CN101877146A - 一种扩充三维人脸数据库的方法 - Google Patents
一种扩充三维人脸数据库的方法 Download PDFInfo
- Publication number
- CN101877146A CN101877146A CN 201010230899 CN201010230899A CN101877146A CN 101877146 A CN101877146 A CN 101877146A CN 201010230899 CN201010230899 CN 201010230899 CN 201010230899 A CN201010230899 A CN 201010230899A CN 101877146 A CN101877146 A CN 101877146A
- Authority
- CN
- China
- Prior art keywords
- individuality
- new
- individual
- value
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Processing Or Creating Images (AREA)
Abstract
一种扩充三维人脸数据库的方法,包括:从已有的三维人脸数据库中选取M个样本,作为初始数据库;将初始数据库作为遗传算法的初始种群,初始数据库中的每个样本作为初始种群中的一个个体;将初始种群中的个体随机分组,对不同两组中的个体进行随机配对,并随机交换每对个体的器官;将交换后的器官与目标人脸进行缝合;对每对个体基因位上的基因值进行变异;根据新产生的个体与已有种群中的个体的相似度,选择保留或者抛弃新个体;合并已有种群与进化后的新个体群,对原有的三维人脸数据库进行扩充;重复以上所有步骤,直至扩充后的人脸数据库符合要求。本发明能够实现大规模、多样性的数据扩充,且实现简单,数据扩充效果好,运算速度快,节约硬件成本。
Description
技术领域
本发明涉及模式识别领域三维人脸建模中扩充人脸数据库的方法。
背景技术
由于三维人脸数据的获取需要依赖专业的采集设备和复杂的处理过程,因此完善的三维人脸数据库的建立通常是一个昂贵的、费时费力的过程。目前主要的三维人脸数据有:CMU的FIA数据库,它是基于多视角几何信息的三维数据库,其中包括180人的三维数据信息;3D-RAM数据库,它是基于结构光的方法建立的三维数据库,用一个照相机和放映机获取人的3D坐标信息,包含129人的三维数据信息;GavabDB数据库,其使用Minolta VI-700数字转换器获取427个有表情变化的三维人脸数据,这些数据由61个人组成。2007年,Thomas S Huang的研究小组利用Cyberware扫描仪建立了一个含有475人的三维人脸数据库,样本主要有中性和微笑两种表情,年龄分布在19-25岁之间。Cyberware扫描仪通过一次扫描可以获取人不同视角的完整数据,因此获取的数据准确性好,大大简化了后处理工作,用该设备建立的USF三维人脸数据库中有200人的三维人脸数据,由于每个样本的形状和纹理信息维数很高,因此对于人脸数据处理与分析方面的研究,这样规模的数据还远远满足不了需要。
从以上的分析中可以看出现有的三维人脸数据库的覆盖范围明显不足,使用手工的方式进行大规模、多样性的三维人脸数据扩充是不现实的,这极大的限制了数据的获取范围和实用性,很难推广到实际应用中。所以在设备资源和计算能力有限的条件下,如何实现一个廉价的、快速的,并且消耗资源少的三维人脸数据扩充方法成为一个重要的问题。
遗传算法是一种群体智能算法,它源于自然界的生物进化过程。通过模拟自然界中生物进化时发生的自然选择、变异、遗传进化的过程,设计出选择、交换、变异、遗传等算子。通过自然淘汰、变异、遗传进行进化,以适应环境的变化,产生最合适个体。种群中的每个个体代表当前代中目标函数的一组解,适应度高的个体将拥有较大的机会进入下一代的遗传操作。适应度低的个体将被抛弃。它们通过交换部分基因来完成下一代个体的产生。经过数代的进化后将得到一组适应性高的种群。
本发明采用遗传算法、结合器官交换提出一种扩充三维人脸数据库的方法,在一个能生成多样性数据的框架下进行自动生成和评价工作,从而完成三维人脸数据的扩充。
发明内容
本发明的技术解决问题是:克服现有人脸数据库中样本量少的缺陷,增加合成人脸的多样性以及同数据库中人脸的差异性,提供一种实现简单、扩充效果好的扩充三维人脸数据库的方法。该方法运算速度快,不需要依赖昂贵的专业设备和复杂的后续处理,节约硬件成本。
