三维卡通人脸建模方法及装置

1.本技术涉及计算机图形学与深度学习技术领域，特别涉及一种三维卡通人脸建模方法及装置。


背景技术：

2.三维重建在3d游戏，动画，电影等诸多领域中有着广泛的应用。作为其中的一个主要以及最具有辨识度的部分，进行三维人脸重建的需求越来越高。
3.得益于计算机与移动终端等设备的算力提升，利用深度学习对真实人脸特征的提取技术趋于成熟，相关技术可以基于神经网络对真实人脸进行卡通形象生成。
4.然而，相关技术只能由专业技术人员手动进行卡通形象建模，难以推广普及，并且生成的三维卡通人脸模型风格相似，无法实现多元化，且不具备真实人脸辨识度，有待改善。


技术实现要素：

5.本技术提供一种三维卡通人脸建模方法及装置，以解决相关技术中基于神经网络对真实人脸进行卡通形象建模，导致生成的卡通形象风格单一且辨识度较低的技术问题。
6.本技术第一方面实施例提供一种三维卡通人脸建模方法，包括以下步骤：提取目标人物在二维图像中人脸的二维人脸特征；根据所述目标人物的三维深度图提取所述人脸的三维人脸特征；以及融合所述二维人脸特征、所述三维人脸特征和预设卡通风格特征，生成所述目标人脸的三维卡通人脸模型。
7.可选地，在本技术的一个实施例中，所述生成所述目标人脸的三维卡通人脸模型，包括：根据由所述二维人脸特征、所述三维人脸特征和预设卡通风格特征融合得到的融合特征生成所述目标人脸的初始三维卡通人脸模型；计算所述初始三维卡通人脸模型的呈现程度，并在所述呈现程度小于预设阈值时，基于预设标准对所述二维人脸特征、所述三维人脸特征和预设卡通风格特征中的至少一个特征线性加权，生成新的三维卡通人脸模型，迭代优化，直至所述新的三维卡通人脸模型的呈现程度大于或等于所述预设阈值，得到最终三维卡通人脸模型。
8.可选地，在本技术的一个实施例中，在生成所述新的三维卡通人脸模型之后，还包括：获取当前迭代轮下的至少一个特征的当前特征权重值；根据所述当前特征权重值和所述上一迭代轮下的新的三维卡通人脸模型的呈现程度得到所述当前迭代轮的新的三维卡通人脸模型的呈现程度。
9.可选地，在本技术的一个实施例中，所述呈现程度的计算公式为：
[0010][0011]
其中，k表示与人物辨识度强相关总特征数量，m表示与人物满意度指标强相关总特征数量，tv为第v轮迭代前原先特征在呈现到模型中的程度，a表示人物辨识度对最终特
征呈现所占的比重，1-a表示人物满意度对最终特征呈现所占的比重，dv(k)为第v轮中各特征在辨识度中所占比重，sv(m)为第v轮中各特征在满意度中所占比重。
[0012]
可选地，在本技术的一个实施例中，所述预设卡通风格特征包括至少一个迪士尼卡通风格特征、至少一个日本卡通风格特征和至少一个meta卡通风格特征中的至少一个。
[0013]
本技术第二方面实施例提供一种三维卡通人脸建模装置，包括：第一提取模块，用于提取目标人物在二维图像中人脸的二维人脸特征；第二提取模块，用于根据所述目标人物的三维深度图提取所述人脸的三维人脸特征；以及建模模块，用于融合所述二维人脸特征、所述三维人脸特征和预设卡通风格特征，生成所述目标人脸的三维卡通人脸模型。
[0014]
可选地，在本技术的一个实施例中，所述建模模块包括：融合单元，用于根据由所述二维人脸特征、所述三维人脸特征和预设卡通风格特征融合得到的融合特征生成所述目标人脸的初始三维卡通人脸模型；计算单元，用于计算所述初始三维卡通人脸模型的呈现程度，并在所述呈现程度小于预设阈值时，基于预设标准对所述二维人脸特征、所述三维人脸特征和预设卡通风格特征中的至少一个特征线性加权，生成新的三维卡通人脸模型，迭代优化，直至所述新的三维卡通人脸模型的呈现程度大于或等于所述预设阈值，得到最终三维卡通人脸模型。
[0015]
可选地，在本技术的一个实施例中，所述建模模块进一步用于，获取当前迭代轮下的至少一个特征的当前特征权重值；根据所述当前特征权重值和所述上一迭代轮下的新的三维卡通人脸模型的呈现程度得到所述当前迭代轮的新的三维卡通人脸模型的呈现程度。
[0016]
可选地，在本技术的一个实施例中，所述呈现程度的计算公式为：
[0017][0018]
