CN109087386A - 一种包含尺度信息的人脸三维重建方法及系统 - Google Patents

一种包含尺度信息的人脸三维重建方法及系统 Download PDF

Info

Publication number
CN109087386A
CN109087386A CN201810566434.6A CN201810566434A CN109087386A CN 109087386 A CN109087386 A CN 109087386A CN 201810566434 A CN201810566434 A CN 201810566434A CN 109087386 A CN109087386 A CN 109087386A
Authority
CN
China
Prior art keywords
dimensional
face
target face
point cloud
point
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
Application number
CN201810566434.6A
Other languages
English (en)
Inventor
晁志超
王时丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Topplusvision Science & Technology Co ltd
Original Assignee
Chengdu Topplusvision Science & Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Topplusvision Science & Technology Co ltd filed Critical Chengdu Topplusvision Science & Technology Co ltd
Priority to CN201810566434.6A priority Critical patent/CN109087386A/zh
Publication of CN109087386A publication Critical patent/CN109087386A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及计算机视觉技术领域，实施例具体公开一种包含尺度信息的人脸三维重建方法及系统。本发明提供的人脸三维重建方法及系统，通过获取目标人脸的N个三维特征点，将目标人脸的N个三维特征点进行深度学习，获得目标人脸点云模型；获取目标人脸的目标人脸三维点云；再将目标人脸点云模型与目标人脸三维点云进行配准，从而获得最终目标人脸三维点云。解决了现有的三维重建方法不能重建具有尺度信息和表面信息的人脸三维模型的问题，获得了一个没有变形且拥有表面细节的人脸三维重建结果，实现了人脸三维模型更广阔的应用。

