CN101976453A - 一种基于gpu的三维人脸表情合成方法 - Google Patents
一种基于gpu的三维人脸表情合成方法 Download PDFInfo
- Publication number
- CN101976453A CN101976453A CN 201010296773 CN201010296773A CN101976453A CN 101976453 A CN101976453 A CN 101976453A CN 201010296773 CN201010296773 CN 201010296773 CN 201010296773 A CN201010296773 A CN 201010296773A CN 101976453 A CN101976453 A CN 101976453A
- Authority
- CN
- China
- Prior art keywords
- expression
- gpu
- model
- dimensional face
- residual error
- 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.)
- Pending
Links
- 238000001308 synthesis method Methods 0.000 title claims abstract description 18
- 230000008921 facial expression Effects 0.000 title abstract description 10
- 230000014509 gene expression Effects 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000007935 neutral effect Effects 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008451 emotion Effects 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 238000004215 lattice model Methods 0.000 claims 1
- 238000009795 derivation Methods 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于表情建模的三维人脸表情合成方法,步骤如下:(1)三维人脸模型的非刚性对齐;(2)建立表情空间;(3)表情残差空间的计算;(4)建立表情空间和表情残差空间的映射关系;(5)表情残差推导和表情合成。本发明可有效地在中性三维人脸模型上进行三维人脸表情合成,并且本发明采用GPU的方法可以更加快捷准确地合成人脸表情。
Description
技术领域
本发明涉及一种人脸表情的合成方法,更具体地,本发明涉及一种基于GPU的三维人脸表情合成方法,尤其涉及一种以建立表情模型和表残差模型、基于统计建模的三维人脸表情合成方法。
背景技术
在社会交往中,人脸表情能够传达重要、丰富的信息。随着计算机技术的快速发展,表情合成技术在图形图像处理、计算机辅助设计等领域受到越来越多研究人员的关注。它在游戏娱乐、媒体制作、虚拟现实设计、远程虚拟通讯、远程医疗服务、虚拟视频会议、虚拟角色交互应用等方面有着重要的用途。
基于三维形状数据的表情合成是目前新兴的一个研究方向。随着三维扫描设备的成熟,三维形状数据作为一类新型数据日益普及,如何对三维人脸形状进行有效的表情合成正成为新的研究热点。
发明内容
本发明的目的在于提供一种基于GPU的三维人脸表情合成方法,其步骤如下:
(1)三维人脸模型非刚性变形对齐:将通用模型G向每一个三维人脸模型O进行非刚性对齐,并用变形后的通用模型代替原来的三维人脸模型;
步骤(1)采用的变形方法是基于能量最小化的迭代变形方法。定义了两个能量函数,分别是:
平滑误差函数:
几何误差函数:
全局误差函数是:
经过迭代地执行最小化全局误差函数,最终使得通用模型与原来的三维人脸模型形状保持一致。
(2)、GPU加速的测地法向空间计算:选取某类情感表情模型若干个组成表情模型训练样本集其中每个三维人脸模型分Mi别对应不同的人。利用主测地分析(principle geodesic analysis)方法对该训练集中样本的法向量特征进行分析,得到主测地子空间的投影矩阵P=(v1,...,vV),以及该训练样本集中的模型经投影后,在主测地子空间中的表示我们使用GPU并行地构造测点法向子空间。每个GPU线程用于处理三维模型上对应的三角面片。从而实现了GPU加速的测地法向空间的计算;
步骤(2)采用的主测地分析是对训练样本集中的模型的法向量特征进行子空间分析,并且采用了GPU并行处理的方法加速了测地法向子空间构造。
