CN109215126B - 基于低质量三维人脸点云的重构方法、装置及处理终端 - Google Patents

基于低质量三维人脸点云的重构方法、装置及处理终端 Download PDF

Info

Publication number
CN109215126B
CN109215126B CN201811104973.4A CN201811104973A CN109215126B CN 109215126 B CN109215126 B CN 109215126B CN 201811104973 A CN201811104973 A CN 201811104973A CN 109215126 B CN109215126 B CN 109215126B
Authority
CN
China
Prior art keywords
face point
pca model
point cloud
dimensional
dimensional face
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.)
Active
Application number
CN201811104973.4A
Other languages
English (en)
Other versions
CN109215126A (zh
Inventor
黄晋
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.)
Guangzhou Tuyu Information Technology Co ltd
Original Assignee
Guangzhou Tuyu Information 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 Guangzhou Tuyu Information Technology Co ltd filed Critical Guangzhou Tuyu Information Technology Co ltd
Priority to CN201811104973.4A priority Critical patent/CN109215126B/zh
Publication of CN109215126A publication Critical patent/CN109215126A/zh
Application granted granted Critical
Publication of CN109215126B publication Critical patent/CN109215126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于低质量三维人脸点云的重构方法、装置及处理终端，方法包括：S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。本发明利用神经网络强大的拟合能力以及便捷的样本生成方法，通过训练神经网络直接得到高质量的人脸点云。