本发明的技术解决方案是:本发明采用遗传算法作为器官交换的执行框架,选取初始三维人脸数据作为遗传算法的初始种群,采用遗传算法的交叉算子将原始人脸随机两两组合,交换任意两张人脸之间的面部特征区域。通过交叉操作可以得到一组新的三维脸数据。对新生成的种群实施变异操作,以增加新种群的多样性。然后根据样本间的距离对新产生的个体进行适应度评价,适应度高的个体将被保留,适应度低的个体将被抛弃。经过数代的进化后便可完成对三维人脸数据的规模和多样性进行扩充的工作。
本发明提供的一种扩充三维人脸数据库的方法,包括以下步骤:
从已有的三维人脸数据库中选取M个样本,作为初始数据库;
将初始数据库作为遗传算法的初始种群,初始数据库中的每个样本作为初始种群中的一个个体;
将初始种群中的所有个体随机分成一组或多组,对不同两组中的个体进行随机配对,并随机交换每对个体的一个或多个器官;
将交换后的器官与目标人脸进行缝合;
对每对个体一个或多个基因位上的基因值进行变异;
根据新产生的个体与已有种群中的个体的相似度,选择保留或者抛弃新个体;
合并已有种群与进化后的新个体群,对原有的人脸数据库进行扩充;
重复以上所有步骤,直至扩充后的人脸数据库符合要求。
所述根据新产生的个体与已有种群中的个体的相似度,选择保留或者抛弃新个体的步骤,进一步包括:
对已有种群和新个体群中的每个个体进行编码;
计算已有种群中每个个体的适应度,确定新个体的适应度阈值;
计算新个体的适应度,若新个体的适应度高于适应度阈值,则保留该新个体;若新个体的适应度低于适应度阈值,则抛弃该新个体。
所述对已有种群和新个体群中的每个个体进行编码的步骤,具体为:
式中,t表示涉及交换的器官数,s表示每个器官区域的点数;
所述计算已有种群中每个个体的适应度的步骤,具体为:每个个体的适应度为该个体与其它个体之间的最短欧式距离,记
式中,fit(xi)表示个体xi的适应度,xj表示除xi之外的三维人脸样本,dis(xi,xj)表示xi和xj之间的欧式距离,Ω表示已有种群中的所有个体;
所述确定新个体的适应度阈值的步骤,具体为:取已有种群中所有个体最低的适应度作为新个体的适应度阈值,记
式中,θ表示新个体的适应度阈值。
所述计算新个体的适应度,选择保留或者抛弃新个体的步骤,具体为:
所述将初始种群中的所有个体随机分成一组或多组,对不同两组中的个体进行随机配对,并随机交换每对个体的一个或多个器官的步骤,具体包括:
将A组和B组的个体随机配对,A组中的个体只能与B组中的个体组合,B组中的个体也只能与A组中的个体组合;
所述将交换后的器官与目标人脸进行缝合的步骤,包括几何信息的缝合和纹理信息的缝合,对所述几何信息的缝合采用薄板样条插值法。
对所述纹理信息的缝合,具体包括:
根据构成曲面的三角网格,计算交换器官三维曲面上每个点的四个邻接点:邻接点中y值最大的邻接点为当前点的上邻接点,邻接点中y值最小的邻接点为当前点的下邻接点,邻接点中x值最大的邻接点为当前点的右邻接点,邻接点中x值最小的邻接点为当前点的左邻接点;
计算交换器官三维曲面上每个点的散度值;
将交换器官三维曲面上每个点的四个邻接点及每个点的散度值代入离散泊松方程,求解得到变化后交换器官三维曲面的纹理值,该纹理值与目标人脸的纹理值无缝融合。
所述对每对个体一个或多个基因位上的基因值进行变异的步骤,具体包括:
对当前基因位的几何值进行变异:
式中,r为变异尺度系数,sk为当前基因位的几何值,s′k为当前基因位变异后的几何值;
对当前基因位的纹理值进行变异:
式中,r为变异尺度系数,tk为当前基因位的纹理值,t′k为当前基因位变异后的纹理值。
将合并后的种群个体按着欧式距离从大到小的顺序排序,取前M个适应度最高的个体作为下一代的初始种群,重复所有步骤,直至扩充后的人脸数据库符合要求。
所述已有的三维人脸数据库采用BJUT-3D三维人脸数据库。
本发明与现有技术相比具有如下优点:本发明基于遗传算法、结合器官交互提出一种扩充三维人脸数据库的方法,该方法能够实现大规模、多样性的三维人脸数据扩充,极大地丰富了现有三维人脸数据库的数据规模和数据覆盖范围;并且该方法实现简单,数据扩充效果好,运算速度快,并不需要依赖昂贵的专业设备和复杂的后续处理,从而了节约硬件成本。
在交换器官与目标人脸的缝合过程中,本发明既对二者的几何信息进行缝合,又对二者的纹理信息进行缝合,并且在对纹理信息进行缝合时,通过计算交换器官三维曲面上每个点的四个邻接点和每个点的散度值,将其代入离散泊松方程求解得到变化后交换器官三维曲面的纹理值,从而实现该纹理值与目标人脸的纹理值的无缝融合。
附图说明
以下将结合附图对本发明的具体实施方式进行说明。
图1为根据本发明的扩充三维人脸数据库的方法流程图。
