CN117218499A - 面部表情捕捉模型的训练方法、面部表情驱动方法和装置 - Google Patents

Abstract

本公开提供了一种面部表情捕捉模型的训练方法、面部表情驱动方法和装置，涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、数字人等场景。该方法包括：获取样本人脸图像；利用深度学习模型进行人脸参数预测，得到样本人脸参数；利用三维人脸重建模型生成样本三维人脸模型，并渲染得到预测人脸图像；利用预训练的情绪分类模型分别对样本人脸图像和预测人脸图像进行情绪分类，得到与样本人脸图像对应的第一情绪类别和与预测人脸图像对应的第二情绪类别；基于第一情绪类别和第二情绪类别，计算情绪类别损失；以及至少基于情绪类别损失，调整深度学习模型的参数，以得到面部表情捕捉模型。

Description

面部表情捕捉模型的训练方法、面部表情驱动方法和装置

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、数字人等场景，特别涉及一种面部表情捕捉模型的训练方法、面部表情驱动方法、面部表情捕捉模型的训练装置、面部表情驱动装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

面部表情捕捉技术是三维数字人中的一个重要技术之一，其任务是通过三维人脸重建技术对获取人脸表情，并将驱动人的表情迁移至数字人上，实现虚拟人的表情可控。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种面部表情捕捉模型的训练方法、面部表情驱动方法、面部表情捕捉模型的训练装置、面部表情驱动装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种面部表情捕捉模型的训练方法，包括：获取样本人脸图像；基于样本人脸图像，利用深度学习模型进行人脸参数预测，得到样本人脸参数；基于样本人脸参数，利用三维人脸重建模型生成样本三维人脸模型，并渲染得到预测人脸图像；利用预训练的情绪分类模型分别对样本人脸图像和预测人脸图像进行情绪分类，得到与样本人脸图像对应的第一情绪类别和与预测人脸图像对应的第二情绪类别；基于第一情绪类别和第二情绪类别，计算情绪类别损失；以及至少基于情绪类别损失，调整深度学习模型的参数，以得到面部表情捕捉模型。

根据本公开的一方面，提供了一种面部表情驱动方法，包括：获取目标图像；基于目标图像，利用面部表情捕捉模型进行人脸参数预测，以得到目标人脸参数，面部表情捕捉模型是利用上述训练方法进行训练而得到的；以及基于目标人脸参数，对目标三维数字人进行面部表情驱动。

根据本公开的一方面，提供了一种面部表情捕捉模型的训练装置，包括：第一人脸图像获取单元，被配置为获取样本人脸图像；第一人脸参数预测单元，被配置为基于样本人脸图像，利用深度学习模型进行人脸参数预测，得到样本人脸参数；重建渲染单元，被配置为基于样本人脸参数，利用三维人脸重建模型生成样本三维人脸模型，并渲染得到预测人脸图像；情绪分类单元，被配置为利用预训练的情绪分类模型分别对样本人脸图像和预测人脸图像进行情绪分类，得到与样本人脸图像对应的第一情绪类别和与预测人脸图像对应的第二情绪类别；情绪类别损失计算单元，被配置为基于第一情绪类别和第二情绪类别，计算情绪类别损失；以及调参单元，被配置为至少基于情绪类别损失，调整深度学习模型的参数，以得到面部表情捕捉模型。

根据本公开的一方面，提供了一种面部表情驱动装置，包括：第二人脸图像获取单元，被配置为获取目标图像；第二人脸参数预测单元，被配置为基于目标图像，利用面部表情捕捉模型进行人脸参数预测，以得到目标人脸参数，面部表情捕捉模型是利用上述训练装置进行训练而得到的；以及驱动单元，被配置为基于目标人脸参数，对目标三维数字人进行面部表情驱动。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。

根据本公开的一个或多个实施例，通过利用待训练的深度学习模型生成与样本人脸图像对应的样本人脸参数，并基于样本人脸参数生成样本三维人脸模型和相应的渲染图像，进而利用预训练的情绪分类模型对样本人脸图像和渲染图像进行情绪分类，并使用得到的情绪类别计算损失值并调整用于生成人脸参数的深度学习模型的参数，实现了利用情绪分类信息作为监督提升面部表情捕捉模型的效果。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图；