Description

一种包含尺度信息的人脸三维重建方法及系统
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种包含尺度信息的人脸三维重建方法及系统。
背景技术
传统的三维重建方法有：光度立体，结构光，双目视觉，TOF等等。光度立体视觉可以看成是一种三维表面重建方法，由它得到的物体表面细节非常丰富，还原度高，但是传统的光度立体视觉在整体上由于模型不精确性而存在偏差，并且存在尺度变化而无法直接用于三维测量，所重建出来的三维模型可能发生变形。结构光和TOF等算法结果也比较精确，但是都依赖于一些要求高的设备，应用场景是比较受限制的。双目立体视觉得到的重建结果有具体的尺度信息，但是噪声较大，算法不是很鲁棒。所以，依照前面所述的三维重建方法得到的重建结果都各有各的局限性。
目前，越来越多的领域需要对人脸进行三维重建，以获得人脸三维立体模型的尺度信息和表面信息，因此，如何获得一个没有变形且拥有表面细节的人脸三维重建结果是目前亟待解决的问题。
发明内容
有鉴于此，本申请提供一种结合人脸特征点和人脸三维点云的方案，能够克服上述缺点，获得一个具有尺度信息和表面细节信息的人脸三维模型。
为解决以上技术问题，本发明提供的技术方案是一种包含尺度信息的人脸三维重建方法，包括：
获取目标人脸的N个三维特征点；
将所述目标人脸的N个三维特征点进行深度学习，获得目标人脸点云模型；
获取目标人脸的目标人脸三维点云；
将所述目标人脸点云模型与所述目标人脸三维点云进行配准，获得最终目标人脸三维点云；
其中N为大于1的正整数。
优选地，所述获取目标人脸的N个三维特征点的方法，包括：
获取目标人脸的双目二维图像左图和双目二维图像右图；
从所述双目二维图像左图和所述双目二维图像右图中各提取出一组目标人脸的N个二维特征点；
根据所述提取出的两组目标人脸的N个二维特征点，采用双目立体匹配算法计算出目标人脸的N个三维特征点的坐标。
优选地，所述获取目标人脸的目标人脸三维点云的方法，包括：采用光度立体视觉方法获取目标人脸的目标人脸三维点云。
优选地，所述将所述目标人脸点云模型与所述目标人脸三维点云进行配准，获得最终目标人脸三维点云的方法，包括：
将所述目标人脸点云模型设为基准模型；
将所述目标人脸三维点云配准到所述目标人脸点云模型上。
优选地，所述将所述目标人脸三维点云配准到所述目标人脸点云模型上的方法，包括：
构造所述目标人脸点云模型与所述目标人脸三维点云的点云点能量函数；
通过最优化算法求解所述点云点能量函数，获得最终目标人脸三维点云。
优选地，所述点云点能量函数包括保真项和正则约束项。
本发明还提供一种包含尺度信息的人脸三维重建系统，包括：
目标人脸三维特征点获取模块，用于获取目标人脸的N个三维特征点；
深度学习模块，用于将目标人脸的N个三维特征点进行深度学习，获得目标人脸点云模型；
目标人脸三维点云获取模块，用于获取目标人脸的目标人脸三维点云；
配准模块，用于将目标人脸点云模型与目标人脸三维点云进行配准，获得最终目标人脸三维点云。
优选地，所述目标人脸三维特征点获取模块包括：
目标人脸二维图像获取组件，用于获取目标人脸的双目二维图像左图和双目二维图像右图；
目标人脸二维特征点提取组件，用于从双目二维图像左图和双目二维图像右图中各提取出一组目标人脸的N个二维特征点；
计算组件，用于根据提取出的两组目标人脸的N个二维特征点，采用双目立体匹配算法计算出目标人脸的N个三维特征点的坐标。
优选地，所述配准模块包括：
基准单元，用于将目标人脸点云模型设为基准模型；
配准单元，用于将目标人脸三维点云配准到目标人脸点云模型上。
优选地，所述配准单元包括：
构造组件，用于构造目标人脸点云模型与目标人脸三维点云的点云点能量函数；
求解组件，用于通过最优化算法求解点云点能量函数，获得最终目标人脸三维点云。
本申请与现有技术相比，其有益效果详细说明如下：本发明实施例提供的包含尺度信息的人脸三维重建方法及系统，通过获取目标人脸的N个三维特征点，将目标人脸的N个三维特征点进行深度学习，获得目标人脸点云模型；获取目标人脸的目标人脸三维点云；再将目标人脸点云模型与目标人脸三维点云进行配准，从而获得最终目标人脸三维点云。解决了现有的三维重建方法不能重建具有尺度信息和表面信息的人脸三维模型的问题，获得了一个没有变形且拥有表面细节的人脸三维重建结果，实现了人脸三维模型更广阔的应用。
附图说明
图1为本发明实施例包含尺度信息的人脸三维重建方法流程示意图；
