[发明专利]一种人脸图像三维重建方法、存储介质及终端设备

说明书

本发明公开了一种人脸图像三维重建方法、存储介质及终端设备，所述方法，采用人脸重建模型确定待处理人脸图像的人脸参数，再根据得到的人脸参数生成三维人脸图像，人脸重建模型为基于训练样本集训练得到，训练样本集中每组训练样本组均包括人脸图像以及真实人脸参数，所述真实人脸参数括对齐参数以及目标三维人脸模型的目标三维模型参数，这样对于任何姿态的人脸图像，均可以获取到该人脸图像对应的对齐参数和模型参数，根据所述模型参数生成人脸三维图像，再根据所述对齐参数对人脸三维图像进行调整，实现了任何姿态人脸的三维图像重建，提高了三维人脸重建的实时性，给用户的使用带来方便。

技术领域

本发明涉及图像处理技术领域，特别涉及一种人脸图像三维重建方法、存储介质及终端设备。

背景技术

3D人脸重建是计算机视觉中非常重要的任务，它在解决大姿态人脸识别和关键点定位等问题提供了可行的解决方案。目前普遍使用的3D人脸重建方法是基于3DMM(3DMorphable Model)模型，通过靠重建特殊点(如，人脸关键点及局部特征等)与3D均值几何结构之间关系，然后利用非线性优化函数来回归3DMM系数，然而上述方法均需要依赖于人脸关键点等特色点的检测，进而影响了3D人脸重建的效果。

然而随着深度学习的发展，许多研究开始利用CNN估计3DMM系数来重建单张人脸对应的3D信息。目前普遍使用的利用CNN估计3DMM系数来重建单张人脸对应的3D信息包括：1)、基于回归的级联卷积神经网络，将 3D稠密人脸模型拟合到人脸图片上，在通过加入3D信息来解决由3D变换导致的外观变化和自遮挡问题。这种方法虽然可以实现三维人脸重建和稠密人脸对齐，但是采用级联的方式，降低了3D人脸重建的效率。2)位置映射回归网络，通过该位置映射回归网络能够同时完成3D人脸重建和稠密人脸对齐的端对端的方法，但是该位置映射回归网络的模型复杂度高，不适合对实时性要求很高的移动或嵌入式设备应用，而且模型对于大姿态或者遮挡的人脸的3D重建效果差。

因而现有技术还有待改进和提高。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种人脸图像三维重建方法、存储介质及终端设备。

本发明所采用的技术方案如下：

一种人脸图像三维重建方法，其中，所述人脸图像三维重建方法包括：

获取待处理人脸图像，并将所述待处理人脸图像输入至人脸重建模型，其中，所述待处理人脸图像为二维图像,所述人脸重建模型为基于训练样本集训练得到的，所述训练样本集中的每一训练样本组均包括人脸图像以及该人脸图像对应的真实人脸参数；

通过所述人脸重建模型确定所述待处理人脸图像对应的人脸参数；

根据所述人脸参数以及所述目标三维人脸模型生成所述待处理人脸图像对应的三维人脸图像。

所述人脸图像三维重建方法，其中，所述根据所述人脸参数以及所述目标三维人脸模型生成所述待处理人脸图像对应的三维人脸图像具体包括：

根据所述目标三维模型参数以及所述目标三维人脸模型生成候选三维人脸图像；

根据所述对齐参数对所述候选三维人脸图像进行调整，以得到所述待处理人脸图像对应的三维人脸图像。

所述人脸图像三维重建方法，其中，所述对齐参数包括旋转系数以及平移系数，所述目标三维模型参数包括人脸形状系数以及人脸表情系数。

所述人脸图像三维重建方法，其中，所述获取待处理人脸图像为通过电子设备配置的成像系统获取的。

所述人脸图像三维重建方法，其中，所述人脸重建模型的训练过程具体包括：

预设网络模型根据训练样本集中的人脸图像，生成所述人脸图像对应的预测人脸参数；