CN111274944A - 一种基于单张图像的三维人脸重建方法 - Google Patents

一种基于单张图像的三维人脸重建方法 Download PDF

Info

Publication number
CN111274944A
CN111274944A CN202010060376.7A CN202010060376A CN111274944A CN 111274944 A CN111274944 A CN 111274944A CN 202010060376 A CN202010060376 A CN 202010060376A CN 111274944 A CN111274944 A CN 111274944A
Authority
CN
China
Prior art keywords
dimensional
dimensional face
face
key points
model
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
CN202010060376.7A
Other languages
English (en)
Inventor
张元�
马珩钧
李晓燕
付嘉旭
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.)
North University of China
Original Assignee
North University of China
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 North University of China filed Critical North University of China
Priority to CN202010060376.7A priority Critical patent/CN111274944A/zh
Publication of CN111274944A publication Critical patent/CN111274944A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

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

Abstract

本发明属于三维重建方法技术领域，特别涉及一种基于单张图像的三维人脸重建方法。包括以下步骤：(1)进行人脸面部检测；(2)检测二维人脸关键点并标记；(3)选择三维人脸数据；(4)标记三维人脸数据关键点；(5)将选择的三维人脸数据对齐；(6)构建三维人脸通用模型；(7)根据二维关键点将通用人脸模型个性化；(8)对个性化模型进行纹理映射。本发明图像的采集更容易获取，对于关键点的标记更易实现，且全程自动化，不需要人为操作。因为是将二维关键点和三维模型相结合的方法实现的，得到的模型真实感更强，且表面光滑。再者基于关键点约束进行的纹理映射，使重建的人脸色泽更佳。

