[发明专利]面部表情重建方法、终端设备及计算机可读存储介质在审

专利信息
申请号: 202210190278.4 申请日: 2022-02-28
公开(公告)号: CN114693866A 公开(公告)日: 2022-07-01
发明(设计)人: 金华;石宇航;彭蕾;薄云;李鑫楠;赵艳花;张咏琴;胡耀晟;陶大鹏 申请(专利权)人: 云南省第一人民医院
主分类号: G06T17/00 分类号: G06T17/00
代理公司: 深圳中一联合知识产权代理有限公司 44414 代理人: 边珺
地址: 650000 *** 国省代码: 云南;53
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 面部 表情 重建 方法 终端设备 计算机 可读 存储 介质
【说明书】:

本申请适用于图像处理技术领域,提供了一种面部表情重建方法、装置、终端设备及计算机可读存储介质,包括:根据第一目标人脸的第一人脸图像生成包含所述第一目标人脸的面部表情特征的第一位移贴图,其中,所述第一人脸图像中的所述第一目标人脸具有预设面部表情;根据所述第一目标人脸的第二人脸图像生成所述第一目标人脸的初始三维模型,其中,所述第二人脸图像中的所述第一目标人脸不具有所述预设面部表情;根据所述第一位移贴图和所述第一目标人脸的初始三维模型,生成所述第一目标人脸的最终三维模型。通过上述方法,可以有效提高面部表情重建结果的精确度。

技术领域

本申请属于图像处理技术领域,尤其涉及一种面部表情重建方法、装置、终端设备及计算机可读存储介质。

背景技术

随着深度学习的发展,三维人脸重建技术成为一个研究热点,受到了研究者广泛的关注。三维人脸重建是指,根据被测个体的二维人脸图像重建出其三维人脸模型。

现有的三维人脸重建技术,通常使用固定的线性形状空间估计三维人脸模型。这类方法只能捕获人脸的低频形状信息,无法精确捕捉人脸的细节特征,导致过渡平滑,重建效果较差。

发明内容

本申请实施例提供了一种面部表情重建方法、装置、终端设备及计算机可读存储介质,可以有效提高面部表情重建结果的精确度。

第一方面,本申请实施例提供了一种面部表情重建方法,包括:

根据第一目标人脸的第一人脸图像生成包含所述第一目标人脸的面部表情特征的第一位移贴图,其中,所述第一人脸图像中的所述第一目标人脸具有预设面部表情;

根据所述第一目标人脸的第二人脸图像生成所述第一目标人脸的初始三维模型,其中,所述第二人脸图像中的所述第一目标人脸不具有所述预设面部表情;

根据所述第一位移贴图和所述第一目标人脸的初始三维模型,生成所述第一目标人脸的最终三维模型。

本申请实施例中,第二人脸图像中的第一目标人脸不具有预设面部表情,根据第二人脸图像生成第一目标人脸的初始三维模型,相当于对第一目标人脸进行粗粒度重建;第一人脸图像中的第一目标人脸具有预设面部表情,生成的第一位移贴图中包含第一目标人脸的面部表情特征,相当于获取到了第一目标人脸的面部动作细节;根据第一位移贴图和第一目标人脸的初始三维模型生成第一目标人脸的最终三维模型,相当于在对第一目标人脸进行粗粒度重建的基础上,添加了第一目标人脸的细节特征。换言之,上述面部表情重建方法,既关注了人脸的全局特征,又关注了人脸的局部特征,使得最终三维模型能够更加精确地表征第一目标人脸。

在第一方面的一种可能的实现方式中,所述根据第一目标人脸的第一人脸图像生成包含所述第一目标人脸的面部表情特征的第一位移贴图,包括:

对所述第一人脸图像进行面部表情检测,获得第一特征数据;

将所述第一特征数据输入训练后的第一模型,获得所述第一位移贴图。

在第一方面的一种可能的实现方式中,在将所述第一特征数据输入训练后的第一模型,获得所述第一位移贴图之前,所述方法还包括:

根据第二目标人脸的第三人脸图像生成包含所述第二目标人脸的面部表情特征的第二位移贴图,其中,所述第三人脸图像中的所述第二目标人脸具有所述预设面部表情;

根据第二目标人脸的第四人脸图像生成所述第二目标人脸的初始三维模型,其中,所述第四人脸图像中的所述第二目标人脸不具有所述预设面部表情;

根据所述第二位移贴图和所述第二目标人脸的初始三维模型,生成所述第二目标人脸的最终三维模型;

根据所述第二目标人脸的最终三维模型生成所述第二目标人脸的二维绘制图像;

根据所述第二目标人脸的二维绘制图像和所述第三人脸图像计算第一损失值;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于云南省第一人民医院,未经云南省第一人民医院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210190278.4/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top