CN114863030B - 基于人脸识别和图像处理技术生成自定义3d模型的方法 - Google Patents

基于人脸识别和图像处理技术生成自定义3d模型的方法 Download PDF

Info

Publication number
CN114863030B
CN114863030B CN202210565320.6A CN202210565320A CN114863030B CN 114863030 B CN114863030 B CN 114863030B CN 202210565320 A CN202210565320 A CN 202210565320A CN 114863030 B CN114863030 B CN 114863030B
Authority
CN
China
Prior art keywords
face
image
sub
model
custom
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
CN202210565320.6A
Other languages
English (en)
Other versions
CN114863030A (zh
Inventor
金雷龙
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 Shunshun Digital Technology Co ltd
Original Assignee
Guangzhou Shunshun Digital 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 Shunshun Digital Technology Co ltd filed Critical Guangzhou Shunshun Digital Technology Co ltd
Priority to CN202210565320.6A priority Critical patent/CN114863030B/zh
Publication of CN114863030A publication Critical patent/CN114863030A/zh
Application granted granted Critical
Publication of CN114863030B publication Critical patent/CN114863030B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • 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
    • G06T2207/10024—Color image
    • 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

Abstract

本发明公开了基于人脸识别和图像处理技术生成自定义3D模型的方法，包括S1，获取人脸二维图像和人脸点云模型；S2，对人脸二维图像进行预处理，获得预处理后的人脸二维图像；S3，基于预处理后的人脸二维图像生成人脸纹理图；S4，基于人脸点云模型获取人脸纹理图与人脸模型之间的映射关系；S5，基于映射关系将人脸纹理图映射到人脸模型上，获得自定义的人脸；S6，基于自定义的人脸生成自定义3D模型。由于映射关系并不是直接从人脸纹理图到人脸模型，而是通过人脸纹理图关联度高的人脸点云模型作为中间桥梁，再得到映射关系。使得在进行人脸纹理图映射的时候，本发明的匹配准确度更高，有效地提高了最终获得的自定义3D模型中的纹理信息的准确率。