具体实施方式
如图1所示,根据本发明的扩充三维人脸数据库的方法包括以下步骤:
(1)构建三维人脸数据库
本实施例采用北京工业大学的BJUT-3D三维人脸数据库(该数据库对外开放,任何人可以获取),采用BJUT-3D三维人脸数据库的好处是该数据库中的所有数据实现了三维人脸数据间点到点的一一对应关系。当然,用其它任意一种三维人脸数据库都是可以的,但在用本发明的扩充方法之前,需要对这些数据库中的数据进行预处理,即对不同的人脸数据进行坐标矫正,将不同的三维人脸数据统一到同一个坐标系,为的是保证三维人脸数据的一致性。具体处理方法参见尹宝才等的《BJUT-3D三维人脸数据库及其处理技术》,出自《计算机研究与发展》2009年第六期。
本段是处理方法的简述。首先用三维人脸数据的离散点集来拟合一个柱面,用柱面的中心轴作为三维人脸数据的新的垂直坐标轴,过鼻尖点且与新的垂直坐标轴垂直相交的直线作为新的前向坐标轴,新的X坐标轴则由Y轴和Z轴的叉乘运算确定。通过坐标变换可以得到每个三维人脸在新的坐标系下的坐标值,经过坐标变换的所有三维人脸数据均变换到朝向、姿态相同的坐标系下。为了利于人脸的统一表示并建立点或面的排列与人脸特征的对应关系,需要对三维人脸数据进行规格化,规格化后的数据既可以用统一的向量形式来表示,又保证所有的三维人脸数据特征对齐。首先在面部纹理图像手工交互标定特征点,然后以特征点的连线作为分片边界,形成三维人脸的初始分片,对于初始分片后的三维人脸通过网格重采样进行网格细分。经过重采样处理,所有三维人脸具有相同数量的点和三角面片,且整个网格的拓扑结构完全相同,从而可以建立三维人脸数据间严格的一一对应,这样的对应可以将所有三维人脸表示为统一的表示形式。
从BJUT-3D数据库中选取150个三维人脸样本作为初始数据库。首先以鼻尖点为标准对所有三维人脸样本进行对齐,然后确定组成各个器官的三维点集。
(2)构建遗传算法的初始种群
将初始数据库作为遗传算法的初始种群Ω,初始数据库中的每个样本作为初始种群中的一个个体。
(3)对初始种群的个体编码,计算每个个体的适应度,确定新个体的适应度阈值
遗传算法的编码是对目标问题解的描述方式,本发明采用三维人脸所有样本点的坐标和纹理值对个体进行编码。由于在交叉操作时,本发明以器官为单位进行交叉,所以在编码中融入了区域信息。具体描述方式如下:
式中,t表示涉及交换的器官数,s表示每个器官区域的点数。
本发明通过构建适应度评价函数来评价种群中个体的适应度,保留适应度高的新个体,抛弃适应度低的新个体。由于对已有数据库中样本的扩充是为了增加现有样本的数据覆盖范围,所以新产生的个体与已有个体的差异越大越好。鉴于此,本发明设计的适应度评价函数如下:
式中,fit(xi)表示个体xi的适应度,xj表示除xi之外的三维人脸样本,dis(xi,xj)表示xi和xj之间的欧式距离,Ω表示已有种群中的所有个体;
这函数表示每个个体的适应度用该个体与其它个体之间的最短欧式距离来表示。
取已有种群中所有个体最低的适应度作为新个体的适应度阈值,即:
式中,θ表示新个体的适应度阈值。
(4)将初始种群中的所有个体随机分成一组或多组,对不同两组中的个体进行随机配对,并随机交换每对个体的一个或多个器官
本实施例以交换一个器官为例(当然,也可交换多个器官),具体步骤如下:
b、将A组和B组的个体随机配对,A组中的个体只能与B组中的个体组合,B组中的个体也只能与A组中的个体组合;
若是交换多个器官,可以定义随机数的范围大些,如i=1,2,…,5,6,…,12,其中6表示交换眼睛和鼻子,11表示交换鼻子、嘴和下巴,等。
(5)将交换后的器官与目标人脸进行缝合
A、对几何信息的缝合
采用薄板样条插值法,具体为:
a、将器官曲面o上的中心点作为对齐点,记为to,根据三维人脸样本间的稠密对应信息(英文名为dense corresponding)在目标人脸f上确定对齐点tf。
b、以to为标准对器官曲面o进行平移,使得to平移到坐标原点,并记录平移信息mo。
c、以tf为标准对目标人脸f进行平移,使得tf平移到坐标原点,并记录平移信息fo。
d、记器官曲面o的边界点为U=(u1,u2,…,um)T,目标人脸f上的对应点为V=(v1,v2,…,vm)T。uk和vk是器官曲面和目标人脸第i对点的三维坐标。
e、根据U和V的对应关系建立器官曲面o上非特征点的运动方式,记器官曲面o的特征点之间距离为:rij=|ui-uj|。
特征点是指曲面上一些关键点,曲面上其它点(即非特征点)的运动方式是以这些点为标准计算出来的。在人脸识别领域,特征点是指标记在人脸关键区域的一些点,这些点可以很好的表示人脸的特征。在本发明中,特征点是指那些决定曲面运动方式的点,在这里我们取曲面的边界点作为特征点。
