基于单张照片三维人脸重建优化算法.docVIP

基于单张照片三维人脸重建优化算法 　　摘 要：传统人脸三维重建算法难以确定人脸形状，并且计算复杂。针对此问题，提出一种以水平集方法获取人脸轮廓并结合明暗恢复形状（SFS）算法重建三维模型的方法，该方法仅需单张正面人脸照片。首先采用主动形状模型确定人脸轮廓，将其作为水平集的初始演化曲线，分割出完整的人脸形状；然后对人脸区域进行灰度变换，求出灰度图像；最后通过SFS算法重建已知光照条件的人脸图像的三维模型，将该模型作为参考与灰度图像匹配，进而确定其光照条件和三维模型。实验结果表明，与基于网格模型的算法相比，该方法可快速地重建具有完整形状的人脸模型。 关键词：单张照片；水平集演化；光照条件；明暗恢复形状；三维人脸重建 中图分类号： TP391.41 文献标志码：A 0 引言 近年来，三维人脸模型不仅被用于人脸识别，同时还被广泛应用于网络游戏、虚拟交互和人机交互等领域，这使得人脸三维重建算法成为计算机视觉领域研究热点[1]。目前，建立三维人脸模型的主要方法有：采用激光扫描拍摄系统直接获取人脸的三维数据[2]，利用参考模型和目标人脸图像的映射变换建立模型[3]，从多幅目标人脸图像提取所需参数恢复人脸三维模型[4]等。激光扫描法往往是用于实验室条件，必须在特有的设备环境中才能获取被拍摄者的数据。而其他方法基本都需要多张人脸图片才能获得较为准确的结果，同时图片中光照的方向和人脸旋转角度等也严重影响计算结果。 更重要的是，在实际应用中，不同应用条件下人脸图像的获取方式是不确定的，图像的质量和数量都不能保证，甚至只能获得一张正面人脸图像，这就限制了这些方法的使用。 因此，基于单张正面图像建立人脸三维模型的算法逐渐发展起来，常用的算法有形变统计模型[5-7]、神经网络[8]和明暗恢复形状（Shape From Shading，SFS） [9]。鹿乐等[10]利用形变统计模型在原始图像质量较好的情况下可以取得较好的效果，但是其涉及的数据量大，计算时间也很长。刘笃晋等[11] 通过神经网络从正面人脸特征估算出多角度的人脸特征，但需要大量的计算来训练神经网络，同时需要提取大量三维模型的主成分作为参考，效果并不理想。为了减少计算量，姜太平等[12]尝试使用candie-3模型作为参考模型，但基于该模型得出的三维人脸模型可能会存在大量不平滑区域，容易造成人脸失真。由于照片光照参数的不确定，仅仅使用SFS方法建立三维模型是存在问题的。Liao等[13]将其与形变统计模型相结合，可以解决SFS算法的问题，但其计算较复杂，也需利用大量的三维参考模型。 针对以上算法的问题，本文提出了一种只需要一个简单的参考模型和单张正面人脸照片即可得到人脸三维模型的算法。该算法可利用参考模型和目标人脸图像估算出拍摄目标人脸时的光照条件，为SFS算法提供确定的依据，进而得到人脸的深度信息，建立具有真实感的人脸三维模型。 1 提取人脸图像 建立较为真实的人脸三维模型，首先要获取完整的人脸图像，而获取完整人脸图像的一个关键问题就是如何确定人脸的轮廓线。用于解决火苗外形变化问题的一种数值计算方法——水平集（Level Set Method）[14]在轮廓线提取的研究中一直被广泛的应用。水平集方法是将封闭演化曲线c（s，t）嵌入到零水平集函数φ（x， y， t）中通过演化计算将定义在Ω上的图像I（x，y）分割为目标和背景区域。φ函数的定义如下： 4 结语 本文提出了一种结合水平集和SFS算法的基于单张照片重建人脸三维模型的方法。针对常用重建算法无法准确定位人脸形状的问题，本文采用水平集方法演化ASM标定的初始曲线，得到的最终轮廓线可较为准确地分割人脸与背景区域。基于SFS算法的三维重建方法仅需要单张图像，虽然计算简单，但准确性较差，本文利用约束条件和参考模型优化了SFS算法，使得其能够较为准确地重建已知和未知光照的人脸图像对应的三维模型。实验结果表明，本文算法复杂度低，计算时间短，并保证了人脸的真实形状。但本文算法为了保证人脸轮廓的准确性，输入照片必须为正面人脸照片，因此，如何实现带有偏转角度的人脸三维重建是进一步研究的重点。 参考文献： [1]JIANG D，HU Y，YAN S，et al. Efficient 3D reconstruction for face recognition[J].Pattern Recognition，2005，38（6）：787-798. [2]LEE S J，PARK K R，KIM J. A SfMbased 3D face reconstruction method robust to selfocclusion by using a shape conve