[发明专利]一种基于分布独立性的3D人脸解耦表示学习方法

权利要求书

1.一种基于分布独立性的3D人脸解耦表示学习方法，其特征在于，包括以下步骤：

步骤1：收集3D人脸数据集，将数据集分为训练集和测试集；

步骤2：根据训练目标对数据集全体数据进行预处理及配准；

步骤3：构造用于解耦表示学习的图卷积神经网络模型；

步骤4：使用训练集训练用于解耦表示学习的图卷积神经网络模型；

其中，输入3D人脸若干节点和边构成的网格M，经过编码器编码为身份表示z_id及表情表示z_exp，将身份、表情表示传递给解码器D_id与D_exp，解码器重建的3D人脸与原始输入相似：

L_rec＝||D_id(z_id)+D_exp(z_exp)-M||₁

其中，L_rec为重建损失，D_id为身份解码器，z_id为身份表示，D_exp为表情解码器，z_exp为表情表示；

分别约束表情重建与身份重建的结果：

其中，M_id为M的中性表情，M_exp为带有与M相同的表情的模板脸，M_id和M_exp分别表示M的身份和表情，为身份重建损失，D_id(z_id)为身份解码器重建的3D人脸身份，为表情重建损失，D_exp(z_exp)为表情解码器重建的3D人脸表情；

同时约束3D人脸的身份、表情在特征空间的分布为标准正态分布N(0，1)：

判别器损失为交叉熵损失：

其中，z^j和分别表示从联合分布q(z_id，z_exp)和乘积分布q(z_id)q(z_exp)采样的样本，m为批数量，D(z^j)表示判别器判别z^j采自身份与表情分布独立的分布的概率，表示判别器判别采自身份与表情分布独立的分布的概率；

训练过程的总损失为：

其中，α₁，α₂，β为超参数，L_total为总损失函数；

步骤5：训练完成后，用于解耦表示学习的图卷积神经网络模型将输入的3D人脸解耦为身份和表情两个部分。

2.根据权利要求1所述的一种基于分布独立性的3D人脸解耦表示学习方法，其特征在于，步骤2中，配准后，每个3D人脸样本用若干节点和边构成的网格M＝{V，A}表示；|V|＝n代表3D欧氏空间中的n个节点，V∈R^n×3；稀疏邻接矩阵A∈{0，1}^n×n表示节点之间的连接关系，A_ij＝0表示节点v_i和v_j之间没有连接，反之，A_ij＝1表示节点v_i和v_j之间有连接。

3.根据权利要求1所述的一种基于分布独立性的3D人脸解耦表示学习方法，其特征在于，步骤3中，用于解耦表示学习的图卷积神经网络模型包括三个部分，分别为编码器、解码器和判别器；编码器输入3D人脸网格，输出对应的身份表示和表情表示，解码器的输入层为编码器的输出层的结果，解码器将身份表示和表情表示重建出3D人脸，判别器的输入层也连接编码器的输出层，用于判别身份表示与表情表示是否分布独立。