的位置也可以是相同的，可以是68点，106点等，在本示例实施方式中不做具体限定，同时，具体的确定方式面积上述预设规则可以根据需求进行自定义，在本示例实施方式中不做具体限定，
在本示例实施方式中，在输入数据为多帧RGB-D人脸数据时，提取每一帧RGB人脸图像上的关键点，并根据深度信息融合扫描的三维人脸模型，通过摄像机投影矩阵将人脸图像关键点反投影到三维人脸模型上，提取三维人脸关键点，具体如下。如图2所示，三维空间中一点P＝[x,y,z]T，投影到二维图像上为P′＝[u,v]T，公式如下：
P′＝sK[RP+T]
其中R是旋转矩阵，T是平移向量，K是摄像机内参矩阵，s是比例系数。R和T可通过ICP算法对每帧三维点云估计得到，如图3所示，多帧人脸关键点“观察”到同一三维点，可通过该约束估计每一个关键点的三维坐标。
在本示例实时方式中，可以根据目标关键点和初始关键点估计摄像机投影矩阵，具体而言，在本公开的一种示例实施方式中，在上述输入数据是单幅人脸图像、多幅人脸图像时，需要估计摄像机投影矩阵，摄像机投影矩阵是将三维空间投影到二维图像空间的矩阵，参照图2所示，该矩阵一般包括摄像机内参矩阵K，旋转矩阵R，平移向量T，三维空间中一点表示成齐次坐标为P＝[x,y,z,1]T，图像上点P′＝[u,v,1]T:
P′＝sK[RT]P
整理成：
P′＝MP
其中M∈R3×4为摄像机投影矩阵，该矩阵退化为仿射变换，最后一行为[0,0,0,1]，通过最小化重投影误差估计摄像机投影矩阵，即：通过以下公式估计摄像机投影矩阵：
在本示例实施方式中，当上述输入数据为多幅不同视角的人脸图像时，需要对每一视图都估计当前帧的投影矩阵，其中，i为正整数，表示点的次序。
在本示例实施方式中，当输入数据是多帧RGB-D人脸数据时，需要估计两组初始关键点和目标关键点之间的外参矩阵[RT]，该矩阵包含旋转矩阵R，平移向量T，可通过ICP算法估计。具体如下，设定已有的一组匹配点[P,Q]，满足：
Q＝RP+T
目标方程为：
min‖RP+T-Q‖
通过最小化匹配点之间的距离，估计初始关键点和目标关键点之间的摄像机投影矩阵。
在步骤S120中，利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型。
在本示例实施方式中，可以首先确定目标三维人脸模型和参考三维人脸模型之间的参数关系，目标三维人脸模型包含参考三维人脸模型即平均脸模型
和k个主成分V＝(V1,V2,……,Vk)∈R3n×k，如图4所示，对任意的人脸模型都可以用该模型参数化表示：
图中四个三维人脸模型通过不同的参数ai表示。
在上述公式中，S可以表示目标三维人脸模型、
表示参考三维人脸模型，ai可以表示参数关系，k为正整数，具体数值可以根据需求进行自定义，在本示例实施方式中不做具体限定。
在本示例实施方式中，参照图4所示，参考三维人脸模型410通过不同的参数a0、a1、a2、a3利用上述公式可以分别计算得到第一模型420、第二模型430、第三模型440以及第四模型450。
在本示例实施方式中，然后可以调整参数关系使得所述初始关键点经摄像机投影矩阵投影后与所述目标关键点重合。具体而言，当上述输入数据是单幅人脸图像时，根据S120得到的摄像机投影矩阵M∈R3×4，最小化的重投影误差，即不断调整上述参数关系，使得重投影误差最小，具体公式可以为：
其中，PSi是从目标三维人脸模型S中挑选出来的关键点，最小化该重投影误差，得到目标三维人脸模型和参考三维人脸模型之间的目标参数ai，计算出目标三维人脸模型。
在本示例实施方式中，在输入数据为多幅人脸图像时，将多帧不同视角的重投影误差约束在一起，目标方程如下：
其中，PSi是从目标三维人脸模型S中挑选出来的关键点，ωj为不同帧对应的权重，由在步骤S120估计得到的外参矩阵能够得到每一幅人脸图像的人脸朝向，可通过朝向的角度大小分配每一帧的权重。Mj是多帧不同视角下的摄像机投影矩阵，通过多帧人脸关键点的重投影误差估计出目标三维人脸模型。不断调整上述参数关系，使得重投影误差最小，选取重投影误差最小是的参数关系作为修改后参数关系，并计算得到目标三维人脸模型。
多帧RGB-D人脸数据输入时，已经得到了扫描人脸的目标关键点的三维坐标，并通过S120估计了目标关键点和初始关键点之间的外参矩阵，将关键点之间的距离作为优化的目标，如下：
结合模型参数化表示公式，估计目标三维人脸模型和参考三维人脸模型之间的参数关系。不断调整上述参数关系，使得重投影误差最小，选取重投影误差最小是的参数关系作为修改后参数关系，并计算得到目标三维人脸模型。
在本公开的一种示例实施方式中，可以利用所述目标关键点和所述初始关键点，经过多次迭代优化所述摄像机投影矩阵和所述参数关系，具体而言，迭代优化外参矩阵和上述参数关系，即可以多次进行步骤S110以及上述步骤S120，具体次数可以根据需求进行自定义，在本示例实施方式中不做具体限定。
在步骤S130中，利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基。
在本公开的一种示例实施方式中，可以首先获取模板表情基，并根据参考三维人脸模型和模板表情基确定参考表情变化三角面片，即确定模板表情基中和参考三维人脸模型中发生变化的三角面片，然后根据参考三维人脸模型和目标三维人脸模型之间的参数关系确定参考表情变化三角面片对应在目标三维人脸模型中的目标表情变化三角面片。然后可以根据参考表情变化三角面片的尺寸及表情，同比例调整所述目标表情变化三角面片中的表情。
具体而言，对应表情基的每一个面片的仿射变换A为:
其中V＝[v2-v1，v3-v1，v4-v1]，v1,v2,v3是三角面片的三个顶点，v4是三角面片方向上的一点。