Description

基于人脸识别和图像处理技术生成自定义3D模型的方法
技术领域
本发明涉及计算机技术领域，尤其涉及基于人脸识别和图像处理技术生成自定义3D模型的方法。
背景技术
人体自定义3D模型一般是指从预先存储的各种模板中选择人体的各个部分以及发型、服饰等，然后组合成3D人体模型。为了追求个性化，现有技术中出现了将真实的人脸的纹理特征应用到组合成的3D人体模型中的做法，通过对已经组和成的3D人体模型中的脸部区域进行纹理贴图能够实现该做法。
现有技术中，三维人脸模型构建主要是从二维图像中获取纹理贴图，然后将纹理贴图中的像素点与目标三维人脸模型中的坐标点进行匹配，将纹理贴图贴到目标三维人脸模型中，从而获得包含人脸纹理信息的三维人脸模型。但是，直接从二维到三维进行匹配，由于目标三维模型与二维人脸图像之间的关联度比较低，这样的三维人脸模型生成方式容易出现匹配不够准确的问题，使得最终获得的三维人脸模型中的纹理信息不够准确。
发明内容
本发明的目的在于公开基于人脸识别和图像处理技术生成自定义3D模型的方法，解决现有技术中，目标三维模型与二维人脸图像之间的关联度比较低，使得最终获得的三维人脸模型中的纹理信息不够准确的问题。
为了达到上述目的，本发明采用如下技术方案：
基于人脸识别和图像处理技术生成自定义3D模型的方法，包括：
S1，获取人脸二维图像和人脸点云模型；
S2，对人脸二维图像进行预处理，获得预处理后的人脸二维图像；
S3，基于预处理后的人脸二维图像生成人脸纹理图；
S4，基于人脸点云模型获取人脸纹理图与人脸模型之间的映射关系；
S5，基于映射关系将人脸纹理图映射到人脸模型上，获得自定义的人脸；
S6，基于自定义的人脸生成自定义3D模型。
作为优选，所述获取人脸二维图像包括：
S11，获取目标人物的人脸图像；
S12，对人脸图像进行图像划分处理，获得脸部图像；
S13，对脸部图像进行增强处理，获得人脸二维图像。
作为优选，所述S12包括：
对人脸图像进行分块处理，获得多个子图像块；
分别对每个子图像块进行图像划分处理，获得每个子图像块中的脸部区域像素点；
将所有子图像中的脸部区域像素点组成脸部图像。
作为优选，所述人脸点云模型中的点包括三维坐标信息和法线信息。
作为优选，所述S2包括：
对人脸二维图像进行图像分割，获得脸部皮肤区域像素点集合；
对皮肤区域像素点集合中的像素点进行磨皮处理，获得预处理后的人脸二维图像。
作为优选，所述S3包括：
S31，对预处理后的人脸二维图像进行图像识别处理，获取预处理后的人脸二维图像中的目标区域；
S32，使用皮肤区域像素点集合中的像素点的像素值的平均值替换预处理后的人脸二维图像中的非目标区域中的像素点的像素值，获得人脸纹理图。
作为优选，所述目标区域包括眉毛区域、眼睛区域、鼻子区域和嘴巴区域。
作为优选，所述S4包括：
S41，对人脸纹理图中的像素点和人脸点云模型中的点进行匹配，确定人脸纹理图中的目标区域的像素点在人脸点云模型中对应的点；
S42，对人脸点云模型和人脸模型进行匹配，获取人脸点云模型中对应的点在人脸模型中对应的点，从而建立人脸纹理图中的像素点与人脸模型中的点的映射关系。
作为优选，所述S6包括：
将自定义的人脸与预先选定的半成品3D模型进行融合，获得自定义3D模型。
作为优选，所述半成品3D模型包括从模型库中选择的不含人脸的头部、颈部、躯干和四肢的3D模型。
本发明通过先获取人脸二维图像和人脸点云模型，然后再基于人脸二维图像生成人脸纹理图，接着基于人脸点云模型获取人脸纹理图与人脸模型之间的映射关系，最后基于映射关系将人脸纹理图映射到人脸模型，获得自定义的人脸，从而获取自定义3D模型。这样的设置方式，由于映射关系并不是直接从人脸纹理图到人脸模型，而是通过人脸纹理图关联度高的人脸点云模型作为中间桥梁，再得到映射关系。使得在进行人脸纹理图映射的时候，匹配准确度更高，有效地提高了最终获得的自定义3D模型中的纹理信息的准确率。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1，为本发明基于人脸识别和图像处理技术生成自定义3D模型的方法的一种示例性实施例图。
图2，为本发明获取人脸二维图像的一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例，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，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示的一种实施例，本发明提供了基于人脸识别和图像处理技术生成自定义3D模型的方法，包括：
S1，获取人脸二维图像和人脸点云模型；
S2，对人脸二维图像进行预处理，获得预处理后的人脸二维图像；
S3，基于预处理后的人脸二维图像生成人脸纹理图；
S4，基于人脸点云模型获取人脸纹理图与人脸模型之间的映射关系；
S5，基于映射关系将人脸纹理图映射到人脸模型上，获得自定义的人脸；
S6，基于自定义的人脸生成自定义3D模型。