Description

一种基于单张图像的三维人脸重建方法
技术领域
本发明属于三维重建方法技术领域，特别涉及一种基于单张图像的三维人脸重建方法。
背景技术
三维人脸重建在计算图形学和视觉具有重要的意义。由于当前的三维人脸重建存在重建效率差、重建精度低等特点，目前存在的一些人脸重建方法，使用的都是一些比较传统的方法，比如利用固定的通用模型，遇到差异比较大的人脸，重建的结果就会与预想的结果差距相差很大。因此，针对这些重建方法，如何使三维人脸重建的速度快，自动化程度高，重建精度高已成为重要的研究热点。传统的基于图像的三维人脸重建方法是以肌肉特征为主要的研究对象，通过多边形网格模拟人脸，利用网格形变模拟肌肉力的形变。因此可能会存在有一定的误差。如今的三维人脸重建方法有很多优点，但仍存在很多不足，本文在现有的三维人脸重建方法基础上，针对现今存在的问题，利用单张图像和统计模型结合的方法来解决三维人脸重建过程中存在的问题：在重建效率低，重建精度不高的情况下，重建真实感强的三维人脸仍然是一个具有挑战性的任务，虽然可以通过Candide-3模型等通用模型来解决该任务，但是此类三维通用人脸模型立体感比较强，且灵活性较弱，在三维人脸重建过程中往往表面光滑度较弱。因此，通过采用单张图像和形变模型结合的方法来应对这些困难，这样不仅使得重建过程自动化程度更高，且重建的三维人脸真实感更强，更适合用于实际应用。
发明内容
针对目前三维人脸重建存在重建效率低、重建自动化低和重建精度低的问题，本发明提供了一种基于单张图像的三维人脸重建方法。
为了达到上述目的，本发明采用了下列技术方案：
一种基于单张图像的三维人脸重建方法，利用一张二维人脸图片重建三维人脸，包括以下步骤：
步骤1，进行人脸面部检测；
步骤2，检测二维人脸关键点并标记；
步骤3，选择三维人脸数据；
步骤4，标记三维人脸数据关键点；
步骤5，将选择的三维人脸数据对齐；
步骤6，构建三维人脸通用模型；
步骤7，根据二维关键点将通用人脸模型个性化；
步骤8，对个性化模型进行纹理映射。
进一步，所述步骤1中进行人脸面部检测的具体方法为：通过手机或照相机拍摄一张人体上半身照片，利用Opencv自带的Adaboost算法对此照片进行检测，首先提取人脸的Haar特征，然后将Haar特征转化成对应的弱分类器，最后从大量的弱分类器中选择出最优的弱分类器，将通过手机或照相机拍摄的一张人体上半身照片中的人脸部分检测出来，并将它通过方框圈出来。通过该技术方案，简化了提取人脸部分的流程，并能够快速定位人脸，同时加快了程序的执行速率。
进一步，所述步骤2中检测二维人脸关键点并标记的具体方法为：通过主动特征提取对部分检测出的人脸进行关键点的检测以及标定：首先将步骤1的照片手动标记关键点，然后进行大量的训练，构建训练集的特征向量，然后将形状归一化，得到平均人脸模型，对人脸模型进行PCA处理，再者就是对每个关键点构建局部特征，得到纹理均值和方差，最后通过仿射变换旋转缩放计算每个关键点的新位置。该技术方案解决了关键点标记不准确的问题，为后续重建高精度的三维人脸提供了夯实的基础。
进一步，所述步骤3中选择三维人脸数据具体方法为：选择人脸数据库作为所需三维人脸数据的样本数据库，由于此数据库在构建时，每个人都是头戴泳帽的，且部分数据由于光照影响等对信息表达不完全，选择时选择能够充分表达面部信息，受光线影响小的数据。通过选取相对差异小的数据，解决了关键点不准确的问题，同时可以提高人脸重建的准确度并为后续优化过程提供理论保障。
