CN103646245A

CN103646245A - 儿童面部形状的模拟方法

Info

Publication number: CN103646245A
Application number: CN201310698995.9A
Authority: CN
Inventors: 刘烨斌; 李凯; 索津莉; 戴琼海
Original assignee: Tsinghua University
Current assignee: Tsinghua University
Priority date: 2013-12-18
Filing date: 2013-12-18
Publication date: 2014-03-19
Anticipated expiration: 2033-12-18
Also published as: CN103646245B

Abstract

本发明提出一种儿童面部形状的模拟方法，包括以下步骤：获取儿童在不同年龄段的正面照片；根据所获取的照片，按年龄计算出儿童面部特征在成长过程中的统计分布；从儿童在第一年龄的面部照片中提取特征点，记录该特征点的位置；根据统计分布，预测特征点在第二年龄的位置；计算第二年龄的特征点位置与第一年龄的特征点位置之间的对应关系，根据该对应关系对目标儿童在第一年龄的面部照片进行纹理映射，以模拟出目标儿童在第二年龄的面部照片。根据本发明实施例的方法，通过处理获得多个年龄段的特征的统计分布，并将统计分布预测对应的特征点在第二年龄的位置以模拟出儿童在第二年龄的面部照片，因此充分体现了个体差异性，提高了模拟的精确度。

Description

儿童面部形状的模拟方法

技术领域

本发明涉及计算机技术领域，特别涉及一种儿童面部形状的模拟方法。

背景技术

在儿童成长的预测研究中，通常将人的头部假设为一个充满液体的球体，儿童头部的成长过程就是模拟的球体不断向外扩张的过程。现有的儿童成长模型是在如下的约束条件下实现的，该约束条件为：

（1）变换前后球体上的每个点在极坐标下的角度坐标保持不变。

（2）球体上的点在变换前后都关于纵轴对称。

（3）球体轮廓的边缘在变换前后保持连续性。

在现实的模拟过程中，由于不同的面部区域在某一年龄有着不同的成长参数，因此无法完全满足上述约束条件，从而对模拟结果产生负面影响。

现有的方法是只通过人体测量学数据得到面部照片，而忽略了个体的特性。因此，现有的方式在获得儿童面部照片的具体单一，所以其模拟结果的存在可靠性低等缺陷。

发明内容

本发明的目的旨在至少解决上述的技术缺陷之一。

为此，本发明提供一种儿童面部形状的模拟方法，该模拟方法可以解决模拟儿童图像的可靠性和精确度低的问题。

有鉴于此，本发明的实施例提出一种儿童面部形状的模拟方法，包括以下步骤：照片获取步骤，获取目标儿童在不同年龄段的正面照片；统计分布计算步骤，根据所获取的照片，按年龄计算出儿童面部特征在成长过程中的统计分布；特征点位置获取步骤，从目标儿童在第一年龄的面部照片中提取特征点，记录该特征点的位置；位置预测步骤，根据所计算的统计分布，预测所提取的特征点在大于所述第一年龄的第二年龄的位置；以及模拟步骤，计算所述第二年龄的特征点位置与所述第一年龄的特征点位置之间的对应关系，根据该对应关系对所述目标儿童在第一年龄的所述面部照片进行纹理映射，以模拟出所述目标儿童在第二年龄的面部照片。

根据本发明实施例的方法，通过处理获得多个年龄段的特征的统计分布，并将统计分布预测对应的特征点在第二年龄的位置以模拟出儿童在第二年龄的面部照片，因此充分体现了个体差异性，提高了模拟的精确度保证了模拟得结果的可靠性。

在本发明的一个实施例中，所述统计分布计算步骤具体为：按年龄选择所获取的目标儿童在不同年龄段的正面照片，提取多个面部特征点，记录特征点的位置信息，根据所记录的特征点位置信息计算人体测量学指标的统计分布。