f、根据上述信息建立以下矩阵:
g、定义分块矩阵
h、根据V构造一个长度为n+3的列向量Y=(V|0 0 0)T。
i、通过计算LlY=(W|al ax ay az)T得到权重向量W=(w1,…,wn)和系数a1,ax,ay,az,从而得到器官曲面o的变形函数:
j、器官曲面o上的非边界点通过变形函数s映射到新的位置。
k、根据平移信息fo将目标人脸f平移回初始状态。
B、对纹理信息的缝合
a、根据构成曲面的三角网格,计算交换器官三维曲面上每个点的四个邻接点:邻接点中y值最大的邻接点为当前点的上邻接点,邻接点中y值最小的邻接点为当前点的下邻接点,邻接点中x值最大的邻接点为当前点的右邻接点,邻接点中x值最小的邻接点为当前点的左邻接点。
b、计算交换器官三维曲面上每个点的散度值。具体为:计算每个点与左邻接点的差δ1,计算每个点与下邻接点的差δ2,则当前点的散度值为δ1+δ2;
c、将交换器官三维曲面上每个点的四个邻接点及每个点的散度值代入离散泊松方程,求解得到变化后交换器官三维曲面的纹理值,该纹理值与目标人脸的纹理值无缝融合。
离散泊松方程参见Perez,P.,Gangnet,M.,Blake,A.的《Poisson ImageEditing》,出自SIGGRAPH(2003)313-31811。具体如下:
(6)对每对个体一个或多个基因位上的基因值进行变异
对当前基因位的几何值进行变异:
式中,r为变异尺度系数,sk为当前基因位的几何值,s′k为当前基因位变异后的几何值。
对当前基因位的纹理值进行变异:
式中,r为变异尺度系数,tk为当前基因位的纹理值,t′k为当前基因位变异后的纹理值。
(7)根据新产生的个体与已有种群中的个体的相似度,选择保留或者抛弃新个体
计算新个体的适应度,若新个体的适应度高于适应度阈值(此处适应度阈值为步骤3确定的适应度阈值θ),则保留该新个体;若新个体的适应度低于适应度阈值,则抛弃该新个体。具体为:
(8)更新种群
合并已有种群与进化后的新个体群,对原有的人脸数据库进行扩充。即将Ω与Ωnew′合并,更新后的种群为:Ω=Ω+Ωnew′。
将合并后的种群个体按着欧式距离从大到小的顺序排序,取Ω中前150个适应度最高的个体作为下一代的初始种群,重复以上步骤,直至扩充后的人脸数据库符合要求。
本实施例遗传算法迭代结束的条件是:当新产生的个体数小于15时,算法运行结束;当新产生的个体数大于15时,继续迭代。
需要说明的是,本发明遗传算法迭代结束的条件依据需要扩充的样本量而定,它没有固定的值。新产生的个体数量低于设定值时,结束遗传算法的迭代。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知技术。
本发明不局限于权利要求和上述实施例所述及的内容,只要是根据本发明的构思所创作出来的任何发明,都应归属于本发明的保护范围之内。
Claims (10)
1.一种扩充三维人脸数据库的方法,其特征在于,包括以下步骤:
从已有的三维人脸数据库中选取M个样本,作为初始数据库;
将初始数据库作为遗传算法的初始种群,初始数据库中的每个样本作为初始种群中的一个个体;
将初始种群中的所有个体随机分成一组或多组,对不同两组中的个体进行随机配对,并随机交换每对个体的一个或多个器官;
将交换后的器官与目标人脸进行缝合;
对每对个体一个或多个基因位上的基因值进行变异;
根据新产生的个体与已有种群中的个体的相似度,选择保留或者抛弃新个体;
合并已有种群与进化后的新个体群,对原有的人脸数据库进行扩充;
重复以上所有步骤,直至扩充后的人脸数据库符合要求。
2.根据权利要求1所述的扩充三维人脸数据库的方法,其特征在于,所述根据新产生的个体与已有种群中的个体的相似度,选择保留或者抛弃新个体的步骤,进一步包括:
对已有种群和新个体群中的每个个体进行编码;
计算已有种群中每个个体的适应度,确定新个体的适应度阈值;
计算新个体的适应度,若新个体的适应度高于适应度阈值,则保留该新个体;若新个体的适应度低于适应度阈值,则抛弃该新个体。
3.根据权利要求2所述的扩充三维人脸数据库的方法,其特征在于,
所述对已有种群和新个体群中的每个个体进行编码的步骤,具体为:
式中,t表示涉及交换的器官数,s表示每个器官区域的点数;
所述计算已有种群中每个个体的适应度的步骤,具体为:每个个体的适应度为该个体与其它个体之间的最短欧式距离,记
式中,fit(xi)表示个体xi的适应度,xj表示除xi之外的三维人脸样本,dis(xi,xj)表示xi和xj之间的欧式距离,Ω表示已有种群中的所有样本;
