CN113674161A - 一种基于深度学习的人脸残缺扫描补全方法、装置 - Google Patents

一种基于深度学习的人脸残缺扫描补全方法、装置 Download PDF

Info

Publication number
CN113674161A
CN113674161A CN202110745738.0A CN202110745738A CN113674161A CN 113674161 A CN113674161 A CN 113674161A CN 202110745738 A CN202110745738 A CN 202110745738A CN 113674161 A CN113674161 A CN 113674161A
Authority
CN
China
Prior art keywords
face
scanning
template
point cloud
coordinate system
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
CN202110745738.0A
Other languages
English (en)
Inventor
徐枫
冯铖锃
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110745738.0A priority Critical patent/CN113674161A/zh
Publication of CN113674161A publication Critical patent/CN113674161A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提出一种基于深度学习的人脸残缺扫描补全方法：取深度相机采集的深度图像和彩色图像；检测彩色图像中的二维人脸特征点并根据相机内参和深度图像中的深度信息生成人脸扫描的三维人脸特征点，根据三维特征点将人脸扫描大致对齐到模板人脸所在的标准坐标系；使用迭代最近点算法将人脸扫描更精确地和模板人脸对齐；使用拉普拉斯变形算法将模板人脸拟合到对齐后的人脸扫描；在拟合结果上设置距离阈值，去除人脸扫描中的冗余表面；使用PointNet自编码器对人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。本申请解决人脸扫描位姿不同以及含有冗余表面问题，利用神经网络补全人脸几何形状，从而得到更好补全效果。