其中，k表示与人物辨识度强相关总特征数量，m表示与人物满意度指标强相关总特征数量，tv为第v轮迭代前原先特征在呈现到模型中的程度，a表示人物辨识度对最终特征呈现所占的比重，1-a表示人物满意度对最终特征呈现所占的比重，dv(k)为第v轮中各特征在辨识度中所占比重，sv(m)为第v轮中各特征在满意度中所占比重。
[0019]
可选地，在本技术的一个实施例中，所述预设卡通风格特征包括至少一个迪士尼卡通风格特征、至少一个日本卡通风格特征和至少一个meta卡通风格特征中的至少一个。
[0020]
本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的三维卡通人脸建模方法。
[0021]
本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的三维卡通人脸建模方法。
[0022]
本技术实施例可以利用三维深度图提取目标人物的三维人脸特征，并融合目标人物二维图像中的二维人脸特征及卡通风格特征，从而生成目标人脸的三维卡通人脸模型，使得生成的三维人脸模型具备更高的辨识度，且可以随着卡通风格的变化进行风格转变，灵活度更高，有效满足建模需求，提升使用体验。由此，解决了相关技术中基于神经网络对真实人脸进行卡通形象建模，导致生成的卡通形象风格单一且辨识度较低的技术问题。
[0023]
本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变
得明显，或通过本技术的实践了解到。
附图说明
[0024]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0025]
图1为根据本技术实施例提供的一种三维卡通人脸建模方法的流程图；
[0026]
图2为根据本技术一个实施例的meta卡通风格示意图；
[0027]
图3为根据本技术一个实施例的一种三维卡通人脸建模方法的流程图；
[0028]
图4为根据本技术实施例提供的一种三维卡通人脸建模装置的结构示意图；
[0029]
图5为根据本技术实施例提供的电子设备的结构示意图。
具体实施方式
[0030]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0031]
下面参考附图描述本技术实施例的三维卡通人脸建模方法及装置。针对上述背景技术中心提到的相关技术中基于神经网络对真实人脸进行卡通形象建模，导致生成的卡通形象风格单一且辨识度较低的技术问题，本技术提供了一种三维卡通人脸建模方法，在该方法中，可以利用三维深度图提取目标人物的三维人脸特征，并融合目标人物二维图像中的二维人脸特征及卡通风格特征，从而生成目标人脸的三维卡通人脸模型，使得生成的三维人脸模型具备更高的辨识度，且可以随着卡通风格的变化进行风格转变，灵活度更高，有效满足建模需求，提升使用体验。由此，解决了相关技术中基于神经网络对真实人脸进行卡通形象建模，导致生成的卡通形象风格单一且辨识度较低的技术问题。
[0032]
具体而言，图1为本技术实施例所提供的一种三维卡通人脸建模方法的流程示意图。
[0033]
如图1所示，该三维卡通人脸建模方法包括以下步骤：
[0034]
在步骤s101中，提取目标人物在二维图像中人脸的二维人脸特征。
[0035]
可以理解的是，人脸特征可以为神经网络提取的向量形式，以及表示面部各器官样式的特征，代表着某一类人某个器官的特点，提取方法，举例而言，可以由基于深度学习模型训练学习所得，或对面部器官细节特征进行建模所得，具体地，以眉毛为例，眉毛按照眉形可以有长眉、短眉、粗眉、细眉、稀眉、八字眉、上挑眉、一字眉、新月眉、角眉、颦眉等等。
[0036]
在实际执行过程中，本技术实施例可以利用神经网络或传统计算机图形学，提取目标人物在二维图像中人脸的二维人脸特征和传统图形学中的二维特征算子，可以从平面角度进行人脸特征的提取，有利于后续与三维人脸特征进行融合，从而生成更具辨识度的三维人脸卡通模型。
[0037]
在步骤s102中，根据目标人物的三维深度图提取人脸的三维人脸特征。
[0038]
可以理解的是，人脸是立体的，仅凭常规的二维人脸特征提取，难以呈现目标人物的全部人脸特征，尤其是二维图像可能会受限于光影效果，导致对人脸面部轮廓的识别度较差，三维特征指对三维深度图处理后得到的特征，提取方式与二维特征类似，如基于神经
网络算法的deep leaning技术进行特征提取，以及基于传统图形学人脸建模表示技术进行特征提取，形式与二维略有不同。