所述确定新个体的适应度阈值的步骤,具体为:取已有种群中所有个体最低的适应度作为新个体的适应度阈值,记
式中,θ表示新个体的适应度阈值。
6.根据权利要求1所述的扩充三维人脸数据库的方法,其特征在于,所述将交换后的器官与目标人脸进行缝合的步骤,包括几何信息的缝合和纹理信息的缝合,对所述几何信息的缝合采用薄板样条插值法。
7.根据权利要求6所述的扩充三维人脸数据库的方法,其特征在于,对所述纹理信息的缝合,具体包括:
根据构成曲面的三角网格,计算交换器官三维曲面上每个点的四个邻接点:邻接点中y值最大的邻接点为当前点的上邻接点,邻接点中y值最小的邻接点为当前点的下邻接点,邻接点中x值最大的邻接点为当前点的右邻接点,邻接点中x值最小的邻接点为当前点的左邻接点;
计算交换器官三维曲面上每个点的散度值;
将交换器官三维曲面上每个点的四个邻接点及每个点的散度值代入离散泊松方程,求解得到变化后交换器官三维曲面的纹理值,该纹理值与目标人脸的纹理值无缝融合。
9.根据权利要求1所述的扩充三维人脸数据库的方法,其特征在于,将合并后的种群个体按着欧式距离从大到小的顺序排序,取前M个适应度最高的个体作为下一代的初始种群,重复所有步骤,直至扩充后的人脸数据库符合要求。
10.根据权利要求1所述的扩充三维人脸数据库的方法,其特征在于,所述已有的三维人脸数据库采用BJUT-3D三维人脸数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102308998A CN101877146B (zh) | 2010-07-15 | 2010-07-15 | 一种扩充三维人脸数据库的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102308998A CN101877146B (zh) | 2010-07-15 | 2010-07-15 | 一种扩充三维人脸数据库的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101877146A true CN101877146A (zh) | 2010-11-03 |
CN101877146B CN101877146B (zh) | 2012-01-18 |
Family
ID=43019691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102308998A Expired - Fee Related CN101877146B (zh) | 2010-07-15 | 2010-07-15 | 一种扩充三维人脸数据库的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101877146B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592309A (zh) * | 2011-12-26 | 2012-07-18 | 北京工业大学 | 一种非线性三维人脸的建模方法 |
CN102999941A (zh) * | 2012-11-13 | 2013-03-27 | 中国科学院深圳先进技术研究院 | 基于遗传操作的三维模型生成方法 |
CN103714221A (zh) * | 2014-01-08 | 2014-04-09 | 上海明穆电子科技有限公司 | 一种利用人体形态参数调整三维人体的变形方法 |
CN106682587A (zh) * | 2016-12-02 | 2017-05-17 | 厦门中控生物识别信息技术有限公司 | 图像库构建方法及装置 |
CN106709486A (zh) * | 2016-11-11 | 2017-05-24 | 南京理工大学 | 基于深度卷积神经网络的自动车牌识别方法 |
CN107633061A (zh) * | 2017-09-21 | 2018-01-26 | 天时汇(北京)电子商务有限公司 | 一种腕表识别系统 |
CN108647272A (zh) * | 2018-04-28 | 2018-10-12 | 江南大学 | 一种基于数据分布的小样本扩充方法 |
CN108932459A (zh) * | 2017-05-26 | 2018-12-04 | 富士通株式会社 | 脸部识别模型训练方法和装置及脸部识别方法 |