本发明通过先获取人脸二维图像和人脸点云模型，然后再基于人脸二维图像生成人脸纹理图，接着基于人脸点云模型获取人脸纹理图与人脸模型之间的映射关系，最后基于映射关系将人脸纹理图映射到人脸模型，获得自定义的人脸，从而获取自定义3D模型。这样的设置方式，由于映射关系并不是直接从人脸纹理图到人脸模型，而是通过人脸纹理图关联度高的人脸点云模型作为中间桥梁，再得到映射关系。使得在进行人脸纹理图映射的时候，匹配准确度更高，有效地提高了最终获得的自定义3D模型中的纹理信息的准确率。
作为优选，如图2所示，所述获取人脸二维图像包括：
S11，获取目标人物的人脸图像；
S12，对人脸图像进行图像划分处理，获得脸部图像；
S13，对脸部图像进行增强处理，获得人脸二维图像。
对人脸图像进行划分处理后，能够根据划分得到的各个子图像块进行更为准确的增脸部图像，现有技术一般是直接对整幅图像进行划分处理，但是，不同区域的像素点的分布特点并不同，同一种划分方式不适合所有的区域的像素点，本发明这样的划分方式，能够在有效地对图像进行划分处理的同时，降低了像素点被错误划分的概率。
作为优选，所述目标人物为需要将真实的人脸的纹理特征应用到自定义3D模型中的人物。
作为优选，所述S11包括：
对目标人物进行拍摄，获得拍摄图像；
对拍摄图像进行人脸检测处理，判断拍摄图像中是否包含人脸，若是，则将拍摄图像进行下一步判断，若否，则重新获取拍摄图像；
所述下一步判断包括：
计算拍摄图像中的皮肤像素点的数量与拍摄图像中的像素点的总数的之间比值；
若所述比值大于设定的比较值，则将拍摄图像作为人脸图像，否则，重新获取拍摄图像。
在对人脸图像进行拍摄时，通过对是否包含人脸进行筛选，能够避免由于获得的拍摄图像中人脸比例过小对最终的模型贴的结果不准确。
作为优选，所述S12包括：
对人脸图像进行分块处理，获得多个子图像块；
分别对每个子图像块中的像素点进行分类处理，获得每个子图像块中的脸部区域像素点；
将所有子图像块中的脸部区域像素点组成脸部图像。
作为优选，所述对人脸图像进行分块处理，获得多个子图像块，包括：
将人脸图像分成大小相同的T个子图像块，将获得的T个子图像块存入集合dtbset1；
分别计算dtbset1中的每个子图像块的脸部区域系数；
将dtbset1中脸部区域系数大于设定的门槛值的子图像块存入第一待处理集合ndtset1；
将dtbset1中脸部区域系数小于等于设定的门槛值的子图像块存入集合finlset；
将ndtset1中的每个子图像块分成大小相同的T个子图像块，将获得的T个子图像块存入集合dtbset2；
分别计算dtbset2中的每个子图像块的脸部区域系数；
将dtbset2中脸部区域系数大于设定的门槛值的子图像块存入第二待处理集合ndtset2；
将dtbset2中脸部区域系数小于等于设定的门槛值的子图像块存入集合finlset；
如此类推，直到第n待处理集合ndtsetn中包含的子图像块的数量为0时，将finlset中的包含的子图像块作为最终获得的子图像块。
本发明在进行分块处理时，采用的是多次分块的方式，而不是直接一次对人脸图像进行分块处理。在每次分块的过程中，先将上一轮分块处理后得到的待处理集合中的元素分成大小相同的固定数量的子图像块，然后在分别判断本轮新获得的每个子图像块的脸部区域是否大于设定的门槛值，从而选出进入下一轮的分块处理的子图像块。这样的设置方式，能够使得最终获得的子图像中，每个子图像块中的像素点的像素值尽可能地趋于一致，从而方便分别对子图像块进行自适应的划分处理，有效地提高了划分处理的准确性。
作为优选，所述脸部区域系数采用如下公式进行计算：
Figure BDA0003657919250000051
其中，fcbkidx表示脸部区域系数，Ψ表示比例参数，numcf表示子图像块中的边缘像素点的数量，imgbkset表示子图像块中的像素点的集合，qs(g)表示imgbkset中的像素点g的像素值，numtl表示子图像块中的像素点的数量。
脸部区域系数主要从边缘像素点的数量、以及像素点的像素值两方面进行加权计算，边缘像素点的数量越大，像素值之间的差距越大，则表示像素值的像素值越没有趋于一致，因此，需要再次进行分块处理。
作为优选，采用如下方式对子图像块中的像素点进行分类处理，获得子图像块中的脸部区域像素点：
使用形态学分水岭算法对子图像块进行图像分割处理，获得子图像块中的前景像素点，将前景像素点作为脸部区域像素点。
通过对像素点进行分类处理，能够减少进入到后续计算的像素点的数量，从而有利于提高3D模型建立的效率。
作为优选，所述S13包括：
获取脸部图像中在Lab颜色空间中的亮度分量图像L；
使用如下函数对L进行调节处理，获得调节后的亮度分量图像sL：
Figure BDA0003657919250000061
式中，sL表示调节后的亮度分量图像，(x,y)表示像素点的坐标，L(x,y)和sL(x,y)分别表示L和sL中坐标为(x,y)的像素点的像素值，Φ表示比例系数，Φ∈(0,1)，Θ(x,y)表示调节参数，
Figure BDA0003657919250000062
