The embodiment of the present invention provides a method, device and electronic device for generating a three-dimensional face image. The method includes: recognizing the face in the image, obtaining the information of the first face feature point, which is used to uniquely identify the face, and obtaining the first three-dimensional face model based on the information of the first face feature point and the pre-trained convolutional neural network model. According to the first three-dimensional face model parameter information, the three-dimensional average face model is processed and the corresponding three-dimensional face image is obtained. By using the above methods and devices, three-dimensional face images can be generated without multi-angle and multi-image acquisition, and convolutional neural network images can automatically generate more accurate and realistic facial expressions and gestures without hardware support and reduce costs in many ways.
【技术实现步骤摘要】
三维人脸图像生成方法、装置及电子设备
本专利技术涉及三维人脸图像生成
,尤其涉及一种三维人脸图像生成方法、装置及电子设备。
技术介绍
三维人脸重建在医疗、教育、娱乐等领域目前已经得到了非常广泛的应用。专利技术人在实现本专利技术的过程中发现,在三维人脸重建的过程中,利用多张图像多个角度来拼合成三维模型,但由于需要大量的图像,所以重建过程繁琐复杂,需要在多张大范围面部姿态图像中建立像素之间的密集对应,而导致同一个个体的3D模拟差异较大,同时导致重建的时间长,成本高。此外,手机等便携电子设备出于娱乐的目的越来越多使用三维人脸重建技术,获取二维人脸图像主要通过电子设备的摄像头,而后期三维人脸图像的重建效果部分取决于前期摄像装置获取图像的质量,而获取图像质量又部分的取决于拍摄时对抖动的处理效果,目前的手机主要通过软件进行防抖处理,硬件并未有针对性的改进。
技术实现思路
本专利技术实施例提供的三维人脸图像生成方法、装置及电子设备,用以至少解决相关技术中的上述问题。本专利技术实施例一方面提供了一种三维人脸图像生成方法,包括:对获取图像中的人脸进行识别,获取第一人脸特征点信息,所述人像特征点用于唯一标识所述人脸;根据所述第一人脸特征点信息和预先训练的卷积神经网络模型,得到第一三维人脸模型参数信息;根据所述第一三维人脸模型参数信息对预先获得的三维平均人脸模型进行处理,得到所述人脸对应的三维人脸图像。进一步地,所述卷积神经网络模型的训练方法包括:搭建由两层沙漏型卷积神经网络组成的卷积神经网络模型;获取用于训练所述卷积神经网络模型的数据集,所述数据集中包括若干二维人脸图像和所 ...
【技术保护点】
1.一种三维人脸图像生成方法,其特征在于,包括:对获取图像中的人脸进行识别,获取第一人脸特征点信息,所述人像特征点用于唯一标识所述人脸;根据所述第一人脸特征点信息和预先训练的卷积神经网络模型,得到第一三维人脸模型参数信息;根据所述第一三维人脸模型参数信息对预先获得的三维平均人脸模型进行处理,得到所述人脸对应的三维人脸图像。
【技术特征摘要】
2018.08.24 CN PCT/CN2018/1023291.一种三维人脸图像生成方法,其特征在于,包括:对获取图像中的人脸进行识别,获取第一人脸特征点信息,所述人像特征点用于唯一标识所述人脸;根据所述第一人脸特征点信息和预先训练的卷积神经网络模型,得到第一三维人脸模型参数信息;根据所述第一三维人脸模型参数信息对预先获得的三维平均人脸模型进行处理,得到所述人脸对应的三维人脸图像。2.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型的训练过程包括如下步骤:搭建由两层沙漏型卷积神经网络组成的卷积神经网络模型;获取用于训练所述卷积神经网络模型的数据集,所述数据集中包括若干二维人脸图像和所述二维人脸图像对应的三维人像扫描数据;对所述二维人脸图像进行预处理得到第二人脸特征点信息;将所述第二人脸特征点信息输入至所述卷积神经网络模型得到第二三维人脸模型参数信息;利用交叉熵损失函数对所述卷积神经网络的参数进行优化,直至所述第二三维人脸模型参数信息与所述三维人像扫描数据的损失函数收敛到预设阈值。3.根据权利要求1或2所述的方法,其特征在于,所述第一三维人脸模型参数信息包括:人脸形状信息、人脸表情信息和人脸姿态信息。4.根据权利要求3所述的方法,其特征在于,所述根据所述三维人脸模型参数信息对预先获得的三维平均人脸模型进行处理,得到所述人脸对应的三维人脸图像,包括:根据所述人脸形状信息和所述人脸表情信息对所述三维平均人脸模型进行处理,得到初始三维人脸模型;根据所述人脸姿态信息对所述初始三维人脸图像进行调整,得到所述人脸对应的三维人脸图像。5.根据权利要求1或2所述的方法,其特征在于,所述对图像中的人脸进行识别,获取第一人脸特征点信息,包括:识别第一预设数量的特征点,确定所述特征点信息的二维坐标位置;根据所述二维坐标位置获得代表所述特征点周围第二预设数量像素...
【专利技术属性】
技术研发人员:李建亿,朱利明,
申请(专利权)人:太平洋未来科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。