三维人脸建模及在跨姿态人脸匹配中的有效性验证

发布时间：2019-09-17 21:49

【摘要】：针对现有三维人脸采集技术对采集场景存在诸多限制,提出了自由场景下基于多张图像的三维人脸建模技术,并对其进行了有效性验证。首先,提出一个姿态及深度值迭代计算模型,实现了特征点深度值的准确估计;然后,进行了基于多张图像的深度值融合及整体形状建模;最后,将深度迭代优化算法(IPDO)与目前最优的非线性最小二乘法(NLS1_SR)在Bosphorus Database数据集上进行了对比,建模精度提高了9%,所重建的三维人脸模型投影图像与二维图像具有较高的相似度。实验结果表明,在大姿态变化条件下,该识别算法借助三维信息相较于未借助的情况下,其识别率可以提高50%以上。
【图文】：

人脸识别,三维重建,模态,人脸建模

题，是本文的研究内容。图12D/3D跨模态及基于三维重建的2D/2D人脸识别方案对比Fig．1Cross-modality2D-3Dfacerecognitionvs．3Dassisted2D/2DfacerecognitionBlanz等［5］提出的三维形变模型(3DMorphableModel，3DMM)在三维人脸建模技术发展历上具有里程碑意义。对3DMM的优化、改进也成为了该领域的一个热点问题:学者们分别从提高建模效率［6］、融入表情因素［7］、建立完整头部模型［8］等角度对3DMM进一步完善和发展。为了简化优化过程，龚勋等［9］提出了基于特征点的算法，实现了采用单张图像、快速的人脸建模。近年，Kemelmacher-Shlizerman等［10］基于人脸近似朗伯(Lambertain)凸表面的假设，利用球面谐波和一个三维人脸参考模型实现了单张人脸图像的建模，并进一步用互联网图片［11］和视频［12］作为训练集恢复人脸形状，但参考模型的选择对建模结果有一定影响。从运动恢复结构(StructureFromMotion，SFM)是三维重建的主流方法，近年在人脸建模方面取得了持续性的研究进展。Lin等［13］利用5张相差近45°的图像，实现了大范围变化下高精度的人脸建模，但需要建模对象的配合;Gonzalez-Mora等［14］在SFM算法中引入线性人脸模型作为先验知识，以提高在噪声、丢失信息情况下系统的鲁棒性。还有一些专家通过多张图像匹配点的对应关系建立方程组，并用非线性最小二乘法求解关键点的深度值。本文在基于特征点的形变统计模型［15］的基础上，在SFM框架下实现多张图像的三维人脸建模，旨在进一步提高特征点的深度值估计精度。1基于图像的三维人脸形状建模本文人脸建模思路采用两步人脸建模(Two-StepFaceModeling，TSFM)方案［16］实现从粗到精的形状建模。第1步计算特征点的

深度估计,算法,图像,误差

表2在BS数据集上不同姿态角下深度值估计精度的对比Tab．2ComparisonofaccuracyofdepthvalueestimationusingdifferentprofileimagesinBSdatabase算法PＲ_DPＲ_SDPＲ_SUPＲ_UYＲ_Ｒ10μ±stdGA0．19620．27870．55680．72830．51280．4546±0．2408NLS1_SＲ0．89160．86550．84540．85730．90160．8723±0．0236TSE0．96850．96730．96560．96750．96740．9671±0．0011IPDO0．96860．96740．96570．96770．96740．9672±0．0011为验证1．3节所提出的基于多张图像的深度值融合策略的效果，在BS数据集上进行了测试，结果如图2所示，可以看到不同算法采用多张图像均能够有效提高估计效果，同样地，IPDO能够获得最优的结果，本文提出的两个估计算法均优于NLS算法。算法运行时间对比如表3(表3中，NLS2为两步优化的非线性最小二乘(two-stepoptimizationofNonlinearLeast-Squares))，可以看到在没有进行代码优化的情况下，TSE和IPDO能够具有较高的运行效率。如1．2节所述，图像旋转角度估计会影响到深度值估计，进一步测试了TSE和IPDO在X、Y、Z三个方向上旋转角的估计误差，，结果如图3所示，可以看到由于IPDO进行了迭代，角度估计的平均误差和方差均小于TSE算法，从而也验证了迭代的有效性。图2不同算法采用多张图像的深度估计误差Fig．2Comparisonofdepthestimationerrorofdifferentmethodsbyusingmultipleimages表3算法运行时间(CPU2．7GHz，MEM4GB)Tab．3Timecostsofdifferentmethods(CPU2．7GHz，MEM4GB)M算法时间/sM算法时间/sGA50．09SLMO0．03NLS1_SＲ0．10TSE0．53NLS23．00IPDO1．72图3角度估计平均误差及方差Fig．3Angleestimationmeanerrorandvariance3．3三维人脸重建及三维信息在多姿态人脸匹配中的作用3．3．1三维人
【作者单位】：四川大学锦城学院计算机科学与软件工程系;西南交通大学信息科学与技术学院;
【基金】：国家自然科学基金资助项目(61202191) 四川省教育厅自然科学重点课题(16ZA0422)~~
【分类号】：TP391.41

【相似文献】