图2示出了根据本公开示例性实施例的面部表情捕捉模型的训练方法的流程图；

图3示出了根据本公开示例性实施例的利用深度学习模型对样本人脸图像进行人脸参数预测的流程图；

图4示出了根据本公开示例性实施例的面部表情捕捉模型的训练方法的流程图；

图5示出了根据本公开示例性实施例的深度学习模型和损失的示意图；

图6示出了根据本公开示例性实施例的面部表情驱动方法的流程图；

图7示出了根据本公开示例性实施例的面部表情捕捉模型的训练装置的结构框图；

图8示出了根据本公开示例性实施例的面部表情驱动装置的训练装置的结构框图；以及

图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，在对面部表情捕捉模型训练时，通常使用模型输出的人脸参数预测结果和人脸参数真实标签计算相应的损失值以训练模型，但这样的训练效果不佳。

为解决上述问题，本公开通过利用待训练的深度学习模型生成与样本人脸图像对应的样本人脸参数，并基于样本人脸参数生成样本三维人脸模型和相应的渲染图像，进而利用预训练的情绪分类模型对样本人脸图像和渲染图像进行情绪分类，并使用得到的情绪类别计算损失值并调整用于生成人脸参数的深度学习模型的参数，实现了利用情绪分类信息作为监督提升面部表情捕捉模型的效果。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1，该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行本公开的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)网络下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的***配置是可能的，其可以与***100不同。因此，图1是用于实施本文所描述的各种方法的***的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来进行人机交互。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***，例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS)；或包括各种移动操作***，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式***的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

***100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件***支持的常规存储库。

图1的***100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的一方面，提供了一种面部表情捕捉模型的训练方法。如图2所示，面部表情捕捉模型的训练方法包括：步骤S201、获取样本人脸图像；步骤S202、基于样本人脸图像，利用深度学习模型进行人脸参数预测，得到样本人脸参数；步骤S203、基于样本人脸参数，利用三维人脸重建模型生成样本三维人脸模型，并渲染得到预测人脸图像；步骤S204、利用预训练的情绪分类模型分别对样本人脸图像和预测人脸图像进行情绪分类，得到与样本人脸图像对应的第一情绪类别和与预测人脸图像对应的第二情绪类别；步骤S205、基于第一情绪类别和第二情绪类别，计算情绪类别损失；以及步骤S206、至少基于情绪类别损失，调整深度学习模型的参数，以得到面部表情捕捉模型。

由此，通过利用待训练的深度学习模型生成与样本人脸图像对应的样本人脸参数，并基于样本人脸参数生成样本三维人脸模型和相应的渲染图像，进而利用预训练的情绪分类模型对样本人脸图像和渲染图像进行情绪分类，并使用得到的情绪类别计算损失值并调整用于生成人脸参数的深度学习模型的参数，实现了利用情绪分类信息作为监督提升面部表情捕捉模型的效果。

在一些实施例中，在步骤S201，样本人脸图像可以是通过各种方式获取的包括人脸的图像。

在一些实施例中，在步骤S202，深度学习模型可以用于生成与输入的样本人脸图像对应的样本人脸参数，具体可以包括一个150维的人脸形状向量，一个52维的人脸表情向量，一个12维的人脸姿态向量，一个200维的纹理向量。

根据一些实施例，深度学习模型可以包括图像特征提取主干网络和人脸参数预测网络。如图3所示，上文所描述的面部表情捕捉模型的训练方法中的步骤S202、利用深度学习模型对样本人脸图像进行人脸参数预测，得到样本人脸参数可以包括：步骤S301、基于样本人脸图像，利用图像特征提取主干网络进行图像特征提取，得到样本人脸图像特征；以及步骤S302、基于样本人脸图像特征，利用人脸参数预测网络进行人脸参数预测，得到样本人脸参数。

由此，通过生成人脸图像特征，再基于人脸图像特征进行人脸参数预测，使得能够得到准确的人脸参数预测结果。

在一些实施例中，图像特征提取主干网络例如可以为ResNet18，也可以为其他包括卷积层和池化层的网络。人脸参数预测网络例如可以为用于回归和/或分类的网络。

在一些实施例中，在步骤S203，三维人脸重建模型例如可以为3D可变形模型(3DMorphable Model，3DMM)。在一个示例性实施例中，可以使用FaceVerse模型作为三维人脸重建模型。通过将样本人脸参数(例如，深度学习模型输出的人脸形状向量、人脸表情向量、姿态向量和纹理向量)输入到FaceVerce模型中，可以得到预测的3D人脸模型，即样本三维人脸模型。进而，可以对样本三维人脸模型进行渲染(例如，可微分渲染)，最终得到相应的预测人脸图像。

