基于低质量三维人脸点云的重构方法、装置及处理终端制造方法及图纸

本发明专利技术公开了一种基于低质量三维人脸点云的重构方法、装置及处理终端，方法包括：S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。本发明专利技术利用神经网络强大的拟合能力以及便捷的样本生成方法，通过训练神经网络直接得到高质量的人脸点云。

Reconstruction Method, Device and Processing Terminal Based on Low Quality 3D Face Point Cloud

The invention discloses a reconstruction method, device and processing terminal based on low-quality three-dimensional face point cloud. The method includes: S1, acquiring a series of input three-dimensional face point clouds, aligning the series of three-dimensional face point clouds based on preset standard three-dimensional face point clouds, and converting them into a series of two-dimensional depth maps; S2, inputting the series of two-dimensional depth maps into a series of two-dimensional depth maps based on the preset standard three-dimensional face point clouds. PCA model trained neural network, and obtained the PCA model parameters output by the PCA model trained neural network; S3, the PCA model parameters output are substituted into the PCA model based facial point cloud expression, and the reconstructed three-dimensional facial point cloud is obtained. The invention utilizes the strong fitting ability of the neural network and the convenient sample generation method, and directly obtains the high quality face point cloud by training the neural network.

【技术实现步骤摘要】
基于低质量三维人脸点云的重构方法、装置及处理终端
本专利技术涉及一种将低质量三维人脸点云重构为高质量三维人脸点云的方法。
技术介绍
随着便携三维扫描设备的发展，人们可以比较容易获得低质量的人脸点云，这些点云相对稀疏，并且存在一定噪声。而三维人脸重构指通过各种技术得到人脸的几何形状信息，由于人脸几何形状复杂，无法采用一种简单的参数化表示，因此往往通过人脸上大量的采样点坐标表示，这些空间点坐标集合就称为三维人脸点云，重构的目标就是得到足够稠密的高质量的三维人脸点云。对同一物体表面，不同的设备采集的点数和精度都不相同，成本越低，采集的点数和精度就越差，这就是所谓低质量点云，高质量点云是指点数多，且坐标精度高。目前普通点云采集设备比如Kinect相比大型的激光采集设备点数和精度都相对较低。现在的方法是通过一系列的三维点云进行对齐，得到一个较稠密率的三维点云，然后通过平均操作得到更加平滑的表面，经典的KinectFusion算法就是采用这种思路，但这种方法流程复杂，需要经过一系列的对齐操作，算法耗时，而且求解不一定能得到好的结果。
技术实现思路
为了克服现有技术的不足，本专利技术的目的之一在于提供本文档来自技高网...

【技术保护点】
1.基于低质量三维人脸点云的重构方法，其特征在于，包括：S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。

【技术特征摘要】
1.基于低质量三维人脸点云的重构方法，其特征在于，包括：S1、获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；S2、将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；S3、将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。2.根据权利要求1所述的基于低质量三维人脸点云的重构方法，其特征在于，所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，M为平均三维人脸点云对应的向量，Ui为三维人脸点云的基，Ai为PCA模型参数；M和Ui均为预设值。3.根据权利要求2所述的基于低质量三维人脸点云的重构方法，其特征在于，所述基于PCA模型训练的神经网络的训练过程为：S21、采样得到一个PCA模型参数，并利用所述基于PCA模型的人脸点云表达式得到一个三维人脸点云，记为Xi；S22、对Xi进行稀疏采样并引入噪声，得到一系列模拟低质量点云的三维人脸点云，记为Ci；S23、将Ci分别基于预设标准三维人脸点云进行对齐操作后转换为一系列二维深度图；S24、对一系列二维深度图分别进行插值操作，获得插值二维深度图，记为Di；S25、将Di分别输入至所述基于PCA模型训练的神经网络，通过L2损失函数使所述基于PCA模型训练的神经网络输出步骤S21中采样得到的PCA模型参数；S26、重复执行步骤S21至步骤S25，直至达到预设的执行次数。4.根据权利要求3所述的基于低质量三维人脸点云的重构方法，其特征在于，所述插值操作通过最近邻插值方法实现。5.基于低质量三维人脸点云的重构装置，其特征在于，包括：转换模块，用于获取输入的一系列三维人脸点云，将所述一系列三维人脸点云基于预设标准三维人脸点云进行对齐操作，并转换为一系列二维深度图；参数获取模块，用于将所述一系列二维深度图输入至基于PCA模型训练的神经网络，并获取由基于PCA模型训练的神经网络输出的PCA模型参数；重构模块，用于将输出的所述PCA模型参数代入基于PCA模型的人脸点云表达式中，得到重构三维人脸点云。6.根据权利要求5所述的基于低质量三维人脸点云的重构装置，其特征在于，所述基于PCA模型的人脸点云表达式为：X＝M+A1*U1+A2*U2+A3*U3+…+An*Un；将A1、A2、A3…An的集合记为Ai，将U1、U2、U3…Un的集合记为Ui；其中，...

【专利技术属性】
技术研发人员：黄晋，
申请(专利权)人：广州图语信息科技有限公司，
类型：发明
国别省市：广东,44