进一步，所述步骤4中标记三维人脸数据关键点的具体方法是：通过将选择的三维人脸数据映射到二维平面上，通过ASM算法将关键点检测出来，然后再映射回到三维模型上，完成标记三维人脸数据关键点。该方法通过将三维降维为二维，使标记的关键点和二维人脸图像标记的关键点能够相互对应，从而使后边的变形更加准确，效率更高。
进一步，所述步骤4中标记三维人脸数据关键点的具体方法是：对选择的三维人脸数据使用深度图和监督下降算法得到三维人脸的粗略位置，提取三维人脸的粗略位置作为关键点的区域，然后通过结合多个局部描述子的方法，对关键点区域内人脸点集的子集进行筛选，提取出关键点，最后选择与关键点模型匹配最高的组合，将组合中的候选点标记为三维人脸数据关键点。三维人脸关键点是三维人脸模型变形的关键基础，标定准确的三维人脸特征点使重建的三维人脸模型更准确，真实感更强。
进一步，所述步骤5中将选择的三维人脸数据对齐的具体方法是：将选择的三维人脸数据中标记的三维人脸关键点进行顺序标号，并将选择的三维人脸数据中具有相同标号的关键点进行一一对应。通过关键点对齐，可以方便求取通用模型的关键点数据，从而更有效的匹配正确的信息点；
Si＝(X1,Y1,Z1,…,Xa,Ya,Za,…Xn,Yn,Zn)T (1)
Ti＝(R1,G1,B1,…,Ra,Ga,Ba,…Rn,Gn,Bn)T (2)。
进一步，所述步骤6中构建三维人脸通用模型的具体方法是：求取选择的三维人脸数据中相同位置关键点的平均值，即输出三维人脸通用模型的空间坐标；
Figure BDA0002374266640000041
通过求取模型的平均值，可以得到用于变形的通用人脸的坐标，为后边选取通用模型奠定了基础。
进一步，所述步骤7中根据二维关键点将通用人脸模型个性化的具体方法是：将二维人脸关键点和三维人脸关键点的编号对应，通过关键点之间的对应关系建立薄板样条函数关系，然后求取三维关键点中任意两点间的欧式距离，接着计算出薄板样条之间的权重系数及未知量，此时将空间坐标量输出即为个性化人脸模型的空间量。通过调整权重系数，可以使通用模型个性化。在本次实验中，权重系数根据二维关键点获得，训练过程中使用了前文标记的数据集，从而保证了权重获取的正确性。由此获得的网络权重便能更好的反映整个模型的全体特征，从而保证了人脸重建的准确性；
Figure BDA0002374266640000042
Figure BDA0002374266640000043
进一步，所述步骤8中对个性化模型进行纹理映射的具体方法是：保证二维人脸和三维人脸之间的对应关系，对步骤2标记的二维人脸照片进行Delaunay三角剖分化，将Delaunay三角剖分化之后的两两顶点之间连接起来消除他们的公共边，使三角网格覆盖整个人脸，并计算出他们的质心坐标，接着统一调整他们的质心坐标，根据标定的顶点位置，分别得到三维模型的顶点坐标和二维纹理图像的纹理坐标，并根据对应关系进行扩展，即可快速获得三维特定模型顶点对应的二维纹理坐标，根据得到的二维纹理坐标实现三维特定模型的映射。通过对个性化模型进行纹理映射，使重建的三维人脸模型更加真实。
与现有技术相比本发明具有以下优点：
图像的采集更容易获取，对于关键点的标记更易实现，且全程自动化，不需要人为操作。因为是将二维关键点和三维模型相结合的方法实现的，得到的模型真实感更强，且表面光滑。再者基于关键点约束进行的纹理映射，使重建的人脸色泽更佳。
附图说明
图1是人脸检测图；
图2是二维人脸关键点检测图；
图3是三维人脸数据；
