[发明专利]一种样本相似度抑制的大尺度三维人脸合成系统

说明书

本发明公开了一种样本相似度抑制的大尺度三维人脸合成系统，包括：三维扫描设备，用于获取三维人脸模型及其点云数据；第一处理模块，用于对所获取的三维人脸模型及其点云数据进行预处理；第二处理模块，用于进行人脸三维模型的合成，得到合成三维人脸模型；第三处理模块，用于对所述合成三维人脸模型与采样得到的三维人脸模型集进行相似度检测，以输出满足相似度要求的所述合成三维人脸模型。本系统在进行三维人脸模型合成的基础上，充分考虑到三维人脸模型合成技术所需兼顾的数据隐私性问题，通过设计一个相似度检验模型来抑制合成模型与真实采集人脸模型的相似度，使输出的三维人脸合成结果能够满足人脸数据私密性的特殊要求。

技术领域

本发明涉及三维人脸重建技术领域，特别涉及一种样本相似度抑制的大尺度三维人脸合成系统。

背景技术

在2018年10月世界虚拟现实产业大会上，北京大学黄铁军教授提出传统的二维图像、视频并非人类视觉神经系统观察世界真正的视觉媒介。可见，面向三维模型的研究更加符合人类观察物体客观存在。在常见三维模型数据中，由于三维人脸模型的个体身份表征、个人形象与交互门户的特殊属性，三维人脸模型数据已经被广泛应用于游戏、影视、仿真系统中虚拟人仿真等诸多领域。例如，人们广泛熟知的苹果手机faceID技术检测三维人脸深度信息已成功实现产业化应用。随着三维扫描技术和基于视觉与深度图的三维建模技术的快速发展，三维人脸模型的获取方式也走向多样化。尽管三维重建技术在硬件和算法方面均日趋发展成熟，但归根究底，重建的三维人脸模型并非人工合成模型，不能满足广泛的“匿名”化虚拟人脸模型的需求。因此，在真实人脸模型三维重建快速发展的同时，面向三维人脸模型的人工合成方法研究将逐渐成为计算机图形学领域的主要研究课题之一。

Goodfellow于2013年提出的生成对抗网络(Generative Adversarial Network，GAN)模型为数据合成方法打开了另一扇大门。迄今为止，基于GAN的图像合成方法已经被研究者们广泛讨论和开展性能优化研究工作。由于GAN模型具备保证合成结果质量的特点，使其几乎成为人脸合成方法研究的首选工具。但是，基础GAN模型的训练时依然存在很多不足：随机梯度下降(SGD)问题，当判别器越来越准确时生成器会出现梯度崩溃的问题，这使得GAN在稳定性和大尺度输入数据计算优化两个方面需要进一步开展研究工作。为提升GAN模型的稳定性，已有学者提出McGAN模型通过均值和协方差特征匹配进一步动态优化GAN模型的稳定性；为提升GAN模型的大尺度数据处理能力，由于判别器收敛速度较生成器更快，有学者提出的生成器/判别器使用不用的训练周期，以提高其数据处理效率。

但是，纵观国内外相关研究，我们分析发现，到目前为止，基于生成对抗网络模型的研究主要集中在模型的算能和稳定性提升，以及面向图像、视频等数据自动合成的应用研究，而对于面向三维模型尤其是三维人脸模型的自动合成方法相关课题的探讨和研究严重不足，无法适应于三维人脸模型的自动合成的需求。2018年以来，浙江大学计算机辅助设计与图形学国家重点实验室周昆教授也在中国图形学大会(ChinaGraph 2018)、ACMSIGGraphAsia 2018等诸多重要场合提出智能图形学的概念，推崇将人工智能方法广泛应用于计算机图形学研究领域。欧盟委员会的智库也在2018年3月发布的《人工智能时代：确立以人为本的欧洲战略》中提出了“以人为本”的人工智能发展方向。在这样的背景要求之下，人脸数据作为一种高度敏感的隐私和身份信息，数据隐私保护是人工智能研究者们以及应用产业重点考虑的问题。可以看到，在虚拟人等诸多“匿名”、版权限制的特殊需求驱动之下，在发展合成三维人脸模型的同时如何注意数据隐私问题也是行业发展必不可少的需求。