在本示例实施方式中，参照图5和图6所示，模板表情基每一个表情基都是从参考三维人脸模型基础上做相关顶点和面片的伸缩得到，得到的所有模板表情基模型的拓扑一致，不用再计算每个面片的对应关系。每一个模板表情基中每一个三角面片相对于参考三维人脸模型对应三角面片的变换为
每一个三维人脸表情基中每一个三角面片相对于目标三维人脸模型对应三角面片的变换为
则通过使其变换一致来估计目标表情基的顶点坐标，即：
其中，
其中，
可以用来表示参考三维人脸模型对应三角面片的参数，
可以用来表示模板表情基对应三角面片的参数。
其中，
可以用来表示三维人脸表情基中三角面片的参数，
可以用来表示目标三维人脸模型对应三角面片的参数。三维人脸表情基是通过对目标三维人脸模型进行调整得到的。
即，调整目标三维人脸模型中的目标表情变化三角面片的定点与三角面片方向上的一点，选取误差最小时的目标表情变化三角面片的定点与三角面片方向上的一点的坐标完成对目标表情变化三角面片中的表情的调节，完成三维人脸表情基的建立。
其中αi是每一个三角面片的权重，如图7所示，模板表情基是在参考三维人脸模型的基础上变化部分顶点得到，所以每一个模板表情模型Bi与参考三维人脸模型Bo之间顶点差值构成了一个mask模型，mask模型可以作为生成权重αi的依据；能够保证了生成的表情基模型坐标一致。
在本示例实施方式中，参照图8所示，模板表情基可以包括多个三维模型的表情，具体可以包括无表情、闭眼、张嘴、嘟嘴、撇嘴等多个表情，在本示例实施方式中不做具体限定。
以下介绍本公开的装置实施例，可以用于执行本公开上述的三维人脸表情基建立方法。此外，在本公开的示例性实施方式中，还提供了一种三维人脸表情基建立装置。参照图9所示，所述三维人脸表情基建立装置900包括：估计模块910，计算模块920，和生成模块930。
其中，所述估计模块910可以用于提取输入数据中的目标人脸图像的目标关键点，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，其中，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型；计算模块920可以用于利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型；生成模块930可以用于利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基。
由于本公开的示例实施例的三维人脸表情基建立装置的各个功能模块与上述三维人脸表情基建立方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的三维人脸表情基建立方法的实施例。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述三维人脸表情基建立的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为***、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“***”。
下面参照图10来描述根据本公开的这种实施例的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同***组件(包括存储单元1020和处理单元1010)的总线1030、显示单元1040。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，所述处理单元1010可以执行如图1中所示的步骤S110：提取输入数据中的目标人脸图像的目标关键点，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，其中，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型；S120：利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型；S130：利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基。
又如，所述的电子设备可以实现如图1至图8所示的各个步骤。
存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1021和/或高速缓存存储单元1022，还可以进一步包括只读存储单元(ROM)1023。
存储单元1020还可以包括具有一组(至少一个)程序模块1025的程序/实用工具1024，这样的程序模块1025包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1070(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
参照图11，描述了根据本公开的实施例的用于实现上述方法的程序产品1100，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (11)
1.一种三维人脸表情基建立方法，其特征在于，包括：
提取输入数据中的目标人脸图像的目标关键点，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，其中，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型；
利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型；