在一些实施例中，在步骤S204，可以使用预先训练得到的情绪分类模型分别对样本人脸图像和预测人脸图像进行情绪分类，得到与样本人脸图像对应的第一情绪类别和与预测人脸图像对应的第二情绪类别。

根据一些实施例，预训练的情绪分类模型可以是利用具有人脸和相应的情绪类别标签的视频数据进行预训练而得到的。其中，相应的情绪类别标签例如可以是对视频数据中包括人脸的连续视频帧进行分段标注而得到的。在一些实施例中，可以将包括人脸的视频帧和与该视频帧对应的情绪类别标签作为样本数据，用来训练情绪分类模型。

由此，通过使用上述方式，可以低成本获取大量的情绪分类模型的训练样本，降低训练成本的同时得到输出准确结果的情绪分类模型。

在一些实施例中，在步骤S205，可以计算第一情绪类别和第二情绪类别之间的分类损失，即情绪类别损失。进而，可以在步骤S206基于该损失调整深度学习模型的参数，以得到训练后的面部表情捕捉模型。

根据一些实施例，图4示出了面部表情捕捉模型的训练方法的另一实施例。可以理解的是，图4中的步骤S401-步骤S403、步骤S408-步骤S410的操作和图2中的步骤S201-步骤S206的操作类似，在此不作赘述。如图4所示，训练方法还可以包括：步骤S404、获取样本人脸图像的人脸关键点和预测人脸图像的人脸关键点，并计算人脸关键点损失。深度学习模型的参数可以是基于人脸关键点损失和情绪类别损失而调整的。

由此，通过使用样本人脸图像和基于三维人脸重建后得到样本三维人脸模型的预测人脸图像之间的人脸关键点损失作为对用于面部表情捕捉的深度学习模型的监督，提升了训练后的面部表情捕捉模型的预测能力。

根据一些实施例，上文所描述的面部表情捕捉模型的训练方法中的步骤S201、获取样本人脸图像可以包括：对原始人脸图像进行关键点检测，以得到原始人脸图像的人脸关键点；以及基于原始人脸图像的人脸关键点，对原始人脸图像进行裁剪、尺寸变换和归一化，以得到样本人脸图像和样本人脸图像的人脸关键点。在一些实施例中，样本人脸图像中的人脸关键点可以是原始人脸图像的人脸关键点在对原始人脸图像进行的裁剪和尺寸变换等操作后得到的点。

由此，通过上述方式，可以从原始采集的图像中裁剪出与人脸对应的部分，并通过尺寸变化和归一化等手段进行图像标准化，使得不同图像之间具有可比性，同时使得模型可以更稳定地训练和预测，提高模型的泛化能力、预测准确性和训练速度。

根据一些实施例，训练方法还可以包括：从样本三维人脸模型中提取三维关键点；以及对三维关键点进行映射，得到预测人脸图像的人脸关键点。由于已经获取到了样本三维人脸模型，因此通过上述方式能够准确的人脸关键点信息。

根据一些实施例，如图4所示，训练方法还可以包括：步骤S405、基于样本人脸图像中的多个像素的像素值和预测人脸图像中的多个像素的像素值，计算图像像素损失。深度学习模型的参数可以是基于图像像素损失、人脸关键点损失和情绪类别损失而调整的。

由此，通过使用样本人脸图像和基于三维人脸重建后得到样本三维人脸模型的预测人脸图像之间的图像像素损失作为对用于面部表情捕捉的深度学习模型的监督，提升了训练后的面部表情捕捉模型的预测能力。

在一些实施例中，图像像素损失可以采用L1损失。

根据一些实施例，深度学习模型输出的样本人脸参数可以包括样本微表情系数。如图4所示，训练方法还可以包括：步骤S406、获取样本人脸图像的微表情标签；以及步骤S407、基于样本微表情系数和微表情标签，计算微表情损失。深度学习模型的参数可以是基于微表情损失、图像像素损失、人脸关键点损失和情绪类别损失而调整的。

由此，通过使用样本人脸图像和基于三维人脸重建后得到样本三维人脸模型的预测人脸图像之间的微表情损失作为对用于面部表情捕捉的深度学习模型的监督，提升了训练后的面部表情捕捉模型的预测能力。

一些实施例中，微表情损失可以采用分类损失。微表情系数可以是用于判断是否有嘴部的动作或变化的人脸参数。在一个示例性实施例中，微表情系数可以为指示人脸是否吐舌的吐舌系数。相应地，微表情标签可以是指示人脸是否吐舌的真实值(groundtruth)。