图2为本发明实施例获取目标人脸的N个三维特征点的方法流程示意图；
图3为本发明实施例将目标人脸点云模型与目标人脸三维点云进行配准的方法流程示意图；
图4为本发明实施例将目标人脸三维点云配准到目标人脸点云模型上的方法流程示意图；
图5为本发明另一实施例五包含尺度信息的人脸三维重建系统的结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，本发明实施例提供了一种包含尺度信息的人脸三维重建方法，该方法包括：
S11：获取目标人脸的N个三维特征点；
S12：将目标人脸的N个三维特征点进行深度学习，获得目标人脸点云模型；
S13：获取目标人脸的目标人脸三维点云；
S14：将目标人脸点云模型与目标人脸三维点云进行配准，获得最终目标人脸三维点云；
其中N为大于1的正整数。
需要说明的是，步骤S11中，获取目标人脸的N个三维特征点的方法，可以通过硬件设备、软件方法或者硬件设备与软件方法相结合的方式获取。例如可以通过人脸特征点定位装置或者人脸特征点检测装置获取目标人脸的N个三维特征点的坐标；也可以从不同角度的目标人脸二维图像中提取出目标人脸的N个二维特征点，再计算出目标人脸的N个三维特征点的坐标；还可以通过相机拍摄不同角度的目标人脸二维图像，从目标人脸二维图像中提取出目标人脸的N个二维特征点，再计算出目标人脸的N个三维特征点的坐标。
其中，从目标人脸二维图像中提取出N个二维特征点的方法可以采用现有的人脸特征点提取模型进行提取。
其中，目标人脸的特征点的个数N，是根据我们的应用需要选择的。例如当我们做人脸对齐的时候，我们可能选择眼睛鼻子嘴巴五六个特征点就可以，当我们做人脸三维重建，就需要选择更多的人脸特征点，即要选择包含更多数量的人脸特征点的人脸特征点提取模型。这里我们用于提取目标人脸二维图像的N个二维特征点的模型，可以采用其他数据库的现有模型。现有的人脸特征点提取模型有包括30多个人脸特征点的模型，也有包括68个人脸特征点的模型，还有包括78个人脸特征点模型，以及包括83个人脸特征点的模型。
该实施例中由于我们需要通过人脸特征点配准后来调整，所以可以选择人脸特征点个数稍多一些的模型。为了获得效果更好的人脸三维建模结果，该实施例可以采用包含68个人脸特征点的人脸特征点提取模型，N为68，即从目标人脸二维图像中提取出目标人脸图像的68个二维特征点。通过从不同角度拍摄的目标人脸二维图像中提取出68个二维特征点，计算出目标人脸的68个三维特征点的坐标。
优选的方法，如图2所示，步骤S11中，获取目标人脸的N个三维特征点的方法，包括：
S111：获取目标人脸的双目二维图像左图和双目二维图像右图；
S112：从双目二维图像左图和双目二维图像右图中各提取出一组目标人脸的N个二维特征点；
S113：根据提取出的两组目标人脸的N个二维特征点，采用双目立体匹配算法计算出目标人脸的N个三维特征点的坐标。
需要说明的是，步骤S111中，可以通过目标人脸左前方和右前方的两台相机分别获取目标人脸的双目二维图像左图和双目二维图像右图，也可以通过双目相机或者双目摄像头分别获取目标人脸的双目二维图像左图和双目二维图像右图。
步骤S112中，从双目二维图像左图和双目二维图像右图中各提取出一组目标人脸的N个二维特征点。例如，我们从目标人脸的双目二维图像左图中提取出目标人脸的68个特征点，再从目标人脸的双目二维图像右图中也同样提取出目标人脸的68个特征点。
其中，从目标人脸的双目二维图像左图和双目二维图像右图中各提取出一组N个二维特征点的方法可以采用现有的人脸特征点提取模型进行提取。
其中，目标人脸的特征点的个数N，是根据我们的应用需要选择的。该实施例中由于我们需要通过人脸特征点配准后来调整，所以可以选择人脸特征点个数稍多一些的模型。为了获得效果更好的人脸三维建模结果，该实施例可以采用包含68个人脸特征点的人脸特征点提取模型，即N为68，从目标人脸的双目二维图像左图和双目二维图像右图中提取出两组目标人脸的68个二维特征点，计算出目标人脸的68个三维特征点的坐标。这里，要使目标人脸的双目二维图像左图和双目二维图像右图提取出的特征点能够进行双目匹配，即必须保证拍摄的双目左图和双目右图各自都能提取到68个特征点，如果右图拍摄角度使得提取特征点只有20个，那么匹配就会出问题，后面三维重建也会出问题。一般来说，如果左前方和右前方的相机确定，且目标人脸正对前方，不出现很大的偏差，就能够保证目标人脸三维重建结果的准确性。
步骤S113中，利用双目立体视觉的原理，采用双目立体匹配算法进行计算，我们就得到目标人脸的68个特征点的准确三维坐标。