在本发明的一个实施例中，所述获取步骤还获取目标儿童的父母在成年时期的正面照片；所述统计分布计算步骤包括：儿童面部特征点提取步骤，按年龄选择所获取的多名儿童在不同年龄段的正面照片，提取目标儿童面部特征点，记录所提取的儿童面部特征点的位置信息；父母面部特征点提取步骤，对应于所述儿童面部特征点提取步骤，从所述父母的正面照片中提取父母面部特征点，记录所提取的父母面部特征点的位置信息；以及遗传约束统计分布计算步骤，根据所述儿童面部特征点位置信息和所述父母面部特征点位置信息，计算特征点受遗传约束的统计分布。

在本发明的一个实施例中，所述统计分布计算步骤包括：儿童面部特征点提取步骤，按年龄选择所获取的多名儿童在不同年龄段的正面照片，提取目标儿童面部特征点，记录所提取的儿童面部特征点的位置信息；

父母面部特征点提取步骤，对应于所述儿童面部特征点提取步骤，从所述父母的正面照片中提取父母面部特征点，记录所提取的父母面部特征点的位置信息；

人体测量学指标的统计分布计算步骤，按年龄选择所获取的目标儿童在不同年龄段的正面照片，提取多个面部特征点，记录特征点的位置信息，根据所记录的特征点位置信息计算人体测量学指标的统计分布；以及遗传约束统计分布计算步骤，根据所述儿童面部特征点位置信息和所述父母面部特征点位置信息，计算特征点受遗传约束的统计分布。

在本发明的一个实施例中，在所述位置预测步骤中从所述人体测量学指标的统计分布和所述遗传约束统计分布选择最大概率的统计分布，并以该统计分布预测所提取的特征点在大于所述第一年龄的第二年龄的位置。

在本发明的一个实施例中，所述位置预测步骤中，采用最大化后验概率计算所述第二年龄的特征点位置与所述第一年龄的特征点位置之间的对应关系。

在本发明的一个实施例中，在所述统计分布计算步骤中还对所述儿童面部特征进行姿态对齐、光流校准所述特征点为单个特征点或多个特征点的组合。和图像大小归一化处理。

在本发明的一个实施例中，所述第二年龄的特征点位置与所述第一年龄的特征点位置之间的对应关系通过如下公式表示，所述公式为，

p (R_{j}^{(1)} | y^{(0)}, y^{(1)}, R_{j}^{(0)}) = p (R_{j}^{(1)} | y^{(0)}, y^{(1)}, R_{j}^{(0)}, l_{1}) * p (l_{0} | y^{(0)}, R_{j}^{(0)}) * p (l_{1} | y^{(0)}, y^{(1)}, l_{0}),

其中，

为给定y⁽⁰⁾、y⁽¹⁾和

时

的概率分布，

为给定y⁽⁰⁾、y⁽¹⁾、

和l₁时

的概率分布，

为给定y⁽⁰⁾和

时l₀的概率分布，p(l₁|y⁽⁰⁾,y⁽¹⁾,l₀)为给定y⁽⁰⁾、y⁽¹⁾和l₀时l₁的概率分布，

为在第一年龄下的第j个特征点，

为在第二年龄下的第j个特征点，y⁽⁰⁾为第一年龄，y⁽¹⁾为第二年龄，l₀为在第一年龄下特征点的类型，l₁为在第二年龄下特征点的类型，所述类型为人体测量学指标或父母的遗传约束。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的儿童面部形状的模拟方法的流程图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

图1为根据本发明一个实施例的儿童面部形状的模拟方法的流程图。如图1所示，根据本发明实施例的儿童面部形状的模拟方法包括以下步骤：获取目标儿童在不同年龄段的正面照片（步骤101）。根据所获取的照片，按年龄计算出儿童面部特征在成长过程中的统计分布（步骤103）。从目标儿童在第一年龄的面部照片中提取特征点，记录该特征点的位置（步骤105）。根据所计算的统计分布，预测所提取的特征点在大于第一年龄的第二年龄的位置（步骤107）。计算第二年龄的特征点位置与第一年龄的特征点位置之间的对应关系，根据该对应关系对目标儿童在第一年龄的面部照片进行纹理映射，以模拟出目标儿童在第二年龄的面部照片（步骤109）。