(3)GPU加速的表情残差空间计算:按照步骤2)中的样本选取方法,对表情模型训练样本集中的每个情感模型Mexp,找到与之对应的中性表情模型Mneu,组成一个样本对(Mexp,Mneu)。将符合上述要求的所有样本对组成表情残差模型训练样本集。对该样本集中的每个样本对,计算其表情残差向量Δ(Mexp,Mneu)。我们使用GPU并行计算每个样本对上所有三角面片的表情残差。所有计算得到的表情残差向量组成表情残差空间;
步骤(3)中表情残差的计算是用于计算同一个人情感模型Mexp和中性模型Mneu之间的变化差异。表情残差Δ(Mexp,Mneu)能够定量的衡量某种表情的变化。由于采用GPU多线程并发执行的方式,每一个GPU线程计算对应三角面片的表情残差,从而加速了表情残差的计算速度。
(4)基于GPU的表情模型训练:采用径向基函数回归的方法建立表情空间和表情残差空间之间的映射关系。
步骤(4)中使用的径向基函数如公式(4)所示:
Δ=W*K (5)
通过求解W即可得到两个空间之间的映射关系。我们使用GPU的第三方线性代数库CULA(GPU-accelerated linear algebra library)中的逆矩阵求解功能和矩阵乘法功能完成表情模型的训练。
(5)表情残差推导与合成:对于每一个输入三维人脸模型Min,经过步骤(1)和步骤(2)的处理后,可以得到该模型在低维表情空间中的表示利用步骤(4)中建立的空间映射关系矩阵W,推导出其对应的表情残差用推导出的表情残差对一个输入三维人脸模型Min上的三角面片进行翻转和平移操作,并用泊松变形的方法对该三维模型表面进行重建,达到表情合成的效果。
步骤(5)中采用变形技术是基于泊松方程的变形技术,其线性系统的建立如下式:
AU=b (6)
其中U是变形后网格中任一待求解顶点的坐标分量,b是经过表情残差修改后的梯度向量场的散度,矩阵A是拉普拉斯算子在网格M上构建的一个稀疏矩阵,相应角度见图4。
采用的变形技术是用推导出的表情残差为变形向导。
本发明方法可以有效地对一个三维中性模型进行表情合成,从而得到合成后的三维人脸表情模型。
附图说明
图1是本发明的基于GPU的三维人脸表情合成方法基本原理图;
图2是使用GPU加速构造测地法向空间的框架图;
图3是GPU加速的表情残差空间计算框架;
图4是一环领域示意图;
图5是通用三维模型及对应的11个特征点示意图;
图6是使用GPU加速的表情合成结果;
具体实施方式
以下将结合附图和具体实施方式对本发明的基于GPU的三维人脸表情合成方法(其基本原理见图1)作详细描述,但是所用的具体实施方式只是对本发明作解释,并不用于限定本发明的保护范围。
三维人脸模型的非刚性对齐
三维人脸模型的非刚性对齐采用最小化能量函数的方法,迭代地将通用模型分别向每一个原始三维模型进行变形对齐。首先,对通用模型上的每一个顶点,在原始三维模型上找到对应点,然后利用上一步中建立的对应关系,建立一个能量误差方程,最后通过求解该能量误差方程得到变形后的通用模型。
为了保证配准变形的正确有效,该方法定义了人脸上的11个特征点,如图(5)中所示黑色标注的点。由于目前已有很多三维特征点标注算法,本发明假设特征点信息可通过其他方法提前获得。采用一个通用三维人脸向每一个原始三维人脸做配准变形,配准变形后的通用三维人脸具有和目标人脸相同的形状。继而用此通用三维人脸代替原始人脸完成表情数据的非刚性配准变形。设G表示一个通用三维人脸,O表示一个原始三维人脸,PG和PO分别表示G和O上的点集,和分别表示G和O上的特征点集合。我们用重采样的方式将G作为一张“有弹性的”网向O拟合。经过迭代地配准变形,G和O的形状趋于一致。配准变形后的G用M进行表示,则可用M代替O作为新的三维人脸。可以发现,所有配准变形后得到的M具有统一的对应关系和拓扑结构。
接下来用迭代的方式对G进行变形,使其和O的形状保持一致。我们定义了几何误差Eg和平滑误差Es两个能量函数从而将变形问题转化为能量最小化问题。参数δ用来调节变形过程中特征点相对于平凡点的权重,参数λ用来权衡几何误差Eg和平滑误差Es两个能量函数之间的关系。几何误差Eg和平滑误差Es分别定义如下:
其中N(i)表示点i的一环邻域(见图4),ti表示需要计算求得的yi的偏移量。
全局能量函数定义如下:
在迭代的最初阶段,使用较大的δ和较小的λ使G有一个正确的初始形状,随后逐渐减少特征点的权重,并适度减少平滑误差的权重使G的整体形状和O趋于一致。迭代结束后,用M表示配准变形后的G,并以之替换原始人脸O。经过上述操作,所有配准变形后的人脸M均保持一致的拓扑结构和对应关系。
GPU加速的测地法向空间计算
由于人脸曲面的法向量场位于一个非线性空间中,我们采用测地法向投影(Geodesic Projection)对这个非线性空间作准线性估计。测地法向投影最早由Fletcher提出,它首先对非线性空间中的数据建立全连通图,然后基于连通图构造出一个从高维非线性空间到低维线性空间的转换矩阵。首先我们使用了两个重要的测地算子:LOG运算和EXP运算。这两个算子用于度量非线性法向量空间上两个单位法向量之间的距离。设n=(nx,ny,nz)表示一个单位法向量,μ=(0,0,1)作为一个参考基准点,则测地算子LOG和EXP分别表示如下:
这两个测地算子可以度量非线性法向空间中的距离,用于构造测地法向空间。利用GPU并行处理构造测地法向空间的过程如图2所示。
假设训练集由N个样本组成,Mi是训练集中第i个配准变形后的三维人脸。用表示Mi上所有三角面片组成的有序集合,K表示Mi上所有面片的个数,表示Ti中所有三角面片对应的法向量集合,其中是三角面片的法向量,用μj∈R3表示训练集中所有人脸曲面上第j个法向量的测地均值。
每个模型的第j个三角面片对应线程块中执行的核心伪代码Centralization流程如下所示:
function Centralization
begin
Initialize GPU
Allocate threads and blocks
Synchronously runμj=IntrinsicMean(j)
Synchronously run Normalize(μj)
Synchronize all threads to accomplish
Release GPU
end
其中构造测地法向空间的本征均值求解函数IntrinsicMean的GPU代码如下所示:
_device_float3 IntrinsicMean(j){
int count=0;
float3 mul;
float2 del_mul;
do{
del_mul.x=0;del_mul.y=0;
for(int i=0;i<N;i++)
del_mul=del_mul+LOG(normals[j][i]);
mul=EXP(del_mul/N);
count++;
}while(||del_mul||>1e-5&&count<50)
return mul;
}
注:normals[j][i]表示模型Mi上第j个三角面片法向量
构造测地法向空间的归一化函数normalize的GPU代码如下:
_device_void normalize(float3 mean){
For(int i=0;i<N;i++)
u[j][i]=LOGmean(normals[j][i]);
}
注:u[j][i]表示模型Mi上第j个三角面片归一化后测地坐标
首先初始化GPU,申请能够并发执行的线程块。其次,对训练集中所有样本的第j个三角面片集合,绑定对应GPU线程j。然后,调用GPU线程函数IntrinsicMean(j)计算对应法向集合的本质均值μj,并利用计算得到的μj,调用GPU线程函数Normalize(μj)对其法向集合进行归一化操作。最后,使用GPU提供的同步机制,确保所有并发的线程全部执行结束后释放GPU。
由于法向量空间是非线性空间,我们使用IntrinsicMean计算非线性法向量空间中一组单位法向量的测地均值,使用Normalize将非线性法向量空间中的一组单位法向量进行归一化。测地均值操作IntrinsicMean及归一化操作Normalize用迭代的方式进行计算。IntrinsicMean和Normalize的完整GPU代码在附录中给出。
经过上述操作后,我们为每个训练样本Mi求得一个归一化后的测地坐标现在计算协方差矩阵并调用GPU第三方线性代数库CULA(GPU-accelerated linear algebra library)对协方差矩阵s进行SVD分解。然后,选择对应特征值最大的前V个特征向量组成空间转换矩阵P=(v1,...,vV)。最后,通过矩阵投影计算得到训练样本Mi在测地法向子空间中的表示
GPU加速的表情残差空间计算
为了完整地描述三角面片tj从某种情感转到中性情感的变化,我们定义了下面的5元组:
Δ(Mexp,Mneu)可以理解为高维情感残差空间中的一个样本点。由于不同三角面片的表情残差计算不存在相关性,因而我们使用GPU并行计算所有三角面片的残差Δ(Mexp,Mneu),从而构造出情感残差空间。图3给出了利用GPU加速计算三维情感表情模型Mexp和三维中性表情模型Mneu之间表情残差Δ(Mexp,Mneu)的过程。每一个GPU线程j计算对应的残差特征从而加速了表情残差的计算速度。
基于GPU的表情模型训练
用RBF回归的方法建立两个空间之间的映射。由于测地法向空间是一个准线性空间,使用马氏距离作为RBF回归分析中的度量方式,具体形式如下所示。
利用训练样本集在测地法向空间和表情残差空间组成的训练样本对,我们使用最小二乘法训练得到权重矩阵W。权重矩阵W是通过调用GPU第三方线性代数库CULA(GPU-accelerated linear algebra library)求解矩阵K的逆矩阵K-1。然后,调用CULA的矩阵乘法函数计算公式(18),得到权重矩阵W,从而完成表情模型的训练。
W=Δ×K-1 (18)
表情残差的推导与表情合成
利用RBF回归方法训练得到了表情空间和表情残差空间的映射关系,即权重矩阵W。当输入一个待合成三维中性人脸Cm时,可以利用训练出的RBF回归模型求得对应的表情残差分量首先,用推导出的表情残差分量对输入中性人脸修改,然后,使用泊松变形的方法将不连续的三维人脸模型进行整合。泊松方程的稀疏线性系统如下所示:
AU=b, (19)
其中αij和βij如图(1)所示。
实验结果
使用BU-3DFED三维人脸表情数据库进行试验。该数据库中共有100个人(56个女性,44个男性),2500个人脸深度数据。其中,每个人包含一个中性表情和六种情感表情,分别是愤怒,厌恶,恐惧,高兴,悲哀和惊讶。每种情感表情均有4种不同强度。本实验使用了全部100个人的高分辨率三维数据(每个模型包含大约8000个顶点,15000个三角面片),并采用留一法验证本发明算法的有效性,即每次选一个人做测试,用剩余99个人的数据做训练,如此循环重复进行100次。
表情合成
图6给出了部分使用GPU进行表情合成的结果。每一行对应一个人的中性表情和6个合成的表情,从左到右依次是中性,合成愤怒,合成厌恶,合成恐惧,合成高兴,合成悲哀和合成惊讶。
GPU和CPU性能对比
本实验使用的机器配置为CPU Intel Core 2 Quad 2.666HZ,4GB内存和NVIDIA GeForce GTS 240显卡。表1给出了使用GPU加速前后算法性能的对比结果,使用GPU加速后的执行效率为GPU加速前的约13倍,其中构造测地法向空间的速度为GPU加速前的32倍,计算表情残差的速度为加速前的31.5倍。
表1使用GPU加速前后算法性能的对比结果
表情合成算法 | GPU加速前(单位秒) | GPU加速后(单位秒) |
测地法向计算时间 | 6.227 | 0.191 |
表情残差计算时间 | 5.529 | 0.175 |
RBF回归计算时间 | 0.093 | 0.093 |
泊松合成计算时间 | 0.524 | 0.524 |
总执行时间 | 12.373 | 0.983 |
从上述实验结果可以看出,本发明方法可以有效地对一个三维中性模型进行表情合成,从而得到合成后的三维人脸表情模型。而且采用GPU的方法可以更加快捷准确地合成人脸表情。
Claims (10)
1.一种基于GPU的三维人脸表情合成方法,步骤如下:
1)三维人脸模型非刚性变形对齐:
将一个通用人脸网格模型向每一个待处理的三维人脸模型进行非刚性变形对齐,变形后的通用网格模型在形状上与原来的模型保持一致;用变形后的网格模型代替原来的三维人脸模型,用于后续步骤;
2)GPU加速的测地法向空间计算:
经过步骤1)处理后,选取某类中性表情模型若干个组成训练样本集,其中每个模型分别对应不同的人;利用GPU并行处理技术对该训练集中样本的法向量特征进行主测地分析,得到主测地子空间的投影矩阵,以及该训练样本集中的模型经投影后,在主测地子空间中的表示;从而完成GPU加速的测地法向空间计算;
3)GPU加速的表情残差空间计算:
按照步骤2)中的样本选取方法,将表情模型训练样本集中的每个情感模型和对应的中性表情模型,组成一个样本对;所有样本对组成表情残差模型训练样本集;对该样本集中的每个样本对,使用GPU并行计算它的两个三维人脸模型之间的表情残差向量;所有样本对的表情残差向量组成表情残差空间;
4)基于GPU的表情模型训练:
经过步骤2)和步骤3)的计算后,得到样本集在表情空间和表情残差空间中的表示;继而利用GPU的并行计算方法对上述两个空间进行径向基函数回归分析,从而实现基于GPU的表情模型训练;
5)表情残差推导及表情合成:
对每个测试的中性模型,首先按照步骤2)中方法计算其在表情子空间中的低维表示;其次利用步骤4)中得到的空间映射关系,推导出其表情残差;最后,利用变形技术将推导出的表情残差作用于测试中性模型,确定出向导,经过基于向导的梯度场计算,从而达到表情合成的目的。
2.根据权利要求1所述的基于GPU的三维人脸表情合成方法,其特征是:步骤(1)采用的变形方法是基于能量最小化的迭代变形方法,即定义了式(1)和(2)所示的两个能量函数,分别是:
平滑误差函数:
和几何误差函数:
而式(3)所示的全局误差函数为:
经过迭代地执行最小化全局误差函数,最终使得通用模型与原来的三维人脸模型形状保持一致。
3.根据权利要求1所述的基于GPU的三维人脸表情合成方法,其特征是:步骤2)的GPU加速的测地法向空间计算是使用GPU并行地对训练集中样本的法向量特征进行主测地分析,得到训练样本在主测地子空间中的表示,该子空间即为表情空间。
4.根据权利要求1所述的基于GPU的三维人脸表情合成方法,其特征是:步骤3)中的GPU加速的表情残差空间计算用于度量同一个人的情感模型和中性模型之间的变化差异,表情残差空间用于定量描述某种的表情变化规律,使用GPU并行计算同一个人的情感模型和中性模型之间表情残差。
5.根据权利要求1或4所述的基于GPU的三维人脸表情合成方法,其特征是:步骤3)中的GPU加速的表情残差空间计算采用GPU多线程并发执行的方式,每一个GPU线程计算对应三角面片的表情残差。
6.根据权利要求1所述的基于GPU的三维人脸表情合成方法,其特征是:步骤4)的基于GPU的表情模型训练是采用径向基函数回归的方法建立表情空间和表情残差空间之间的映射关系,利用GPU的并行计算方法对上述两个空间进行径向基函数回归分析,从而实现基于GPU的表情模型训练。