[0039]
因此，本技术实施例利用传统计算机图形学，根据目标人物的三维深度图，提取目标人物的三维人脸特征，即传统图形学中的三维特征算子，可以有效解除二维图像人脸特征提取的局限性，便于后续生成更具辨识度的三维人脸卡通模型。
[0040]
在步骤s103中，融合二维人脸特征、三维人脸特征和预设卡通风格特征，生成目标人脸的三维卡通人脸模型。
[0041]
作为一种可能实现的方式，本技术实施例可以从二维人脸特征和三维人脸特征中分别提取出相应的关键特征，并将从二维人脸特征中提取的关键特征和从三维人脸特征中提取的对应的关键特征以及预设的卡通风格特征进行融合，进而获得更符合目标人物形象的目标人脸的特定风格的三维卡通人脸模型。
[0042]
其中，关键特征是指对于最终呈现的三维卡通人脸模型具有更高的人物辨识度以及人物满意度，同时与卡通风格保持一致的特征。三种特征，即二维人脸特征、三维人脸特征和预设卡通风格特征各自包含有不同的具体特征族，每个特征均代表了人脸面部器官的某个特点，具体融合方式是通过加权方法控制不同特点在最终人脸面部建模结果中的显示程度，使得某个人代表性的特征突出展示，相对弱化其它次要特征，具有满足辨识度指标的要求。
[0043]
本技术实施例通过融合二维人脸特征、三维人脸特征和预设卡通风格特征，使得生成的三维人脸模型具备更高的辨识度，且可以随着卡通风格的变化进行风格转变，灵活度更高，人物满意度更高。
[0044]
可选地，在本技术的一个实施例中，生成目标人脸的三维卡通人脸模型，包括：根据由二维人脸特征、三维人脸特征和预设卡通风格特征融合得到的融合特征生成目标人脸的初始三维卡通人脸模型；计算初始三维卡通人脸模型的呈现程度，并在呈现程度小于预设阈值时，基于预设标准对二维人脸特征、三维人脸特征和预设卡通风格特征中的至少一个特征线性加权，生成新的三维卡通人脸模型，迭代优化，直至新的三维卡通人脸模型的呈现程度大于或等于预设阈值，得到最终三维卡通人脸模型。
[0045]
在实际执行过程中，本技术实施例可以通过融合二维人脸特征、三维人脸特征和预设卡通风格特征，得到融合特征，从而生成目标人物的初始三维卡通人脸模型。
[0046]
进一步地，本技术实施例可以通过计算对初始三维卡通人脸模型进行优化，具体地，本技术实施例可以计算初始三维卡通人脸模型的呈现程度，当呈现程度小于预设阈值时，本技术实施例可以基于预设标准对二维人脸特征、三维人脸特征和预设卡通风格特征中的至少一个特征线性加权，进而生成新的三维卡通人脸模型，实现迭代优化，直至新的三维卡通人脸模型的呈现程度大于或等于预设阈值，得到最终的三维卡通人脸模型。
[0047]
其中，预设标准可以为人物辨识度和人物满意度的标准，具体地，辨识度与满意度的高低是服务于目标群体的，前者衡量标准在于输入图像与输出模型在关键特征上的loss大小，后者基于目标群体的调研，如问卷上对结果的打分高低，此外，当两者相互矛盾时以人物满意度为主。
[0048]
需要注意的是，预设阈值可以由本领域技术人员根据实际情况进行相应设置；预设标准可以由本领域技术人员根据三维卡通人脸模型的应用场景及目标群众的调研结果
进行相应设置，在此不做具体限制。
[0049]
可选地，在本技术的一个实施例中，呈现程度的计算公式为：
[0050][0051]
其中，k表示与人物辨识度强相关总特征数量，m表示与人物满意度指标强相关总特征数量，tv为第v轮迭代前原先特征在呈现到模型中的程度，a表示人物辨识度对最终特征呈现所占的比重，1-a表示人物满意度对最终特征呈现所占的比重，dv(k)为第v轮中各特征在辨识度中所占比重，sv(m)为第v轮中各特征在满意度中所占比重。
[0052]
进一步地，括号中的项，即：
[0053][0054]
为第v轮中各面部特征所占有的权重的更新值，将各特征权重更新值作用于上一轮特征呈现度tv后即得到第v轮迭代后原先特征在呈现到模型中的程度tv。
[0055]
可选地，在本技术的一个实施例中，在生成新的三维卡通人脸模型之后，还包括：获取当前迭代轮下的至少一个特征的当前特征权重值；根据当前特征权重值和上一迭代轮下的新的三维卡通人脸模型的呈现程度得到当前迭代轮的新的三维卡通人脸模型的呈现程度。
[0056]