其中，双目立体视觉的常见双目立体匹配算法有SAD，BM，GC等。可以按需自由选择。
步骤S12中，将目标人脸的N个三维特征点进行深度学习，获得目标人脸点云模型的方法，可以包括：首先我们利用现有的一些数据库里面存储的人脸图像，对每一张人脸图像对应的三维特征点和三维人脸点云模型进行深度学习网络训练，得到该网络的参数。接着，将目标人脸的N个三维特征点的坐标和目标人脸的二维图像输入该网络，就可以得到待重建的人脸点云，该人脸点云即为粗糙的目标人脸点云模型。
步骤S13中，获取目标人脸的目标人脸三维点云的方法有很多，光度立体视觉方法是目前进行三维表面重建精度较高的算法，采用其他方法获得的目标人脸三维点云，也许三维表面重建的精度不是最高，但是只要能够满足应用场景的需求，也同样可以采用。
优选的方法，采用光度立体视觉方法获取目标人脸的目标人脸三维点云，可以重建出效果更好的人脸三维模型。
光度立体算法可以看成是一种三维表面重建方法，由它得到人脸表面细节非常丰富，还原度高。且相比于其他方法，光度立体视觉技术有以下优点：1、设备要求简单，易于操作；2、像素级别的重建，点云稠密；3、重建出的三维人脸有着良好的细节表面特征，信息还原准确。因此，光度立体视觉方法具有重要的理论意义和实际应用价值。
这里，采用光度立体视觉方法获取目标人脸的目标人脸三维点云的方法，可以包括：使用相机和n(n>2)个红外led灯光源轮流照射，得到n张不同角度光照下的人脸二维图像，利用光度立体视觉方法，得到一个具有精细表面的人脸三维点云。其中，光度立体视觉方法可以包括：1、光源标定步骤；2、法向量估计步骤；3、曲面重建步骤。
其中，采用其他方法获得的目标人脸三维点云，也许三维表面重建的精度不是最高，但是只要能够满足应用场景的需求，也同样可以采用。只要是能够获取要求的目标人脸三维点云的方法，都可以采用。
如图3所示，步骤S14中将目标人脸点云模型与目标人脸三维点云进行配准的方法，包括：
S141：将目标人脸点云模型设为基准模型；
S142：将目标人脸三维点云配准到目标人脸点云模型上。
如图4所示，步骤S142中，将目标人脸三维点云配准到目标人脸点云模型上的方法，包括：
S1421：构造目标人脸点云模型与目标人脸三维点云的点云点能量函数；
S1422：通过最优化算法求解点云点能量函数，获得最终目标人脸三维点云。
其中，利用步骤S12得到的粗糙的目标人脸点云模型和步骤S13得到的精细的目标人脸三维点云，将这两者进行柔性配准，把S12中得到的粗糙的目标人脸点云模型记为A，S13得到的精细的目标人脸三维点云记为B，即以A为基准，把B配准到A上。为了实现配准的误差最小，构造目标人脸点云模型与目标人脸三维点云的点云点能量函数。
优选地，该点云点能量函数可包括保真项和正则约束项。保真项是基准点云和待配准点云之间的配准误差，而正则约束项可表示待配准点云某点与其邻域内的约束关系。最后通过最小化该点云点能量函数就可以得到配准后的精细且不具变形的人脸点云模型。
构造的目标人脸点云模型与目标人脸三维点云的点云点能量函数，具体如下：
其中a与b是每一项的系数，N是点云点的总个数，p∈A，q∈B且与p相对应，Rn和tn分别是旋转平移变化。该点云点能量函数第一项为保真项，其目的是使做过尺度变换的p与目标点云上的q距离达到最小，即误差最小。第二项是对A上的点p做的正则项约束，目的是使两个相邻的点在尺度变换后仍然是相邻的，即自身细节部分不发生形变。最后用最优化迭代求解，比如高斯牛顿法求解出数值解。得到变形后的三维重建模型，使得细节与尺寸精确并存。
如图5所示，本发明另一实施例提供了一种包含尺度信息的人脸三维重建系统，该系统包括：
目标人脸三维特征点获取模块，用于获取目标人脸的N个三维特征点。
深度学习模块，用于将目标人脸的N个三维特征点进行深度学习，获得目标人脸点云模型；
目标人脸三维点云获取模块，用于获取目标人脸的目标人脸三维点云；
配准模块，用于将目标人脸点云模型与目标人脸三维点云进行配准，获得最终目标人脸三维点云。
其中，目标人脸三维特征点获取模块包括：
目标人脸二维图像获取组件，用于获取目标人脸的双目二维图像左图和双目二维图像右图；
目标人脸二维特征点提取组件，用于从双目二维图像左图和双目二维图像右图中各提取出一组目标人脸的N个二维特征点；
计算组件，用于根据提取出的两组目标人脸的N个二维特征点，采用双目立体匹配算法计算出目标人脸的N个三维特征点的坐标。
