[发明专利]人像浮雕数据集构建方法

权利要求书

1.人像浮雕数据集构建方法，其特征在于包括如下步骤：

基于3D人像雕塑获取人像法图、遮罩图和线条图，以所述遮罩图和线条图为输入、并以所述人像法图为输出，构建并训练网络模型，所述网络模型为编码-解码结构的网络模型；

获取人像图像为参考图像；

对于参考图像，进行滤波处理、提取特征精确定位的线条图，进行双边滤波及滤波提取边缘、提取头发丝线条图，并通过MODNet网络提取遮罩图，合并所述头发丝线条图及特征精确定位的线条图得到最终线条图，将所述遮罩图和最终线条图输入所述训练后的网络模型，输出整体人像法图；

对于参考图像，通过ResUnet网络进行人像图像到人脸法图的映射，得到具有精细几何细节的人脸法图，并将整体人像法图和人脸法图融合，得到融合后整体人像法图；

对于参考图像，获取每个像素的纹理法向，并通过向量旋转法将纹理法向迁移至所述融合后整体人像法图，得到最终人像法图；

对所述最终人像法图进行浮雕深度重建，得到人像浮雕模型。

2.根据权利要求1所述的人像浮雕数据集构建方法，其特征在于基于3D人像雕塑获取人像法图、遮罩图和线条图，包括如下步骤：

获取多个不同身份、发型和表情的3D人像雕塑；

对于每个3D人像雕塑，进行多角度采样；

对于每个采样角度生成人像法图、遮罩图和线条图，所述线条图为Apparent Ridges线条图。

3.根据权利要求1所述的人像浮雕数据集构建方法，其特征在于以所述遮罩图和线条图为输入、并以所述人像法图为输出，训练网络模型时，基于所述遮罩图、线条图和人像法图构建训练样本，以训练样本顶点法向和网络预测顶点法向的平均夹角定义损失函数，所述损失函数表示为：

其中，N_i表示训练样本顶点法向，N′_i表示网络预测顶点法向，M表示法向顶点的数量。

4.根据权利要求1所述的人像浮雕数据集构建方法，其特征在于对于参考图像，通过ETF流的滤波框架进行滤波处理、提取特征精确定位的线条图，包括如下步骤：

对单张的参考图像进行RGB图像去噪，得到去噪后参考图像；

对于去噪后参考图像，通过ETF流的滤波框架进行边缘切流处理，得到特征精确定位的线条图；

所述ETF流的滤波框架包括FDoG滤波器和FBL滤波器，所述FDoG滤波器用于进行线条绘制，所述FBL滤波器用于对线条进行区域平滑处理。

5.根据权利要求1所述的人像浮雕数据集构建方法，其特征在于对于参考图像，进行双边滤波及滤波提取边缘、提取头发丝线条图，包括如下步骤：

对单张的参考图像进行RGB图像去噪，得到去噪后参考图像；

将去噪后参考图像转换至Lab颜色空间，得到颜色量化的参考图像；

对于颜色量化的参考图像，在梯度方向和切线方向上进行双边滤波，得到双边滤波后参考图像，并通过分离的FDOG滤波器对双边滤波后参考图像进行滤波提取边缘，将提取的边缘叠加至颜色量化的参考图像；

对于颜色量化的参考图像，在梯度方向上通过ETF流的DOG滤波器进行滤波，并沿着沿着从平滑的结构张量导出的流场应用平滑，创建平滑且连贯的直线和曲线段，得到头发丝线条图。

6.根据权利要求1所述的人像浮雕数据集构建方法，其特征在于将整体人像法图和人脸法图融合融，包括如下步骤：

将整体人像法图和人脸法图的顶点法向量差值作为边界条件，通过第一方程估算全部人像顶点的法向量差值ΔN，所述第一方程为：

L·ΔN＝0

其中，L为拉普拉斯-贝尔特拉米矩阵，ΔN∈R^n×3为法向量的差值矩阵，n为顶点个数；

将所述法向量差值添加至所述整体人像法图得到融合后整体人像法图。

7.根据权利要求1所述的人像浮雕数据集构建方法，其特征在于对于参考图像中每个像素，所述纹理法向定义为：

其中，g_x和g_y表示纹理梯度，参数f用于控制纹理细节强度。