CN109583302A (zh) * | 2018-10-29 | 2019-04-05 | 杭州电子科技大学 | 一种移动机器人可行区域训练数据集扩充方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670764A (zh) * | 2004-03-19 | 2005-09-21 | 中国科学院计算技术研究所 | 基于遗传算法的人脸样本生成方法 |
-
2010
- 2010-07-15 CN CN2010102308998A patent/CN101877146B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670764A (zh) * | 2004-03-19 | 2005-09-21 | 中国科学院计算技术研究所 | 基于遗传算法的人脸样本生成方法 |
Non-Patent Citations (6)
Title |
---|
《ACTA AUTOMATICA SINICA》 20081231 Sun Yan-Feng et al The 3D Face Recognition Algorithm Fusing Multi-geometry Features 全文 1-10 第34卷, 第12期 2 * |
《Proceedings of the 6th World Congress on Intelligent Control and Automation》 20060623 Chengzhang Wang et al Genetic Algorithm Based 3D Face Reconstruction 全文 1-10 , 2 * |
《Proceedings of the Sixth IEEE International Conference on Automatic Face and Gesture Recognition》 20041231 Jie Chen et al Expand Training Set for Face Detection by GA Re-sampling 1-6 1,2,5,6,10 , 2 * |
《自动化学报》 20070331 王成章 等 改进的基于形变模型的三维人脸建模方法 第233页2.1节,第234页4.1节 5,6 第33卷, 第3期 2 * |
《计算机研究与发展》 20051231 胡永利 等 创建中国人三维人脸库关键技术研究 全文 1-10 第42卷, 第4期 2 * |
《计算机研究与发展》 20091231 尹宝才 等 BJUT-3D三维人脸数据库及其处理技术 1009-1018 10 第46卷, 第6期 2 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592309B (zh) * | 2011-12-26 | 2014-05-07 | 北京工业大学 | 一种非线性三维人脸的建模方法 |
CN102592309A (zh) * | 2011-12-26 | 2012-07-18 | 北京工业大学 | 一种非线性三维人脸的建模方法 |
CN102999941A (zh) * | 2012-11-13 | 2013-03-27 | 中国科学院深圳先进技术研究院 | 基于遗传操作的三维模型生成方法 |
CN103714221A (zh) * | 2014-01-08 | 2014-04-09 | 上海明穆电子科技有限公司 | 一种利用人体形态参数调整三维人体的变形方法 |
CN106709486A (zh) * | 2016-11-11 | 2017-05-24 | 南京理工大学 | 基于深度卷积神经网络的自动车牌识别方法 |
CN106682587A (zh) * | 2016-12-02 | 2017-05-17 | 厦门中控生物识别信息技术有限公司 | 图像库构建方法及装置 |
CN108932459A (zh) * | 2017-05-26 | 2018-12-04 | 富士通株式会社 | 脸部识别模型训练方法和装置及脸部识别方法 |
CN107633061A (zh) * | 2017-09-21 | 2018-01-26 | 天时汇(北京)电子商务有限公司 | 一种腕表识别系统 |
CN107633061B (zh) * | 2017-09-21 | 2020-08-21 | 天时汇(北京)电子商务有限公司 | 一种腕表识别系统 |
CN108647272A (zh) * | 2018-04-28 | 2018-10-12 | 江南大学 | 一种基于数据分布的小样本扩充方法 |