9.根据权利要求1所述的基于GPU的三维人脸表情合成方法,其特征是:步骤(5)中采用的变形技术是用推导出的表情残差为变形向导。
10.根据权利要求9所述的基于GPU的三维人脸表情合成方法,其特征是:步骤(5)中基于向导的梯度场计算是对每个三角面片建立局部坐标系,然后用推导出的表情残差进行变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010296773 CN101976453A (zh) | 2010-09-26 | 2010-09-26 | 一种基于gpu的三维人脸表情合成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010296773 CN101976453A (zh) | 2010-09-26 | 2010-09-26 | 一种基于gpu的三维人脸表情合成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101976453A true CN101976453A (zh) | 2011-02-16 |
Family
ID=43576335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010296773 Pending CN101976453A (zh) | 2010-09-26 | 2010-09-26 | 一种基于gpu的三维人脸表情合成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101976453A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408768A (zh) * | 2014-11-20 | 2015-03-11 | 浙江大学 | 一种基于联合字典的三维人脸表情去除的方法 |
CN105374063A (zh) * | 2015-10-10 | 2016-03-02 | 杭州电子科技大学 | 基于半监督局部小块排列的人脸动画生成方法 |
CN104063714B (zh) * | 2014-07-20 | 2016-05-18 | 詹曙 | 一种用于视频监控的、基于cuda并行计算与稀疏表示的快速人脸识别算法 |
CN106250813A (zh) * | 2016-07-18 | 2016-12-21 | 海信集团有限公司 | 一种面部表情迁移方法及设备 |
CN106933976A (zh) * | 2017-02-14 | 2017-07-07 | 深圳奥比中光科技有限公司 | 建立人体3d净模型的方法及其在3d试衣中的应用 |
CN107103646A (zh) * | 2017-04-24 | 2017-08-29 | 厦门幻世网络科技有限公司 | 一种表情合成方法及装置 |
CN107644455A (zh) * | 2017-10-12 | 2018-01-30 | 北京旷视科技有限公司 | 人脸图像合成方法和装置 |
CN107886568A (zh) * | 2017-12-09 | 2018-04-06 | 东方梦幻文化产业投资有限公司 | 一种利用3D Avatar重建人脸表情的方法及系统 |
CN110097644A (zh) * | 2019-04-29 | 2019-08-06 | 北京华捷艾米科技有限公司 | 一种基于混合现实的表情迁移方法、装置、系统和处理器 |
CN111145225A (zh) * | 2019-11-14 | 2020-05-12 | 清华大学 | 三维人脸的非刚性配准方法及装置 |
CN111475775A (zh) * | 2020-04-14 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 图形处理器的数据处理方法、文本处理方法、装置和设备 |
CN112734887A (zh) * | 2021-01-20 | 2021-04-30 | 清华大学 | 基于深度学习的人脸混合-变形生成方法和装置 |
CN117132461A (zh) * | 2023-10-27 | 2023-11-28 | 中影年年(北京)文化传媒有限公司 | 基于角色形变目标体角色全身优化的方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920886A (zh) * | 2006-09-14 | 2007-02-28 | 浙江大学 | 基于视频流的三维动态人脸表情建模方法 |
CN101101672A (zh) * | 2007-07-13 | 2008-01-09 | 中国科学技术大学 | 基于虚拟图像对应的立体视觉三维人脸建模方法 |