Description

基于低质量三维人脸点云的重构方法、装置及处理终端
技术领域
本发明涉及一种将低质量三维人脸点云重构为高质量三维人脸点云的方法。
背景技术
随着便携三维扫描设备的发展，人们可以比较容易获得低质量的人脸点云，这些点云相对稀疏，并且存在一定噪声。而三维人脸重构指通过各种技术得到人脸的几何形状信息，由于人脸几何形状复杂，无法采用一种简单的参数化表示，因此往往通过人脸上大量的采样点坐标表示，这些空间点坐标集合就称为三维人脸点云，重构的目标就是得到足够稠密的高质量的三维人脸点云。对同一物体表面，不同的设备采集的点数和精度都不相同，成本越低，采集的点数和精度就越差，这就是所谓低质量点云，高质量点云是指点数多，且坐标精度高。目前普通点云采集设备比如Kinect相比大型的激光采集设备点数和精度都相对较低。
现在的方法是通过一系列的三维点云进行对齐，得到一个较稠密率的三维点云，然后通过平均操作得到更加平滑的表面，经典的Kinect Fusion算法就是采用这种思路，但这种方法流程复杂，需要经过一系列的对齐操作，算法耗时，而且求解不一定能得到好的结果。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种基于低质量三维人脸点云的重构方法，利用神经网络强大的拟合能力以及便捷的样本生成方法，通过训练神经网络直接得到高质量的人脸点云。
本发明的目的之二在于提供一种基于低质量三维人脸点云的重构装置，利用神经网络强大的拟合能力以及便捷的样本生成方法，通过训练神经网络直接得到高质量的人脸点云。
本发明的目的之三在于提供一种处理终端，利用神经网络强大的拟合能力以及便捷的样本生成方法，通过训练神经网络直接得到高质量的人脸点云。
为实现上述目的之一，本发明所采用的技术方案如下：
基于低质量三维人脸点云的重构方法，包括：
S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；
S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；
S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。
优选的，所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，Ui为三维人脸点云的基，Ai为PCA模型参数；M和Ui均为预设值。
优选的，所述基于PCA模型训练的神经网络的训练过程为：
S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi；
S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci；
S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图；
S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di；
S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数；
S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。
优选的，所述插值操作通过最近邻插值方法实现。
为实现上述目的之二，本发明所采用的技术方案如下：
基于低质量三维人脸点云的重构装置，包括：
转换模块，用于获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；
参数获取模块，用于将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；
重构模块，用于将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。
优选的，所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，Ui为三维人脸点云的基，Ai为PCA模型参数；M和Ui均为预设值。
优选的，所述基于PCA模型训练的神经网络的训练过程为：
S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi；
S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci；
S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图；
S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di；
S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数；
S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。
优选的，所述插值操作通过最近邻插值方法实现。
为实现上述目的之三，本发明所采用的技术方案如下：
一种处理终端，包括：
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行以下步骤：
S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；
S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；
S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。
优选的，所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，Ui为三维人脸点云的基，Ai为PCA模型参数；M和Ui均为预设值。
优选的，所述基于PCA模型训练的神经网络的训练过程为：
S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi；
S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci；
S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图；
S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di；
S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数；
S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。
优选的，所述插值操作通过最近邻插值方法实现。
相比现有技术，本发明的有益效果在于：
利用神经网络强大的拟合能力以及便捷的样本生成方法，通过训练基于PCA模型的神经网络可以直接输入多次采集得到的一系列低质量人脸点云，便可得到一个高质量的人脸点云。
附图说明
图1为本发明基于低质量三维人脸点云的重构方法流程图；
图2为本发明基于低质量三维人脸点云的重构装置结构图；
图3为本发明处理终端的结构图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
实施例一：
参考图1，本发明公开了一种基于低质量三维人脸点云的重构方法，包括以下步骤：
S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；
S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；
S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。
PCA模型是指主成分分析模型，基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，即PCA模型中得到的平均向量；Ui为三维人脸点云的基，与M具有相同的维度；Ai为PCA模型参数。基于PCA模型的人脸点云表达式中的M和Ui的值可通过现有公开的PCA模型获得。
将所述三维人脸点云基于预设标准三维人脸点云进行对齐操作是指使三维人脸点云和标准三维人脸点云近似。然后可以通过将三维人脸点云的坐标投影到二维平面上得到二维深度图。
基于PCA模型训练的神经网络的训练过程为：
S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi。
S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci。
S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图。对齐操作是指寻找旋转矩阵R和平移向量T，使得||CR+T-S||的二范数小于预设值，其中C为模拟低质量点云的三维人脸点云，S为预设标准三维人脸点云，直观上就是点云C和S非常接近。
S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di。由于低质量的点云转换为深度图后无法保证每个位置都有深度信息，因此需要进行插值操作，所述插值操作通过最近邻插值方法实现，也可以是其他插值方法实现。
S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数。
S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。
通过采样一系列PCA模型参数进行训练后，就能得到一个基于PCA模型训练的神经网络。该神经网络的输入是一系列二维深度图，经过神经网络的运算后输出对应的PCA模型参数，然后将PCA模型参数代入基于PCA模型的人脸点云表达式就可以得到一个高质量三维人脸点云。
上述方法利用神经网络强大的拟合能力以及便捷的样本生成方法，通过训练基于PCA模型的神经网络可以直接输入多次采集得到的一系列低质量人脸点云，便可得到一个高质量的人脸点云。
实施例二：
参考图2，本发明公开了一种基于低质量三维人脸点云的重构装置，包括：
转换模块，用于获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；
参数获取模块，用于将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；
重构模块，用于将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。
优选的，所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，Ui为三维人脸点云的基，Ai为PCA模型参数；M和Ui均为预设值。
优选的，所述基于PCA模型训练的神经网络的训练过程为：
S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi；
S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci；
S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图；
S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di；
S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数；
S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。
优选的，所述插值操作通过最近邻插值方法实现。
实施例三：
参考图3，本发明公开了一种处理终端，包括：
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行以下步骤：
S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；
S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；
S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。
优选的，所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，Ui为三维人脸点云的基，Ai为PCA模型参数；M和Ui均为预设值。
优选的，所述基于PCA模型训练的神经网络的训练过程为：
S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi；
S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci；
S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图；
S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di；
S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数；
S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。
优选的，所述插值操作通过最近邻插值方法实现。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (4)

1.基于低质量三维人脸点云的重构方法，其特征在于，包括：
S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；
S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；
S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云；
所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，Ui为三维人脸点云的基，Ai为PCA模型参数；M和Ui均为预设值；
所述基于PCA模型训练的神经网络的训练过程为：
S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi；
S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci；
S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图；
S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di；
S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数；
S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。
2.根据权利要求1所述的基于低质量三维人脸点云的重构方法，其特征在于，所述插值操作通过最近邻插值方法实现。
3.基于低质量三维人脸点云的重构装置，其特征在于，包括：
转换模块，用于获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；
参数获取模块，用于将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；
重构模块，用于将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云；
所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，Ui为三维人脸点云的基，Ai为PCA模型参数；M和Ui均为预设值；
所述基于PCA模型训练的神经网络的训练过程为：
S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi；
S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci；
S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图；
S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di；
S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数；
S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。
4.一种处理终端，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行以下步骤：
S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；
S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；
S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云；
所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，Ui为三维人脸点云的基，Ai为PCA模型参数；M和Ui均为预设值；
所述基于PCA模型训练的神经网络的训练过程为：
S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi；
S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci；
S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图；
S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di；
S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数；
S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。
CN201811104973.4A 2018-09-21 2018-09-21 基于低质量三维人脸点云的重构方法、装置及处理终端 Active CN109215126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811104973.4A CN109215126B (zh) 2018-09-21 2018-09-21 基于低质量三维人脸点云的重构方法、装置及处理终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811104973.4A CN109215126B (zh) 2018-09-21 2018-09-21 基于低质量三维人脸点云的重构方法、装置及处理终端

