CN112017096A - 形状预测系统、形状预测方法以及计算机可读介质 - Google Patents
形状预测系统、形状预测方法以及计算机可读介质 Download PDFInfo
- Publication number
- CN112017096A CN112017096A CN202010407977.0A CN202010407977A CN112017096A CN 112017096 A CN112017096 A CN 112017096A CN 202010407977 A CN202010407977 A CN 202010407977A CN 112017096 A CN112017096 A CN 112017096A
- Authority
- CN
- China
- Prior art keywords
- shape
- prediction
- dimensional
- stereoscopic
- control unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 146
- 238000012545 processing Methods 0.000 claims abstract description 72
- 210000003625 skull Anatomy 0.000 claims abstract description 61
- 230000008569 process Effects 0.000 claims description 123
- 235000013372 meat Nutrition 0.000 claims description 38
- 210000000988 bone and bone Anatomy 0.000 claims description 32
- 239000012528 membrane Substances 0.000 claims description 15
- 230000002950 deficient Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims 2
- 238000013500 data storage Methods 0.000 abstract description 18
- 239000013598 vector Substances 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 16
- 238000007726 management method Methods 0.000 description 15
- 210000003128 head Anatomy 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 14
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000002945 steepest descent method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000032683 aging Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000000265 homogenisation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 210000004279 orbit Anatomy 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000329 molecular dynamics simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 210000003455 parietal bone Anatomy 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- 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
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Game Theory and Decision Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Surgical Instruments (AREA)
Abstract
提供形状预测系统、形状预测方法以及计算机可读介质，用于可靠地推定相对于第1立体形状相对地配置的第2立体形状。形状预测系统(20)具备控制部(21)和存储有头部的头盖骨及外表面的CT图像的CT图像数据存储部(22)。控制部(21)执行学习处理，即：在头盖骨中确定特征点，从CT图像数据存储部(22)取得在该特征点相对于头盖骨相对地配置的外表面的形状，在头盖骨的骨形状的特征点生成用于预测外表面形状的配置的预测模型。控制部(21)执行预测处理，即：确定预测对象的头部的头盖骨的特征点，将预测模型应用于特征点的配置从而预测头部的外表面。
Description
技术领域
本发明涉及预测相对于第1立体形状相对地配置的第2立体形状的形状预测系统、形状预测方法以及存储有形状预测程序的计算机可读介质。
背景技术
以往，有时使用脸的在解剖学上位于相同位置的特征点来预测脸的形状。例如，在犯罪侦查、考古学的领域等中，进行以头盖骨为基础复原为生前的面部的脸复原作业。正在研究用于有效地进行该脸复原的技术。例如，在日本特开平01-043232号公报记载的自动脸复原模拟器中，测量部测量头盖骨表面的立体形状，以通过测量部得到的形状数据为基础，根据存储于第1数据存储部的与人体的身体特征有关的数据和存储于第2数据存储部的、人体的面部的肉厚度数据来计算面部的立体形状数据。
另外，有使用特征点预测增龄后的脸的技术。例如，日本专利第5950486号公报记载的增龄化预测系统使用角度预测模型及三维化变换预测模型，由处理对象的二维脸图像生成三维脸数据。并且，该增龄化预测系统使用形状增龄模型、纹理增龄模型，预测脸图像的纹理由增龄引起的变化、和脸形状由增龄引起的变化，并将增龄后的脸图像输出。
发明内容
发明要解决的课题