其中，目标人脸三维点云获取模块包括光度立体计算单元，用于采用光度立体视觉方法获取目标人脸的目标人脸三维点云。
其中，配准模块包括：
基准单元，用于将目标人脸点云模型设为基准模型；
配准单元，用于将目标人脸三维点云配准到目标人脸点云模型上。
其中，配准单元包括：
构造组件，用于构造目标人脸点云模型与目标人脸三维点云的点云点能量函数；其中，点云点能量函数包括保真项和正则约束项。
求解组件，用于通过最优化算法求解点云点能量函数，获得最终目标人脸三维点云。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种包含尺度信息的人脸三维重建方法，其特征在于，包括：
获取目标人脸的N个三维特征点；
将所述目标人脸的N个三维特征点进行深度学习，获得目标人脸点云模型；
获取目标人脸的目标人脸三维点云；
将所述目标人脸点云模型与所述目标人脸三维点云进行配准，获得最终目标人脸三维点云；
其中N为大于1的正整数。
2.根据权利要求1所述的包含尺度信息的人脸三维重建方法，其特征在于，所述获取目标人脸的N个三维特征点的方法，包括：
获取目标人脸的双目二维图像左图和双目二维图像右图；
从所述双目二维图像左图和所述双目二维图像右图中各提取出一组目标人脸的N个二维特征点；
根据所述提取出的两组目标人脸的N个二维特征点，采用双目立体匹配算法计算出目标人脸的N个三维特征点的坐标。
3.根据权利要求1所述的包含尺度信息的人脸三维重建方法，其特征在于，所述获取目标人脸的目标人脸三维点云的方法，包括：采用光度立体视觉方法获取目标人脸的目标人脸三维点云。
4.根据权利要求1所述的包含尺度信息的人脸三维重建方法，其特征在于，所述将所述目标人脸点云模型与所述目标人脸三维点云进行配准，获得最终目标人脸三维点云的方法，包括：
将所述目标人脸点云模型设为基准模型；
将所述目标人脸三维点云配准到所述目标人脸点云模型上。
5.根据权利要求4所述的包含尺度信息的人脸三维重建方法，其特征在于，所述将所述目标人脸三维点云配准到所述目标人脸点云模型上的方法，包括：
构造所述目标人脸点云模型与所述目标人脸三维点云的点云点能量函数；
通过最优化算法求解所述点云点能量函数，获得最终目标人脸三维点云。
6.根据权利要求5所述的包含尺度信息的人脸三维重建方法，其特征在于，所述点云点能量函数包括保真项和正则约束项。
7.一种包含尺度信息的人脸三维重建系统，其特征在于，包括：
目标人脸三维特征点获取模块，用于获取目标人脸的N个三维特征点；
深度学习模块，用于将目标人脸的N个三维特征点进行深度学习，获得目标人脸点云模型；
目标人脸三维点云获取模块，用于获取目标人脸的目标人脸三维点云；
配准模块，用于将目标人脸点云模型与目标人脸三维点云进行配准，获得最终目标人脸三维点云。
8.根据权利要求7所述的包含尺度信息的人脸三维重建系统，其特征在于，所述目标人脸三维特征点获取模块包括：
目标人脸二维图像获取组件，用于获取目标人脸的双目二维图像左图和双目二维图像右图；
目标人脸二维特征点提取组件，用于从双目二维图像左图和双目二维图像右图中各提取出一组目标人脸的N个二维特征点；
计算组件，用于根据提取出的两组目标人脸的N个二维特征点，采用双目立体匹配算法计算出目标人脸的N个三维特征点的坐标。
9.根据权利要求7所述的包含尺度信息的人脸三维重建系统，其特征在于，所述配准模块包括：
基准单元，用于将目标人脸点云模型设为基准模型；
配准单元，用于将目标人脸三维点云配准到目标人脸点云模型上。
10.根据权利要求9所述的包含尺度信息的人脸三维重建系统，其特征在于，所述配准单元包括：
构造组件，用于构造目标人脸点云模型与目标人脸三维点云的点云点能量函数；
求解组件，用于通过最优化算法求解点云点能量函数，获得最终目标人脸三维点云。
CN201810566434.6A 2018-06-04 2018-06-04 一种包含尺度信息的人脸三维重建方法及系统 Pending CN109087386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810566434.6A CN109087386A (zh) 2018-06-04 2018-06-04 一种包含尺度信息的人脸三维重建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810566434.6A CN109087386A (zh) 2018-06-04 2018-06-04 一种包含尺度信息的人脸三维重建方法及系统

