一种三维人脸变化模拟方法
【技术领域】
[0001] 本发明涉及图像模拟领域，特别涉及一种三维人脸变化模拟方法。
【背景技术】
[0002] 老化是一个不可避免的过程，随着年龄增长以及体重的变化，人脸面貌会产生很 大的变化。人脸老化过程的模拟是计算机图形学、图像处理和计算机视觉等学科领域中的 研究热点之一，在人脸识别、人机交互、刑侦、娱乐、特技和医学等行业都有着广泛的需求与 应用。但由于老化机理复杂、老化受多种因素影响、难以获得纯度高的老化数据、老化过程 存在多样性和不确定性等，人脸老化的研究面临诸多挑战。
[0003] 近30年来，国内外学者针对人脸老化过程模拟进行了大量的研究并提出许多算 法。根据人脸数据维度的不同，可以分为二维人脸老化模拟和三维人脸老化模拟。目前大 部分工作主要集中在二维老化模拟方面。
[0004] 二维人脸老化模拟主要有两类方法：基于原型的人脸老化算法以及基于函数的 人脸老化算法。基于原型的方法是根据年龄段对人脸进行分类，并建立每一个年龄段的平 均人脸，即人脸原型，然后以原型之间的差异作为年龄变化。如Burt等人通过漫画技术将 不同原型间形状和纹理的差别融合到源图像中，以实现年龄变换。Gandhi等人采用SVM (SupportVectorMachine，支持向量机）来对人脸图像进行自动年龄估计，并结合原型和 IBSDT(Image-basedSurfaceDetailTransfer，基于图像的表面细节变换)技术实现人脸 的年龄变换。基于函数的方法通常采用一个函数描述人脸图像或人脸参数(特征向量)与年 龄之间的关系。例如采用二次函数、支持向量回归、核平滑、隐式函数、映射函数等。基于函 数的方法，其模拟精度直接由函数决定，而准确度高的函数依赖于有时间序列的大样本的 采集。国外的学者己建立了较大容量的人脸衰老数据库，但它只适合于西方人，并不适应于 中国人。
[0005] 二维老化数据较易采集，相比之下，三维老化数据却很难获得，因为很难跟踪同一 个人并采集此人随年龄变化的三维人脸模型，目前国内外都没有公开的三维人脸老化数据 库。因此，虽然三维人脸相比于二维人脸包含更多的信息，更适合获取人脸老化模式，但三 维人脸老化研究相对较少。目前三维人脸老化主要采用两种方法。第一种方法基于不同人 的三维人脸扫描数据，一般先对三维人脸模型进行主成分分析（PCA)，然后建立年龄估计函 数，即建立年龄与PCA系数的函数关系，然后根据此函数的梯度获得人脸老化轨迹，即获得 当年龄变化时引起的最小的人脸形状的变化。但这种方法没有剔除不同样本的影响，因此 不能保证这最小的形状变化完全由年龄变化引起。第二种方法是基于物理的方法。该方法 通常从人的生理解剖结构出发，建立人脸物理模型，然后对老化进行模拟。如Wu等人建立 了具有肌肉层、脂肪层和表皮层结构的人脸物理模型，通过一系列参数的调整实现人脸皱 纹的生成以及衰老的效果。虽然理论上基于物理的方法能得到更符合生理学和解剖学知识 的结果，但它需要对人脸解剖学知识进行三维建模，且其衰老模型较为复杂，计算量大，实 时性差。
[0006] 此外，在老化过程中往往伴随着体重的变化，随着胖瘦变化，脸蛋也会因此变圆润 或消瘦。而且胖瘦会影响衰老特征，如胖的人比瘦的人皱纹要形成得晚，而现有的算法都无 法正确体现这样的变化。
【发明内容】
[0007] 有鉴于此，本发明提供一种三维人脸变化模拟方法，在缺乏三维人脸老化数据的 情况下从不同人的数据中挖掘出人脸老化及胖瘦的变化规律，并根据该变化规律对人脸老 化及胖瘦变化现象进行模拟，以获得因年龄增长和体重变化带来的人体外貌上的变化。
[0008] 本申请的技术方案是这样实现的：
[0009] 一种三维人脸变化模拟方法，包括：
[0010] 构建三维颅面数据库；
[0011] 颅面模型规格化；
[0012] 提取人脸老化及胖瘦变化规律；
[0013] 人脸老化及胖瘦变化模拟。
[0014] 进一步，所述三维颅面数据库包括至少1个人脸样本，每个人脸样本均具有颅面 模型以及人脸样本所对应的年龄、身体质量指数BMI和性别。