但是，第2立体形状相对于第1立体形状的相对的配置因为受到形状自身的影响所以有时不能由单纯的函数决定。例如，脸的肉厚度不是仅由体型决定，还受到头盖骨的形状的影响。而且，因为头盖骨具有眼窝等孔，所以在脸复原中也有不能准确地推定肉厚度的情况。
用于解决课题的方案
解决上述课题的形状预测系统具备：形状信息存储部；和控制部，其与输入部、输出部连接，其中，所述控制部执行学习处理，在所述学习处理中，将物体的第1立体形状存储于所述形状信息存储部，在所述第1立体形状中确定特征点，将相对于所述第1立体形状相对地配置的第2立体形状与所述第1立体形状关联起来存储于所述形状信息存储部，使用所述第2立体形状，在所述第1立体形状的所述特征点生成用于预测所述第2立体形状的预测模型，所述控制部执行预测处理，在所述预测处理中，在预测对象的第1立体形状中确定特征点，通过将所述预测模型应用于所述预测对象的所述特征点的配置从而预测所述预测对象的第2立体形状。
发明效果
根据本发明，能够可靠地推定相对于第1立体形状相对地配置的第2立体形状。
附图说明
图1是实施方式的形状预测系统的说明图。
图2是实施方式的硬件构成的说明图。
图3是说明实施方式中的肉厚度、外表面、橡胶膜以及头盖骨的关系的概念图。
图4是说明实施方式的学习处理的处理步骤的流程图。
图5是实施方式的参照相同模型的生成处理的说明图，(a)是参照相同模型的生成处理的处理步骤的流程图，(b)是头盖骨的特征点的说明图，(c)是特征网格点的说明图。
图6是实施方式的相同模型化处理的说明图，(a)是相同模型化处理的处理步骤的流程图，(b)是其他的网格点的插补处理后的球面网格的说明图，(c)是均匀化的球面网格的说明图。
图7是实施方式的橡胶膜的生成处理的说明图，(a)是使用骨形状的橡胶膜的生成处理的处理步骤的流程图，(b)是橡胶膜拟合处理的处理步骤的流程图，(c)是使网格缩小移动前的状态，(d)是使网格缩小移动后的状态。
图8是实施方式的耦合学习的说明图，(a)是处理步骤的流程图，(b)是由橡胶膜坐标矢量和肉厚度矢量构成的矩阵，(c)是经正规化/主要成分分析而得的矩阵，(d)是进行前半部分的正交化及后半部分的线性结合而得的矩阵。
图9是说明实施方式的预测处理的处理步骤的流程图。
图10是说明实施方式的肉厚度的预测处理的说明图。
图11是说明实施方式的预测处理的说明图，(a)是由网格点构成的橡胶膜表面，(b)是根据各网格点预测的肉厚度矢量，(c)是利用肉厚度矢量生成的外表面。
图12是说明实施方式中的预测对象的形状的说明图，(a)示出输入头盖骨，(b)示出用橡胶膜覆盖的状态，(c)示出通过耦合学习而适用肉厚度的状态，(d)示出适用平均肉厚度的状态，(e)示出正确结果。
图13是说明变更例中的处理的处理步骤的流程图，(a)是学习处理，(b)是预测处理。
具体实施方式
以下，使用图1～图12说明将形状预测系统、形状预测方法以及存储有形状预测程序的计算机可读介质具体化的一实施方式。在本实施方式中进行如下脸复原：通过耦合学习来学习从作为第1立体形状的头盖骨到头部的外表面(第2立体形状)的相对位置(肉厚度)，使用学习结果根据头盖骨推定脸。因此，在本实施方式中，使用图1所示的形状预测系统20。
(硬件构成的说明)
使用图2说明构成形状预测系统20的信息处理装置H10的硬件构成。信息处理装置H10具备通信装置H11、输入装置H12、显示装置H13、存储部H14、处理器H15。另外，该硬件构成是一例，也能够通过其他硬件来实现。
通信装置H11是与其他装置之间确立通信路径、并执行数据的收发的接口，例如是网络接口插件、无线接口等。
输入装置H12是受理来自利用者等的输入的输入部，例如是鼠标、键盘、CT扫描仪等。显示装置H13是显示各种信息的输出部，例如是显示器等。
存储部H14是存储用于执行形状预测系统20的各种功能的数据、各种程序的存储装置(计算机可读介质)。作为存储部H14的一例，有ROM、RAM、硬盘等。
处理器H15使用存储于存储部H14的程序、数据来控制形状预测系统20中的各处理。作为处理器H15的一例，例如有CPU、MPU等。该处理器H15将存储于ROM等的程序在RAM展开，执行用于各服务的各种程序。
处理器H15不限于对自身执行的全部处理进行软件处理。例如，处理器H15也可以具备对自身执行的处理的至少一部分进行硬件处理的专用的硬件电路(例如特定用途集成电路：ASIC)。即，处理器H15能够构成为包括(1)按照计算机程序(软件)工作的一个以上处理器、(2)执行各种处理中至少一部分处理的一个以上专用硬件电路、或者(3)它们的组合在内的电路(circuitry)。处理器包括CPU、以及RAM和ROM等存储器，存储器存储有构成为使CPU执行处理的程序代码或者指令。存储器即计算机可读介质包括能够由通用或者专用的计算机访问的所有能利用的介质。
(各功能部的说明)
如图1所示，形状预测系统20是用于进行脸复原处理的计算机系统，在脸复原处理中，根据头盖骨复原头部(脸)的形状。该形状预测系统20具备控制部21、作为形状信息存储部的CT图像数据存储部22、特征点数据存储部23、球面网格数据存储部24以及模型存储部25。
控制部21具备控制单元(CPU、RAM、ROM等)，进行后述的处理(学习管理阶段、基本模型生成阶段、肉厚度测量阶段、相同化处理阶段、橡胶膜生成阶段、机械学习阶段、预测管理阶段及形状生成阶段等各处理)。通过执行用于上述处理的形状预测程序，从而控制部21作为学习管理部210、基本模型生成部211、肉厚度测量部212、相同化处理部213、橡胶膜生成部214、机械学习部215、预测管理部216、形状生成部217执行功能。
如图3所示，在本实施方式中，在头盖骨中进行脸复原的情况下，为了将开孔的部分(欠缺区域)堵住，将在预测中使用的头盖骨的形状变换为用橡胶膜(网格膜)覆盖的形状(橡胶膜模型)。然后，在橡胶膜模型的各部分预测肉厚度，推定外表面的形状。
图1的学习管理部210管理如下处理：生成在形状预测中使用的配置预测模型。学习管理部210具备学习用存储器，学习用存储器用于存储在学习中使用的相同模型。
基本模型生成部211执行如下处理：生成与在相同模型化处理中使用的基本模型(参照相同模型)有关的数据。在此，生成根据学习对象的多个头盖骨计算出的平均的相同模型。在此，所谓相同模型是指如下三维坐标数据：用网格表现关于各头盖骨的三维数据，各网格所包含的顶点变换成在解剖学上成为相同位置。
肉厚度测量部212执行如下处理：测量从橡胶膜模型到外表面的距离(肉厚度)。在本实施方式中，在将原点和橡胶膜模型的网格点连接的直线上，测量橡胶膜模型和外表面的距离。另外，作为原点，使用从预先决定的规定特征点赋予了一定补偿的点(位置)。
