[发明专利]基于低质量三维人脸点云的重构方法、装置及处理终端

权利要求书

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；

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；

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。

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，所述插值操作通过最近邻插值方法实现。

3.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；

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；

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。

4.一种处理终端，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于运行所述程序指令，以执行以下步骤：

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；

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；

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。