Publications (1)

Publication Number Publication Date
CN109087386A true CN109087386A (zh) 2018-12-25

Family

ID=64839325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810566434.6A Pending CN109087386A (zh) 2018-06-04 2018-06-04 一种包含尺度信息的人脸三维重建方法及系统

Country Status (1)

Country Link
CN (1) CN109087386A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363858A (zh) * 2019-06-18 2019-10-22 新拓三维技术(深圳)有限公司 一种三维人脸重建方法及系统
CN112381721A (zh) * 2020-07-15 2021-02-19 南京工业大学 一种基于双目视觉的人脸三维重建方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866497A (zh) * 2010-06-18 2010-10-20 北京交通大学 基于双目立体视觉的智能三维人脸重建方法及系统
CN101916454A (zh) * 2010-04-08 2010-12-15 董洪伟 基于网格变形和连续优化的高分辨率人脸重建方法
CN102231204A (zh) * 2011-06-20 2011-11-02 南京航空航天大学 一种序列图像自适应正则超分辨率重建方法
CN105427253A (zh) * 2015-11-06 2016-03-23 北京航空航天大学 基于非局部回归和总差分的多视点rgb-d图像超分辨率方法
CN105427385A (zh) * 2015-12-07 2016-03-23 华中科技大学 一种基于多层形变模型的高保真人脸三维重建方法
US20170046868A1 (en) * 2015-08-14 2017-02-16 Samsung Electronics Co., Ltd. Method and apparatus for constructing three dimensional model of object
CN106611410A (zh) * 2016-11-29 2017-05-03 北京空间机电研究所 基于金字塔模型的pansharpen融合优化方法
CN106910222A (zh) * 2017-02-15 2017-06-30 中国科学院半导体研究所 基于双目立体视觉的人脸三维重建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916454A (zh) * 2010-04-08 2010-12-15 董洪伟 基于网格变形和连续优化的高分辨率人脸重建方法
CN101866497A (zh) * 2010-06-18 2010-10-20 北京交通大学 基于双目立体视觉的智能三维人脸重建方法及系统
CN102231204A (zh) * 2011-06-20 2011-11-02 南京航空航天大学 一种序列图像自适应正则超分辨率重建方法
US20170046868A1 (en) * 2015-08-14 2017-02-16 Samsung Electronics Co., Ltd. Method and apparatus for constructing three dimensional model of object
CN105427253A (zh) * 2015-11-06 2016-03-23 北京航空航天大学 基于非局部回归和总差分的多视点rgb-d图像超分辨率方法
CN105427385A (zh) * 2015-12-07 2016-03-23 华中科技大学 一种基于多层形变模型的高保真人脸三维重建方法
CN106611410A (zh) * 2016-11-29 2017-05-03 北京空间机电研究所 基于金字塔模型的pansharpen融合优化方法
CN106910222A (zh) * 2017-02-15 2017-06-30 中国科学院半导体研究所 基于双目立体视觉的人脸三维重建方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363858A (zh) * 2019-06-18 2019-10-22 新拓三维技术(深圳)有限公司 一种三维人脸重建方法及系统
CN110363858B (zh) * 2019-06-18 2022-07-01 新拓三维技术(深圳)有限公司 一种三维人脸重建方法及系统
CN112381721A (zh) * 2020-07-15 2021-02-19 南京工业大学 一种基于双目视觉的人脸三维重建方法

Similar Documents

Publication Publication Date Title
CN109816703B (zh) 一种基于相机标定和icp算法的点云配准方法
WO2021077720A1 (zh) 获取对象三维模型的方法、装置、电子设备及系统
CN106600583B (zh) 基于端到端神经网络的视差图获取方法
CN107358648B (zh) 基于单张人脸图像的实时全自动高质量三维人脸重建方法
CN104504671B (zh) 一种用于立体显示的虚实融合图像生成方法
CN108510535A (zh) 一种基于深度预测和增强子网络的高质量深度估计方法
CN105631861B (zh) 结合高度图从无标记单目图像中恢复三维人体姿态的方法
CN103106688B (zh) 基于双层配准方法的室内三维场景重建方法
CN108288292A (zh) 一种三维重建方法、装置及设备
CN108416840A (zh) 一种基于单目相机的三维场景稠密重建方法
CN108053437B (zh) 基于体态的三维模型获取方法及装置
CN106910222A (zh) 基于双目立体视觉的人脸三维重建方法
Kong et al. Intrinsic depth: Improving depth transfer with intrinsic images
CN104794722A (zh) 利用单个Kinect计算着装人体三维净体模型的方法
CN105258680B (zh) 一种目标位姿测量方法和装置
CN104599317A (zh) 一种实现3d扫描建模功能的移动终端及方法
CN110517309A (zh) 一种基于卷积神经网络的单目深度信息获取方法
CN111462302A (zh) 基于深度编码网络的多视点人体动态三维重建方法及系统
CN108010125A (zh) 基于线结构光和图像信息的真实尺度三维重建系统及方法
CN108615256A (zh) 一种人脸三维重建方法及装置
CN107610219A (zh) 一种三维场景重构中几何线索感知的像素级点云稠密化方法
CN111754622B (zh) 脸部三维图像生成方法及相关设备
CN109146934A (zh) 一种基于双目立体和光度立体的人脸三维重建方法及系统
CN111402403B (zh) 高精度三维人脸重建方法
CN109087386A (zh) 一种包含尺度信息的人脸三维重建方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181225