相同化处理部213执行如下处理：生成在学习、预测中使用的头盖骨的相同模型。
橡胶膜生成部214执行如下处理：生成用橡胶膜将头盖骨覆盖的形状。
机械学习部215执行如下处理：对从用橡胶膜覆盖的形状到外表面的距离进行机械学习。在本实施方式中，作为机械学习使用后述的耦合学习。
预测管理部216执行如下管理处理：用于使用预测对象的头盖骨的CT图像和配置预测模型来预测头盖骨的各部的肉厚度。
形状生成部217执行如下处理：使用通过预测模拟而取得的肉厚度，根据头盖骨生成头部的外表面形状(脸形状)。
另外，在CT图像数据存储部22存储有在学习中使用的样品的图像数据。在此，头部的外表面(脸)的CT图像和该头部的头盖骨的CT图像(3D)与识别编号关联起来存储。能够利用头部的外表面的CT图像确定头部的三维形状。另外，能够利用头盖骨的CT图像确定头盖骨的三维形状。
在特征点数据存储部23存储有关于头盖骨的特征点的数据。特征点是头部的特征性部分(例如头顶骨的最上方点、骨鼻腔内表面的最外层点等)。
在球面网格数据存储部24存储有与在形状预测中使用的网格有关的数据。与该网格有关的数据是近似地作为均匀的网格而计算出的数据，是构成网格的顶点数为10242个、三角形数为20480个的大致球面的各网格的坐标数据。该网格数据通过以正20面体为出发点，将以下(1)～(3)的网格分割处理反复5次而形成。网格分割处理按以下步骤进行。
(1)在全部的构成三角形的边的中点配置新的网格点，重新定义三角形。
(2)因为通过(1)配置的点不在球面上，所以将连接中心(原点)和该点的线段延长，重新配置于该线段和球面的交点。
(3)因为通过(2)重新配置于球面上的点彼此的间隔变得不均匀，所以通过最速下降法(梯度法)计算在满足以下两个条件中为最佳的配置(能量低的配置)。
·使位于球面上的点的能量比不在球面上的点的能量低。
■将相邻的点彼此的距离接近于平均距离的点的能量降低。
在模型存储部25存储配置预测模型，配置预测模型为了在预测处理中预测肉厚度而使用。该配置预测模型在执行学习处理的情况下被存储。
(学习处理)
首先，使用图4对学习处理进行说明。
形状预测系统20的控制部21执行骨形状及外表面的CT图像的取得处理(步骤S1-1)。具体地讲，控制部21的学习管理部210从CT图像数据存储部22取得与各识别编号关联起来的头部的外表面的CT图像和头盖骨的CT图像。然后，学习管理部210使用头部的外表面的CT图像生成外表面的三维形状，并使用头盖骨的CT图像生成头盖骨的三维形状。
接着，形状预测系统20的控制部21执行参照相同模型的生成处理(步骤S1-2)。关于该处理的详情，使用图5后述。
接着，形状预测系统20的控制部21执行学习个体数据中的相同模型化处理(步骤S1-3)。在该处理中，使用在步骤S1-1中生成的头盖骨的三维形状和在S1-2中生成的参照相同模型执行相同模型化处理。关于该处理的详情，使用图6后述。
然后，形状预测系统20的控制部21执行使用骨形状的橡胶膜的生成处理(步骤S1-4)。关于该处理的详情，使用图7后述。
然后，形状预测系统20的控制部21执行肉厚度的测量处理(步骤S1-5)。具体地讲，控制部21的肉厚度测量部212在包括原点和球面相同模型的各网格点在内的直线上确定橡胶膜表面的坐标和外表面的坐标。肉厚度测量部212计算从已确定的外表面的坐标到橡胶膜表面的坐标为止的距离(肉厚度)。
接着，形状预测系统20的控制部21执行基于耦合学习的配置预测模型的生成处理(步骤S1-6)。关于该处理的详情，使用图8后述。
<参照相同模型的生成处理>
接着，使用图5说明参照相同模型的生成处理。采用使用存储于CT图像数据存储部22的数据生成的头部的全部骨形状执行该处理。
如图5的(a)所示，控制部21的基本模型生成部211执行平均特征点的计算处理(步骤S2-1)。具体地讲，基本模型生成部211使各个体数据的原点一致，使用多元回归分析等，旋转成脸左右对称地朝向正面。而且，基本模型生成部211以从头顶到下颚的Z轴上的长度成为指定值的方式进行调节(放大或者缩小)，从而使各个体数据的头盖骨上的特征点数据正规化。并且，基本模型生成部211使用正规化的各个体数据，计算骨形状的各特征点的平均位置(平均特征点)。
接着，控制部21的基本模型生成部211执行特征网格点的确定处理(步骤S2-2)。具体地讲，基本模型生成部211取得存储于球面网格数据存储部24的网格数据。接着，基本模型生成部211确定从原点延伸的平均特征点(坐标)的延长线和已取得的网格数据(球面)的交点。而且，基本模型生成部211使最接近于确定出的交点的网格点移动到交点，作为特征网格点。
接着，控制部21的基本模型生成部211执行其他的网格点的插补处理(步骤S2-3)。具体地讲，基本模型生成部211在原样地将特征网格点固定的状态下，针对特征网格点以外的其他的网格点，将从特征网格点起算的移动量分配在球面上，根据分配的移动量使其他的网格点在球面上移动。
然后，控制部21的基本模型生成部211使用最速下降法执行网格的均匀化处理(步骤S2-4)。具体地讲，基本模型生成部211使用最速下降法使配置于已取得的网格数据(球面)上的网格点(特征网格点及插补的网格点)的各位置均匀化。在该情况下，预先将特征点的网格顶点固定使其不能动。然后，基本模型生成部211将均匀化的各网格点的位置存储于学习用存储器。
图5的(b)中将头盖骨中的特征点用黑点示出。图5的(c)中示出用球表面均匀化的各网格点。另外，球表面上的黑点示出特征网格点。
<学习个体数据中的相同模型化处理>
接着，使用图6说明学习个体数据中的相同模型化处理(步骤S3-1)。对骨形状的各学习个体数据反复地执行该处理。
如图6的(a)所示，控制部21的相同化处理部213执行特征点的确定处理(步骤S3-1)。具体地讲，相同化处理部213确定学习个体数据的骨形状中的各特征点。
接着，控制部21的相同化处理部213执行特征点的正规化处理(步骤S3-2)。具体地讲，相同化处理部213使用公知的普氏解析，使各个体数据的特征点(坐标)与从原点到平均特征点的方向和距离一致。
接着，控制部21的相同化处理部213执行特征网格点的移动处理(步骤S3-3)。具体地讲，相同化处理部213取得存储于球面网格数据存储部24的网格数据。接着，相同化处理部213确定从原点延伸的正规化特征点(坐标)的延长线与已取得的网格数据(球面)的交点。而且，相同化处理部213使最接近确定出的交点的网格点移动到交点，作为特征网格点。