Description

一种基于深度学习的人脸残缺扫描补全方法、装置
技术领域
本申请涉及计算机视觉技术领域，尤其涉及一种基于深度学习的人脸残缺扫描补全方法、装置及存储介质。
背景技术
深度相机只能从单个视角拍摄人脸，其采集的人脸扫描通常是不完整的，因此，通常需要对人脸残缺扫描进行补全。
相关技术中，主要使用ShapeNet等数据集训练补全网络来进行点云补全的工作。但是，ShapeNet数据集中的物体通常是飞机、桌椅等，这些物体相较于人脸的几何结构更加复杂，因此，用这些物体精心设计的网络来补全人脸，得到的效果未必很好。
同时，点云补全工作中利用的其它网络结构，并没有考虑到采集到的人脸扫描中会有冗余表面(例如，脖子、肩膀等和人脸无关的表面)和原始扫描位姿不统一的问题，因此，利用这些网络结构得到的补全效果会有一定程度的失真。
发明内容
本申请提供一种基于深度学习的人脸残缺扫描补全方法、装置及存储介质，以解决相关技术中的人脸扫描位姿不同以及含有冗余表面的技术问题。
本申请第一方面实施例提出一种基于深度学习的人脸残缺扫描补全方法，包括：
获取深度相机采集的深度图像和彩色图像；
检测所述彩色图像中的二维人脸特征点，并根据相机内参和所述深度图像中的深度信息生成人脸扫描的三维人脸特征点，根据所述三维特征点将所述人脸扫描大致对齐到模板人脸所在的标准坐标系；
使用迭代最近点算法将所述人脸扫描更精确地和所述模板人脸对齐；
使用拉普拉斯变形算法将所述模板人脸拟合到所述对齐后的人脸扫描；
在所述拟合结果上设置距离阈值，去除所述人脸扫描中的冗余表面；
使用PointNet自编码器对所述人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。
本申请第二方面实施例提出一种基于深度学习的人脸残缺扫描补全装置，包括：
获取模块，用于获取深度相机采集的深度图像和彩色图像；
粗对齐模块，用于检测所述彩色图像中的二维人脸特征点，并根据相机内参和所述深度图像中的深度信息生成人脸扫描的三维人脸特征点，根据所述三维特征点将所述人脸扫描大致对齐到模板人脸所在的标准坐标系；
细对齐模块，用于使用迭代最近点算法将所述人脸扫描更精确地和所述模板人脸对齐；
拟合模块，用于使用拉普拉斯变形算法将所述模板人脸拟合到所述对齐后的人脸扫描；
剪裁模块，用于在所述拟合结果上设置距离阈值，去除所述人脸扫描中的冗余表面；
补全模块，用于使用PointNet自编码器对所述人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。
本申请第三方面实施例提出的非临时性计算机可读存储介质，其中，所述非临时性计算机可读存储介质存储有计算机程序；所述计算机程序被处理器执行时实现如上第一方面所示的方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
本申请提出的基于深度学习的人脸残缺扫描补全方法、装置及存储介质中，获取深度相机采集的深度图像和彩色图像，然后检测图像中的二维人脸特征点并根据相机内参和深度图像中的深度信息生成人脸扫描的三维人脸特征点，根据三维特征点将人脸扫描大致对齐到模板人脸所在的标准坐标系，再使用迭代最近点算法将人脸扫描更精确地和模板人脸对齐，并使用拉普拉斯变形算法将模板人脸拟合到对齐后的人脸扫描，通过在拟合结果上设置距离阈值，去除人脸扫描中的冗余表面，最后使用PointNet自编码器对人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。其中，本申请解决人脸扫描位姿不同以及含有冗余表面问题，同时利用神经网络补全人脸几何形状，从而得到了更好的补全效果。
本申请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，或通过本申请的实践了解到。
附图说明
本申请上述的和/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为根据本申请一个实施例提供的基于深度学习的人脸残缺扫描补全方法的流程示意图；
图2为根据本申请一个实施例提供的基于深度学习的人脸残缺扫描补全装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述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，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的人脸残缺扫描补全方法及装置。
实施例一
图1为根据本申请一个实施例提供的基于深度学习的人脸残缺扫描补全方法的流程示意图，如图1所示，可以包括：