利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基。
2.根据权利要求1所述的方法，其特征在于，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型，包括：
统计分析所述人脸模型数据集，获取PCA人脸参数化模型；
计算所述PCA人脸参数化模型的平均脸模型作为所述参考三维人脸模型。
3.根据权利要求1所述的方法，其特征在于，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，包括：
确定所述目标关键点、所述初始关键点与所述摄像机投影矩阵之间的数学关系；
根据所述数学关系通过最小化重投影误差估计所述摄像机投影矩阵。
4.根据权利要求1所述的方法，其特征在于，利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型，包括：
建立所述目标三维人脸模型与所述参考三维人脸模型的参数关系；
调整所述参数关系使得所述初始关键点经摄像机投影矩阵投影后与所述目标关键点重合；
利用修改后参数关系和所述参考三维人脸模型计算所述目标三维人脸模型。
5.根据权利要求4所述的方法，其特征在于，在利用修改后参数关系和所述参考三维人脸模型计算所述目标三维人脸模型之前，所述方法还包括：
利用所述目标关键点和所述初始关键点，经过多次迭代优化所述摄像机投影矩阵和所述参数关系。
6.根据权利要求1所述的方法，其特征在于，利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基，包括：
获取模板表情基，并根据所述参考三维人脸模型和模板表情基确定参考表情变化三角面片；
根据所述参考表情变化三角面片从所述目标三维人脸模型中选取目标表情变化三角面片；
根据所述参考表情变化三角面片调整所述目标表情变化三角面片。
7.根据权利要求6所述的方法，其特征在于，根据所述参考表情变化三角面片调整所述目标表情变化三角面片，包括：
根据所述参考表情变化三角面片的尺寸及表情，同比例调整所述目标表情变化三角面片中的表情。
8.根据权利要求1所述的方法，其特征在于，所述输入数据包括单幅人脸图像、多幅人脸图像或多帧RGB-D人脸数据。
9.一种三维人脸表情基建立装置，其特征在于，包括：
估计模块，用于提取输入数据中的目标人脸图像的目标关键点，根据所述目标关键点和平均人脸模型中的与所述目标关键点对应的初始关键点确定摄像机投影矩阵，其中，所述平均人脸模型为根据人脸模型数据集处理得到参考三维人脸模型；
计算模块，用于利用所述摄像机投影矩阵根据所述目标关键点、所述平均人脸模型参考三维人脸模型以及所述初始关键点计算得到与所述目标人脸图像相对应的目标三维人脸模型；
生成模块，用于利用所述目标三维人脸模型生成与所述目标人脸图像相对应的目标三维人脸表情基。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至8中任一项所述的三维人脸表情基建立方法。
11.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的三维人脸表情基建立方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010642367.9A CN111768477B (zh) | 2020-07-06 | 2020-07-06 | 三维人脸表情基建立方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010642367.9A CN111768477B (zh) | 2020-07-06 | 2020-07-06 | 三维人脸表情基建立方法及装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111768477A true CN111768477A (zh) | 2020-10-13 |
| CN111768477B CN111768477B (zh) | 2024-05-28 |
Family
ID=72723862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010642367.9A Active CN111768477B (zh) | 2020-07-06 | 2020-07-06 | 三维人脸表情基建立方法及装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111768477B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164143A (zh) * | 2020-10-23 | 2021-01-01 | 广州小马慧行科技有限公司 | 三维模型的构建方法、构建装置、处理器和电子设备 |
| CN112257657A (zh) * | 2020-11-11 | 2021-01-22 | 网易（杭州）网络有限公司 | 脸部图像融合方法及装置、存储介质、电子设备 |
| CN112541477A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 表情包生成方法、装置、电子设备和存储介质 |
| CN112614213A (zh) * | 2020-12-14 | 2021-04-06 | 杭州网易云音乐科技有限公司 | 人脸表情确定方法、表情参数确定模型、介质及设备 |