具体地，参照上述公式，本技术实施例可以按照各个关键特征在人物辨识度和人物满意度的标准下，第v轮迭代的线性加权，进而得到第v轮下的各特征权重值，进一步地，本技术实施例可以将这一变化值乘在上一轮的程度呈现值上，以得到下一轮的呈现值。
[0057]
可选地，在本技术的一个实施例中，预设卡通风格特征包括至少一个迪士尼卡通风格特征、至少一个日本卡通风格特征和至少一个meta卡通风格特征中的至少一个。
[0058]
在一些实施例中，预设卡通风格可以但不限于迪士尼卡通风格、日本卡通风格或meta 卡通风格，举例而言，如图2所示，为meta卡通风格，右侧为扎克伯格，左侧为根据扎克伯格的人脸面部特征生成的卡通形象。
[0059]
本技术实施例可以从上述风格中提取相应的风格特征作为预设的卡通风格特征，并与二维人脸特征和三维人脸特征进行融合，从而生成特定风格的三维人脸卡通模型。
[0060]
需要注意的是，预设的卡通风格特征可以由本领域技术人员根据实际需求，如三维人脸卡通模型的应用场景或群体调研结果等，进行相应设置，在此不做具体限制。
[0061]
下面结合图3所示，以一个具体实施例对本技术实施例的三维卡通人脸建模方法的工作原理进行详细阐述。
[0062]
如图3所示，本技术实施例包括以下步骤：
[0063]
步骤s301：提取目标人物的二维图像特征。可以理解的是，人脸特征可以为神经网络提取的向量形式，以及表示面部各器官样式的特征，代表着某一类人某个器官的特点，提取方法，举例而言，可以由基于深度学习模型训练学习所得，或对面部器官细节特征进行建模所得，具体地，以眉毛为例，眉毛按照眉形可以有长眉、短眉、粗眉、细眉、稀眉、八字眉、上挑眉、一字眉、新月眉、角眉、颦眉等等。
[0064]
在实际执行过程中，本技术实施例可以利用神经网络或传统计算机图形学，提取目标人物在二维图像中人脸的二维人脸特征和传统图形学中的二维特征算子，可以从平面角度进行人脸特征的提取，有利于后续与三维人脸特征进行融合，从而生成更具辨识度的
三维人脸卡通模型。
[0065]
步骤s302：提取目标人物的三维图像特征。可以理解的是，人脸是立体的，仅凭常规的二维人脸特征提取，难以呈现目标人物的全部人脸特征，尤其是二维图像可能会受限于光影效果，导致对人脸面部轮廓的识别度较差，三维特征指对三维深度图处理后得到的特征，提取方式与二维特征类似，如基于神经网络算法的deep leaning技术进行特征提取，以及基于传统图形学人脸建模表示技术进行特征提取，形式与二维略有不同。
[0066]
因此，本技术实施例利用传统计算机图形学，根据目标人物的三维深度图，提取目标人物的三维人脸特征，即传统图形学中的三维特征算子，可以有效解除二维图像人脸特征提取的局限性，便于后续生成更具辨识度的三维人脸卡通模型。
[0067]
步骤s303：提取卡通风格特征。在一些实施例中，卡通风格可以是迪士尼卡通风格、日本卡通风格或meta卡通风格等，举例而言，如图2所示，为meta卡通风格，右侧为扎克伯格，左侧为根据扎克伯格的人脸面部特征生成的卡通形象。本技术实施例可以从上述风格中提取相应的风格特征作为预设的卡通风格特征，并与二维人脸特征和三维人脸特征进行融合，从而生成特定风格的三维人脸卡通模型。
[0068]
需要注意的是，卡通风格可以由本领域技术人员根据实际需求，如三维人脸卡通模型的应用场景或群体调研结果等，进行相应设置，在此不做具体限制。
[0069]
步骤s304：特征融合，生成初始三维人脸卡通模型。作为一种可能实现的方式，本技术实施例可以从二维人脸特征和三维人脸特征中分别提取出相应的关键特征，并将从二维人脸特征中提取的关键特征和从三维人脸特征中提取的对应的关键特征以及预设的卡通风格特征进行融合，进而获得更符合目标人物形象的目标人脸的特定风格的三维卡通人脸模型。
[0070]
其中，关键特征是指对于最终呈现的三维卡通人脸模型具有更高的人物辨识度以及人物满意度，同时与卡通风格保持一致的特征。三种特征，即二维人脸特征、三维人脸特征和预设卡通风格特征各自包含有不同的具体特征族，每个特征均代表了人脸面部器官的某个特点，具体融合方式是通过加权方法控制不同特点在最终人脸面部建模结果中的显示程度，使得某个人代表性的特征突出展示，相对弱化其它次要特征，具有满足辨识度指标的要求。
[0071]