CN108647272B (zh) * | 2018-04-28 | 2020-12-29 | 江南大学 | 一种基于数据分布的小样本扩充对脱丁烷塔底丁烷浓度进行预测的方法 |
CN109583302A (zh) * | 2018-10-29 | 2019-04-05 | 杭州电子科技大学 | 一种移动机器人可行区域训练数据集扩充方法 |
CN109583302B (zh) * | 2018-10-29 | 2020-09-18 | 杭州电子科技大学 | 一种移动机器人可行区域训练数据集扩充方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101877146B (zh) | 2012-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101877146B (zh) | 一种扩充三维人脸数据库的方法 | |
CN100559398C (zh) | 自动的深度图像配准方法 | |
CN107862738A (zh) | 一种基于移动激光测量点云进行室内结构化三维重建方法 | |
CN109190461B (zh) | 一种基于手势关键点的动态手势识别方法和系统 | |
CN108629294A (zh) | 基于变形图的人体与人脸网格模板拟合方法 | |
CN110349247A (zh) | 一种基于语义理解的室内场景cad三维重建方法 | |
CN111028335B (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
CN103473811B (zh) | 基于二维手绘线画图的三维实体模型便捷生成方法 | |
CN115661374B (zh) | 一种基于空间划分和模型体素化的快速检索方法 | |
CN108537887A (zh) | 基于3d打印的草图与模型库三维视图匹配方法 | |
CN103366402A (zh) | 三维虚拟服饰的快速姿态同步方法 | |
CN112102480A (zh) | 图像数据处理方法、装置、设备以及介质 | |
CN105243137A (zh) | 一种基于草图的三维模型检索视点选择方法 | |
Kwon et al. | Optimal camera point selection toward the most preferable view of 3-d human pose | |
CN109767492A (zh) | 一种变电站三维模型的间距计算方法 | |
CN106650916B (zh) | 一种基于蚁群优化的网格分割方法 | |
CN102289661A (zh) | 一种基于谱匹配的三维网格模型的匹配方法 | |
Watanabe et al. | Parameter identification of depth-depth-matching algorithm for liver following | |
CN109241628A (zh) | 基于图谱理论和聚类的三维cad模型分割方法 | |
CN104063896B (zh) | 一种基于变换空间的三维建筑模型结构发现方法 | |
CN106570934A (zh) | 针对大场景的空间隐函数建模方法 | |
Hui et al. | Power equipment segmentation of 3D point clouds based on geodesic distance with K-means clustering | |
Zhang et al. | 3D design platform of virtual national costume based on digital nonlinear random matrix | |
Sun et al. | Real-time memory efficient large-pose face alignment via deep evolutionary network | |
Lv | VR technology used to show the practice of architectural node structure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120118 Termination date: 20210715 |
|
CF01 | Termination of patent right due to non-payment of annual fee |