可以理解的是，图4中的步骤S406和步骤S407的组合、步骤S404和步骤S405三者可以择一执行，也可以部分或全部执行，在此不作限定。

在一些实施例中，图5示出了根据本公开示例性实施例的深度学习模型和损失的示意图。如图5所示，深度学习模型502可以接收样本人脸图像504，并输出样本人脸参数506，进而可以将样本人脸参数506输入三维人脸重建模型508，并对得到的样本三维人脸模型进行渲染，最终生成预测人脸图像510。而后，可以利用预训练的情绪分类模型512分别对样本人脸图像504和预测人脸图像510进行情绪分类，并基于分类结果计算情绪类别损失514，并可以利用样本人脸图像504和预测人脸图像510计算图像像素损失516。此外，还可以利用样本人脸参数506中的微表情参数和预先获取的样本人脸图像的微表情标签518计算微表情损失520。

根据本公开的另一方面，提供了一种面部表情驱动方法。如图6所示，该方法包括：步骤S601、获取目标图像；步骤S602、基于目标图像，利用面部表情捕捉模型进行人脸参数预测，以得到目标人脸参数，面部表情捕捉模型是利用上述训练方法进行训练而得到的；以及步骤S603、基于目标人脸参数，对目标三维数字人进行面部表情驱动。

由此，通过使用上文描述的训练方法，得到能够输出准确的人脸参数的面部表情捕捉模型。通过使用这样的面部表情捕捉模型进行人脸参数预测，使得能够得到准确的目标人脸参数，进而，可以利用目标人脸参数得到准确的三维数字人面部表情驱动结果。

根据本公开的另一方面，提供了一种面部表情捕捉模型的训练装置。如图7所示，装置700，包括：第一人脸图像获取单元710，被配置为获取样本人脸图像；第一人脸参数预测单元720，被配置为基于样本人脸图像，利用深度学习模型进行人脸参数预测，得到样本人脸参数；重建渲染单元730，被配置为基于样本人脸参数，利用三维人脸重建模型生成样本三维人脸模型，并渲染得到预测人脸图像；情绪分类单元740，被配置为利用预训练的情绪分类模型分别对样本人脸图像和预测人脸图像进行情绪分类，得到与样本人脸图像对应的第一情绪类别和与预测人脸图像对应的第二情绪类别；情绪类别损失计算单元750，被配置为基于第一情绪类别和第二情绪类别，计算情绪类别损失；以及调参单元760，被配置为至少基于情绪类别损失，调整深度学习模型的参数，以得到面部表情捕捉模型。

可以理解的是，装置700中的单元710-单元760的操作和效果可以参考上文对图2中的步骤S201-步骤S206的描述，在此不作赘述。

根据一些实施例，深度学习模型可以包括图像特征提取主干网络和人脸参数预测网络。第一人脸参数预测单元可以包括：图像特征提取子单元，被配置为基于样本人脸图像，利用图像特征提取主干网络进行图像特征提取，得到样本人脸图像特征；以及人脸参数预测子单元，被配置为基于样本人脸图像特征，利用人脸参数预测网络进行人脸参数预测，得到样本人脸参数。

根据一些实施例，预训练的情绪分类模型可以是利用具有人脸和相应的情绪类别标签的视频数据进行预训练而得到的。

根据一些实施例，上文所描述的面部表情捕捉模型的训练装置还可以包括：人脸关键点损失计算单元，被配置为获取样本人脸图像的人脸关键点和预测人脸图像的人脸关键点，并计算人脸关键点损失。深度学习模型的参数可以是基于人脸关键点损失和情绪类别损失而调整的。

根据一些实施例，上文所描述的面部表情捕捉模型的训练装置中的第一人脸图像获取单元可以包括：关键点检测单元，被配置为对原始人脸图像进行关键点检测，以得到原始人脸图像的人脸关键点；以及图像处理单元，被配置为基于原始人脸图像的人脸关键点，对原始人脸图像进行裁剪、尺寸变换和归一化，以得到样本人脸图像和样本人脸图像的人脸关键点。

根据一些实施例，上文所描述的面部表情捕捉模型的训练装置还可以包括：三维关键点提取单元，被配置为从样本三维人脸模型中提取三维关键点；以及映射单元，被配置为对三维关键点进行映射，得到预测人脸图像的人脸关键点。

