[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

说明书

本发明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。

技术领域

本发明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。

背景技术

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Kinect Fusion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。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供一种基于低质量三维人脸点云的重构方法，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。

本发明的目的之二在于提供一种基于低质量三维人脸点云的重构装置，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。

本发明的目的之三在于提供一种处理终端，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。

为实现上述目的之一，本发明所采用的技术方案如下：

基于低质量三维人脸点云的重构方法，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。

优选的，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。

优选的，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；