CN101303772A (zh) * | 2008-06-20 | 2008-11-12 | 浙江大学 | 一种基于单幅图像的非线性三维人脸建模方法 |
-
2010
- 2010-09-26 CN CN 201010296773 patent/CN101976453A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920886A (zh) * | 2006-09-14 | 2007-02-28 | 浙江大学 | 基于视频流的三维动态人脸表情建模方法 |
CN101101672A (zh) * | 2007-07-13 | 2008-01-09 | 中国科学技术大学 | 基于虚拟图像对应的立体视觉三维人脸建模方法 |
CN101303772A (zh) * | 2008-06-20 | 2008-11-12 | 浙江大学 | 一种基于单幅图像的非线性三维人脸建模方法 |
Non-Patent Citations (1)
Title |
---|
《IEEE》 20081231 Gang Pan et.al. Hallucinating 3D Facial Shapes 全文 1-10 , 2 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063714B (zh) * | 2014-07-20 | 2016-05-18 | 詹曙 | 一种用于视频监控的、基于cuda并行计算与稀疏表示的快速人脸识别算法 |
CN104408768A (zh) * | 2014-11-20 | 2015-03-11 | 浙江大学 | 一种基于联合字典的三维人脸表情去除的方法 |
CN104408768B (zh) * | 2014-11-20 | 2017-06-09 | 浙江大学 | 一种基于联合字典的三维人脸表情去除的方法 |
CN105374063B (zh) * | 2015-10-10 | 2018-11-02 | 杭州电子科技大学 | 基于半监督局部小块排列的人脸动画生成方法 |
CN105374063A (zh) * | 2015-10-10 | 2016-03-02 | 杭州电子科技大学 | 基于半监督局部小块排列的人脸动画生成方法 |
CN106250813A (zh) * | 2016-07-18 | 2016-12-21 | 海信集团有限公司 | 一种面部表情迁移方法及设备 |
CN106250813B (zh) * | 2016-07-18 | 2020-02-11 | 海信集团有限公司 | 一种面部表情迁移方法及设备 |
CN106933976A (zh) * | 2017-02-14 | 2017-07-07 | 深圳奥比中光科技有限公司 | 建立人体3d净模型的方法及其在3d试衣中的应用 |
CN107103646A (zh) * | 2017-04-24 | 2017-08-29 | 厦门幻世网络科技有限公司 | 一种表情合成方法及装置 |
CN107644455A (zh) * | 2017-10-12 | 2018-01-30 | 北京旷视科技有限公司 | 人脸图像合成方法和装置 |
CN107644455B (zh) * | 2017-10-12 | 2022-02-22 | 北京旷视科技有限公司 | 人脸图像合成方法和装置 |
CN107886568A (zh) * | 2017-12-09 | 2018-04-06 | 东方梦幻文化产业投资有限公司 | 一种利用3D Avatar重建人脸表情的方法及系统 |
CN107886568B (zh) * | 2017-12-09 | 2020-03-03 | 东方梦幻文化产业投资有限公司 | 一种利用3D Avatar重建人脸表情的方法及系统 |
CN110097644A (zh) * | 2019-04-29 | 2019-08-06 | 北京华捷艾米科技有限公司 | 一种基于混合现实的表情迁移方法、装置、系统和处理器 |
CN110097644B (zh) * | 2019-04-29 | 2023-07-14 | 北京华捷艾米科技有限公司 | 一种基于混合现实的表情迁移方法、装置、系统和处理器 |
CN111145225A (zh) * | 2019-11-14 | 2020-05-12 | 清华大学 | 三维人脸的非刚性配准方法及装置 |
CN111475775A (zh) * | 2020-04-14 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 图形处理器的数据处理方法、文本处理方法、装置和设备 |
CN111475775B (zh) * | 2020-04-14 | 2023-09-15 | 腾讯科技(深圳)有限公司 | 图形处理器的数据处理方法、文本处理方法、装置和设备 |
CN112734887A (zh) * | 2021-01-20 | 2021-04-30 | 清华大学 | 基于深度学习的人脸混合-变形生成方法和装置 |