图4是三维人脸关键点标记图；
图5是个性化模型图；
图6是纹理映射后的人脸重建图。
具体实施方式
实施例1
一种基于单张图像的三维人脸重建方法，利用一张二维人脸图片重建三维人脸，包括以下步骤：
步骤1，进行人脸面部检测，具体为：通过手机或照相机拍摄一张人体上半身照片，利用Opencv自带的Adaboost算法对此照片进行检测，首先此算法会提取人脸的Haar特征，然后将Haar特征转化成对应的弱分类器，最后从大量的弱分类器中选择出最优的弱分类器，此时就会将通过手机或照相机拍摄的一张人体上半身照片中的人脸部分检测出来，并将它通过方框圈出来，如图1所示。
步骤2，检测二维人脸关键点并标记，具体为：通过主动特征提取对部分检测出的人脸进行关键点的检测以及标定：首先将步骤1的照片手动标记关键点，然后进行大量的训练，构建训练集的特征向量，然后将形状归一化，得到平均人脸模型，对人脸模型进行PCA处理，再者就是对每个关键点构建局部特征，得到纹理均值和方差，最后通过仿射变换旋转缩放计算每个关键点的新位置，如图2所示。
步骤3，选择三维人脸数据，具体为：所述步骤3中选择三维人脸数据具体方法为：选择北京工业大学的BJUT-3D人脸数据库作为所需三维人脸数据的样本数据库，选择时选择能够充分表达面部信息，受光线影响小的数据。
步骤4，标记三维人脸数据关键点，具体为：通过将选择的三维人脸数据映射到二维平面上，通过ASM算法将关键点检测出来，然后再映射回到三维模型上，完成标记三维人脸数据关键点。
或者为：对选择的三维人脸数据使用深度图和监督下降算法得到三维人脸的粗略位置，提取三维人脸的粗略位置作为关键点的区域，然后通过结合多个局部描述子的方法，对关键点区域内人脸点集的子集进行筛选，提取出关键点，最后选择与关键点模型匹配最高的组合，将组合中的候选点标记为三维人脸数据关键点，如图4所示。
步骤5，将选择的三维人脸数据对齐，具体为：将选择的三维人脸数据中标记的三维人脸关键点进行顺序标号，并将选择的三维人脸数据中具有相同标号的关键点进行一一对应；
Si＝(X1,Y1,Z1,…,Xa,Ya,Za,…Xn,Yn,Zn)T (1)
Ti＝(R1,G1,B1,…,Ra,Ga,Ba,…Rn,Gn,Bn)T (2)。
步骤6，构建三维人脸通用模型，具体为：求取选择的三维人脸数据中相同位置关键点的平均值，即输出三维人脸通用模型的空间坐标；
Figure BDA0002374266640000071
步骤7，根据二维关键点将通用人脸模型个性化，具体为：将二维人脸关键点和三维人脸关键点的编号对应，通过关键点之间的对应关系建立薄板样条函数关系，然后求取三维关键点中任意两点间的欧式距离，接着计算出薄板样条之间的权重系数及未知量，此时将空间坐标量输出即为个性化人脸模型的空间量，如图5所示；
Figure BDA0002374266640000072
Figure BDA0002374266640000073
步骤8，对个性化模型进行纹理映射，具体为：证二维人脸和三维人脸之间的对应关系，对步骤2标记的二维人脸照片进行Delaunay三角剖分化，将Delaunay三角剖分化之后的两两顶点之间连接起来消除他们的公共边，使三角网格覆盖整个人脸，并计算出他们的质心坐标，接着统一调整他们的质心坐标，根据标定的顶点位置，分别得到三维模型的顶点坐标和二维纹理图像的纹理坐标，并根据对应关系进行扩展，即可快速获得三维特定模型顶点对应的二维纹理坐标，根据得到的二维纹理坐标实现三维特定模型的映射，如图6所示。