步骤101、获取深度相机采集的深度图像和彩色图像。
步骤102、检测彩色图像中的二维人脸特征点，并根据相机内参和深度图像中的深度信息生成人脸扫描的三维人脸特征点，根据三维特征点将人脸扫描大致对齐到模板人脸所在的标准坐标系中。
其中，本申请提供的补全方法采用3DMM人脸模型作为模板，并将模板所在的坐标系定义为标准坐标系。
其中，根据三维特征点将人脸扫描大致对齐到模板人脸所在的标准坐标系中的方法为，首先在模板上标记出与二维特征点和三维特征点具有相同定义的特征点，然后根据模板标记的特征点和人脸扫描上通过反投影得到的特征点，估计原始扫描所在坐标系到标准坐标系的刚性变换，从而完成原始扫描到标准坐标系的粗对齐。
步骤103、使用迭代最近点算法将人脸扫描更精确地和模板人脸对齐。
步骤104、使用拉普拉斯变形算法将模板人脸拟合到对齐后的人脸扫描。
其中，本申请利用拉普拉斯变形算法将模板拟合完成102～103对齐步骤后的人脸扫描，从而使得拟合后的模板和人脸扫描在几何形状上非常接近，以便后续对输入扫描中的人脸区域的裁剪。
步骤105、在拟合结果上设置距离阈值，去除人脸扫描中的冗余表面。
其中，本申请在模板拟合对齐人脸扫描之后，通过设置一个距离阈值，在对齐后的扫描上去除到模板距离超过这个阈值的顶点，即可去除扫描中的冗余表面(脖子、肩膀等和人脸无关的表面)，从而提取到扫描的人脸区域。
步骤106、使用PointNet自编码器对人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。
其中，PointNet自编码器是由编码器和解码器构成，编码器的输入为人脸扫描的点云，编码器的输出为编码点云信息的特征向量。解码器用于将编码点云信息的特征向量回归完整的人脸点云。
本申请提出的基于深度学习的人脸残缺扫描补全方法中，获取深度相机采集的深度图像和彩色图像，然后检测图像中的二维人脸特征点并根据相机内参和深度图像中的深度信息生成人脸扫描的三维人脸特征点，根据三维特征点将人脸扫描大致对齐到模板人脸所在的标准坐标系，再使用迭代最近点算法将人脸扫描更精确地和模板人脸对齐，并使用拉普拉斯变形算法将模板人脸拟合到对齐后的人脸扫描，通过在拟合结果上设置距离阈值，去除人脸扫描中的冗余表面，最后使用PointNet自编码器对人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。其中，本申请解决人脸扫描位姿不同以及含有冗余表面问题，同时利用神经网络补全人脸的几何形状，从而得到了更好的补全效果。
实施例二
进一步地，基于上述实施例提供的基于深度学习的人脸残缺扫描补全方法，本申请实施例还提供一种基于深度学习的人脸残缺扫描补全装置200，图2为根据本申请一个实施例提供的一种基于深度学习的人脸残缺扫描补全装置的结构示意图，如图2所示，可以包括：
获取模块201，用于获取深度相机采集的深度图像和彩色图像；
粗对齐模块202，用于检测彩色图像中的二维人脸特征点，并根据相机内参和深度图像中的深度信息生成人脸扫描的三维人脸特征点，将根据三维特征点将人脸扫描大致对齐到模板人脸所在的标准坐标系；
细对齐模块203，用于使用迭代最近点算法将人脸扫描更精确地和模板人脸对齐；
拟合模块204，用于使用拉普拉斯变形算法将模板人脸拟合到对齐后的人脸扫描；
剪裁模块205，用于在拟合结果上设置距离阈值，去除人脸扫描中的冗余表面；
补全模块206，用于使用PointNet自编码器对人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。
其中，本申请的基于深度学习的人脸残缺扫描补全装置中采用3DMM人脸模型作为模板，并将模板所在的坐标系定义为标准坐标系。
以及，上述的粗对齐模块202还用于，在模板上标记出具有相同定义的特征点，然后根据模板标记的特征点和人脸扫描上通过反摄影得到的特征点，估计原始扫描所在坐标系到标准坐标系的刚性变换，从而完成原始扫描到标准坐标系的粗对齐。
此外，上述补全模块206中的PointNet自编码器由编码器和解码器构成，编码器的输入为人脸扫描的点云，编码器的输出为编码点云信息的特征向量。解码器用于将编码点云信息的特征向量回归完整的人脸点云。
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质。
本公开实施例提供的非临时性计算机可读存储介质，存储有计算机程序；计算机程序被处理器执行时，能够实现如图1任一所示的基于深度学习的人脸残缺扫描补全方法。
