CN115761855A - 面部关键点信息生成、神经网络训练和三维面部重建方法 - Google Patents
面部关键点信息生成、神经网络训练和三维面部重建方法 Download PDFInfo
- Publication number
- CN115761855A CN115761855A CN202211477312.2A CN202211477312A CN115761855A CN 115761855 A CN115761855 A CN 115761855A CN 202211477312 A CN202211477312 A CN 202211477312A CN 115761855 A CN115761855 A CN 115761855A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- face
- stylized
- face image
- facial
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 title claims abstract description 60
- 230000001815 facial effect Effects 0.000 claims abstract description 108
- 238000004590 computer program Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 210000004709 eyebrow Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 210000000887 face Anatomy 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010422 painting Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000001061 forehead Anatomy 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 210000000214 mouth Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 210000000216 zygoma Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本公开提供了一种面部关键点信息生成、神经网络训练和三维面部重建方法,涉及人工智能技术领域,尤其涉及增强现实、虚拟现实、计算机视觉、深度学习等技术领域,可应用于元宇宙、虚拟数字人等场景。实现方案为:获取二维风格化面部图像,二维风格化面部图像包括经风格化处理的面部区域;生成与二维风格化面部图像中的面部区域对应的三维点云数据;基于三维点云数据,确定面部关键点的三维位置信息;以及将三维位置信息转换成二维位置信息,二维位置信息指示面部关键点在二维风格化面部图像中的位置。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及增强现实、虚拟现实、计算机视觉、深度学习等技术领域,可应用于元宇宙、虚拟数字人等场景,具体涉及一种面部关键点信息生成、神经网络训练和三维面部重建的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
近年来,随着元宇宙、虚拟数字人等技术的逐渐兴起,在这些场景下所使用的面部关键点信息生成、神经网络训练和三维面部重建方法也不断更新迭代。风格化三维面部重建一直受到相关样本少,精度不够等因素限制,难以大幅度推广。因此如何低成本生成大量风格化配对的训练图像和关键点标签数据,仍然是业界的研究热点和难点之一。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种面部关键点信息生成、神经网络训练和三维面部重建的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种面部关键点信息生成方法,包括:获取二维风格化面部图像,二维风格化面部图像包括经风格化的面部区域;生成与二维风格化面部图像中的面部区域对应的三维点云数据;基于三维点云数据,确定面部关键点的三维位置信息;以及将三维位置信息转换成二维位置信息,二维位置信息指示面部关键点在二维风格化面部图像中的位置。
根据本公开的另一方面,提供了一种神经网络训练方法,包括:基于样本二维风格化面部图像,执行本公开如上所提供的信息生成方法,以生成面部关键点在样本二维风格化面部图像中的样本二维位置信息;以及基于样本二维风格化面部图像和面部关键点在样本二维风格化面部图像中的样本二维位置信息,训练用于三维风格化面部重建的神经网络。
根据本公开的另一方面,提供了一种三维面部重建方法,包括:获取本公开如上所提供的方法训练的用于三维风格化面部重建的神经网络;以及将二维风格化面部图像输入至用于三维风格化面部重建的神经网络,以生成对应于二维风格化面部图像的三维风格化面部模型。
根据本公开的另一方面,提供了一种面部关键点信息生成装置,包括:图像获取单元,被配置为获取二维风格化面部图像,其中,二维风格化面部图像包括经风格化的面部区域;数据生成单元,被配置为生成与二维风格化面部图像中的面部区域对应的三维点云数据;位置确定单元,被配置为基于三维点云数据,确定面部关键点的三维位置信息;以及信息转换单元,被配置为将三维位置信息转换成二维位置信息,二维位置信息指示面部关键点在二维风格化面部图像中的位置。
根据本公开的另一方面,提供了一种神经网络训练装置,包括:本公开如上所提供的信息生成装置,信息生成装置被配置为基于样本二维风格化面部图像,生成面部关键点在样本二维风格化面部图像中的样本二维位置信息;以及训练单元,被配置为基于样本二维风格化面部图像和面部关键点在样本二维风格化面部图像中的样本二维位置信息,训练用于三维风格化面部重建的神经网络。
根据本公开的另一方面,提供了一种三维面部重建装置,包括:神经网络获取单元,被配置为获取根据本公开如上所提供的神经网络训练装置训练的用于三维风格化面部重建的神经网络;以及重建执行单元,被配置为将二维风格化面部图像输入至用于三维风格化面部重建的神经网络,以生成对应于二维风格化面部图像的三维风格化面部模型。
根据本公开的另一方面,提供了一种电子设备,包括至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有能够被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开如上所提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本公开如上所提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开如上所提供的方法。
根据本公开的一个或多个实施例,可以低成本且准确地生成大量与二维风格化面部图像对应的面部关键点信息,从而有利于三维风格化面部重建。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的面部关键点信息生成方法的流程图;
图3示出了根据本公开的实施例的生成三维点云数据的过程的流程图;
图4示出了根据本公开的实施例的基于面部关键点的索引号确定面部关键点的三维坐标的示意图;
图5示出了根据本公开的实施例的神经网络训练方法的流程图;
图6示出了根据本公开的实施例的三维面部重建方法的流程图;
图7示出了根据本公开的实施例的面部关键点信息生成装置的结构框图;
图8示出了根据本公开另一实施例的面部关键点信息生成装置的结构框图;
图9示出了根据本公开的实施例的神经网络训练装置的结构框图;
图10示出了根据本公开的实施例的三维面部重建装置的结构框图;
图11示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在相关技术中,三维面部重建大多是基于真实人脸进行重建,三维面部重建相关的大量数据资料和样本均是基于真实人脸生成的,因此三维风格化面部重建需要自行获取样本,并生成训练所需的标签数据,风格化重建的工作量和实现难度较大。另外,由于三维面部重建大多是基于真实人脸来训练提取人脸关键点的神经网络,输入的图像一旦换为风格化面部图像,面部关键点精度就会大幅降低。
针对上述技术问题,根据本公开的一个方面,提供了一种面部关键点信息生成方法。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行面部关键点信息生成、神经网络训练和三维面部重建的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来获取生成的面部关键点信息、经训练的神经网络和重建的三维面部模型。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,例如,基于图像、视频、语音、文本、数字信号等数据的目标检测与识别、信号转换等服务的应用程序,以处理从客户端设备101、102、103、104、105和/或106接收的语音交互、文本分类、图像识别或关键点检测等任务请求。服务器可以根据具体的深度学习任务,利用训练样本训练神经网络模型,并且可以对神经网络模型的超网络模块中的各个子网络进行测试,根据各个子网络的测试结果,确定用于执行深度学习任务的神经网络模型的结构和参数。可以将各种数据作为深度学习任务的训练样本数据,如图像数据、音频数据、视频数据或文本数据等。在神经网络模型的训练完成后,服务器120还可以通过模型搜索技术自动搜索出最优模型结构来执行相应的任务。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。以下详细描述根据本公开实施例的面部关键点信息生成方法。
图2示出了根据本公开的实施例的面部关键点信息生成方法200的流程图。如图2所示,方法200包括步骤S201、S202、S203和S204。
在步骤S201,获取二维风格化面部图像,该二维风格化面部图像包括经风格化的面部区域。
在示例中,二维风格化面部图像本身可以不包括面部关键点(例如眼睛、鼻子、嘴等)的信息,诸如位置信息,而是通过本公开实施例的方法来生成该面部关键点的位置信息。
在示例中,二维风格化面部图像可以是相对于二维真实面部图像而言的。举例而言,二维真实面部图像可以是指某个人真实拍摄的面部图像,而二维风格化面部图像可以是指将该二维真实面部图像变换绘画风格(诸如变换为卡通、动漫等绘画风格)而得到的面部图像。替代地,二维风格化面部图像也可以是本身以诸如卡通、动漫等绘画风格创作出的,例如可以是某个卡通或动漫人物的面部图像。即,二维风格化面部图像可以是具有例如卡通、动漫等绘画风格的面部图像,该二维风格化面部图像包括经风格化的面部区域。
在示例中,面部区域可以是面部的一部分或全部。面部区域可以不包含诸如头发、脖子等部位。本文中所称的“面部”也可被称为“人脸”或“脸部”。本领域技术人员可以理解的是,二维风格化面部图像不一定涉及真实的人,而是涉及某个拟人化的卡通或动漫形象,因此该卡通或动漫形象的“人脸”或“脸部”也应当被理解为本公开意义上的“面部”。
在示例中,二维风格化面部图像可以来源于在线的素材库或资源库,也可以是由用户创作的。
在步骤S202,生成与二维风格化面部图像中的面部区域对应的三维点云数据。
在示例中,与二维风格化面部图像中的面部区域对应的三维点云数据可以涉及大量的点,例如可以是10000个点。
在示例中,与二维风格化面部图像中的面部区域对应的三维点云数据可以体现三维风格化面部模型的轮廓。该三维风格化面部模型可以是通过对二维风格化面部图像进行面部重建所形成的。三维点云数据中包括的每个点之间可以通过连线形成多个互不重叠的三角形,这些三角形可以共同组成一个能够包络整个三维风格化面部模型表面的网状结构,于是这些三角形和点可以共同组成多面体形状的三维风格化面部模型。
在步骤S203,基于三维点云数据,确定面部关键点的三维位置信息。
在示例中,面部关键点可以是用户感兴趣的一个或多个面部关键点(诸如眼睛的中心),其可以在10000个点云数据中被预先标定,例如可以具有被预先标定的索引号。举例而言,在用户感兴趣的面部关键点为眼睛的中心时,可以确定该眼睛的中心对应于10000个点云数据中的哪个索引号,由此可以确定该面部关键点的三维位置信息。
在示例中,可以利用索引号确定与其对应的面部关键点的三维位置信息。面部关键点的索引号可以用于指示面部关键点所关联的五官及其他部位,例如索引号可以包括嘴巴、眉毛、额头、颧骨等的索引号。
在步骤S204,将三维位置信息转换成二维位置信息,该二维位置信息指示面部关键点在二维风格化面部图像中的位置。
在示例中,面部关键点在二维风格化面部图像中的位置可以用于重建与二维风格化面部图像对应的三维风格化面部模型。
根据本公开实施例的面部关键点信息生成方法,一方面,通过生成与二维风格化面部图像中的面部区域对应的三维点云数据、并基于该三维点云数据确定该面部关键点的三维位置信息并将其转换成二维位置信息,能够实现借助于三维风格化面部模型确定二维风格化面部图像中的面部关键点的位置信息,从而可以低成本地生成大量与二维风格化面部图像配对的关键点信息,以用于三维风格化面部重建。另一方面,由于面部关键点的位置信息是直接基于二维风格化面部图像生成的,而非基于通用的面部关键点检测模型(一般是经由真实面部图像训练的)提取的,因此所生成的面部关键点的位置信息可以更为精确,从而能够有利于更为精确地重建与二维风格化面部图像对应的三维风格化面部模型。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。需要说明的是,本实施例中的面部模型并不是针对某一特定用户的面部模型,并不能反映出某一特定用户的个人信息,本实施例中的人面部图像来自于公开数据集。
以下进一步描述根据本公开实施例的面部关键点信息生成方法的各个方面。
图3示出了根据本公开实施例的生成三维点云数据的过程300的流程图。该生成三维点云数据的过程300可以是例如结合图2所述的步骤S202。
如图3所示,生成三维点云数据的过程300可以包括步骤S301、S302和S303。
在步骤S301,可以生成与二维风格化面部图像中的面部区域对应的三维形状系数。
在示例中,该三维形状系数(也称为3D shape系数)可以是基于二维风格化面部图像经由卷积神经网络(CNN,Convolutional Neural Network)获得的对应于一个或多个维度上的特征值,例如可以是对应于150个维度上的特征值。
在示例中,该三维形状系数可以反映与经风格化的面部区域相关联的个性化三维形状信息,例如三维形状系数可以反映眼睛在面部的位置特性,或者可以反映下巴的尖锐程度、面部的胖瘦程度、或者甚至是微笑程度。
在步骤S302,可以基于三维形状系数和预先获取的基础三维面部特征,生成与面部区域对应的三维风格化面部模型。
在示例中,基础三维面部特征可以包括诸如150个维度上的特征向量,其可以与上述三维形状系数在150个维度上的特征值一一对应。
在示例中,基础三维面部特征可以是通过基础三维面部模型得到的。该基础三维面部模型可以是基于具有不同面部特征的大量真实人脸而生成的能体现面部共性特征的面部模型(也称为基底或base)。基础三维面部模型可以表现大部分人脸特征,例如胖瘦、微笑等。该基础三维面部模型也可以用于对面部关键点的索引号的标定。
在步骤S303,可以生成对应于三维风格化面部模型的三维点云数据。
在示例中,三维点云数据可以体现三维风格化面部模型的轮廓。三维点云数据中包括的每个点之间可以通过连线形成多个互不重叠的三角形,这些三角形可以共同组成一个能够包络整个三维风格化面部模型表面的网状结构,于是这些三角形和点可以共同组成多面体形状的三维风格化面部模型。即,在生成三维风格化面部模型的情况下,可以获得对应的三维点云数据。
根据本公开实施例的生成三维点云数据的过程,通过基于三维形状系数和预先获取的基础三维面部特征,生成与二维风格化面部图像中的面部区域对应的三维风格化面部模型,能够更为准确地生成对应于三维风格化面部模型的三维点云数据,从而保证面部关键点的三维位置信息的准确性。
根据一些实施例,基于三维形状系数和预先获取的基础三维面部特征,生成与面部区域对应的三维风格化面部模型,可以包括:对三维形状系数和预先获取的基础三维面部特征进行线性求和,以构建三维风格化面部模型。
在示例中,如前所述,三维形状系数可以是基于二维风格化面部图像获得的对应于150个维度上的特征值,而基础三维面部特征可以包括150个维度上的特征向量,该150个维度上的特征值与该150个维度上的特征向量可以一一对应并进行线性求和,以构建三维风格化面部模型。
在示例中,构建三维风格化面部模型的过程可以是通过确定多个点的位置或者多个点之间的相对位置来实施的,该位置或者相对位置可以是经由对三维形状系数和预先获取的基础三维面部特征进行线性求和的结果来确定的。
根据本公开的实施例,通过对三维形状系数和预先获取的基础三维面部特征进行线性求和,能够简单且准确地构建三维风格化面部模型,从而便于生成对应于三维风格化面部模型的三维点云数据。
根据一些实施例,如结合图2所述的步骤S203,基于三维点云数据,确定面部关键点的三维位置信息,可以包括:基于面部关键点的索引号,从三维点云数据中确定与索引号对应的面部关键点的三维坐标。
在示例中,面部关键点的索引号可以用于指示面部关键点所关联的五官及其他部位,例如索引号可以包括嘴巴、眉毛、额头、颧骨等的索引号。
在示例中,可以通过索引号在三维点云数据(其可以包含大量三维坐标信息)中找到对应的面部关键点,进而确定该面部关键点的三维坐标。
图4示出了根据本公开的实施例的基于面部关键点的索引号确定面部关键点的三维坐标的示意图。
在示例中,如图4所示,生成的三维风格化面部模型400由大量的点组成的点云数据表示,每个点之间可以通过连线形成多个互不重叠的三角形,这些三角形可以共同组成一个能够包络整个三维风格化面部模型400的表面的网状结构,于是这些三角形和点共同组成了多面体形状的三维风格化面部模型400。
在示例中,点云数据例如可以包含10000个点的三维坐标信息,其中例如可以包括与眉毛有关的面部关键点411、412、413、414(例如,其索引号可以是该1000个点中的第1001~1004号)以及与嘴巴有关的面部关键点421、422、423、424(例如,其索引号可以是该10000个点中的第2001~2004号)。基于与眉毛有关的面部关键点411、412、413、414的索引号(例如,第1001~1004号),可以从点云数据中确定该面部关键点411、412、413、414的三维坐标。类似的,基于与嘴巴有关的面部关键点421、422、423、424的索引号(例如,第2001~2004号),可以从点云数据中确定该面部关键点421、422、423、424的三维坐标。
根据本公开的实施例,通过利用索引号确定与其对应的面部关键点的三维坐标,能够以简便的方式获得面部关键点的三维位置信息,且能够根据用户的实际需要来选取感兴趣的面部关键点,由此便利于生成用户感兴趣的面部关键点位置信息。
根据一些实施例,面部关键点的索引号可以是基于预先获取的基础三维面部模型被标定的。
在示例中,如前所述,基础三维面部模型可以是基于具有不同面部特征的大量真实人脸而生成的能体现面部共性特征的面部模型。基础三维面部模型可以表现大部分人脸特征,例如胖瘦、微笑等。
在示例中,基础三维面部模型可以具有索引号的序列,例如1~10000。可以在基础三维面部模型中标定一个或多个索引号,用于指示面部关键点所关联的五官及其他部位,例如索引号可以包括嘴巴、眉毛、额头、颧骨等的索引号。例如,假设用户感兴趣的面部关键点为该基础三维面部模型的10000个索引号中的第2000号,则面部关键点的索引号可以被标定为第2000号。
根据本公开的实施例,通过基于预先获取的基础三维面部模型标定面部关键点的索引号,能够借助于一般性的三维面部模型来确定所需的面部关键点的索引号,由此为索引号的标定提供便利。
根据一些实施例,如结合图2所述的步骤S204,将三维位置信息转换成二维位置信息,可以包括:对由三维位置信息表示的三维坐标进行正交投影,以获得由二维位置信息表示的二维坐标。
在示例中,可以以预定正交投影的方向,例如可以以三维风格化面部模型的正面为预定正交投影方向,对由三维位置信息表示的三维坐标进行正交投影,以获得由二维位置信息表示的二维坐标。
在示例中,参见图4,可以以方向M为预定正交投影方向,对由三维位置信息表示的三维坐标进行正交投影。
根据本公开实施例,通过对由三维位置信息表示的三维坐标进行正交投影,能够方便地获得由二维位置信息表示的二维坐标,并且能够保证多个面部关键点之间的相对位置的准确性。
根据本公开的另一方面,还提供一种神经网络训练方法。该神经网络可以用于三维风格化面部重建。
图5示出了根据本公开的实施例的神经网络训练方法500的流程图。如图5所示,方法500包括步骤S501和S502。
在步骤S501,基于样本二维风格化面部图像,执行上述实施例中的面部关键点信息生成方法,以生成面部关键点在样本二维风格化面部图像中的样本二维位置信息。
在示例中,样本二维风格化面部图像可以是用户在网络上搜集的二维风格化面部图像,也可以是用户自主绘制的二维风格化面部图像,还可以是预置的二维风格化面部图像库中供用户选择的二维风格化面部图像。
在示例中,样本二维风格化面部图像可以是从人物的二维风格化半身或全身图像中截取得到的,还可以是从游戏、动画、影视等动态画面中截取某一帧得到的。
在示例中,样本二维风格化面部图像本身可以不包括面部关键点的位置信息。
在步骤S502,基于样本二维风格化面部图像和面部关键点在样本二维风格化面部图像中的样本二维位置信息,训练用于三维风格化面部重建的神经网络。
在示例中,训练完成的神经网络可以基于任意二维风格化面部图像以及通过本公开实施例的面部关键点信息生成方法确定的面部关键点在该二维风格化面部图像中的二维位置信息,重建与该二维风格化面部图像对应的三维风格化面部模型。
根据本公开实施例的神经网络训练方法,通过基于样本二维风格化面部图像和根据上述实施例中的信息生成方法生成的面部关键点在样本二维风格化面部图像中的样本二维位置信息,训练用于三维风格化面部重建的神经网络,能够低成本且准确地实现用于三维风格化面部重建的神经网络的训练。
根据一些实施例,如结合图5所述的步骤S502,基于样本二维风格化面部图像和面部关键点在样本二维风格化面部图像中的样本二维位置信息,训练用于三维风格化面部重建的神经网络,可以包括:将样本二维风格化面部图像作为训练数据,并且将面部关键点在样本二维风格化面部图像中的样本二维位置信息作为训练数据的标签,以训练用于三维风格化面部重建的神经网络。
根据本公开实施例,通过将样本二维风格化面部图像作为训练数据,并且将面部关键点在样本二维风格化面部图像中的样本二维位置信息作为训练数据的标签,能够利用监督学习机制对神经网络进行训练。
根据本公开的另一方面,还提供一种三维面部重建方法。
图6示出了根据本公开的实施例的三维面部重建方法600的流程图。如图6所示,方法600包括步骤S601和S602。
在步骤S601,获取根据上述实施例中神经网络训练方法训练的用于三维风格化面部重建的神经网络。
在示例中,训练完成的神经网络可以基于任意二维风格化面部图像以及面部关键点在该二维风格化面部图像中的二维位置信息,重建与该二维风格化面部图像对应的三维风格化面部模型。
在步骤S602,将二维风格化面部图像输入至用于三维风格化面部重建的神经网络,以生成对应于二维风格化面部图像的三维风格化面部模型。
在示例中,输入的二维风格化面部图像可以包括具有例如卡通、动漫等绘画风格的二维面部图像。
根据本公开实施例的三维面部重建方法,通过将二维风格化面部图像输入至根据上述实施例中的方法训练的用于三维风格化面部重建的神经网络,能够生成所需的与二维风格化面部图像对应的三维风格化面部模型。
根据本公开的另一方面,还提供一种面部关键点信息生成装置。
图7示出了根据本公开的实施例的面部关键点信息生成装置700的结构框图。
如图7所示,面部关键点信息生成装置700,包括:图像获取单元710,被配置为获取二维风格化面部图像,该二维风格化面部图像包括经风格化的面部区域;数据生成单元720,被配置为生成与二维风格化面部图像中的面部区域对应的三维点云数据;位置确定单元730,被配置为基于三维点云数据,确定面部关键点的三维位置信息;以及信息转换单元740,被配置为将三维位置信息转换成二维位置信息,二维位置信息指示面部关键点在二维风格化面部图像中的位置。
由于面部关键点信息生成装置700中的图像获取单元710、数据生成单元720、位置确定单元730和信息转换单元740可以分别对应于如图2所述的步骤S201至S204,因此这里不再赘述其各个方面的细节。
另外,面部关键点信息生成装置700及其所包括的模块还可以包括进一步的子模块,这将在以下结合图8进行详细说明。
根据本公开的实施例,一方面,通过生成与二维风格化面部图像中的面部区域对应的三维点云数据、并基于该三维点云数据确定该面部关键点的三维位置信息并将其转换成二维位置信息,能够实现借助于三维风格化面部模型确定二维风格化面部图像中的面部关键点的位置信息,从而可以低成本地生成大量与二维风格化面部图像配对的关键点信息,以用于三维风格化面部重建。另一方面,由于面部关键点的位置信息是直接基于二维风格化面部图像生成的,而非基于通用的面部关键点检测模型(一般是经由真实面部图像训练的)提取的,因此所生成的面部关键点的位置信息可以更为精确,从而能够有利于更为精确地重建与二维风格化面部图像对应的三维风格化面部模型。
图8示出了根据本公开另一实施例的面部关键点信息生成装置800的结构框图。
如图8所示,面部关键点信息生成装置800可以包括图像获取单元810、数据生成单元820、位置确定单元830以及信息转换单元840。图像获取单元810、数据生成单元820、位置确定单元830以及信息转换单元840可以与如图7所示的图像获取单元710、数据生成单元720、位置确定单元730以及信息转换单元740相对应,因而在此不再赘述其细节。
在示例中,数据生成单元820可以包括:系数生成单元821,被配置为生成与二维风格化面部图像中的面部区域对应的三维形状系数;模型生成单元822,被配置为基于三维形状系数和预先获取的基础三维面部特征,生成与面部区域对应的三维风格化面部模型;以及生成执行单元823,被配置为生成对应于三维风格化面部模型的三维点云数据。
由此,通过基于三维形状系数和预先获取的基础三维面部特征,生成与二维风格化面部图像中的面部区域对应的三维风格化面部模型,能够更为准确地生成对应于三维风格化面部模型的三维点云数据,从而保证面部关键点的三维位置信息的准确性。
在示例中,模型生成单元822可以包括模型构建单元822a,被配置为对三维形状系数和预先获取的基础三维面部特征进行线性求和,以构建三维风格化面部模型。
由此,通过对三维形状系数和预先获取的基础三维面部特征进行线性求和,能够简单且准确地构建三维风格化面部模型,从而便于生成对应于三维风格化面部模型的三维点云数据。
在示例中,位置确定单元830可以包括坐标确定单元831,被配置为基于面部关键点的索引号,从三维点云数据中确定与索引号对应的面部关键点的三维坐标。
由此,通过利用索引号确定与其对应的面部关键点的三维坐标,能够以简便的方式获得面部关键点的三维位置信息,且能够根据用户的实际需要来选取感兴趣的面部关键点,由此便利于生成用户感兴趣的面部关键点位置信息。
在示例中,面部关键点的索引号可以是基于预先获取的基础三维面部模型被标定的。
由此,通过基于预先获取的基础三维面部模型标定面部关键点的索引号,能够借助于一般性的三维面部模型来确定所需的面部关键点的索引号,由此为索引号的标定提供便利。
在示例中,信息转换单元840可以包括正交投影单元841,被配置为对由三维位置信息表示的三维坐标进行正交投影,以获得由二维位置信息表示的二维坐标。
由此,通过对由三维位置信息表示的三维坐标进行正交投影,能够方便地获得由二维位置信息表示的二维坐标,并且能够保证多个面部关键点之间的相对位置的准确性。
根据本公开的另一方面,还提供一种神经网络训练装置。
图9示出了根据本公开的实施例的神经网络训练装置900的结构框图。
如图9所示,神经网络训练装置900包括:信息生成装置910,信息生成装置被配置为基于样本二维风格化面部图像,生成面部关键点在样本二维风格化面部图像中的样本二维位置信息;以及训练单元920,被配置为基于样本二维风格化面部图像和面部关键点在样本二维风格化面部图像中的样本二维位置信息,训练用于三维风格化面部重建的神经网络。
在示例中,信息生成装置910可以对应于如图7所述的面部关键点信息生成装置700或如图8所述的面部关键点信息生成装置800。
由于神经网络训练装置900中的信息生成装置910和训练单元920可以分别对应于如图5所述的步骤S501至S502,因此这里不再赘述其各个方面的细节。
根据本公开的实施例,通过基于样本二维风格化面部图像和根据上述实施例中的信息生成方法生成的面部关键点在样本二维风格化面部图像中的样本二维位置信息,训练用于三维风格化面部重建的神经网络,能够低成本且准确地实现用于三维风格化面部重建的神经网络的训练。
在示例中,如图9所示,训练单元920可以包括训练执行单元921,被配置为将样本二维风格化面部图像作为训练数据,并且将面部关键点在样本二维风格化面部图像中的样本二维位置信息作为训练数据的标签,以训练用于三维风格化面部重建的神经网络。
由此,通过将样本二维风格化面部图像作为训练数据,并且将面部关键点在样本二维风格化面部图像中的样本二维位置信息作为训练数据的标签,能够利用监督学习机制对神经网络进行训练。
根据本公开的另一方面,还提供一种三维面部重建装置。
图10示出了根据本公开的实施例的三维面部重建装置1000的结构框图。
如图10所示,三维面部重建装置1000包括:神经网络获取单元1010,被配置为获取根据上述实施例中的神经网络训练装置(例如可以是如图9所述的神经网络训练装置900)训练的用于三维风格化面部重建的神经网络;以及重建执行单元1020,被配置为将二维风格化面部图像输入至用于三维风格化面部重建的神经网络,以生成对应于二维风格化面部图像的三维风格化面部模型。
由于三维面部重建装置1000中的神经网络获取单元1010和重建执行单元1020可以分别对应于如图6所述的步骤S601至S602,因此这里不再赘述其各个方面的细节。
根据本公开的实施例,通过将二维风格化面部图像输入至根据上述实施例中的方法训练的用于三维风格化面部重建的神经网络,能够生成所需的与二维风格化面部图像对应的三维风格化面部模型。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。需要说明的是,本实施例中的面部模型并不是针对某一特定用户的面部模型,并不能反映出某一特定用户的个人信息,本实施例中的人面部图像来自于公开数据集。
根据本公开的另一方面,还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例中的方法。
根据本公开的另一方面,还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中计算机指令用于使计算机执行上述实施例中的方法。
根据本公开的另一方面,还提供一种计算机程序产品,包括计算机程序,其中计算机程序在被处理器执行时实现上述实施例中的方法。
参考图11,现将描述可以作为本公开的服务器或客户端的电子设备1100的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图11所示,设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM1103中,还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106、输出单元1107、存储单元1108以及通信单元1109。输入单元1106可以是能向设备1100输入信息的任何类型的设备,输入单元1106可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1107可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1108可以包括但不限于磁盘、光盘。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理,例如面部关键点信息生成、神经网络训练和三维面部重建的方法。例如,在一些实施例中,面部关键点信息生成、神经网络训练和三维面部重建的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时,可以执行上文描述的面部关键点信息生成、神经网络训练和三维面部重建的方法的一个或多个步骤。备选地,在其他实施例中,计算单元1101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行面部关键点信息生成、神经网络训练和三维面部重建的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (21)
1.一种面部关键点信息生成方法,包括:
获取二维风格化面部图像,其中,所述二维风格化面部图像包括经风格化的面部区域;
生成与所述二维风格化面部图像中的所述面部区域对应的三维点云数据;
基于所述三维点云数据,确定面部关键点的三维位置信息;以及
将所述三维位置信息转换成二维位置信息,其中,所述二维位置信息指示所述面部关键点在所述二维风格化面部图像中的位置。
2.根据权利要求1所述的方法,其中,所述生成与所述二维风格化面部图像中的所述面部区域对应的三维点云数据,包括:
生成与所述二维风格化面部图像中的所述面部区域对应的三维形状系数;
基于所述三维形状系数和预先获取的基础三维面部特征,生成与所述面部区域对应的三维风格化面部模型;以及
生成对应于所述三维风格化面部模型的所述三维点云数据。
3.根据权利要求2所述的方法,其中,所述基于所述三维形状系数和预先获取的基础三维面部特征,生成与所述面部区域对应的三维风格化面部模型,包括:
对所述三维形状系数和所述预先获取的基础三维面部特征进行线性求和,以构建所述三维风格化面部模型。
4.根据权利要求1至3中任一项所述的方法,其中,所述基于所述三维点云数据,确定面部关键点的三维位置信息,包括:
基于所述面部关键点的索引号,从所述三维点云数据中确定与所述索引号对应的所述面部关键点的三维坐标。
5.根据权利要求4所述的方法,其中,所述面部关键点的所述索引号是基于预先获取的基础三维面部模型被标定的。
6.根据权利要求1至5中任一项所述的方法,其中,所述将所述三维位置信息转换成二维位置信息,包括:
对由所述三维位置信息表示的三维坐标进行正交投影,以获得由所述二维位置信息表示的二维坐标。
7.一种神经网络训练方法,包括:
基于样本二维风格化面部图像,执行根据权利要求1至6中任一项所述的面部关键点信息生成方法,以生成面部关键点在所述样本二维风格化面部图像中的样本二维位置信息;以及
基于所述样本二维风格化面部图像和所述面部关键点在所述样本二维风格化面部图像中的所述样本二维位置信息,训练用于三维风格化面部重建的神经网络。
8.根据权利要求7所述的方法,其中,所述基于所述样本二维风格化面部图像和所述面部关键点在所述样本二维风格化面部图像中的样本二维位置信息,训练用于三维风格化面部重建的神经网络,包括:
将所述样本二维风格化面部图像作为训练数据,并且将所述面部关键点在所述样本二维风格化面部图像中的样本二维位置信息作为所述训练数据的标签,以训练所述用于三维风格化面部重建的神经网络。
9.一种三维面部重建方法,包括:
获取根据权利要求7或8所述的神经网络训练方法训练的用于三维风格化面部重建的神经网络;以及
将二维风格化面部图像输入至所述用于三维风格化面部重建的神经网络,以生成对应于所述二维风格化面部图像的三维风格化面部模型。
10.一种面部关键点信息生成装置,包括:
图像获取单元,被配置为获取二维风格化面部图像,其中,所述二维风格化面部图像包括经风格化的面部区域;
数据生成单元,被配置为生成与所述二维风格化面部图像中的所述面部区域对应的三维点云数据;
位置确定单元,被配置为基于所述三维点云数据,确定面部关键点的三维位置信息;以及
信息转换单元,被配置为将所述三维位置信息转换成二维位置信息,其中,所述二维位置信息指示所述面部关键点在所述二维风格化面部图像中的位置。
11.根据权利要求10所述的装置,其中,所述数据生成单元包括:
系数生成单元,被配置为生成与所述二维风格化面部图像中的所述面部区域对应的三维形状系数;
模型生成单元,被配置为基于所述三维形状系数和预先获取的基础三维面部特征,生成与所述面部区域对应的三维风格化面部模型;以及
生成执行单元,被配置为生成对应于所述三维风格化面部模型的所述三维点云数据。
12.根据权利要求11所述的装置,其中,所述模型生成单元包括:
模型构建单元,被配置为对所述三维形状系数和所述预先获取的基础三维面部特征进行线性求和,以构建所述三维风格化面部模型。
13.根据权利要求10至12中任一项所述的装置,其中,所述位置确定单元包括:
坐标确定单元,被配置为基于所述面部关键点的索引号,从所述三维点云数据中确定与所述索引号对应的所述面部关键点的三维坐标。
14.根据权利要求13所述的装置,其中,所述面部关键点的所述索引号是基于预先获取的基础三维面部模型被标定的。
15.根据权利要求10至14中任一项所述的装置,其中,所述信息转换单元包括:
正交投影单元,被配置为对由所述三维位置信息表示的三维坐标进行正交投影,以获得由所述二维位置信息表示的二维坐标。
16.一种神经网络训练装置,包括:
根据权利要求10至15中任一项所述的信息生成装置,其中,所述信息生成装置被配置为基于样本二维风格化面部图像,生成面部关键点在所述样本二维风格化面部图像中的样本二维位置信息;以及
训练单元,被配置为基于所述样本二维风格化面部图像和所述面部关键点在所述样本二维风格化面部图像中的所述样本二维位置信息,训练用于三维风格化面部重建的神经网络。
17.根据权利要求16所述的装置,其中,所述训练单元包括:
训练执行单元,被配置为将所述样本二维风格化面部图像作为训练数据,并且将所述面部关键点在所述样本二维风格化面部图像中的样本二维位置信息作为所述训练数据的标签,以训练所述用于三维风格化面部重建的神经网络。
18.一种三维面部重建装置,包括:
神经网络获取单元,被配置为获取根据权利要求16或17所述的神经网络装置训练的用于三维风格化面部重建的神经网络;以及
重建执行单元,被配置为将二维风格化面部图像输入至所述用于三维风格化面部重建的神经网络,以生成对应于所述二维风格化面部图像的三维风格化面部模型。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211477312.2A CN115761855B (zh) | 2022-11-23 | 2022-11-23 | 面部关键点信息生成、神经网络训练和三维面部重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211477312.2A CN115761855B (zh) | 2022-11-23 | 2022-11-23 | 面部关键点信息生成、神经网络训练和三维面部重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115761855A true CN115761855A (zh) | 2023-03-07 |
CN115761855B CN115761855B (zh) | 2024-02-09 |
Family
ID=85336326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211477312.2A Active CN115761855B (zh) | 2022-11-23 | 2022-11-23 | 面部关键点信息生成、神经网络训练和三维面部重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761855B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423109A (zh) * | 2023-10-31 | 2024-01-19 | 北京代码空间科技有限公司 | 一种图像关键点标注方法及其相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978930A (zh) * | 2019-03-27 | 2019-07-05 | 杭州相芯科技有限公司 | 一种基于单幅图像的风格化人脸三维模型自动生成方法 |
CN114037802A (zh) * | 2021-11-24 | 2022-02-11 | Oppo广东移动通信有限公司 | 三维人脸模型重建方法、装置、存储介质及计算机设备 |
CN114549291A (zh) * | 2022-02-24 | 2022-05-27 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备以及存储介质 |
CN115082298A (zh) * | 2022-07-15 | 2022-09-20 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备以及存储介质 |
CN115359166A (zh) * | 2022-10-20 | 2022-11-18 | 北京百度网讯科技有限公司 | 一种图像生成方法、装置、电子设备和介质 |
-
2022
- 2022-11-23 CN CN202211477312.2A patent/CN115761855B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978930A (zh) * | 2019-03-27 | 2019-07-05 | 杭州相芯科技有限公司 | 一种基于单幅图像的风格化人脸三维模型自动生成方法 |
CN114037802A (zh) * | 2021-11-24 | 2022-02-11 | Oppo广东移动通信有限公司 | 三维人脸模型重建方法、装置、存储介质及计算机设备 |
CN114549291A (zh) * | 2022-02-24 | 2022-05-27 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备以及存储介质 |
CN115082298A (zh) * | 2022-07-15 | 2022-09-20 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备以及存储介质 |
CN115359166A (zh) * | 2022-10-20 | 2022-11-18 | 北京百度网讯科技有限公司 | 一种图像生成方法、装置、电子设备和介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423109A (zh) * | 2023-10-31 | 2024-01-19 | 北京代码空间科技有限公司 | 一种图像关键点标注方法及其相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115761855B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836333A (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
CN116051729B (zh) | 三维内容生成方法、装置和电子设备 | |
CN114972958B (zh) | 关键点检测方法、神经网络的训练方法、装置和设备 | |
EP3855386B1 (en) | Method, apparatus, device and storage medium for transforming hairstyle and computer program product | |
CN112967356A (zh) | 图像填充方法及装置、电子设备和介质 | |
CN117274491A (zh) | 三维重建模型的训练方法、装置、设备和介质 | |
CN115761855B (zh) | 面部关键点信息生成、神经网络训练和三维面部重建方法 | |
CN115661375B (zh) | 三维发型生成方法、装置、电子设备和存储介质 | |
CN114120448B (zh) | 图像处理方法和装置 | |
CN115393514A (zh) | 三维重建模型的训练方法、三维重建方法、装置、设备 | |
CN114119935A (zh) | 图像处理方法和装置 | |
CN114119154A (zh) | 虚拟化妆的方法及装置 | |
CN115345981B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115423827B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114120412B (zh) | 图像处理方法和装置 | |
CN115797455B (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN115937430B (zh) | 用于展示虚拟对象的方法、装置、设备及介质 | |
CN115359194B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114118379B (zh) | 神经网络的训练方法、图像处理方法、装置、设备和介质 | |
CN115953512A (zh) | 表情生成方法、神经网络的训练方法、装置、设备和介质 | |
CN114882331A (zh) | 图像处理方法、装置、设备和介质 | |
CN115511779A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN114998403A (zh) | 深度预测方法、装置、电子设备、介质 | |
CN117218499A (zh) | 面部表情捕捉模型的训练方法、面部表情驱动方法和装置 | |
CN115578451A (zh) | 图像处理方法、图像处理模型的训练方法和装置 |
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 |