【技术实现步骤摘要】
一种基于分布独立性的3D人脸解耦表示学习方法
本专利技术涉及一种学习方法，具体涉及一种基于分布独立性的3D人脸解耦表示学习方法。
技术介绍
人脸的形状主要由身份及表情决定，由于人脸的表情丰富并且多变，易造成复杂的非线性形变，因此建立鲁棒的3D人脸模型是一项具有挑战性的任务。而学习身份、表情解耦的3D人脸模型对于人脸属性迁移、人脸重建、识别以及人脸动画等具有重要意义。目前3D人脸解耦表示学习的方法主要分为两类：3D人脸的线性解耦表示；3D人脸的非线性解耦表示。3D人脸线性解耦表示方法一般基于3D可形变模型(3DMM)，其通过主成分分析(PCA)分别学习一组3D人脸身份基底和表情基底后，可以优化3DMM参数以拟合任意3D人脸的形状。然而，这类方法局限于其线性性，PCA学习的基底表示能力有限，难以表达3D人脸细节以及夸张的表情。现有的3D人脸非线性解耦表示方法多采用现将3D人脸映射成2D几何图像，再使用深度卷积神经网络实现解耦表示学习，而将3D人脸映射成2D图像的过程势必会造成信息损失。
技术实现思路
...
【技术保护点】
1.一种基于分布独立性的3D人脸解耦表示学习方法，其特征在于，包括以下步骤：/n步骤1：收集3D人脸数据集，将数据集分为训练集和测试集；/n步骤2：根据训练目标对数据集全体数据进行预处理及配准；/n步骤3：构造用于解耦表示学习的图卷积神经网络模型；/n步骤4：使用训练集训练用于解耦表示学习的图卷积神经网络模型；/n步骤5：训练完成后，用于解耦表示学习的图卷积神经网络模型将输入的3D人脸解耦为身份和表情两个部分。/n
【技术特征摘要】
1.一种基于分布独立性的3D人脸解耦表示学习方法，其特征在于，包括以下步骤：
步骤1：收集3D人脸数据集，将数据集分为训练集和测试集；
步骤2：根据训练目标对数据集全体数据进行预处理及配准；
步骤3：构造用于解耦表示学习的图卷积神经网络模型；
步骤4：使用训练集训练用于解耦表示学习的图卷积神经网络模型；
步骤5：训练完成后，用于解耦表示学习的图卷积神经网络模型将输入的3D人脸解耦为身份和表情两个部分。
2.根据权利要求1所述的一种基于分布独立性的3D人脸解耦表示学习方法，其特征在于，步骤2中，配准后，每个3D人脸样本用若干节点和边构成的网格M＝{V，A}表示；|V|＝n代表3D欧氏空间中的n个节点，V∈Rn×3；稀疏邻接矩阵A∈{0，1}n×n表示节点之间的连接关系，Aij＝0表示节点vi和vj之间没有连接，反之，Aij＝1表示节点vi和vj之间有连接。
3.根据权利要求1所述的一种基于分布独立性的3D人脸解耦表示学习方法，其特征在于，步骤3中，用于解耦表示学习的图卷积神经网络模型包括三个部分，分别为编码器、解码器和判别器；编码器输入3D人脸网格，输出对应的身份表示和表情表示，解码器的输入层为编码器的输出层的结果，解码器将身份表示和表情表示重建出3D人脸，判别器的输入层也连接编码器的输出层，用于判别身份表示与表情表示是否分布独立。
4.根据权利要求3所述的一种基于分布独立性的3D人脸解耦表示学习方法，其特征在于，根据需求分析，编码器将3D人脸编码为身份表示以及表情表示，编码器结构为6层图卷积神经网络及全连接层组合而成，第一个卷积层为GCN(3，16)，输入3通道的3D人脸网格，输出为16通道，第二个卷积层为GCN(16，64)，输入16通道，输出64通道，第三、四、五个卷积层均为GCN(64，64)，输入与输出都是64通道，第6个卷积层为GCN(64，32)，输入64通道，输出32通道，最后一个卷积层同时连接两个各有4个神经元的全连接层FC(4)，分别输出3D人脸的身份和表情在特征空间分布的均值μid，μexp和方差σid，σexp，从身份分布中采样得到zid＝uid×ε+σid作为3D人脸的身份表示，从表情分布采样得到zexp＝uexp×ε+σexp作为表情表示，ε～N(0，1)。
5.根据权利要求3所述的一种基于分布独立性的3D人脸解耦表示学习方法，其...
【专利技术属性】
技术研发人员：余璀璨，张子辉，李慧斌，孙剑，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
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。