本申请提出的基于深度学习的人脸残缺扫描补全方法、装置及存储介质中，通过获取深度相机采集的深度图像和彩色图像，然后检测图像中的二维人脸特征点并根据相机内参和深度图像中的深度信息生成人脸扫描的三维人脸特征点，根据三维特征点将人脸扫描大致对齐到模板人脸所在的标准坐标系，再使用迭代最近点算法将人脸扫描更精确地和模板人脸对齐，并使用拉普拉斯变形算法将模板人脸拟合到对齐后的人脸扫描，通过在拟合结果上设置距离阈值，去除人脸扫描中的冗余表面，最后使用PointNet自编码器对人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。其中，本申请解决人脸扫描位姿不同以及含有冗余表面问题，同时利用神经网络补全人脸的几何形状，从而得到了更好的补全效果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于深度学习的人脸残缺扫描补全方法，其特征在于，包括以下步骤：
获取深度相机采集的深度图像和彩色图像；
检测所述彩色图像中的二维人脸特征点，并根据相机内参和所述深度图像中的深度信息生成人脸扫描的三维人脸特征点，根据所述三维特征点将所述人脸扫描大致对齐到模板人脸所在的标准坐标系；
使用迭代最近点算法将所述人脸扫描更精确地和所述模板人脸对齐；
使用拉普拉斯变形算法将所述模板人脸拟合到所述对齐后的人脸扫描；
在所述拟合结果上设置距离阈值，去除所述人脸扫描中的冗余表面；
使用PointNet自编码器对所述人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。
2.根据权利要求1所述的补全方法，其特征在于，所述模板为3DMM人脸模型，所述模板所在的坐标系定义为所述标准坐标系。
3.根据权利要求1或2所述的补全方法，其特征在于，所述根据三维特征点将人脸扫描大致对齐到模板人脸所在的标准坐标系，包括：
在所述模板上标记具有相同定义的特征点；
根据所述模板标记的特征点和所述人脸扫描上通过反投影得到的特征点，估计所述原始扫描所在坐标系到所述标准坐标系的刚性变换，完成所述原始扫描到所述标准坐标系的粗对齐。
4.根据权利要求1所述的补全方法，其特征在于，所述PointNet自编码器由编码器和解码器构成，所述编码器的输入为所述人脸扫描的点云，所述编码器的输出为编码点云信息的特征向量，所述解码器用于将所述编码点云信息的特征向量回归所述完整的人脸点云。
5.一种基于深度学习的人脸残缺扫描补全装置，其特征在于，包括：
获取模块，用于获取深度相机采集的深度图像和彩色图像；
粗对齐模块，用于检测所述彩色图像中的二维人脸特征点，并根据相机内参和所述深度图像中的深度信息生成人脸扫描的三维人脸特征点，根据所述三维特征点将所述人脸扫描大致对齐到模板人脸所在的标准坐标系；
细对齐模块，用于使用迭代最近点算法将所述人脸扫描更精确地和所述模板人脸对齐；
拟合模块，用于使用拉普拉斯变形算法将所述模板人脸拟合到所述对齐后的人脸扫描；
剪裁模块，用于在所述拟合结果上设置距离阈值，去除所述人脸扫描中的冗余表面；
补全模块，用于使用PointNet自编码器对所述人脸区域的残缺点云进行几何形状的补全，生成完整的人脸点云。
6.根据权利要求5所述的补全装置，其特征在于，所述模板为3DMM人脸模型，所述模板所在的坐标系定义为所述标准坐标系。
7.根据权利要求5或6所述的补全装置，其特征在于，所述粗对齐模块，还用于：
在所述模板上标记具有相同定义的特征点；
根据所述模板标记的特征点和所述人脸扫描上通过反投影得到的特征点，估计所述原始扫描所在坐标系到所述标准坐标系的刚性变换，完成所述原始扫描到所述标准坐标系的粗对齐。
8.根据权利要求5所述的补全方法，其特征在于，所述PointNet自编码器由编码器和解码器构成，所述编码器的输入为所述人脸扫描的点云，所述编码器的输出为编码点云信息的特征向量，所述解码器用于将所述编码点云信息的特征向量回归所述完整的人脸点云。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的基于深度学习的人脸残缺扫描补全方法。
CN202110745738.0A 2021-07-01 2021-07-01 一种基于深度学习的人脸残缺扫描补全方法、装置 Pending CN113674161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110745738.0A CN113674161A (zh) 2021-07-01 2021-07-01 一种基于深度学习的人脸残缺扫描补全方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110745738.0A CN113674161A (zh) 2021-07-01 2021-07-01 一种基于深度学习的人脸残缺扫描补全方法、装置

