[发明专利]一种非线性三维人脸的建模方法

权利要求书

1.一种非线性三维人脸的建模方法，其特征在于，包括以下步骤：

(1)从已有的人脸数据库中分别选取三维样本和二维样本，作为训练样本集，并对这些样本实施规格化操作；在训练阶段，将二维训练样本集与三维训练样本集按照身份信息进行配对，使得这两组样本集中的样本按照身份信息相互对应；

(2)以这两组对应样本集为基础训练各自的投影矩阵，使得不同维度的样本投影后具有最大的相关性；

(3)在重建阶段，对于输入的二维人脸图像，首先对其进行规格化处理，然后在二维训练样本集的子空间进行投影，根据相关性距离选取与其相关度高的三维样本，基于这些选定的三维样本构建三维人脸形变模型，并将其与输入图像进行匹配来实现三维人脸样本重建。

2.根据权利要求1所述的方法，其特征在于，步骤(1)包括以下分步骤：

(1.1)从已有的人脸数据库中选取三维样本集和二维样本集；

(1.2)三维样本集和二维样本集按照身份信息对应；

(1.3)对三维样本和二维样本进行规格化操作。

3.根据权利要求2所述的方法，其特征在于，所述步骤(1.3)包括：对三维样本规格化：使用交互的方式获取三维样本瞳孔之间的位置，计算所有三维样本的瞳孔间的距离，以这些距离的平均值为标准对所有三维样本进行尺度对齐，以眉心点为标准对所有三维样本进行平移对齐；对二维样本规格化：使用交互的方式获取二维样本瞳孔之间的位置，计算所有二维样本的瞳孔间的距离，以这些距离的平均值为标准对所有二维样本进行尺度对齐，以眉心点为标准对所有二维样本进行平移对齐。

4.根据权利要求3所述的方法，其特征在于，步骤(2)包括以下分步骤：

(2.1)计算二维样本与三维样本的均值向量；

(2.2)将所有样本减去各自对应的均值向量；

(2.3)以相关性公式为目标函数，对其求最大值优化，在目标函数最大化时求出二维样本和三维样本对应的特征向量，其中相关性公式为：

ρ=E[WxTXYTMy]E[WxTXYTWx]E[WyTXYTWy],]]>其中X代表二维样本集，Y代表三维样本集，X的投影基向量是W_x，Y的投影基向量是W_y；

(2.4)在优化目标的约束下使得投影后的向量具有最大的相关性。

5.根据权利要求4所述的方法，其特征在于，步骤(3)包括以下分步骤：

(3.1)输入二维人脸图像；

(3.2)规格化该人脸图像；

(3.3)在二维样本的子空间进行投影；

(3.4)计算步骤(3.3)的投影与三维样本投影向量的相关性；

(3.5)根据所有距离的方差确定所选三维样本的范围；

(3.6)基于所选三维样本构建形变模型；

(3.7)将构建的形变模型与输入图像进行匹配；

(3.8)使用粒子群算法进行模型优化，实现三维人脸样本重建。