根据一些实施例，上文所描述的面部表情捕捉模型的训练装置还可以包括：图像像素损失计算单元，被配置为基于样本人脸图像中的多个像素的像素值和预测人脸图像中的多个像素的像素值，计算图像像素损失。其中，深度学习模型的参数可以是基于图像像素损失、人脸关键点损失和情绪类别损失而调整的。

根据一些实施例，样本人脸参数可以包括样本微表情系数。训练装置还可以包括：微表情标签获取单元，被配置为获取样本人脸图像的微表情标签；以及微表情损失计算单元，被配置为基于样本微表情系数和微表情标签，计算微表情损失。深度学习模型的参数可以是基于微表情损失、图像像素损失、人脸关键点损失和情绪类别损失而调整的。

根据本公开的另一方面，提供了一种面部表情驱动装置。如图8所示，装置800包括：第二人脸图像获取单元810，被配置为获取目标图像；第二人脸参数预测单元820，被配置为基于目标图像，利用面部表情捕捉模型进行人脸参数预测，以得到目标人脸参数，面部表情捕捉模型是利用装置700进行训练而得到的；以及驱动单元830，被配置为基于目标人脸参数，对目标三维数字人进行面部表情驱动。

可以理解的是，装置800中的单元810-单元830的操作和效果可以参考上文对图6中的步骤S601-步骤S603的描述，在此不作赘述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习网络算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如面部表情捕捉模型的训练方法和/或面部表情驱动。例如，在一些实施例中，面部表情捕捉模型的训练方法和/或面部表情驱动可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的面部表情捕捉模型的训练方法和/或面部表情驱动的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行面部表情捕捉模型的训练方法和/或面部表情驱动。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、***和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (21)

1.一种面部表情捕捉模型的训练方法，包括：

获取样本人脸图像；

基于所述样本人脸图像，利用深度学习模型进行人脸参数预测，得到样本人脸参数；

基于所述样本人脸参数，利用三维人脸重建模型生成样本三维人脸模型，并渲染得到预测人脸图像；

利用预训练的情绪分类模型分别对所述样本人脸图像和所述预测人脸图像进行情绪分类，得到与所述样本人脸图像对应的第一情绪类别和与所述预测人脸图像对应的第二情绪类别；

基于所述第一情绪类别和所述第二情绪类别，计算情绪类别损失；以及

至少基于所述情绪类别损失，调整所述深度学习模型的参数，以得到面部表情捕捉模型。

2.根据权利要求1所述的方法，还包括：

获取所述样本人脸图像的人脸关键点和所述预测人脸图像的人脸关键点，并计算人脸关键点损失，

其中，所述深度学习模型的参数是基于所述人脸关键点损失和所述情绪类别损失而调整的。

3.根据权利要求2所述的方法，其中，获取样本人脸图像包括：

对原始人脸图像进行关键点检测，以得到所述原始人脸图像的人脸关键点；以及

基于所述原始人脸图像的人脸关键点，对所述原始人脸图像进行裁剪、尺寸变换和归一化，以得到所述样本人脸图像和所述样本人脸图像的人脸关键点。

4.根据权利要求2所述的方法，还包括：

从所述样本三维人脸模型中提取三维关键点；以及

对所述三维关键点进行映射，得到所述预测人脸图像的人脸关键点。

5.根据权利要求2所述的方法，还包括：

基于所述样本人脸图像中的多个像素的像素值和所述预测人脸图像中的多个像素的像素值，计算图像像素损失，

其中，所述深度学习模型的参数是基于所述图像像素损失、人脸关键点损失和情绪类别损失而调整的。

6.根据权利要求5所述的方法，其中，所述样本人脸参数包括样本微表情系数，所述方法还包括：

获取所述样本人脸图像的微表情标签；以及

基于所述样本微表情系数和所述微表情标签，计算微表情损失，

其中，所述深度学习模型的参数是基于所述微表情损失、所述图像像素损失、人脸关键点损失和情绪类别损失而调整的。

7.根据权利要求1-6中任一项所述的方法，其中，所述预训练的情绪分类模型是利用具有人脸和相应的情绪类别标签的视频数据进行预训练而得到的。

8.根据权利要求1-6中任一项所述的方法，其中，所述深度学习模型包括图像特征提取主干网络和人脸参数预测网络，利用深度学习模型对所述样本人脸图像进行人脸参数预测，得到样本人脸参数包括：