Θma和Θmi分别表示亮度分量图像L中的调节参数的最大值和最小值，Ω表示预设的常数系数，angd表示在坐标系中45度方向的像素点的数量，坐标系以L的左下角为坐标原点，水平向右为正方向，dist(x,y)表示L中坐标为(x,y)的像素点与L的中点之间的连线所经过的像素点的数量；Lma和Lmi分别表示L中的像素值最大值和最小值，ave(x,y)表示以坐标为(x,y)的像素点为中心的，K×K的区域内的像素点的像素值的平均值；
对调节后的亮度分量图像sL进行降噪处理，获得降噪后的亮度分量图像lsL；
将lsL转换回RGB颜色空间，获得人脸二维图像。
在亮度分量图像中进行增强处理，能够有效地降低参与增强处理的像素点的数量，因为如果直接在RGB颜色空间进行增强处理，那么需要分别对R、G、B三种类型的图像进行处理，显然，这样会极大地影响3D模型的建立的效率。在对具体的像素点进行增强处理时，本发明从像素点的原有的像素值、以及像素点周围的像素点的像素值、与中间像素点之间的距离这几方面进行综合计算，使得增强的结果与周围像素点相关，从而提高增强结果的准确性。
作为优选，所述对调节后的亮度分量图像sL进行降噪处理，获得降噪后的亮度分量图像lsL，包括：
将sL中像素值相同的像素点存入同一个集合，获得H个集合；
分别计算每个集合中的像素点的数量在sL中的占比：
Figure BDA0003657919250000063
式中，proph表示第h个集合中的像素点的数量在sL中的占比，numofseth表示第h个集合中的像素点的数量，numall表示sL中的像素点的总数；h∈[1,H]；
将占比最大值所对应的集合中的像素点作为种子像素点，使用区域生长算法对sL进行图像分割处理，获得多个子区域；
分别对每个子区域进行自适应小波降噪处理，获得降噪后的亮度分量图像lsL。
本发明在进行降噪处理前，先进行了区域生长处理，将像素点分成了多个子区域，然后分别对每个子区域进行自适应的小波降噪处理，这样的处理方式，有效地提高了降噪结果的准确性。
作为优选，采用如下方式对子区域进行自适应小波降噪处理：
对子区域进行小波分解，获得小波高频系数和小波低频系数；
对小波高频系数进行如下处理：
若
Figure BDA0003657919250000071
则使用如下公式对小波高频系数进行处理：
Figure BDA0003657919250000072
若
Figure BDA0003657919250000073
则使用如下公式对小波高频系数进行处理：
Figure BDA0003657919250000074
式中，hfre和afhfre分别表示处理前的小波高频系数和处理后的小波高频系数，va表示子区域中的像素点的梯度幅值的方差，maref表示预设的梯度幅值的方差参考值，sgn表示符号函数，Threw表示预设的基准阈值，δ表示预设的缩放系数，d表示预设的常数参数，α、β表示权重参数，α与β的和为1，
将小波低频系数和处理后的小波低频系数进行小波重构，获得自适应小波降噪处理后的子区域。
在进行小波降噪的过程中引入了子区域中的像素点的梯度幅值的方差，从而使得降噪结果能够随着子区域中的像素点的分布不同而自适应地变化，有效地提高了小波降噪结果的准确性。
作为优选，所述人脸点云模型中的点包括三维坐标信息和法线信息。
作为优选，所述S2包括：
对人脸二维图像进行图像分割，获得脸部皮肤区域像素点集合；
对皮肤区域像素点集合中的像素点进行磨皮处理，获得预处理后的人脸二维图像。
作为优选，所述S3包括：
S31，对预处理后的人脸二维图像进行图像识别处理，获取预处理后的人脸二维图像中的目标区域；
S32，使用皮肤区域像素点集合中的像素点的像素值的平均值替换预处理后的人脸二维图像中的非目标区域中的像素点的像素值，获得人脸纹理图。
作为优选，所述目标区域包括眉毛区域、眼睛区域、鼻子区域和嘴巴区域。
作为优选，所述S4包括：
S41，对人脸纹理图中的像素点和人脸点云模型中的点进行匹配，确定人脸纹理图中的目标区域的像素点在人脸点云模型中对应的点；
S42，对人脸点云模型和人脸模型进行匹配，获取人脸点云模型中对应的点在人脸模型中对应的点，从而建立人脸纹理图中的像素点与人脸模型中的点的映射关系。
作为优选，所述S6包括：
将自定义的人脸与预先选定的半成品3D模型进行融合，获得自定义3D模型。
作为优选，所述半成品3D模型包括从模型库中选择的不含人脸的头部、颈部、躯干和四肢的3D模型。
具体的，可以通过选择不同的身体部位的组合来获得半成品3D模型，然后在将自定义的人脸和半成品3D模型进行融合，从而获得自定义3D模型。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。
需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单元/模块的形式实现。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。
实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。