Claims (10)

1.一种基于单张图像的三维人脸重建方法，其特征在于，利用一张二维人脸图片重建三维人脸，包括以下步骤：
步骤1，进行人脸面部检测；
步骤2，检测二维人脸关键点并标记；
步骤3，选择三维人脸数据；
步骤4，标记三维人脸数据关键点；
步骤5，将选择的三维人脸数据对齐；
步骤6，构建三维人脸通用模型；
步骤7，根据二维关键点将通用人脸模型个性化；
步骤8，对个性化模型进行纹理映射。
2.根据权利要求1所述的一种基于单张图像的三维人脸重建方法，其特征在于，所述步骤1中进行人脸面部检测的具体方法为：通过手机或照相机拍摄一张人体上半身照片，利用Opencv自带的Adaboost算法对此照片进行检测，首先提取人脸的Haar特征，然后将Haar特征转化成对应的弱分类器，最后从大量的弱分类器中选择出最优的弱分类器，将通过手机或照相机拍摄的一张人体上半身照片中的人脸部分检测出来，并将它通过方框圈出来。
3.根据权利要求1所述的一种基于单张图像的三维人脸重建方法，其特征在于：所述步骤2中检测二维人脸关键点并标记的具体方法为：通过主动特征提取对部分检测出的人脸进行关键点的检测以及标定：首先将步骤1的照片手动标记关键点，然后进行大量的训练，构建训练集的特征向量，然后将形状归一化，得到平均人脸模型，对人脸模型进行PCA处理，再者就是对每个关键点构建局部特征，得到纹理均值和方差，最后通过仿射变换旋转缩放计算每个关键点的新位置。
4.根据权利要求1所述的一种基于单张图像的三维人脸重建方法，其特征在于，所述步骤3中选择三维人脸数据具体方法为：选择人脸数据库作为所需三维人脸数据的样本数据库，选择时选择能够充分表达面部信息，受光线影响小的数据。
5.根据权利要求1所述的一种基于单张图像的三维人脸重建方法，其特征在于，所述步骤4中标记三维人脸数据关键点的具体方法是：通过将选择的三维人脸数据映射到二维平面上，通过ASM算法将关键点检测出来，然后再映射回到三维模型上，完成标记三维人脸数据关键点。
6.根据权利要求1所述的一种基于单张图像的三维人脸重建方法，其特征在于，所述步骤4中标记三维人脸数据关键点的具体方法是：对选择的三维人脸数据使用深度图和监督下降算法得到三维人脸的粗略位置，提取三维人脸的粗略位置作为关键点的区域，然后通过结合多个局部描述子的方法，对关键点区域内人脸点集的子集进行筛选，提取出关键点，最后选择与关键点模型匹配最高的组合，将组合中的候选点标记为三维人脸数据关键点。
7.根据权利要求1所述的一种基于单张图像的三维人脸重建方法，其特征在于，所述步骤5中将选择的三维人脸数据对齐的具体方法是：将选择的三维人脸数据中标记的三维人脸关键点进行顺序标号，并将选择的三维人脸数据中具有相同标号的关键点进行一一对应；
Si＝(X1,Y1,Z1,…,Xa,Ya,Za,…Xn,Yn,Zn)T (1)
Ti＝(R1,G1,B1,…,Ra,Ga,Ba,…Rn,Gn,Bn)T (2)。
8.根据权利要求1所述的一种基于单张图像的三维人脸重建方法，其特征在于，所述步骤6中构建三维人脸通用模型的具体方法是：求取选择的三维人脸数据中相同位置关键点的平均值，即输出三维人脸通用模型的空间坐标；
Figure FDA0002374266630000031
9.根据权利要求1所述的一种基于单张图像的三维人脸重建方法，其特征在于，所述步骤7中根据二维关键点将通用人脸模型个性化的具体方法是：将二维人脸关键点和三维人脸关键点的编号对应，通过关键点之间的对应关系建立薄板样条函数关系，然后求取三维关键点中任意两点间的欧式距离，接着计算出薄板样条之间的权重系数及未知量，此时将空间坐标量输出即为个性化人脸模型的空间量；
Figure FDA0002374266630000032
Figure FDA0002374266630000033
10.根据权利要求1所述的一种基于单张图像的三维人脸重建方法，其特征在于，所述步骤8中对个性化模型进行纹理映射的具体方法是：保证二维人脸和三维人脸之间的对应关系，对步骤2标记的二维人脸照片进行Delaunay三角剖分化，将Delaunay三角剖分化之后的两两顶点之间连接起来消除他们的公共边，使三角网格覆盖整个人脸，并计算出他们的质心坐标，接着统一调整他们的质心坐标，根据标定的顶点位置，分别得到三维模型的顶点坐标和二维纹理图像的纹理坐标，并根据对应关系进行扩展，即可快速获得三维特定模型顶点对应的二维纹理坐标，根据得到的二维纹理坐标实现三维特定模型的映射。
CN202010060376.7A 2020-01-19 2020-01-19 一种基于单张图像的三维人脸重建方法 Pending CN111274944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010060376.7A CN111274944A (zh) 2020-01-19 2020-01-19 一种基于单张图像的三维人脸重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010060376.7A CN111274944A (zh) 2020-01-19 2020-01-19 一种基于单张图像的三维人脸重建方法