CN112734887B (zh) * | 2021-01-20 | 2022-09-20 | 清华大学 | 基于深度学习的人脸混合-变形生成方法和装置 |
CN117132461A (zh) * | 2023-10-27 | 2023-11-28 | 中影年年(北京)文化传媒有限公司 | 基于角色形变目标体角色全身优化的方法及系统 |
CN117132461B (zh) * | 2023-10-27 | 2023-12-22 | 中影年年(北京)文化传媒有限公司 | 基于角色形变目标体角色全身优化的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101976453A (zh) | 一种基于gpu的三维人脸表情合成方法 | |
CN104346824A (zh) | 基于单张人脸图像自动合成三维表情的方法及装置 | |
CN102096934B (zh) | 一种基于机器学习的人脸卡通画生成方法 | |
CN104063714B (zh) | 一种用于视频监控的、基于cuda并行计算与稀疏表示的快速人脸识别算法 | |
Ruiz-Gironés et al. | Simultaneous untangling and smoothing of quadrilateral and hexahedral meshes using an object-oriented framework | |
CN104008564A (zh) | 一种人脸表情克隆方法 | |
CN107016649A (zh) | 一种基于局部低秩张量估计的视觉数据补全方法 | |
Hsiao et al. | A study of surface reconstruction for 3D mannequins based on feature curves | |
CN106503659A (zh) | 基于稀疏编码张量分解的动作识别方法 | |
Lv et al. | 3D facial expression modeling based on facial landmarks in single image | |
Benamara et al. | Adaptive infill sampling criterion for multi-fidelity optimization based on Gappy-POD: Application to the flight domain study of a transonic airfoil | |
CN103544733B (zh) | 基于统计形状分析的三维人体头部三角网格模型建立方法 | |
CN103020351B (zh) | 一种飞机位姿的三维实时显示方法 | |
Muralikrishnan et al. | Glass: Geometric latent augmentation for shape spaces | |
Xu et al. | G2 surface modeling using minimal mean-curvature-variation flow | |
CN111563297A (zh) | 一种基于bp网络的超声速飞行器热环境计算方法 | |
Xue et al. | An advanced rigid-flexible hybrid assembly deviation analysis method for aerostructures | |
CN100533478C (zh) | 基于最优全局仿射变换的汉字合成实现方法 | |
CN107316343B (zh) | 一种基于数据驱动的模型处理方法及设备 | |
Orbay et al. | Shape design from exemplar sketches using graph-based sketch analysis | |
CN101976454A (zh) | 一种三维人脸表情的去除方法 | |
Ahmed et al. | Least-squares registration of point sets over SE (d) using closed-form projections | |
Favilli et al. | Geometric deep learning for statics-aware grid shells | |
Wang et al. | AONN-2: An adjoint-oriented neural network method for PDE-constrained shape optimization | |
Meng et al. | Camera motion estimation and optimization approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110216 |