接着，控制部21的相同化处理部213与步骤S2-3、S2-4同样地执行其他的网格点的插补处理(步骤S3-4)，使用最速下降法执行网格的均匀化处理(步骤S3-5)。
图6的(b)中示出其他的网格点的插补处理(步骤S3-4)后的球面网格和基于黑点的特征网格点。另外，图6的(c)所示的球面网格数据示出使用最速下降法通过网格的均匀化处理(步骤S3-5)确定出的网格点。通过该均匀化处理，网格点变形的区域(图6的(b)的右上的椭圆区域)的网格点彼此的间隔用平均的间隔均匀化。
<使用骨形状的橡胶膜的生成处理>
接着，使用图7的(a)说明使用骨形状的橡胶膜的生成处理(步骤S1-4)。对骨形状的各学习个体数据反复地执行该处理。
首先，控制部21的橡胶膜生成部214执行在球面网格的原点配置骨形状的处理(步骤S4-1)。具体地讲，橡胶膜生成部214使通过CT图像确定出的头盖骨的三维形状的中心与网格数据(球面)的原点一致，确定头盖骨的表面的位置。
接着，控制部21的橡胶膜生成部214执行橡胶膜拟合处理(步骤S4-2)。关于处理的详情，使用图7的(b)后述。
接着，控制部21的橡胶膜生成部214执行在橡胶膜上进行网格顶点的确定的处理(步骤S4-3)。具体地讲，橡胶膜生成部214确定从原点延伸的各相同网格点的延长线与橡胶膜表面的交点。然后，橡胶膜生成部214将确定出的交点确定为相同模型的网格顶点。
<橡胶膜拟合处理>
接着，使用图7的(b)对橡胶膜拟合处理(步骤S4-2)进行说明。
首先，橡胶膜生成部214执行球面网格的均匀分割处理(步骤S5-1)。具体地讲，橡胶膜生成部214假定内包头盖骨的球面，在球面上分割成网格。
接着，橡胶膜生成部214执行网格的缩小移动处理(步骤S5-2)。具体地讲，橡胶膜生成部214在各网格间赋予引力，利用公知的分子动力学方法使各网格在缩小球面的方向移动。在该情况下，网格点仅在将球的中心与初始位置连接的直线上移动。
在此，如图7的(c)所示，向邻接的网格点的方向赋予引力。然后，使各网格点向中心方向移动。
在该情况下，橡胶膜生成部214对已到达骨形状表面的各网格点，将配置决定于所到达的表面位置。并且，在这以后，关于该网格点，不使其缩小移动。
另一方面，橡胶膜生成部214对没有到达骨形状表面的各网格点，在各网格间进一步赋予引力，利用公知的分子动力学方法在缩小球面的方向反复进行各网格的移动，决定配置。
如图7的(d)所示，在头盖骨的凸部，网格点贴在橡胶膜表面，在头盖骨的凹部，利用网格点间的引力决定配置。
<基于耦合学习的配置预测模型的生成处理>
接着，使用图8，对基于耦合学习的配置预测模型的生成处理(步骤S1-6)进行说明。
首先，如图8的(a)所示，机械学习部215执行用橡胶膜坐标数据和肉厚度数据进行矩阵生成的处理(步骤S6-1)。具体地讲，机械学习部215将橡胶膜坐标矢量排成一行。
而且，如图8的(b)所示，机械学习部215生成如下矩阵(第1矩阵)：将使用相同的头盖骨和橡胶膜坐标计算出的肉厚度矢量与跟橡胶膜坐标矢量相同的行相连地排列。
接着，机械学习部215执行正规化/主要成分分析处理(步骤S6-2)。具体地讲，机械学习部215进行生成出的矩阵的正规化。而且，机械学习部215使用正规化的矩阵的行矢量进行主要成分分析。
由此，如图8的(c)所示，利用表现数据空间的正交基，生成按贡献率高的顺序排列的矩阵(第2矩阵)。
接着，机械学习部215执行正交基前半的正交化处理(步骤S6-3)。具体地讲，机械学习部215使用格兰姆施密特的方法使正交基的前半部分正交化。由此，计算使用于前半部分的正交化的正交化系数。
接着，机械学习部215执行用正交化系数进行线性结合的处理(步骤S6-4)。具体地讲，关于正交基的后半部分也是机械学习部215通过使用前半部分的正交化系数的线性结合来表现。
在此，如图8的(d)所示，生成由i行j列构成的前半部分(第3矩阵)和由i行k列构成的后半部分(第4矩阵)。
然后，将该第3矩阵及第4矩阵存储于模型存储部25。
(预测处理)
接着，使用图9～图12对预测处理进行说明。
如图9所示，形状预测系统20的控制部21执行预测对象头盖骨的3D扫描处理(步骤S7-1)。具体地讲，控制部21的预测管理部216经由输入装置H12取得预测对象的头部的头盖骨(骨形状)的CT图像。然后，预测管理部216使用头盖骨的CT图像生成头盖骨的三维形状，取得其形状数据(头盖骨数据)。
接着，形状预测系统20的控制部21执行预测对象数据中的相同模型化处理(步骤S7-2)。具体地讲，控制部21的相同化处理部213使用已取得的预测对象的头盖骨数据，与学习个体数据中的相同模型化处理同样地执行头盖骨中的特征点的确定处理、特征点的正规化处理、特征网格点的移动处理、其他的网格点的插补处理以及使用最速下降法进行的网格的均匀化处理(步骤S3-1～S3-5)。
接着，形状预测系统20的控制部21执行使用骨形状的橡胶膜的生成处理(步骤S7-3)。具体地讲，控制部21的橡胶膜生成部214与学习处理的使用骨形状的橡胶膜的生成处理(步骤S1-4)同样地执行在球面网格的原点进行骨形状的配置的处理、橡胶膜拟合处理、在橡胶膜上进行网格顶点的确定的处理(步骤S4-1～步骤S4-3)。
接着，形状预测系统20的控制部21执行各网格点的坐标上的肉厚度的预测处理(步骤S7-4)。关于该处理的详情，使用图10后述。
然后，形状预测系统20的控制部21执行脸复原的生成处理(步骤S7-5)。在此，使用已预测的肉厚度，由橡胶膜模型将头部的外表面(脸)的三维形状复原，并显示于显示装置H13。关于该处理的详情，使用图11后述。
<各网格点的坐标上的肉厚度的预测处理>
接着，使用图10，对各网格点的坐标上的肉厚度的预测处理(步骤S7-4)进行说明。
在此，控制部21的预测管理部216生成将根据已取得的骨形状生成的橡胶膜坐标排成一行的橡胶膜坐标矢量(说明变量矢量)，并进行正规化。
接着，控制部21的预测管理部216通过计算正规化的橡胶膜坐标矢量与第3矩阵的内积，从而计算预测系数。
接着，控制部21的预测管理部216通过计算已计算出的预测系数与第4矩阵的内积，从而计算预测矢量(目的变量矢量)。该预测矢量的大小示出各网格点的肉厚度。
<脸复原的生成处理>
接着，使用图11，对脸复原的生成处理进行说明。
控制部21的形状生成部217使在步骤S7-4中计算出的各网格点中的肉厚度与橡胶膜表面的网格点的坐标相加，确定脸的外表面的坐标。然后，利用包括确定出的各坐标在内的三维形状来生成脸形状。
图11的(a)中示出橡胶膜表面的网格点。该橡胶膜表面的黑点是特征点。
