人脸模型压缩方法
【技术领域】
[0001] 本发明提供了一种人脸模型数据压缩方法，属于多媒体通信和数据压缩交叉领 域，特别设计一种针对人脸模型的数据压缩算法，对模型数据中外观参数进行线性子空间 的变换，主要用于降低人脸模型数据量，既节省存储空间的又可W降低通信时传输模型的 数据量。
【背景技术】
[0002] 随着人工智能、虚拟现实等技术的发展，计算机视觉领域成为一个研究十分活跃 的领域。由于人脸包含丰富视觉信息，获取方便，研究人员针对人脸信息做了大量研究，人 脸建模已经成为计算机视觉领域中的一个研究热点，在人脸识别等技术中人脸建模成为一 项关键技术。
[0003] 根据人脸模型的空间维度不同，可W分为二维模型和S维模型。二维人模型通常 包含形状信息和外观信息，=维人脸模型有基于点、基于面的模型，无论是二维还是=维人 脸模型，都面临着数据量庞大的问题。通过统计分析方法训练得到的人脸模型可W表征人 脸的变化模式，变化的模式越多意味着模型包含的先验知识越丰富，模型可W更准确地匹 配一幅新的包含目标物体的图像，该也导致了模型数据维度提高，占用更大的存储空间。
[0004] 另一方面，对于人脸视频通话，视频会议等场景，有研究人员针对人脸视频的特 征，提出了一系列基于模型的视频编码方法，该些方法通过对人脸建模，实现对视频中人脸 的参数化表征，使得在传输视频时只需要传输模型的一些参数就可W在接收端利用人脸模 型重建出目标图像。该种方法的前提是在发射端和接收端建立统一的人脸模型，通常的做 法是发射端将训练的人脸模型在视频通话前传输到接收端。需要传输的人脸模型包含大量 信息，浪费了网络带宽资源。
[0005] 基于W上考虑，需要一种针对模型进行压缩的算法，模型压缩不仅可W避免存储 空间的浪费，而且利于降低传输数据量、提高通信效率。
[0006] 与陶晓明、李扬的专利《人脸视频压缩方法》不同，本发明考虑对人脸模型参数本 身进行压缩，而前述专利针对模型参数在视频传输过程中时域变化缓慢的问题，进行参数 压缩。
【发明内容】
[0007] 本发明要解决的技术问题是：如何提供一种人脸模型压缩方法，在保证人脸模型 包含丰富信息量的同时，降低人脸模型数据量，避免存储空间浪费，最大限度提高模型压缩 比例，节省模型传输的网络带宽。
[000引本发明的特征在于，是一种在人脸模型建立时，通过人脸数据库分析提取通用人 脸纹理特征，降低人脸模型纹理数据量的数据压缩方法，所述压缩方法是依次按W下步骤 实现的：
[0009] 步骤（1)，系统初始化，输入：
[0010] 采集并输入D张分属于不同人的、分别在各种不同角度、表情、光照条件下拍摄的 人脸图像，其中，D= 1，2,. . .，D为有限正整数；
[0011] 步骤（2)，构建一个多人人脸图像训练数据库，包括；多人人脸训练图像集，存储 供训练用的D幅人脸图像；所述多人人脸图像的训练参数，是人脸模型的参数集合，包括： [001引ai，多人人脸形状向量Si，简称Si向量，i为所述D张人脸图像的序号，i= (l，2，...，i，...，D}，D为有限正整数，
[001引 32,多人人脸平均形状向量5，简称5向量，是所述Si的平均向量，
[0014] 33,多人人脸外观向量Gi，简称Gi向量，是W所述人脸平均形状向量S为目标，通过 分片仿射拉伸PiecewiseAffineWarping方法使所述Si向量所定义的一个特征点与所述J的同一特征点位置相吻合从而得到的D幅由所述多人人脸图像中序号为i的人脸图像Si 内人脸部分的像素值I所拉成的，G, =W(I,;S,，巧，i= 1，2,. . .，i，. . .D，
[001引34,多人人脸平均外观向量f，简称f向量，是对所述多人人脸训练参数集中所有 的所述向量Gi平均后得到的，
[0016] a。，多人人脸形状参数向量b,i，简称bd向量至少包括轮廓、五官位置、大小、形状 和动作在内的人脸特征f，第i列对应第i张人脸图像，每一行对应一个所述的人脸特征，f =(1，2,. . .，F)，F为有限正整数，f为序号，F为总数，
[0017] ae，姿态参数向量（V。0 1)，表示所述多人人脸图像中所包含的人脸部分的位置和 角度，是用普鲁克分析方法Procrustes Analysis对所述多人人脸形状向量Si和所述的多 人人脸平均形状向量用平移和旋转变换校正后得到平移量Vi和旋转角度0 1，
[001引 a,，人脸外观变化模式矩阵Pg，为一个列正交矩阵，每一列表示由人脸姿态、动作变 化造成的人脸外观像素值的一种整体运动模式，
[0019] 步骤（3)，按W下方法计算步骤（2)中所述的多人人脸模型参数：
[0020] 步骤（3. 1)，所述人脸形状向量Si，是对第i张人脸图像的各特征点用 RegularizedLan血arkMean-Shift人脸定位算法得到的，Si={(X…Yu)(Xif,Yif), ...,(xjp, Yip)}j
[0021] 步骤化2)，所述的人脸平均形状向量衣为：
[0022]
[002引步骤化。，多人人脸形状参数向量bd，毎.,.=(S,-巧，其中；