[0015] 进一步，所述颅面模型包括三维颅骨模型和三维人脸模型。
[0016] 进一步，所述人脸样本的获取包括：
[0017] 通过多探测螺旋计算机断层扫描CT仪获取活体样本的颅面CT数据，从颅面CT数 据中重构出人脸的三维颅骨模型和三维人脸模型。
[0018] 进一步，所述人脸样本的获取过程包括：
[0019] 采用索贝尔Sobel算子模型从滤噪处理后的CT切片图像中提取颅骨的边缘；
[0020] 通过对颅骨边缘进行圆形扫描得到颅骨的初始外轮廓，即从图像中心向图像边界 点一一发射一条射线，对每一条射线，求得与该射线相交并同时距离图像中心最远的颅骨 边缘点，这些点就构成了颅骨的初始外轮廓；
[0021] 对初始外轮廓进行杂点删除和八邻域轮廓跟踪得到最终的外轮廓；以及，
[0022] 采用Sobel算子模型从滤噪处理后的CT切片图像中提取软组织的边缘；
[0023] 从图像中心向图像左下角发射一条射线，并求得与该射线相交并同时距离图像中 心最远的一个软组织边缘点作为起点；
[0024] 从该起点开始对边缘点采用八邻域轮廓跟踪法得到最终的人脸外轮廓点云。
[0025] 进一步，所述颅面模型规格化包括：
[0026] 在所述三维颅面数据库中选择一个人脸样本的颅面模型作为参考模型，采用全局 配准方法和局部配准方法相结合的非刚性配准算法对所述三维颅面数据库中每一个人脸 样本的颅面模型进行规格化，以建立该颅面模型的顶点和参考模型顶点的一一对应关系；
[0027] 其中，作为参考模型的颅面模型为外形完整、牙齿整齐并且顶点分布均匀的人脸 样本的颅面模型。
[0028]进一步：
[0029] 所述全局配准方法采用薄板样条函数TPS;
[0030] 所述局部配准方法采用具有紧支撑的径向基函数CSRBF。
[0031] 进一步，所述提取人脸老化及胖瘦变化规律包括：
[0032] 把所述三维颅面数据库中的人脸样本按性别分成男和女两类，以分别提取人脸的 老化及胖瘦变化的规律；
[0033] 对所述三维颅面数据库中的每一个人脸样本，采用全局配准方法和局部配准方法 相结合的非刚性配准算法，获得从该人脸样本的三维颅骨模型到与其性别一致的平均三维 颅骨模型的变形函数；
[0034] 将该人脸样本的三维人脸模型带入该变形函数，以获得变形后的三维人脸模型；
[0035] 将变形后的三维人脸模型组成集合，采用主成分分析对该变形后的三维人脸模型 集合进行统计分析，构建人脸的主成分分析PCA模型；
[0036] 计算所有三维人脸模型间的PCA系数差以及对应的属性差；
[0037] 采用线性回归方法统计分析三维人脸模型的PCA系数差与属性差的关系，以获得 三维人脸模型的PCA系数差与属性差的函数关系；
[0038] 其中，属性差包括年龄差和身体质量指数差。
[0039] 进一步，所述人脸老化及胖瘦变化模拟包括：
[0040] 对待老化及胖瘦变化模拟的三维人脸模型进行规格化，得到规格化后的三维人脸 模型；
[0041] 采用全局配准方法和局部配准方法相结合的非刚性配准算法，获得从规格化后的 三维人脸模型所对应的三维颅骨模型到与其性别一致的平均三维颅骨模型的变形函数；
[0042] 将所述规格化后的三维人脸模型带入该变形函数，以获得变形后的三维人脸模 型；
[0043] 将所述规格化后的三维人脸模型所对应的三维颅骨模型带入该变形函数，以获得 变形后的三维颅骨模型；
[0044] 根据人脸PCA模型计算变形后的三维人脸模型的PCA系数；
[0045] 根据待老化及胖瘦变化模拟的三维人脸模型预期的属性，以及当前的属性，得到 属性差，之后根据PCA系数差与属性差的函数关系，获得对应的PCA系数差，并把该PCA系 数差与人脸初始PCA系数相加，获得老化及胖瘦变化后人脸的PCA系数；
[0046] 利用老化及胖瘦变化后人脸的PCA系数以及人脸PCA模型，获得老化及胖瘦变化 后的三维人脸模型，之后对该老化及胖瘦变化后的三维人脸模型进行逆变形获得人脸老化 及胖瘦变化模拟结果