图11的(b)中示出在橡胶膜表面的各网格点上预测的肉厚度矢量。该肉厚度矢量由在从原点连接网格点的方向上根据橡胶膜表面预测的肉厚度(距离)构成。
图11(c)的中示出通过由肉厚度矢量确定的坐标点生成的外表面形状。另外，外表面上的黑点示出特征点。
(预测结果的比较)
图12中示出在40名的个体数据中，使用39名的个体数据执行学习处理，使用剩余的1名的个体数据执行预测处理的结果。
图12的(a)是使用于预测处理的头盖骨。
图12中，(b)是根据输入的头盖骨生成的橡胶膜，(c)是通过耦合学习预测的脸复原结果。
图12的(d)是作为参考例的、通过脸的平均肉厚度预测的脸复原结果。
图12的(e)是成为正确结果的外表面(脸形状)。
可知图12的(c)的本发明的预测结果比图12的(d)的比较例更接近正确结果。
根据本实施方式，能够得到如下效果。
(1)在本实施方式中，形状预测系统20的控制部21执行如下学习处理：确定头盖骨的骨形状中的特征点，基于特征点的配置，生成预测从骨形状到外表面的厚度的配置预测模型。而且，控制部21确定预测对象的头盖骨的特征点，将配置预测模型应用于确定出的特征点的配置来预测外表面。由此，使用由实际的头盖骨和外表面的数据学习并预测出的肉厚度，生成外表面，因此能够准确地进行脸复原。
(2)在本实施方式中，形状预测系统20的控制部21测量从覆盖头盖骨的橡胶膜到外表面的肉厚度，使用该测量值生成预测肉厚度的模型。在头盖骨中具有眼窝等孔(欠缺区域)。在该情况下也能够准确地预测从橡胶膜到外表面的肉厚度。
(3)在本实施方式中，形状预测系统20的控制部21在橡胶膜拟合处理中执行球面网格的均匀分割处理及网格的缩小移动处理(步骤S5-1，S5-2)。由此，通过使引力作用在多个网格点之间，从而能够生成与头盖骨的外形形状一致的网格。
(4)在本实施方式中，形状预测系统20的控制部21使用测量出的肉厚度，执行基于耦合学习的配置预测模型的生成处理。由此，能够使用中小规模的数据生成准确预测的模型。
(5)在本实施方式中，形状预测系统20的控制部21执行参照相同模型的生成处理(步骤S1-2)及学习个体数据中的相同模型化处理(步骤S1-3)。由此，能够使各学习个体数据在解剖学上的特征中通用，生成配置预测模型。
(6)在本实施方式中，形状预测系统20的控制部21在参照相同模型的生成处理及相同模型化处理中使用最速下降法执行网格的均匀化(步骤S2-4、S3-5)。由此，能够均匀地配置网格，所以能够预测无误。
本实施方式能够按如下变更并实施。本实施方式及以下变更例能够在技术上不矛盾的范围内相互组合实施。
■上述实施方式的形状预测系统20的控制部21使用存储于CT图像数据存储部22的数据生成配置预测模型。在该情况下，也可以按立体形状的属性(例如人种、性别)生成配置预测模型。在该情况下，控制部21使用相同属性的CT图像数据，生成按属性区分的配置预测模型。而且，在形状预测系统20针对头盖骨形状的特征量预先保持用于确定属性的属性判定信息。
然后，在取得预测对象的头盖骨的3D数据的情况下，控制部21计算头盖骨形状的特征量，使用属性判定信息确定属性。另外，也可以经由输入装置H12输入属性。接着，控制部21使用与确定出的属性相应的配置预测模型预测肉厚度，使用预测出的肉厚度生成外表面。由此，能够考虑与人种、性别等属性相应的肉厚度的差异而更准确地进行脸复原。
■上述实施方式的形状预测系统20的控制部21根据骨形状考虑肉厚度来预测外表面。预测的第2立体形状只要是相对于第1立体形状相对地配置的形状即可。例如，也可以根据外表面(第1立体形状)预测骨形状(第2立体形状)。
具体地讲，如图13的(a)所示，形状预测系统20的控制部21与上述实施方式的学习处理同样地执行骨形状及外表面的CT图像的取得处理(步骤S8-1)、参照相同模型的生成处理(步骤S8-2)、学习个体数据中的相同模型化处理(步骤S8-3)。而且，控制部21与上述实施方式的学习处理同样地执行使用骨形状的橡胶膜的生成处理(步骤S8-4)及肉厚度的测量处理(步骤S8-5)。然后，形状预测系统20的控制部21执行基于耦合学习的配置预测模型的生成处理(步骤S8-6)。在该处理中，控制部21进行将外表面坐标矢量作为说明变量矢量、将肉厚度矢量作为目的变量矢量使用的耦合学习，生成配置预测模型。
然后，如图13的(b)所示，在预测处理中，形状预测系统20的控制部21执行预测对象外表面的3D扫描处理(步骤S9-1)。具体地讲，控制部21的预测管理部216通过输入装置H12取得预测对象的外表面的CT图像，生成外表面的三维形状，取得外表面数据。
接着，形状预测系统20的控制部21执行预测对象数据中的相同模型化处理(步骤S9-2)。具体地讲，控制部21的相同化处理部213使用已取得的预测对象的外表面数据，与学习个体数据中的相同模型化处理同样地执行外表面中的特征点的确定处理、特征点的正规化处理、特征网格点的移动处理、其他的网格点的插补处理、以及使用最速下降法进行网格的均匀化的处理(步骤S3-1～S3-5)。
接着，形状预测系统20的控制部21与步骤S7-4同样地执行各网格点的坐标上的肉厚度的预测处理(步骤S9-3)。在该情况下，控制部21将预测对象的外表面的坐标矢量作为输入数据，计算肉厚度矢量。
接着，形状预测系统20的控制部21执行如下处理：从外表面减去肉厚度，进行橡胶膜的生成(步骤S9-4)。
由此，能够由外表面预测用橡胶膜覆盖的骨形状。
另外，第1立体形状及第2立体形状不限于头盖骨及头部的外表面，也可以是人体的骨形状及外表面。在该情况下，可以生成预测与瘦型、肥胖型等体型相应的肉厚度的预测模型。并且，可以对相同人体的骨形状预测与体型相应的外表面，预测瘦的情况、胖的情况的体型。
而且，预测的第2立体形状不限于配置于第1立体形状的外侧或者内侧。例如，也可以由河表面的波形(第1立体形状)预测河底的形状(第2立体形状)。
·在上述实施方式中，在橡胶膜拟合处理(步骤S4-2)中，形状预测系统20的控制部21执行球面网格的均匀分割处理及网格的缩小移动处理(步骤S5-1、S5-2)。在该情况下，也可以区分眼窝等欠缺区域和脸颊等凹陷区域而使橡胶膜拟合。例如，在网格的缩小移动处理(步骤S5-2)中，使引力(第2引力)与各网格间的引力(第1引力)一起作用在头盖骨(第1立体形状)与网格点之间(即，在头盖骨于网格点之间赋予引力)。在该情况下，凹陷区域由于第2引力而接近骨骼，但是因为在欠缺区域没有骨骼，所以第2引力不作用，仅由第1引力决定配置。由此，能够改善橡胶膜的拟合精度。