[0024] P,为从所有的所述多人人脸形状向量S1，i= (1，2, . . .，i，. . .，D}用主成分分析 方法PrincipalComponentAnalysis得到的人脸形状变化模式矩阵，是一个列正交矩阵， 每一列表示人脸的一种整体运动模式，是反映人脸姿态及形状变化的人脸特征的坐标的整 体运动模式，
[0025]Pg为从所有的所述多人人脸外观向量G;用主成分分析方法PrincipalComponent Analysis得到的人脸外观变化模式矩阵，作为一个列正交矩阵，每一列表示由人脸姿态、动 作变化造成的人脸外观像素值变化的一种整体运动模式；
[0026] 步骤（4)，按W下步骤建立专人人脸模型：
[0027]步骤（4. 1)，任意采集仅由同一人在各种角度，表情，光照条件下拍摄的M张图像 构建一个专人人脸图像训练数据库，其中包括；专人人脸训练图像集和专人人脸训练参数 集，前者存储供训练用的所述M张人脸图像，后者存储与专人人脸训练图像相关的参数，所 述参数是指专人人脸模型参数，包括：
[002引 a/，专人人脸形状向量S'j，j为所述M张人脸图像的序号，j= 1，2，...，j，...，M， M为有限正整数，
[0029]曰2'，专人人脸平均形状向量衣\所述人脸平均形状向量5'应当使用多人人脸平 均形状向量:F作为基准形状，W保证所述专人人脸外观向量G/和所述多人人脸外观向量 空间维数相同，
[0030]a/，专人人脸外观向量G/，是W所述多人人脸平均形状向量?为目标，通过分片 仿射拉伸Piecewise Affine Warping方法使所述专人人脸形状向量Sj所定义的特征点与 多人人脸平均形状向量:F的同一特征点位置相吻合从而得到的一幅由所述专人人脸图像 中人脸部分的像素值1/片拉成的专人人脸外观向量G/，用G,I=W(I/;S/，巧表示，
[0031]a/，专人人脸形状参数向量b,/，表示至少包括轮廓、五官的位置、大小、形状和动 作在内的专人人脸特征，
[0032] a/，专人姿态参数向量（V/，0/)，表示专人人脸部分在包含专人人脸的图像中 的位置和角度，是用普鲁克分析方法Procrustes Analysis对所述专人人脸形状向量S/和 多人人脸平均形状向量f用平移和旋转变换校正后得到平移量V/和旋转角度0/，
[0033]ae'，P/，专人人脸外观模式矩阵；
[0034] 步骤（4. 2)，按W下方法计算步骤（4. 1)中所述的专人人脸模型参数：
[0035] 步骤（4.2.1)，所述专人人脸形状向量S/，是对序号为j的专人人脸图像用 RegularizedLan血arkMean-Shift人脸定位算法得到的S/ = (Xjf,yjf), ...,(XJ'F,yjF)}，其中：
[0036] f为专人的各张人脸图像j的特征点序号，
[0037] f= (1，2, . ..，t...，巧，F为特征点数目，与所述多人人脸模型形状向量Si特征 点数目相同。
[003引步骤（4. 2. 2)，所述的专人人脸平均形状向量:
[0039] 香=女，
[0040] 步骤（4. 2. 3)，所述的专人人脸形状向量参数by'，
[0041]
[0042] 其中，P,'是对所述专人人脸形状向量S/，j= (1，2, ...，M}用主成分分析方法 PrincipalComponentAnalysis得到的专人人脸形状变化模式矩阵，是一个列正交矩阵， 每一列表示人脸的一种整体运动模式，是一个反映人脸姿态及外观变化的人脸特征的坐标 的整体运动模式，
[0043]步骤（4. 2. 4)，专人人脸外观参数向量Cy.'：
[0044]
[0045] 其中，Pg'是从所有的所述专人人脸外观向量g/用主成分分析方法Principal Component Analysis得到专人人脸外观变化模式矩阵，是一个列正交矩阵，每一列表示由 专人人脸姿态、动作变化造成的人脸外观像素值的一种整体运动模式，
[0046] 步骤巧），计算根据所述的多人人脸外观变化模式矩阵Pg重建后的专人外观向量 投影参数矩阵Hg和重建后的专人外观变化模式投影参数矩阵Hp，步骤如下：
[0047] 步骤巧.1)，所述的多人人脸外观变化模式矩阵Pg的子空间A1，是一个列正交矩 阵，每一列表示由人脸姿态、动作变化造成的人脸外观像素值的一种整体变化模式，由D列 列向量Pgl，P的，...，PgD构成，
[0048] 所述专人人脸外观变化模式矩阵Pg'的子空间A'l，是一个列正交矩阵，每一列 表示由人脸姿态、动作变化造成的人脸外观像素值的一种整体变化模式，由E列列向量 Pgi'，Pg2'，. . .，PgE' 构成。
[0049] 步骤巧.2)，按下式计算所述的专人外观向量投影参数矩阵Hg和所述的多人外观 变化模式投影参数矩阵Hp:
[0化0] 把所述专人人脸外观向量G'投影至所述子空间Ai内，得到：
[0化1]
[0化2] 把所述专人人脸外观变化模式矩阵Pg'投影至所述子空间Ai内，得到：
[0化3]
[0054] 步骤（6)按下式定义重建后的专人人脸外观向量为G"，专人人脸外观变化模式矩 阵为P/'，
[0057]步骤（7)按下式计算专人人脸外观向量残差Eg和专人人脸外观变化模