Publications (1)

Publication Number Publication Date
CN113674161A true CN113674161A (zh) 2021-11-19

Family

ID=78538378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110745738.0A Pending CN113674161A (zh) 2021-07-01 2021-07-01 一种基于深度学习的人脸残缺扫描补全方法、装置

Country Status (1)

Country Link
CN (1) CN113674161A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445514A (zh) * 2022-01-26 2022-05-06 四川大学 基于磁共振扫描影像的模板数据的生成及应用方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777195A (zh) * 2010-01-29 2010-07-14 浙江大学 一种三维人脸模型的调整方法
CN103208133A (zh) * 2013-04-02 2013-07-17 浙江大学 一种图像中人脸胖瘦的调整方法
CN104008564A (zh) * 2014-06-17 2014-08-27 河北工业大学 一种人脸表情克隆方法
CN105095654A (zh) * 2015-07-16 2015-11-25 努比亚技术有限公司 一种面部信息的输出方法和装置
CN109472820A (zh) * 2018-10-19 2019-03-15 清华大学 单目rgb-d相机实时人脸重建方法及装置
KR20190098858A (ko) * 2018-02-01 2019-08-23 고려대학교 산학협력단 딥러닝 기반의 포즈 변화에 강인한 얼굴 인식 방법 및 장치
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
CN111680577A (zh) * 2020-05-20 2020-09-18 北京的卢深视科技有限公司 人脸检测方法和装置
WO2020186886A1 (zh) * 2019-03-18 2020-09-24 中国科学院深圳先进技术研究院 一种人脸识别模型的生成方法及设备
CN112002014A (zh) * 2020-08-31 2020-11-27 中国科学院自动化研究所 面向精细结构的三维人脸重建方法、系统、装置
CN112651380A (zh) * 2021-01-13 2021-04-13 深圳市一心视觉科技有限公司 人脸识别方法、人脸识别装置、终端设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777195A (zh) * 2010-01-29 2010-07-14 浙江大学 一种三维人脸模型的调整方法
CN103208133A (zh) * 2013-04-02 2013-07-17 浙江大学 一种图像中人脸胖瘦的调整方法
CN104008564A (zh) * 2014-06-17 2014-08-27 河北工业大学 一种人脸表情克隆方法
CN105095654A (zh) * 2015-07-16 2015-11-25 努比亚技术有限公司 一种面部信息的输出方法和装置
KR20190098858A (ko) * 2018-02-01 2019-08-23 고려대학교 산학협력단 딥러닝 기반의 포즈 변화에 강인한 얼굴 인식 방법 및 장치
CN109472820A (zh) * 2018-10-19 2019-03-15 清华大学 单目rgb-d相机实时人脸重建方法及装置
WO2020186886A1 (zh) * 2019-03-18 2020-09-24 中国科学院深圳先进技术研究院 一种人脸识别模型的生成方法及设备
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
CN111680577A (zh) * 2020-05-20 2020-09-18 北京的卢深视科技有限公司 人脸检测方法和装置
CN112002014A (zh) * 2020-08-31 2020-11-27 中国科学院自动化研究所 面向精细结构的三维人脸重建方法、系统、装置
CN112651380A (zh) * 2021-01-13 2021-04-13 深圳市一心视觉科技有限公司 人脸识别方法、人脸识别装置、终端设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445514A (zh) * 2022-01-26 2022-05-06 四川大学 基于磁共振扫描影像的模板数据的生成及应用方法

Similar Documents

Publication Publication Date Title
US8803950B2 (en) Three-dimensional face capturing apparatus and method and computer-readable medium thereof
CN107507217B (zh) 证件照的制作方法、装置及存储介质
KR101829733B1 (ko) 2차원 이미지를 3차원 그래픽 모델로 변환하는 방법
JP2009525543A (ja) 二次元画像からの三次元の顔の復元
KR101693259B1 (ko) 2d 이미지를 이용한 3d모델링 및 3차원 형상 제작 기법
JP2009020761A (ja) 画像処理装置及びその方法
CN107730587B (zh) 一种基于图片快速三维化交互式建模方法
CN107369204B (zh) 一种从单幅照片恢复出场景基本三维结构的方法
KR101602472B1 (ko) 2차원 이미지 변환을 통한 3차원 프린팅 파일 생성 장치 및 방법
CN110660076A (zh) 一种人脸交换方法
CN101017567A (zh) 用于将数字照片转换成人像素描画的方法和设备
KR20160144699A (ko) 2d 얼굴 이미지로부터 3d 모델을 자동 생성하는 방법
CN113674161A (zh) 一种基于深度学习的人脸残缺扫描补全方法、装置
CN103745442B (zh) 基于非局部小波系数收缩的图像去噪方法
CN111461230B (zh) 一种基于牙科stl模型和二维图像配准的牙模分类识别方法
CN106780474B (zh) 一种基于Kinect的实时深度图与彩图的配准及优化方法
JP2006195790A (ja) レンズ歪推定装置、レンズ歪推定方法、及びレンズ歪推定プログラム
CN106446859B (zh) 利用手机前置摄像头自动识别人眼中黑点和血丝的方法
CN113516755A (zh) 图像处理方法、图像处理装置、电子设备和存储介质
CN111241891B (zh) 一种人脸图像切图方法、装置及计算机可读存储介质
CN116740281A (zh) 三维头部模型的生成方法、装置、电子设备和存储介质
CN115620016B (zh) 一种骨架检测模型的构建方法、图像数据识别方法
CN106649913A (zh) 一种基于多角度图像的3d打印设备及3d打印方法
CN110751690A (zh) 铣床刀头视觉定位方法
CN114973384A (zh) 基于关键点和视觉显著目标检测的电子人脸照片采集方法

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