·在上述实施方式中，形状预测系统20的控制部21在使用骨形状的橡胶膜的生成处理中，生成与骨形状一致的橡胶膜，测量从外表面到橡胶膜的肉厚度。控制部21也可以取代生成橡胶膜的方式而采用区分眼窝等欠缺区域和其他区域并按每个区域测量肉厚度的方式。在该情况下，也可以确定欠缺区域的周围，设定将欠缺区域堵住的形状，测量从该部件到外表面的距离作为肉厚度。
■在上述实施方式中，形状预测系统20的控制部21通过耦合学习而生成配置预测模型。配置预测模型的生成不限于耦合学习。例如，也可以使用采用使用从属变量(预测对象特征量)计算说明变量(在预测时使用的特征量)的多元回归分析、神经网络等其他的机械学习。
附图标记说明
20：形状预测系统；21：控制部；22：CT图像数据存储部；23：特征点数据存储部；24：球面网格数据存储部；25：模型存储部；210：学习管理部；211：基本模型生成部；212：肉厚度测量部；213：相同化处理部；214：橡胶膜生成部；215：机械学习部；216：预测管理部；217：形状生成部。
Claims (11)
1.一种形状预测系统，具备：
形状信息存储部；和
控制部，其与输入部、输出部连接，
所述形状预测系统的特征在于，
所述控制部执行学习处理，
在所述学习处理中，
将物体的第1立体形状存储于所述形状信息存储部，
在所述第1立体形状中确定特征点，
将相对于所述第1立体形状相对地配置的第2立体形状与所述第1立体形状关联起来存储于所述形状信息存储部，
使用所述第2立体形状，在所述第1立体形状的所述特征点生成用于预测所述第2立体形状的预测模型，
所述控制部执行预测处理，
在所述预测处理中，
在预测对象的第1立体形状中确定特征点，
通过将所述预测模型应用于所述预测对象的所述特征点的配置从而预测所述预测对象的第2立体形状。
2.根据权利要求1所述的形状预测系统，其中，
所述控制部在所述第1立体形状中确定欠缺区域，对所述欠缺区域进行插补。
3.根据权利要求2所述的形状预测系统，其中，
所述控制部控制成：
将所述第1立体形状用设定有多个网格点的网格膜覆盖，
并对所述多个网格点之间赋予引力，以将所述欠缺区域填埋的方式进行插补。
4.根据权利要求3所述的形状预测系统，其中，
所述控制部对所述第1立体形状与所述网格点之间赋予引力，对所述欠缺区域进行插补。
5.根据权利要求1～4中的任一项所述的形状预测系统，其中，
所述控制部在针对所述第1立体形状进行相同化而得的形状中确定所述特征点。
6.根据权利要求1～5中的任一项所述的形状预测系统，其中，
所述第1立体形状是骨形状，
所述第2立体形状是在所述骨形状的外侧使用肉厚度形成的外表面的形状。
7.根据权利要求6所述的形状预测系统，其中，
所述外表面形状是包括脸的头部的外表面的形状，
所述控制部执行脸复原处理，在该脸复原处理中，通过对头盖骨填充肉从而预测所述第2立体形状。
8.根据权利要求1～5中的任一项所述的形状预测系统，其中，
所述第1立体形状是人体的外表面的形状，
所述第2立体形状是设定成隔着肉厚度配置于所述人体的内侧的骨形状的、网格膜的形状。
9.根据权利要求8所述的形状预测系统，其中，
所述控制部执行根据头部的外表面的形状预测设定于头盖骨的网格膜的处理。
10.一种形状预测方法，使用形状预测系统，所述形状预测系统具备：形状信息存储部；和控制部，其与输入部、输出部连接，
所述形状预测方法的特征在于，
所述控制部执行学习处理，
在所述学习处理中，
将物体的第1立体形状存储于所述形状信息存储部，
在所述第1立体形状中确定特征点，
将相对于所述第1立体形状相对地配置的第2立体形状与所述第1立体形状关联起来存储于所述形状信息存储部，
使用所述第2立体形状，在所述第1立体形状的所述特征点生成用于预测所述第2立体形状的预测模型，
所述控制部执行预测处理，
在所述预测处理中，
在预测对象的第1立体形状中确定特征点，
通过将所述预测模型应用于所述预测对象的所述特征点的配置从而预测所述预测对象的第2立体形状。
11.一种计算机可读介质，存储有用于使用形状预测系统预测形状的形状预测程序，所述形状预测系统具备：形状信息存储部；和控制部，其与输入部、输出部连接，
所述计算机可读介质的特征在于，
使所述控制部作为执行学习处理和预测处理的单元发挥功能，
在所述学习处理中，
将物体的第1立体形状存储于所述形状信息存储部，
在所述第1立体形状中确定特征点，
将相对于所述第1立体形状相对地配置的第2立体形状与所述第1立体形状关联起来存储于所述形状信息存储部，
使用所述第2立体形状，在所述第1立体形状的所述特征点生成用于预测所述第2立体形状的预测模型，
在所述预测处理中，
在预测对象的第1立体形状中确定特征点，
通过将所述预测模型应用于所述预测对象的所述特征点的配置从而预测所述预测对象的第2立体形状。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019102844A JP6751540B1 (ja) | 2019-05-31 | 2019-05-31 | 形状予測システム、形状予測方法及び形状予測プログラム |
| JP2019-102844 | 2019-05-31 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112017096A true CN112017096A (zh) | 2020-12-01 |
Family
ID=72333421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010407977.0A Pending CN112017096A (zh) | 2019-05-31 | 2020-05-14 | 形状预测系统、形状预测方法以及计算机可读介质 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP6751540B1 (zh) |
| KR (1) | KR102413589B1 (zh) |
| CN (1) | CN112017096A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06189126A (ja) * | 1992-12-21 | 1994-07-08 | Fuji Xerox Co Ltd | 画像処理方法及びその装置 |
| US20040153128A1 (en) * | 2003-01-30 | 2004-08-05 | Mitta Suresh | Method and system for image processing and contour assessment |