| CN112906494A (zh) * | 2021-01-27 | 2021-06-04 | 浙江大学 | 一种面部捕捉方法、装置、电子设备及存储介质 |
| CN112927328A (zh) * | 2020-12-28 | 2021-06-08 | 北京百度网讯科技有限公司 | 表情迁移方法、装置、电子设备及存储介质 |
| CN113095134A (zh) * | 2021-03-08 | 2021-07-09 | 北京达佳互联信息技术有限公司 | 人脸表情提取模型生成、人脸图像生成方法及装置 |
| CN113920282A (zh) * | 2021-11-15 | 2022-01-11 | 广州博冠信息科技有限公司 | 图像处理方法和装置、计算机可读存储介质、电子设备 |
| CN114170379A (zh) * | 2021-11-30 | 2022-03-11 | 聚好看科技股份有限公司 | 一种三维模型重建方法、装置及设备 |
| WO2024113290A1 (zh) * | 2022-12-01 | 2024-06-06 | 京东方科技集团股份有限公司 | 图像处理方法、装置、交互设备、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369174A (zh) * | 2017-07-26 | 2017-11-21 | 厦门美图之家科技有限公司 | 一种人脸图像的处理方法及计算设备 |
| CN109389682A (zh) * | 2017-08-09 | 2019-02-26 | 上海影子智能科技有限公司 | 一种三维人脸模型自动调整方法 |
| CN111127668A (zh) * | 2019-12-26 | 2020-05-08 | 网易（杭州）网络有限公司 | 一种角色模型生成方法、装置、电子设备和存储介质 |
| CN111274944A (zh) * | 2020-01-19 | 2020-06-12 | 中北大学 | 一种基于单张图像的三维人脸重建方法 |
-
2020
- 2020-07-06 CN CN202010642367.9A patent/CN111768477B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369174A (zh) * | 2017-07-26 | 2017-11-21 | 厦门美图之家科技有限公司 | 一种人脸图像的处理方法及计算设备 |
| CN109389682A (zh) * | 2017-08-09 | 2019-02-26 | 上海影子智能科技有限公司 | 一种三维人脸模型自动调整方法 |
| CN111127668A (zh) * | 2019-12-26 | 2020-05-08 | 网易（杭州）网络有限公司 | 一种角色模型生成方法、装置、电子设备和存储介质 |
| CN111274944A (zh) * | 2020-01-19 | 2020-06-12 | 中北大学 | 一种基于单张图像的三维人脸重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 王娟: "《基于形变模型的人脸三维重构与表情传递的研究》", 《中国优秀硕士学位论文全文数据库》, pages 21 - 25 * |
| 网友: "《3dmm近期论文综述》", 《HTTPS://WWW.JIANSHU.COM/P/5D933F81D5DD》 * |
| 网友: "《Bundle Adjustment---即最小化重投影误差（高翔 slam---第七讲）》", 《HTTPS://WWW.CNBLOGS.COM/JESSICA-JIE/P/7739775.HTML》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164143A (zh) * | 2020-10-23 | 2021-01-01 | 广州小马慧行科技有限公司 | 三维模型的构建方法、构建装置、处理器和电子设备 |
| CN112257657A (zh) * | 2020-11-11 | 2021-01-22 | 网易（杭州）网络有限公司 | 脸部图像融合方法及装置、存储介质、电子设备 |
| CN112257657B (zh) * | 2020-11-11 | 2024-02-27 | 网易（杭州）网络有限公司 | 脸部图像融合方法及装置、存储介质、电子设备 |
| CN112614213A (zh) * | 2020-12-14 | 2021-04-06 | 杭州网易云音乐科技有限公司 | 人脸表情确定方法、表情参数确定模型、介质及设备 |
| CN112614213B (zh) * | 2020-12-14 | 2024-01-23 | 杭州网易云音乐科技有限公司 | 人脸表情确定方法、表情参数确定模型、介质及设备 |
| US11875601B2 (en) | 2020-12-24 | 2024-01-16 | Beijing Baidu Netcom Science and Technology Co., Ltd | Meme generation method, electronic device and storage medium |
| CN112541477A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 表情包生成方法、装置、电子设备和存储介质 |
| CN112541477B (zh) * | 2020-12-24 | 2024-05-31 | 北京百度网讯科技有限公司 | 表情包生成方法、装置、电子设备和存储介质 |