本技术实施例通过融合二维人脸特征、三维人脸特征和预设卡通风格特征，使得生成的三维人脸模型具备更高的辨识度，且可以随着卡通风格的变化进行风格转变，灵活度更高，人物满意度更高。
[0072]
步骤s305：对初始三维人脸卡通模型进行迭代优化，获得最终三维人脸卡通模型。进一步地，本技术实施例可以通过计算对初始三维卡通人脸模型进行优化，具体地，本技术实施例可以计算初始三维卡通人脸模型的呈现程度，当呈现程度小于预设阈值时，本技术实施例可以基于预设标准对二维人脸特征、三维人脸特征和预设卡通风格特征中的至少一个特征线性加权，进而生成新的三维卡通人脸模型，实现迭代优化，直至新的三维卡通人脸模型的呈现程度大于或等于预设阈值，得到最终的三维卡通人脸模型。
[0073]
其中，预设标准可以为人物辨识度和人物满意度的标准，具体地，辨识度与满意度的高低是服务于目标群体的，前者衡量标准在于输入图像与输出模型在关键特征上的loss大小，后者基于目标群体的调研，如问卷上对结果的打分高低，此外，当两者相互矛盾时以
人物满意度为主。
[0074]
其中，呈现程度的计算公式为：
[0075][0076]
其中，k表示与人物辨识度强相关总特征数量，m表示与人物满意度指标强相关总特征数量，tv为第v轮迭代前原先特征在呈现到模型中的程度，a表示人物辨识度对最终特征呈现所占的比重，1-a表示人物满意度对最终特征呈现所占的比重，dv(k)为第v轮中各特征在辨识度中所占比重，sv(m)为第v轮中各特征在满意度中所占比重。
[0077]
进一步地，括号中的项，即：
[0078][0079]
为第v轮中各面部特征所占有的权重的更新值，将各特征权重更新值作用于上一轮特征呈现度tv后即得到第v轮迭代后原先特征在呈现到模型中的程度tv。
[0080]
进一步地，本技术实施例可以按照各个关键特征在人物辨识度和人物满意度的标准下，第v轮迭代的线性加权，进而得到第v轮下的各特征权重值，进一步地，本技术实施例可以将这一变化值乘在上一轮的程度呈现值上，以得到下一轮的呈现值。
[0081]
需要注意的是，预设阈值可以由本领域技术人员根据实际情况进行相应设置；预设标准可以由本领域技术人员根据三维卡通人脸模型的应用场景及目标群众的调研结果进行相应设置，在此不做具体限制。
[0082]
根据本技术实施例提出的三维卡通人脸建模方法，可以利用三维深度图提取目标人物的三维人脸特征，并融合目标人物二维图像中的二维人脸特征及卡通风格特征，从而生成目标人脸的三维卡通人脸模型，使得生成的三维人脸模型具备更高的辨识度，且可以随着卡通风格的变化进行风格转变，灵活度更高，有效满足建模需求，提升使用体验。由此，解决了相关技术中基于神经网络对真实人脸进行卡通形象建模，导致生成的卡通形象风格单一且辨识度较低的技术问题。
[0083]
其次参照附图描述根据本技术实施例提出的三维卡通人脸建模装置。
[0084]
图4是本技术实施例的三维卡通人脸建模装置的方框示意图。
[0085]
如图4所示，该三维卡通人脸建模装置10包括：第一提取模块100、第二提取模块200 和建模模块300。
[0086]
具体地，第一提取模块100，用于提取目标人物在二维图像中人脸的二维人脸特征。
[0087]
第二提取模块200，用于根据目标人物的三维深度图提取人脸的三维人脸特征。
[0088]
建模模块300，用于融合二维人脸特征、三维人脸特征和预设卡通风格特征，生成目标人脸的三维卡通人脸模型。
[0089]
可选地，在本技术的一个实施例中，建模模块300包括：融合单元和计算单元。
[0090]
其中，融合单元，用于根据由二维人脸特征、三维人脸特征和预设卡通风格特征融合得到的融合特征生成目标人脸的初始三维卡通人脸模型。
[0091]
计算单元，用于计算初始三维卡通人脸模型的呈现程度，并在呈现程度小于预设阈值时，基于预设标准对二维人脸特征、三维人脸特征和预设卡通风格特征中的至少一个特征线性加权，生成新的三维卡通人脸模型，迭代优化，直至新的三维卡通人脸模型的呈现
程度大于或等于预设阈值，得到最终三维卡通人脸模型。
[0092]
可选地，在本技术的一个实施例中，建模模块300进一步用于，获取当前迭代轮下的至少一个特征的当前特征权重值；根据当前特征权重值和上一迭代轮下的新的三维卡通人脸模型的呈现程度得到当前迭代轮的新的三维卡通人脸模型的呈现程度。