| CN101057257A (zh) * | 2004-11-12 | 2007-10-17 | 欧姆龙株式会社 | 人脸特征点检测装置、特征点检测装置 |
| US20080253610A1 (en) * | 2007-04-10 | 2008-10-16 | Denso Corporation | Three dimensional shape reconstitution device and estimation device |
| CN103679816A (zh) * | 2013-12-30 | 2014-03-26 | 北京师范大学 | 一种面向刑侦的未知身源颅骨的计算机辅助面貌复原方法 |
| JP2015046018A (ja) * | 2013-08-28 | 2015-03-12 | 株式会社豊田中央研究所 | 形状状態推定装置、形状モデル生成装置、及びプログラム |
| CN106485667A (zh) * | 2015-09-02 | 2017-03-08 | 北京师范大学 | 一种颅面复原方法 |
| CN107111786A (zh) * | 2014-11-13 | 2017-08-29 | 瑞穗情报综研株式会社 | 用于预测信息的系统、方法以及程序 |
| CN107408290A (zh) * | 2015-07-09 | 2017-11-28 | 瑞穗情报综研株式会社 | 增龄化预测系统、增龄化预测方法以及增龄化预测程序 |
| CN107730519A (zh) * | 2017-09-11 | 2018-02-23 | 广东技术师范学院 | 一种人脸二维图像到人脸三维重建的方法及系统 |
| US20180218197A1 (en) * | 2017-01-27 | 2018-08-02 | Signal Processing, Inc. | Method and System for Enhancing Predictive Accuracy of Planet Surface Characteristics from Orbit |
| CN108376421A (zh) * | 2018-02-28 | 2018-08-07 | 浙江神造科技有限公司 | 一种基于阴影恢复形状法生成人脸三维模型的方法 |
| CN109146818A (zh) * | 2018-08-24 | 2019-01-04 | 青岛大学 | 一种基于测地线的颅面统计复原方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6443232A (en) * | 1987-08-10 | 1989-02-15 | Toshiba Corp | Automatic face restoration simulator |
| JP2005074136A (ja) * | 2003-09-03 | 2005-03-24 | Japan Science & Technology Agency | 顔形状のモデリング方法及び顔形状モデリング用プログラム |
| JP5950486B1 (ja) * | 2015-04-01 | 2016-07-13 | みずほ情報総研株式会社 | 加齢化予測システム、加齢化予測方法及び加齢化予測プログラム |
-
2019
- 2019-05-31 JP JP2019102844A patent/JP6751540B1/ja active Active
-
2020
- 2020-05-14 CN CN202010407977.0A patent/CN112017096A/zh active Pending
- 2020-05-18 KR KR1020200059225A patent/KR102413589B1/ko active IP Right Grant
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06189126A (ja) * | 1992-12-21 | 1994-07-08 | Fuji Xerox Co Ltd | 画像処理方法及びその装置 |
| US20040153128A1 (en) * | 2003-01-30 | 2004-08-05 | Mitta Suresh | Method and system for image processing and contour assessment |
| CN101057257A (zh) * | 2004-11-12 | 2007-10-17 | 欧姆龙株式会社 | 人脸特征点检测装置、特征点检测装置 |
| US20080253610A1 (en) * | 2007-04-10 | 2008-10-16 | Denso Corporation | Three dimensional shape reconstitution device and estimation device |
| JP2015046018A (ja) * | 2013-08-28 | 2015-03-12 | 株式会社豊田中央研究所 | 形状状態推定装置、形状モデル生成装置、及びプログラム |
| CN103679816A (zh) * | 2013-12-30 | 2014-03-26 | 北京师范大学 | 一种面向刑侦的未知身源颅骨的计算机辅助面貌复原方法 |
| CN107111786A (zh) * | 2014-11-13 | 2017-08-29 | 瑞穗情报综研株式会社 | 用于预测信息的系统、方法以及程序 |
| CN107408290A (zh) * | 2015-07-09 | 2017-11-28 | 瑞穗情报综研株式会社 | 增龄化预测系统、增龄化预测方法以及增龄化预测程序 |
| CN106485667A (zh) * | 2015-09-02 | 2017-03-08 | 北京师范大学 | 一种颅面复原方法 |
| US20180218197A1 (en) * | 2017-01-27 | 2018-08-02 | Signal Processing, Inc. | Method and System for Enhancing Predictive Accuracy of Planet Surface Characteristics from Orbit |