下面将结合实施例对本发明进行详细说明。

在步骤101中，获取目标儿童在成长过程中每个年龄的正面照片，从而构成目标儿童成长照片的数据库。该数据库只需预先采集一次，就将对应儿童的照片用在对应的儿童面部照片的模拟中。将数据库中对应儿童的多个成长过程中的照片表示为D，D={D₁,D₂,…,D_s}，其中D_i,i∈{1,2,…,s}是获取到的对应儿童的图片。在该步骤中数据库中还包括目标儿童的父母在成年时期的正面照片。

在步骤103中，按年龄选择所获取的目标儿童在不同年龄段的正面照片，提取多个面部特征点，记录特征点的位置信息，根据所记录的特征点位置信息计算人体测量学指标的统计分布。

具体而言，按年龄选择所获取的多名儿童在不同年龄段的正面照片，提取目标儿童面部特征点，记录所提取的儿童面部特征点的位置信息。然后从父母的正面照片中提取父母面部特征点，记录所提取的父母面部特征点的位置信息。再对儿童面部特征进行姿态对齐、光流校准和图像大小归一化等预处理。之后根据儿童面部特征点位置信息和父母面部特征点位置信息，计算特征点受遗传约束的统计分布。

在本发明的一个实施例中，计算第一成长年龄y⁽⁰⁾到第二成长年龄y⁽¹⁾的人体测量学指标的统计分布（该y⁽⁰⁾年龄和y⁽¹⁾年龄为第一年龄，通过成长过程中的多个第一年龄中特征点的可得到参数k的统计分布）。假设该统计分布为高斯分布，则特征点在第一年龄和第二年龄下的约束关系为，

其中，表示第一年龄下的特征点

在极坐标下的角度，k表示待求参数，

表示第一成长年龄下的特征点，表示第二成长年龄下的特征点。例如人体测量学中双眼之间的距离可以由眼球的特征点计算得出，因此通过统计数据库中多个第一年龄下双眼之间距离，就可以得到关于参数k的统计分布。

在本发明的一个实施例中，按年龄选择所获取的多名儿童在不同年龄段的正面照片，提取目标儿童面部特征点，记录所提取的儿童面部特征点的位置信息。对应于儿童面部特征点提取步骤，从父母的正面照片中提取父母面部特征点，记录所提取的父母面部特征点的位置信息。按年龄选择所获取的目标儿童在不同年龄段的正面照片，提取多个面部特征点，记录特征点的位置信息，根据所记录的特征点位置信息计算人体测量学指标的统计分布。根据儿童面部特征点位置信息和父母面部特征点位置信息，计算特征点受遗传约束的统计分布。

在本发明的一个实施例中，父亲(或母亲)一方或者双方会对影响儿童的面部特征，且在每个年龄的映像程度会有所不同，因此需要计算父母对儿童特征点的遗传约束统计分布。因为儿童在不同的年龄受父母的遗传约束会有所不同，首先给定当前年龄儿童的外貌形状，利用回归分析统计出其父母的外貌形状对当前年龄孩子面貌的关系。

具体为，儿童的双眼距离、脸颊宽度等人体测量学指标受父母的遗传约束是随时间而变化的。通过回归分析，统计出孩子的双眼距离在某个年龄是如何跟父母的双眼距离存在约束关系的，从而求出儿童在某个年龄时仅仅在父母遗传影响下的面貌特征分布。

根据本发明实施例的模拟方法，通过将人体测量学指标和其父母的遗传约束作为特征点位置判断的依据，因此进一步提高了儿童照片的准确度和可靠性。

在步骤105和步骤107中，第二年龄的特征点位置与第一年龄的特征点位置之间的对应关系通过如下公式表示，公式为，

p (R_{j}^{(1)} | y^{(0)}, y^{(1)}, R_{j}^{(0)}) = p (R_{j}^{(1)} | y^{(0)}, y^{(1)}, R_{j}^{(0)}, l_{1}) * p (l_{0} | y^{(0)}, R_{j}^{(0)}) * p (l_{1} | y^{(0)}, y^{(1)}, l_{0}),