Claims (9)

1.基于人脸识别和图像处理技术生成自定义3D模型的方法，其特征在于，包括：
S1，获取人脸二维图像和人脸点云模型；
S2，对人脸二维图像进行预处理，获得预处理后的人脸二维图像；
S3，基于预处理后的人脸二维图像生成人脸纹理图；
S4，基于人脸点云模型获取人脸纹理图与人脸模型之间的映射关系；
S5，基于映射关系将人脸纹理图映射到人脸模型上，获得自定义的人脸；
S6，基于自定义的人脸生成自定义3D模型；
所述获取人脸二维图像包括：
S11，获取目标人物的人脸图像；
S12，对人脸图像进行图像划分处理，获得脸部图像；
S13，对脸部图像进行增强处理，获得人脸二维图像；
所述对人脸图像进行分块处理，获得多个子图像块，包括：
将人脸图像分成大小相同的T个子图像块，将获得的T个子图像块存入集合dtbset1；
分别计算dtbset1中的每个子图像块的脸部区域系数；
将dtbset1中脸部区域系数大于设定的门槛值的子图像块存入第一待处理集合ndtset1；
将dtbset1中脸部区域系数小于等于设定的门槛值的子图像块存入集合finlset；
将ndtset1中的每个子图像块分成大小相同的T个子图像块，将获得的T个子图像块存入集合dtbset2；
分别计算dtbset2中的每个子图像块的脸部区域系数；
将dtbset2中脸部区域系数大于设定的门槛值的子图像块存入第二待处理集合ndtset2；
将dtbset2中脸部区域系数小于等于设定的门槛值的子图像块存入集合finlset；
如此类推，直到第n待处理集合ndtsetn中包含的子图像块的数量为0时，将finlset中的包含的子图像块作为最终获得的子图像块；
所述脸部区域系数采用如下公式进行计算：
Figure FDA0004118007220000021
其中，fcbkidx表示脸部区域系数，Ψ表示比例参数，numcf表示子图像块中的边缘像素点的数量，imgbkset表示子图像块中的像素点的集合，qs(g)表示imgbkset中的像素点g的像素值，numtl表示子图像块中的像素点的数量。
2.根据权利要求1所述的基于人脸识别和图像处理技术生成自定义3D模型的方法，其特征在于，所述S12包括：
对人脸图像进行分块处理，获得多个子图像块；
分别对每个子图像块进行图像划分处理，获得每个子图像块中的脸部区域像素点；
将所有子图像中的脸部区域像素点组成脸部图像。
3.根据权利要求1所述的基于人脸识别和图像处理技术生成自定义3D模型的方法，其特征在于，所述人脸点云模型中的点包括三维坐标信息和法线信息。
4.根据权利要求1所述的基于人脸识别和图像处理技术生成自定义3D模型的方法，其特征在于，所述S2包括：
对人脸二维图像进行图像分割，获得脸部皮肤区域像素点集合；
对皮肤区域像素点集合中的像素点进行磨皮处理，获得预处理后的人脸二维图像。
5.根据权利要求4所述的基于人脸识别和图像处理技术生成自定义3D模型的方法，其特征在于，所述S3包括：
S31，对预处理后的人脸二维图像进行图像识别处理，获取预处理后的人脸二维图像中的目标区域；
S32，使用皮肤区域像素点集合中的像素点的像素值的平均值替换预处理后的人脸二维图像中的非目标区域中的像素点的像素值，获得人脸纹理图。
6.根据权利要求5所述的基于人脸识别和图像处理技术生成自定义3D模型的方法，其特征在于，所述目标区域包括眉毛区域、眼睛区域、鼻子区域和嘴巴区域。
7.根据权利要求5所述的基于人脸识别和图像处理技术生成自定义3D模型的方法，其特征在于，所述S4包括：
S41，对人脸纹理图中的像素点和人脸点云模型中的点进行匹配，确定人脸纹理图中的目标区域的像素点在人脸点云模型中对应的点；
S42，对人脸点云模型和人脸模型进行匹配，获取人脸点云模型中对应的点在人脸模型中对应的点，从而建立人脸纹理图中的像素点与人脸模型中的点的映射关系。
8.根据权利要求1所述的基于人脸识别和图像处理技术生成自定义3D模型的方法，其特征在于，所述S6包括：
将自定义的人脸与预先选定的半成品3D模型进行融合，获得自定义3D模型。
9.根据权利要求8所述的基于人脸识别和图像处理技术生成自定义3D模型的方法，其特征在于，所述半成品3D模型包括从模型库中选择的不含人脸的头部、颈部、躯干和四肢的3D模型。
CN202210565320.6A 2022-05-23 2022-05-23 基于人脸识别和图像处理技术生成自定义3d模型的方法 Active CN114863030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210565320.6A CN114863030B (zh) 2022-05-23 2022-05-23 基于人脸识别和图像处理技术生成自定义3d模型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210565320.6A CN114863030B (zh) 2022-05-23 2022-05-23 基于人脸识别和图像处理技术生成自定义3d模型的方法