| CN107730519A (zh) * | 2017-09-11 | 2018-02-23 | 广东技术师范学院 | 一种人脸二维图像到人脸三维重建的方法及系统 |
| CN108376421A (zh) * | 2018-02-28 | 2018-08-07 | 浙江神造科技有限公司 | 一种基于阴影恢复形状法生成人脸三维模型的方法 |
| CN109146818A (zh) * | 2018-08-24 | 2019-01-04 | 青岛大学 | 一种基于测地线的颅面统计复原方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200137998A (ko) | 2020-12-09 |
| JP6751540B1 (ja) | 2020-09-09 |
| JP2020197845A (ja) | 2020-12-10 |
| KR102413589B1 (ko) | 2022-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rumpf et al. | A level set formulation for Willmore flow | |
| Endo et al. | Dhaiba: development of virtual ergonomic assessment system with human models | |
| CN109086711B (zh) | 人脸特征分析方法、装置、计算机设备和存储介质 | |
| Lacko et al. | Evaluation of an anthropometric shape model of the human scalp | |
| JP5950486B1 (ja) | 加齢化予測システム、加齢化予測方法及び加齢化予測プログラム | |
| CN111968235A (zh) | 一种物体姿态估计方法、装置、系统和计算机设备 | |
| US10262414B2 (en) | Computer aided diagnostic system for mapping of brain images | |
| KR101968437B1 (ko) | 가령화 예측 시스템, 가령화 예측 방법 및 가령화 예측 프로그램 | |
| JP2024501986A (ja) | ３次元顔再構築の方法、３次元顔再構築の装置、デバイスおよび記憶媒体 | |
| CN109584327B (zh) | 人脸老化模拟方法、装置以及设备 | |
| US20040230545A1 (en) | Method and apparatus for producing three dimensional shapes | |
| JP2019114253A (ja) | 改善された年齢モデル化方法 | |
| US7542950B2 (en) | Method and apparatus for producing three dimensional shapes | |
| JP2004521425A (ja) | 対象の３次元表面上にマップされた３次元メッシュモデルの適合性評価のための画像処理方法 | |
| CN110309855B (zh) | 图像分割的训练方法、计算机设备及存储介质 | |
| US11769310B2 (en) | Combining three-dimensional morphable models | |
| CN112017096A (zh) | 形状预测系统、形状预测方法以及计算机可读介质 | |
| JP7164008B2 (ja) | データ生成方法、データ生成装置及びプログラム | |
| WO2021171118A1 (en) | Face mesh deformation with detailed wrinkles | |
| Tizzard et al. | Improving the finite element forward model of the human head by warping using elastic deformation | |
| CN116740221B (zh) | 实时脑功能激活图生成方法、装置、计算机设备和介质 | |
| LU501493B1 (en) | An apparatus and a process for real-time monitoring of deformation of smart elastic textiles based on measurements of electromagnetic characteristics | |
| KR102513601B1 (ko) | 3차원 영상 기반 유체 시뮬레이션 방법, 장치 및 프로그램 | |
| US11776212B1 (en) | Anatomically conforming apparatuses, systems, and methods, and applications thereof | |
| US20240185094A1 (en) | Prediction model generation apparatus, prediction model generation method, and non-transitory computer readable medium |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Mitsuji, erdingmu, kammachi, Kanda, Chiyoda, Tokyo, Japan Applicant after: Mizuho Research & Technology Co.,Ltd. Applicant after: Director, Scientific Police Institute, Police Department Address before: Mitsuji, erdingmu, kammachi, Kanda, Chiyoda, Tokyo, Japan Applicant before: MIZUHO INFORMATION & RESEARCH INSTITUTE, Inc. Applicant before: Director, Scientific Police Institute, Police Department |