Publications (2)

Publication Number Publication Date
CN109215126A CN109215126A (zh) 2019-01-15
CN109215126B true CN109215126B (zh) 2023-05-02

Family

ID=64984842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811104973.4A Active CN109215126B (zh) 2018-09-21 2018-09-21 基于低质量三维人脸点云的重构方法、装置及处理终端

Country Status (1)

Country Link
CN (1) CN109215126B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148194B (zh) * 2019-05-07 2021-03-16 北京航空航天大学 图像重建方法和装置
CN110322467B (zh) * 2019-05-24 2021-07-16 麦恒智能科技(湖州)有限公司 一种提升3d轮廓传感器计算板材表面点云密度的算法
CN114463409B (zh) * 2022-02-11 2023-09-26 北京百度网讯科技有限公司 图像深度信息的确定方法、装置、电子设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399649A (zh) * 2018-03-05 2018-08-14 中科视拓（北京）科技有限公司 一种基于级联回归网络的单张图片三维人脸重建方法
CN108510573A (zh) * 2018-04-03 2018-09-07 南京大学 一种基于深度学习的多视点人脸三维模型重建的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739676B (zh) * 2009-12-04 2012-02-22 清华大学 一种制作超低分辨率人脸模拟像的方法
CN105139000B (zh) * 2015-09-16 2019-03-12 浙江宇视科技有限公司 一种去除眼镜痕迹的人脸识别方法及装置
CN107680158A (zh) * 2017-11-01 2018-02-09 长沙学院 一种基于卷积神经网络模型的三维人脸重建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399649A (zh) * 2018-03-05 2018-08-14 中科视拓（北京）科技有限公司 一种基于级联回归网络的单张图片三维人脸重建方法
CN108510573A (zh) * 2018-04-03 2018-09-07 南京大学 一种基于深度学习的多视点人脸三维模型重建的方法

Also Published As

Publication number Publication date
CN109215126A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN112241997B (zh) 基于多尺度点云上采样的三维模型建立、修复方法及系统
CN108399649B (zh) 一种基于级联回归网络的单张图片三维人脸重建方法
CN109215126B (zh) 基于低质量三维人脸点云的重构方法、装置及处理终端
Wu et al. Omniobject3d: Large-vocabulary 3d object dataset for realistic perception, reconstruction and generation
CN103258345B (zh) 一种基于地面激光雷达三维扫描的树木枝干参数提取方法
CN107529222B (zh) 一种基于深度学习的WiFi室内定位系统
CN106097433A (zh) 物体工业与影像模型的叠加方法及系统
CN114332302A (zh) 一种基于多尺度自注意力网络的点云补全系统及方法
CN112148774B (zh) 一种高分辨率空间多区域气象数据处理系统及方法
CN105005580B (zh) 一种用于显示水库地形的方法及其装置
CN110070488A (zh) 一种基于卷积神经网络的多角度遥感影像森林高度提取方法
CN114241018A (zh) 一种牙齿点云配准方法、系统及可读存储介质
CN111504195A (zh) 基于激光点云的电力基建验收方法及装置
CN112614207B (zh) 等值线绘制方法、装置和设备
CN113920020B (zh) 一种基于深度生成模型的人体点云实时修复方法
CN115908636A (zh) 地图编辑方法及装置
CN110019632A (zh) 一种基于形状树的地理要素形状分析方法
CN111402256B (zh) 一种基于模板的三维点云目标检测和姿态估计方法
CN109934837B (zh) 一种3d植物叶片轮廓的提取方法、装置及系统
CN106684854B (zh) 一种基于节点等效的有源配电网电压越限风险分析方法
CN110047048B (zh) 一种基于mse选优的相位恢复改进算法
CN114020953A (zh) 外观设计产品的多图检索方法及装置
Ma et al. Data-Driven Computer Choreography Based on Kinect and 3D Technology
CN107869971B (zh) 一种基于三维激光扫描数据计算树冠表面积的方法
CN110990382A (zh) 一种信息运营监测用数据溯源管理系统

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
GR01 Patent grant
GR01 Patent grant