Publications (2)

Publication Number Publication Date
CN114863030A CN114863030A (zh) 2022-08-05
CN114863030B true CN114863030B (zh) 2023-05-23

Family

ID=82639303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210565320.6A Active CN114863030B (zh) 2022-05-23 2022-05-23 基于人脸识别和图像处理技术生成自定义3d模型的方法

Country Status (1)

Country Link
CN (1) CN114863030B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109743B (zh) * 2023-04-11 2023-06-20 广州智算信息技术有限公司 一种基于ai和图像合成技术的数字人生成方法及系统

Citations (1)

* 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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799870B (zh) * 2012-07-13 2015-07-29 复旦大学 基于分块一致lbp和稀疏编码的单训练样本人脸识别方法
JP2017531228A (ja) * 2014-08-08 2017-10-19 ケアストリーム ヘルス インク ボリューム画像への顔テクスチャのマッピング
CN106570822B (zh) * 2016-10-25 2020-10-16 宇龙计算机通信科技(深圳)有限公司 一种人脸贴图方法及装置
CN106910238A (zh) * 2017-01-18 2017-06-30 北京建筑大学 基于大倾角近景影像的彩色纹理重建方法
CN111325823B (zh) * 2020-02-05 2022-09-27 腾讯科技（深圳）有限公司 人脸纹理图像的获取方法、装置、设备及存储介质

Patent Citations (1)

* 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Zhang, Peng等.3D mapping of discontinuity traces using fusion of point cloud and image data..《Bulletin of Engineering Geology &amp the Environment》.2019,第78卷(第4期),2789-2801. *

Also Published As

Publication number Publication date
CN114863030A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN109191395B (zh) 图像对比度增强方法、装置、设备及存储介质
US20150278589A1 (en) Image Processor with Static Hand Pose Recognition Utilizing Contour Triangulation and Flattening
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN111383232B (zh) 抠图方法、装置、终端设备及计算机可读存储介质
CN108765264B (zh) 图像美颜方法、装置、设备及存储介质
US20110206293A1 (en) Image processing apparatus, image processing method, and computer readable medium storing program thereof
CN110428389B (zh) 基于msr理论和曝光融合的微光图像增强方法
CN107993189B (zh) 一种基于局部分块的图像色调动态调节方法和装置
CN110268442B (zh) 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品
CN114863030B (zh) 基于人脸识别和图像处理技术生成自定义3d模型的方法
CN111986212B (zh) 一种人像发丝流动特效实现方法
CN105976309A (zh) 一种高效且易于并行实现的美颜移动终端
CN114882332A (zh) 一种基于图像融合的目标检测系统
Kumar et al. No-reference metric optimization-based perceptually invisible image enhancement
Huang et al. A constrained optimization approach for image gradient enhancement
CN110992287B (zh) 一种非均匀光照视频的清晰化方法
Han et al. Locally adaptive contrast enhancement using convolutional neural network
CN113379623B (zh) 图像处理方法、装置、电子设备及存储介质
CN112749713B (zh) 一种基于人工智能的大数据图像识别系统及方法
Jasper et al. Natural image enhancement using a biogeography based optimization enhanced with blended migration operator
JP4202692B2 (ja) 画像処理方法および装置
CN114327038A (zh) 一种基于人工智能技术的虚拟现实人机交互系统
CN114049262A (zh) 一种图像处理方法、图像处理装置及存储介质
CN107895343B (zh) 一种基于五官定位快速简单上腮红的图像处理方法
CN113033256A (zh) 一种指尖检测模型的训练方法和设备

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