[发明专利]一种建立一致性三维人脸网格的稀疏变形模型的方法

说明书

技术领域

本发明涉及人脸数据计算机处理方法，尤其涉及一种以几何关系约束和对应关系约束对三维人脸进行变形和稀疏编码为核心技术、建立三维人脸之间点对点稠密对应关系的全自动的稀疏变形模型的方法。

背景技术

近年来，随着三维数据获取技术的飞速发展，精确且实时地获取三维数据已趋于实用。由于三维数据的表示形式通常是离散的、稀疏的，三维数据很难方便地利用通常的方法进行处理。造成这一状况的原因是因为三维人脸扫描获得的数据是不规整的，不同的人脸通常含有不同数量的顶点和不一致的边界情况。就两个三维人脸而言，即使顶点数量和边界情况一样，它们各自的顶点也是散乱无章的，经过三角化算法获得的三维人脸曲面其拓扑结构完全不同。

经过近些年的发展,现有的能够自动的建立三维人脸间顶点与顶点间对应关系的方法主要可总结、归纳为以下几类:

1)基于最近点的方法。对于给定的两个三维数据,基于最近点的方法通过对齐的思想寻找对应点将其对齐,顶点间的对应关系由二者间的空间距离来决定。此类方法建立的对应关系相当粗糙,尤其当涉及的模型个体之间偏差比较大的时候,其对应点间的基本无法保持稠密的具有生理意义上的对齐。

2)基于等距映射的方法。基于等距映射的方法假设一个模型上两点的测地线距离应该近似或者相等于另外一个模型上对应点的测地距离。基于这个假设,对应关系可以通过流形学习来计算。对于三维人脸数据而言,人脸嘴部区域的空洞往往让这类方法的假设不成立,并由此产生错误的对应结果。

3)弹性变形模型。这些方法通常情况下将待变形的通用模型变形到一个目标三角网格模型,经过这一变形后,通用模型和目标三角网格模型间的对应关系是能够自然而然的建立,同时具有相同的拓扑结构。该类方法的缺陷是需要人为地去手工标定一些特征点，因此无法全自动地去建立三维人脸模型稠密的对应关系，而且过该方法变形后的人脸模型依旧不太过光滑以至于还是不能很好地表示目标人脸模型的细节。

发明内容

本发明提供一种建立一致性三维人脸网格的稀疏变形模型的方法，该方法基于稀疏人脸变形模型，能全自动地建立三维人脸间稠密的顶点间对应关系。

一种建立一致性三维人脸网格的稀疏变形模型的方法，其步骤如下：

(1)、训练人脸数据预处理：包括训练人脸数据特征点标定、通用人脸模板数据分块和训练人脸数据非刚性对齐三部分：

(2)、稀疏字典学习：基于步骤(1)的预处理结果，利用几何形状约束和对应关系约束对训练人脸数据学习一个稀疏字典；

(3)、测试人脸变形：基于步骤(2)得到字典，对给定的一张输入测试人脸，利用几何形状约束和对应关系约束，将通用人脸模板向输入的测试人脸变形；

(4)、一致性对齐：基于步骤(3)得到变形后的人脸替代输入的测试人脸，即完成一致性对齐任务。

通过本发明方法，得到的效果是全自动地建立三维人脸之间顶点稠密的、具有人体测量学意义上的一一对应关系的，它通过将通用人脸模型向目标人脸模型形变得到的。

所述的训练人脸特征点标定方法，其特点是对所有的训练人脸数据及通用人脸模板进行手工标定，并且覆盖了人脸的关键区域。

所述的通用人脸模板数据，是基于步骤(1)标注的特征点对每一个特征点，把一个球的中心固定在点上，球内部的人脸区域构成一个块；随机选取没被覆盖到的点用同样的办法提取出新的一个块，直到所有人脸上的点至少处于一个块中。

所述的训练人脸数据非刚性对齐的方法，是将通用人脸模板向训练人脸模板形变，用形变结果替代原始人脸数据进行后续字典学习，形变过程基于光滑误差项、数据误差项和特征点误差项。这个形变过程即通过最小化能量函数E₁来进行人脸的非刚性对齐变形：

E₁＝λ₁E_c+λ₂E_e+λ₃E_q   (3)其中，E_c是特征点误差项，E_e是光滑误差，E_q是数据误差项，λ₁,λ₂,λ₃是经验给定的参数，一般通过对训练数据进行交叉验证的方法得到。

几何形状约束的方法通过最小化通用人脸模型和目标人脸模型之间的光滑误差函数和数据误差函数得到，数据误差函数中采用的是最近点法则和法向射线法则相结合的混合原则，几何对应关系φ(S(M′),S(M))定义为