Publications (1)

Publication Number Publication Date
CN111274944A true CN111274944A (zh) 2020-06-12

Family

ID=70998902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010060376.7A Pending CN111274944A (zh) 2020-01-19 2020-01-19 一种基于单张图像的三维人脸重建方法

Country Status (1)

Country Link
CN (1) CN111274944A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768477A (zh) * 2020-07-06 2020-10-13 网易（杭州）网络有限公司 三维人脸表情基建立方法及装置、存储介质及电子设备
CN112288861A (zh) * 2020-11-02 2021-01-29 湖北大学 一种基于单张照片的人脸三维模型自动构建方法及系统
CN112883870A (zh) * 2021-02-22 2021-06-01 北京中科深智科技有限公司 一种人脸影像映射方法及系统
WO2022156532A1 (zh) * 2021-01-21 2022-07-28 魔珐(上海)信息科技有限公司 三维人脸模型重建方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102376100A (zh) * 2010-08-20 2012-03-14 北京盛开互动科技有限公司 基于单张照片的人脸动画方法
CN102999942A (zh) * 2012-12-13 2013-03-27 清华大学 三维人脸重建方法
CN107316340A (zh) * 2017-06-28 2017-11-03 河海大学常州校区 一种基于单张照片的快速人脸建模方法
CN109461206A (zh) * 2018-10-29 2019-03-12 湖北器长光电股份有限公司 一种多目立体视觉的人脸三维重建装置及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102376100A (zh) * 2010-08-20 2012-03-14 北京盛开互动科技有限公司 基于单张照片的人脸动画方法
CN102999942A (zh) * 2012-12-13 2013-03-27 清华大学 三维人脸重建方法
CN107316340A (zh) * 2017-06-28 2017-11-03 河海大学常州校区 一种基于单张照片的快速人脸建模方法
CN109461206A (zh) * 2018-10-29 2019-03-12 湖北器长光电股份有限公司 一种多目立体视觉的人脸三维重建装置及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴侨: "基于单张照片的三维人脸重建的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
孔德智: "基于单张照片的三维人脸重建算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
成翔昊等: "基于关键点的由粗到精三维人脸特征点定位", 《仪器仪表学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768477A (zh) * 2020-07-06 2020-10-13 网易（杭州）网络有限公司 三维人脸表情基建立方法及装置、存储介质及电子设备
CN111768477B (zh) * 2020-07-06 2024-05-28 网易（杭州）网络有限公司 三维人脸表情基建立方法及装置、存储介质及电子设备
CN112288861A (zh) * 2020-11-02 2021-01-29 湖北大学 一种基于单张照片的人脸三维模型自动构建方法及系统
CN112288861B (zh) * 2020-11-02 2022-11-25 湖北大学 一种基于单张照片的人脸三维模型自动构建方法及系统
WO2022156532A1 (zh) * 2021-01-21 2022-07-28 魔珐(上海)信息科技有限公司 三维人脸模型重建方法、装置、电子设备及存储介质
CN112883870A (zh) * 2021-02-22 2021-06-01 北京中科深智科技有限公司 一种人脸影像映射方法及系统

Similar Documents

Publication Publication Date Title
CN108549873B (zh) 三维人脸识别方法和三维人脸识别系统
CN111274944A (zh) 一种基于单张图像的三维人脸重建方法
CN113177977B (zh) 一种非接触式三维人体尺寸的测量方法
CN102663820B (zh) 三维头部模型重建方法
KR101007276B1 (ko) 3차원 안면 인식
CN101320484B (zh) 一种人脸虚图像生成的方法及一种三维人脸识别方法
CN103839277B (zh) 一种户外大范围自然场景的移动增强现实注册方法
CN104063702B (zh) 一种基于遮挡修复和局部相似性匹配的三维步态识别方法
CN108052942B (zh) 一种飞机飞行姿态的视觉图像识别方法
WO2015161816A1 (en) Three-dimensional facial recognition method and system
CN108010123B (zh) 一种保留拓扑信息的三维点云获取方法
WO2015139574A1 (zh) 一种静态物体重建方法和系统
CN105956582A (zh) 一种基于三维数据的人脸识别系统
CN108182397B (zh) 一种多姿态多尺度的人脸验证方法
CN113160285B (zh) 一种基于局部深度图像关键性的点云匹配方法
CN108154104A (zh) 一种基于深度图像超像素联合特征的人体姿态估计方法
CN111553949A (zh) 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法
CN112016497A (zh) 基于人工智能的单视角太极拳动作分析及考核系统
CN107507263B (zh) 一种基于图像的纹理生成方法及系统
CN108960267A (zh) 用于模型调整的系统和方法
CN111274883A (zh) 基于多尺度hog特征和深层特征的合成素描人脸识别方法
CN111402403B (zh) 高精度三维人脸重建方法
CN114360031B (zh) 头部姿态估计方法、计算机设备及存储介质
Li et al. Face detection based on depth information using HOG-LBP
Rosato et al. Automatic registration of vertex correspondences for 3D facial expression analysis

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200612

RJ01 Rejection of invention patent application after publication