[0093]
可选地，在本技术的一个实施例中，呈现程度的计算公式为：
[0094][0095]
其中，k表示与人物辨识度强相关总特征数量，m表示与人物满意度指标强相关总特征数量，tv为第v轮迭代前原先特征在呈现到模型中的程度，a表示人物辨识度对最终特征呈现所占的比重，1-a表示人物满意度对最终特征呈现所占的比重，dv(k)为第v轮中各特征在辨识度中所占比重，sv(m)为第v轮中各特征在满意度中所占比重。
[0096]
可选地，在本技术的一个实施例中，预设卡通风格特征包括至少一个迪士尼卡通风格特征、至少一个日本卡通风格特征和至少一个meta卡通风格特征中的至少一个。
[0097]
需要说明的是，前述对三维卡通人脸建模方法实施例的解释说明也适用于该实施例的三维卡通人脸建模装置，此处不再赘述。
[0098]
根据本技术实施例提出的三维卡通人脸建模装置，可以利用三维深度图提取目标人物的三维人脸特征，并融合目标人物二维图像中的二维人脸特征及卡通风格特征，从而生成目标人脸的三维卡通人脸模型，使得生成的三维人脸模型具备更高的辨识度，且可以随着卡通风格的变化进行风格转变，灵活度更高，有效满足建模需求，提升使用体验。由此，解决了相关技术中基于神经网络对真实人脸进行卡通形象建模，导致生成的卡通形象风格单一且辨识度较低的技术问题。
[0099]
图5为本技术实施例提供的电子设备的结构示意图。该电子设备可以包括：
[0100]
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
[0101]
处理器502执行程序时实现上述实施例中提供的三维卡通人脸建模方法。
[0102]
进一步地，电子设备还包括：
[0103]
通信接口503，用于存储器501和处理器502之间的通信。
[0104]
存储器501，用于存放可在处理器502上运行的计算机程序。
[0105]
存储器501可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
[0106]
如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501 和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构 (industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0107]
可选地，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
[0108]
处理器502可能是一个中央处理器(central processing unit，简称为cpu)，或者
是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0109]
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的三维卡通人脸建模方法。
[0110]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0111]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0112]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0113]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0114]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0115]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步
骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0116]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0117]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。