基于所述样本人脸图像，利用所述图像特征提取主干网络进行图像特征提取，得到样本人脸图像特征；以及

基于所述样本人脸图像特征，利用所述人脸参数预测网络进行人脸参数预测，得到所述样本人脸参数。

9.一种面部表情驱动方法，包括：

获取目标图像；

基于所述目标图像，利用面部表情捕捉模型进行人脸参数预测，以得到目标人脸参数，所述面部表情捕捉模型是利用根据权利要求1-8中任一项所述的方法进行训练而得到的；以及

基于所述目标人脸参数，对目标三维数字人进行面部表情驱动。

10.一种面部表情捕捉模型的训练装置，包括：

第一人脸图像获取单元，被配置为获取样本人脸图像；

第一人脸参数预测单元，被配置为基于所述样本人脸图像，利用深度学习模型进行人脸参数预测，得到样本人脸参数；

重建渲染单元，被配置为基于所述样本人脸参数，利用三维人脸重建模型生成样本三维人脸模型，并渲染得到预测人脸图像；

情绪分类单元，被配置为利用预训练的情绪分类模型分别对所述样本人脸图像和所述预测人脸图像进行情绪分类，得到与所述样本人脸图像对应的第一情绪类别和与所述预测人脸图像对应的第二情绪类别；

情绪类别损失计算单元，被配置为基于所述第一情绪类别和所述第二情绪类别，计算情绪类别损失；以及

调参单元，被配置为至少基于所述情绪类别损失，调整所述深度学习模型的参数，以得到面部表情捕捉模型。

11.根据权利要求10所述的装置，还包括：

人脸关键点损失计算单元，被配置为获取所述样本人脸图像的人脸关键点和所述预测人脸图像的人脸关键点，并计算人脸关键点损失，

其中，所述深度学习模型的参数是基于所述人脸关键点损失和所述情绪类别损失而调整的。

12.根据权利要求11所述的装置，其中，所述第一人脸图像获取单元包括：

关键点检测单元，被配置为对原始人脸图像进行关键点检测，以得到所述原始人脸图像的人脸关键点；以及

图像处理单元，被配置为基于所述原始人脸图像的人脸关键点，对所述原始人脸图像进行裁剪、尺寸变换和归一化，以得到所述样本人脸图像和所述样本人脸图像的人脸关键点。

13.根据权利要求11所述的装置，还包括：

三维关键点提取单元，被配置为从所述样本三维人脸模型中提取三维关键点；以及

映射单元，被配置为对所述三维关键点进行映射，得到所述预测人脸图像的人脸关键点。

14.根据权利要求11所述的装置，还包括：

图像像素损失计算单元，被配置为基于所述样本人脸图像中的多个像素的像素值和所述预测人脸图像中的多个像素的像素值，计算图像像素损失，

其中，所述深度学习模型的参数是基于所述图像像素损失、人脸关键点损失和情绪类别损失而调整的。

15.根据权利要求14所述的装置，其中，所述样本人脸参数包括样本微表情系数，所述装置还包括：

微表情标签获取单元，被配置为获取所述样本人脸图像的微表情标签；以及

微表情损失计算单元，被配置为基于所述样本微表情系数和所述微表情标签，计算微表情损失，

其中，所述深度学习模型的参数是基于所述微表情损失、所述图像像素损失、人脸关键点损失和情绪类别损失而调整的。

16.根据权利要求10-15中任一项所述的装置，其中，所述预训练的情绪分类模型是利用具有人脸和相应的情绪类别标签的视频数据进行预训练而得到的。

17.根据权利要求10-15中任一项所述的装置，其中，所述深度学习模型包括图像特征提取主干网络和人脸参数预测网络，所述第一人脸参数预测单元包括：

图像特征提取子单元，被配置为基于所述样本人脸图像，利用所述图像特征提取主干网络进行图像特征提取，得到样本人脸图像特征；以及

人脸参数预测子单元，被配置为基于所述样本人脸图像特征，利用所述人脸参数预测网络进行人脸参数预测，得到所述样本人脸参数。

18.一种面部表情驱动装置，包括：

第二人脸图像获取单元，被配置为获取目标图像；

第二人脸参数预测单元，被配置为基于所述目标图像，利用面部表情捕捉模型进行人脸参数预测，以得到目标人脸参数，所述面部表情捕捉模型是利用根据权利要求10-17中任一项所述的装置进行训练而得到的；以及

驱动单元，被配置为基于所述目标人脸参数，对目标三维数字人进行面部表情驱动。

19.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-9中任一项所述的方法。