| CN112927328A (zh) * | 2020-12-28 | 2021-06-08 | 北京百度网讯科技有限公司 | 表情迁移方法、装置、电子设备及存储介质 |
| CN112927328B (zh) * | 2020-12-28 | 2023-09-01 | 北京百度网讯科技有限公司 | 表情迁移方法、装置、电子设备及存储介质 |
| CN112906494A (zh) * | 2021-01-27 | 2021-06-04 | 浙江大学 | 一种面部捕捉方法、装置、电子设备及存储介质 |
| CN113095134B (zh) * | 2021-03-08 | 2024-03-29 | 北京达佳互联信息技术有限公司 | 人脸表情提取模型生成、人脸图像生成方法及装置 |
| CN113095134A (zh) * | 2021-03-08 | 2021-07-09 | 北京达佳互联信息技术有限公司 | 人脸表情提取模型生成、人脸图像生成方法及装置 |
| CN113920282A (zh) * | 2021-11-15 | 2022-01-11 | 广州博冠信息科技有限公司 | 图像处理方法和装置、计算机可读存储介质、电子设备 |
| CN114170379A (zh) * | 2021-11-30 | 2022-03-11 | 聚好看科技股份有限公司 | 一种三维模型重建方法、装置及设备 |
| WO2024113290A1 (zh) * | 2022-12-01 | 2024-06-06 | 京东方科技集团股份有限公司 | 图像处理方法、装置、交互设备、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111768477B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111768477B (zh) | 三维人脸表情基建立方法及装置、存储介质及电子设备 | |
| CN109859296B (zh) | Smpl参数预测模型的训练方法、服务器及存储介质 | |
| WO2020108610A1 (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
| CN109872379B (zh) | 数据处理装置和方法 | |
| JP2022524891A (ja) | 画像処理方法及び装置、電子機器並びにコンピュータプログラム | |
| CN112257657B (zh) | 脸部图像融合方法及装置、存储介质、电子设备 | |
| US20180253909A1 (en) | Information processing apparatus, information processing method and user equipment | |
| CN113269862B (zh) | 场景自适应的精细三维人脸重建方法、***、电子设备 | |
| WO2020087564A1 (zh) | 三维物体重建方法、计算机设备及存储介质 | |
| CN109376698B (zh) | 人脸建模方法和装置、电子设备、存储介质、产品 | |
| CN113327278A (zh) | 三维人脸重建方法、装置、设备以及存储介质 | |
| CN113409454B (zh) | 人脸图像处理方法、装置、电子设备及存储介质 | |
| US20230100427A1 (en) | Face image processing method, face image processing model training method, apparatus, device, storage medium, and program product | |
| CN112766027A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111754431B (zh) | 一种图像区域替换方法、装置、设备及存储介质 | |
| CN113989441B (zh) | 基于单张人脸图像的三维漫画模型自动生成方法及*** | |
| CN114708374A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN114359453A (zh) | 一种三维特效渲染方法、装置、存储介质及设备 | |
| CN110751026B (zh) | 视频处理方法及相关装置 | |
| US20240062495A1 (en) | Deformable neural radiance field for editing facial pose and facial expression in neural 3d scenes | |
| CN115775300A (zh) | 人体模型的重建方法、人体重建模型的训练方法及装置 | |
| CN116012550A (zh) | 人脸变形目标修正方法及其装置、设备、介质、产品 | |
| US20230079478A1 (en) | Face mesh deformation with detailed wrinkles | |
| CN112967329A (zh) | 图像数据优化方法、装置、电子设备及存储介质 | |
| CN113781653A (zh) | 对象模型生成方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |