三维人脸建模方法及装置制造方法及图纸

本公开是关于一种三维人脸建模方法及装置。该方法包括：将三维空间划分为多个块；采用卷积神经网络提取人脸图像的特征向量；将所述特征向量输入多层感知器网络中，并由所述多层感知器网络输出所述三维空间的各个块属于人脸区域的概率；将所述三维空间的各个块中属于人脸区域的概率大于阈值的块确定为人脸区域所在块；根据所述人脸区域所在块，确定所述人脸图像对应的三维模型。本公开能够提高所确定的人脸三维模型的准确性，从而能够提高三维人脸建模的效果，并能提高三维人脸建模的速度。

【技术实现步骤摘要】
三维人脸建模方法及装置
本公开涉及计算机
，尤其涉及三维人脸建模方法及装置。
技术介绍
三维人脸建模是指根据人脸图像重建出人脸的三维模型。三维人脸建模可以应用于人脸三维贴图、人脸驱动动画人物和人脸姿态估计等方面。相关技术中，三维人脸建模的效果较差，且速度较慢。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种三维人脸建模方法及装置。根据本公开实施例的第一方面，提供一种三维人脸建模方法，包括：将三维空间划分为多个块；采用卷积神经网络提取人脸图像的特征向量；将所述特征向量输入多层感知器网络中，并由所述多层感知器网络输出所述三维空间的各个块属于人脸区域的概率；将所述三维空间的各个块中属于人脸区域的概率大于阈值的块确定为人脸区域所在块；根据所述人脸区域所在块，确定所述人脸图像对应的三维模型。在一种可能的实现方式中，根据所述人脸区域所在块，确定所述人脸图像对应的三维模型，包括：根据各个所述人脸区域所在块属于人脸区域的概率，计算所述人脸区域所在块中的等值曲面；根据所述等值曲面确定所述人脸图像对应的三维模型。在一种可能的实现方式中，在采用卷积神经网络提取人脸图像的特征向量之前，所述方法还包括：对原始图像进行预处理，得到所述人脸图像。在一种可能的实现方式中，对原始图像进行预处理，得到所述人脸图像，包括：确定所述原始图像中各个像素的像素值的平均值；根据所述平均值，以及所述各个像素的像素值，确定所述各个像素的方差；计算所述各个像素的像素值与所述平均值的差值，得到所述各个像素的第一预处理值；计算所述各个像素的第一预处理值与所述方差的比值，得到所述各个像素的第二预处理值；根据所述各个像素的第二预处理值，得到所述人脸图像。根据本公开实施例的第二方面，提供一种三维人脸建模装置，包括：划分模块，用于将三维空间划分为多个块；提取模块，用于采用卷积神经网络提取人脸图像的特征向量；第一确定模块，用于将所述特征向量输入多层感知器网络中，并由所述多层感知器网络输出所述三维空间的各个块属于人脸区域的概率；第二确定模块，用于将所述三维空间的各个块中属于人脸区域的概率大于阈值的块确定为人脸区域所在块；第三确定模块，用于根据所述人脸区域所在块，确定所述人脸图像对应的三维模型。在一种可能的实现方式中，所述第三确定模块包括：第一计算子模块，用于根据各个所述人脸区域所在块属于人脸区域的概率，计算所述人脸区域所在块中的等值曲面；第一确定子模块，用于根据所述等值曲面确定所述人脸图像对应的三维模型。在一种可能的实现方式中，所述装置还包括：预处理模块，用于对原始图像进行预处理，得到所述人脸图像。在一种可能的实现方式中，所述预处理模块包括：第二确定子模块，用于确定所述原始图像中各个像素的像素值的平均值；第三确定子模块，用于根据所述平均值，以及所述各个像素的像素值，确定所述各个像素的方差；第二计算子模块，用于计算所述各个像素的像素值与所述平均值的差值，得到所述各个像素的第一预处理值；第三计算子模块，用于计算所述各个像素的第一预处理值与所述方差的比值，得到所述各个像素的第二预处理值；第四确定子模块，用于根据所述各个像素的第二预处理值，得到所述人脸图像。根据本公开实施例的第三方面，提供一种三维人脸建模装置，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行上述方法。本公开的实施例提供的技术方案可以包括以下有益效果：通过将三维空间划分为多个块，采用卷积神经网络提取人脸图像的特征向量，将该特征向量输入多层感知器网络中，由该多层感知器网络输出三维空间的各个块属于人脸区域的概率，将三维空间的各个块中属于人脸区域的概率大于阈值的块确定为人脸区域所在块，并根据人脸区域所在块确定人脸图像对应的三维模型，由此能够提高所确定的人脸三维模型的准确性，从而能够提高三维人脸建模的效果，并能提高三维人脸建模的速度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1是根据一示例性实施例示出的一种三维人脸建模方法的流程图。图2是根据一示例性实施例示出的一种三维人脸建模方法中人脸图像的示意图。图3是根据一示例性实施例示出的一种三维人脸建模方法中人脸图像对应的三维模型的示意图。图4是根据一示例性实施例示出的一种三维人脸建模方法步骤S15的一示例性的流程图。图5是根据一示例性实施例示出的一种三维人脸建模方法的一示例性的流程图。图6是根据一示例性实施例示出的一种三维人脸建模方法步骤S10的一示例性的流程图。图7是根据一示例性实施例示出的一种三维人脸建模装置的框图。图8是根据一示例性实施例示出的一种三维人脸建模装置的一示例性的框图。图9是根据一示例性实施例示出的一种用于三维人脸建模的装置800的框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。图1是根据一示例性实施例示出的一种三维人脸建模方法的流程图。该方法可以应用于终端设备中。如图1所示，该方法包括步骤S11至步骤S15。在步骤S11中，将三维空间划分为多个块。在一种可能的实现方式中，可以将三维空间均匀划分为多个块，划分得到的各个块的大小相同。例如，可以将三维空间均匀划分为192×192×200个块。在步骤S12中，采用卷积神经网络提取人脸图像的特征向量。在一种可能的实现方式中，可以基于第一训练数据集训练卷积神经网络(CNN，ConvolutionalNeuralNetworks)。其中，第一训练数据集可以包括多个人脸图像训练数据，以及各个人脸图像训练数据对应的特征向量训练数据。将各个人脸图像训练数据作为卷积神经网络的输入，将各个人脸图像训练数据对应的特征向量训练数据作为该卷积神经网络的输出，可以训练该卷积神经网络。训练得到的卷积神经网络可以用于提取人脸图像的特征向量。在步骤S13中，将该特征向量输入多层感知器网络中，并由该多层感知器网络输出三维空间的各个块属于人脸区域的概率。例如，若三维空间划分为192×192×200个块，则该多层感知器网络可以输出该192×192×200个块中的各个块属于人脸区域的概率。在一种可能的实现方式中，可以基于第二训练数据集训练多层感知器(MLP，Multi-LayerPerceptron)网络。其中，第二训练数据集可以包括多个特征向量训练数据，以及各个特征向量训练数据对应的三维空间的各个块属于人脸区域的概率训练数据。将各个特征向量训练数据作为该多层感知器网络的输入，将各个特征向量训练数据对应的三维空间的各个块属于人脸区域的概率训练数据作为该多层感知器网络的输出，可以训练该多层感知器网络。训练得到的多层感知器网络可以根据特征向量输本文档来自技高网...

【技术保护点】
一种三维人脸建模方法，其特征在于，包括：将三维空间划分为多个块；采用卷积神经网络提取人脸图像的特征向量；将所述特征向量输入多层感知器网络中，并由所述多层感知器网络输出所述三维空间的各个块属于人脸区域的概率；将所述三维空间的各个块中属于人脸区域的概率大于阈值的块确定为人脸区域所在块；根据所述人脸区域所在块，确定所述人脸图像对应的三维模型。

【技术特征摘要】
1.一种三维人脸建模方法，其特征在于，包括：将三维空间划分为多个块；采用卷积神经网络提取人脸图像的特征向量；将所述特征向量输入多层感知器网络中，并由所述多层感知器网络输出所述三维空间的各个块属于人脸区域的概率；将所述三维空间的各个块中属于人脸区域的概率大于阈值的块确定为人脸区域所在块；根据所述人脸区域所在块，确定所述人脸图像对应的三维模型。2.根据权利要求1所述的方法，其特征在于，根据所述人脸区域所在块，确定所述人脸图像对应的三维模型，包括：根据各个所述人脸区域所在块属于人脸区域的概率，计算所述人脸区域所在块中的等值曲面；根据所述等值曲面确定所述人脸图像对应的三维模型。3.根据权利要求1所述的方法，其特征在于，在采用卷积神经网络提取人脸图像的特征向量之前，所述方法还包括：对原始图像进行预处理，得到所述人脸图像。4.根据权利要求3所述的方法，其特征在于，对原始图像进行预处理，得到所述人脸图像，包括：确定所述原始图像中各个像素的像素值的平均值；根据所述平均值，以及所述各个像素的像素值，确定所述各个像素的方差；计算所述各个像素的像素值与所述平均值的差值，得到所述各个像素的第一预处理值；计算所述各个像素的第一预处理值与所述方差的比值，得到所述各个像素的第二预处理值；根据所述各个像素的第二预处理值，得到所述人脸图像。5.一种三维人脸建模装置，其特征在于，包括：划分模块，用于将三维空间划分为多个块；提取模块，用于采用卷积神经网络提取人脸图像的特征向量；第一确定模块，用于将所述特征向量输入多层感知器网络中，并由所述多层...

【专利技术属性】
技术研发人员：杨松，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京,11