其中，

为给定y⁽⁰⁾、y⁽¹⁾和

时

的概率分布，为给定y⁽⁰⁾、y⁽¹⁾、

和l₁时的概率分布，为给定y⁽⁰⁾和时l₀的概率分布，p(l₁|y⁽⁰⁾,y⁽¹⁾,l₀)为给定y⁽⁰⁾、y⁽¹⁾和l₀时l₁的概率分布，

为在第一年龄下的第j个特征点，

为在第二年龄下的第j个特征点，y⁽⁰⁾为第一年龄，y⁽¹⁾为第二年龄，l₀为在第一年龄下特征点的类型，l₁为在第二年龄下特征点的类型，类型为人体测量学指标或父母的遗传约束。

在本发明的一个实施例中，根据人体测量学指标的统计分布和遗传约束统计分布中选取对目标儿童的面部特征影响最大的统计分布。并根据所选择的统计分布得到对应特征点在多年后（即第二年龄）的位置。目标儿童在y⁽⁰⁾年龄时的照片T⁽⁰⁾，对照片的面部特征进行标注，并进行姿态对、图像大小归一化，以得到第一年龄下第j个特征点

通过下述公式求解第二年龄y⁽¹⁾时特征点的位置

需要指出的是，公式中和

可以为单个特征点或多个特征点的组合。

特征点的预测位置的求解可简化为：

p (R_{j}^{(1)} | y^{(0)}, y^{(1)}, R_{j}^{(0)})

= p (R_{j}^{(1)} | y^{(0)}, y^{(1)}, R_{j}^{(0)}, l_{0}, l_{1}) \cdot p (l_{0}, l_{1} | y^{(0)}, y^{(1)}, R_{j}^{(0)})

= p (R_{j}^{(1)} | y^{(0)}, y^{(1)}, R_{j}^{(0)}, l_{1}) \cdot p (l_{0}, l_{1} | y^{(0)}, y^{(1)}, R_{j}^{(0)})

= p (R_{j}^{(1)} | y^{(0)}, y^{(1)}, R_{j}^{(0)}, l_{1}) \cdot (p (l_{0} | y^{(0)}, y^{(1)}, R_{j}^{(0)}) \cdot p (l_{1} | y^{(0)}, y^{(1)}, R_{j}^{(0)}, l_{0}))

= p (R_{j}^{(1)} | y^{(0)}, y^{(1)}, R_{j}^{(0)}, l_{1}) \cdot p (l_{0} | y^{(0)}, R_{j}^{(0)}) \cdot p (l_{1} | y^{(0)}, y^{(1)}, l_{0})

其中，

为给定y⁽⁰⁾、y⁽¹⁾和

时

的概率分布，

为给定y⁽⁰⁾、y⁽¹⁾、

和l₁时

的概率分布，

为给定y⁽⁰⁾和

为给定y⁽⁰⁾、y⁽¹⁾、

l₀与l₁时

的概率分布，为给定y⁽⁰⁾、y⁽¹⁾与时l₀和l₁的联合概率分布，

为给定y⁽⁰⁾、y⁽¹⁾与

时l₀的概率分布，为给定y⁽⁰⁾、y⁽¹⁾、

与l₀时l₁的概率分布，

为在第一年龄下的第j个特征点，

为在第二年龄下的第j个特征点，y⁽⁰⁾为第一年龄，y⁽¹⁾为第二年龄，l₀为在第一年龄下特征点的类型，l₁为在第二年龄下特征点的类型，类型为人体测量学指标或父母的遗传约束。当l为人体测量学指标时（即人体测量学指标对儿童的面部特征的影响大）通过公式

为计算得到统计分布。当l为父亲或母亲的面部特征时通过和相关公式或数据得到父母的遗传信息与儿童面部特征的概率分布，并通过狄利克雷分布等方式得到儿童在第二年龄时特征点的位置。

在步骤109中，从人体测量学指标的统计分布和遗传约束统计分布选择最大概率的统计分布，并以该统计分布预测所提取的特征点在大于第一年龄的第二年龄的位置。再以最大化后验概率计算第二年龄的特征点位置与第一年龄的特征点位置之间的对应关系，通过该对应关系将当前年龄段儿童的照片的纹理信息进行映射和变换得到目标儿童在第二年龄的面部照片。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。