[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

说明书

一种基于分布独立性的3D人脸解耦表示学习方法，收集3D人脸数据集，将数据集分为训练集和测试集；根据训练目标对数据集全体数据进行预处理及配准；构造用于解耦表示学习的图卷积神经网络模型；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；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。与基于3DMM的3D人脸解耦方法相比，本发明采用非线性表示，具有更强的3D人脸表示能力。与借助2D几何图像的3D人脸解耦方法相比，本发明直接作用于3D人脸网格，避免了将3D映射成2D图像造成的信息损失。

技术领域

本发明涉及一种学习方法，具体涉及一种基于分布独立性的3D人脸解耦表示学习方法。

背景技术

人脸的形状主要由身份及表情决定，由于人脸的表情丰富并且多变，易造成复杂的非线性形变，因此建立鲁棒的3D人脸模型是一项具有挑战性的任务。而学习身份、表情解耦的3D人脸模型对于人脸属性迁移、人脸重建、识别以及人脸动画等具有重要意义。

目前3D人脸解耦表示学习的方法主要分为两类：3D人脸的线性解耦表示；3D人脸的非线性解耦表示。3D人脸线性解耦表示方法一般基于3D可形变模型(3DMM)，其通过主成分分析(PCA)分别学习一组3D人脸身份基底和表情基底后，可以优化3DMM参数以拟合任意3D人脸的形状。然而，这类方法局限于其线性性，PCA学习的基底表示能力有限，难以表达3D人脸细节以及夸张的表情。

现有的3D人脸非线性解耦表示方法多采用现将3D人脸映射成2D几何图像，再使用深度卷积神经网络实现解耦表示学习，而将3D人脸映射成2D图像的过程势必会造成信息损失。

发明内容

针对现有3D人脸解耦表示方法的不足，本发明的目的在于提供一种基于分布独立性的3D人脸解耦表示学习方法。

为实现上述目的，本发明采用如下的技术方案：

一种基于分布独立性的3D人脸解耦表示学习方法，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；

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。

本发明进一步的改进在于，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。

本发明进一步的改进在于，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。