《一種深度神經(jīng)網(wǎng)絡(luò)的三維可形變?nèi)四樐Ｐ驮O(shè)計》9100字（論文）

一種深度神經(jīng)網(wǎng)絡(luò)的三維可形變?nèi)四樐Ｐ驮O(shè)計摘要 [14-19][。3.三維模型擬合誤差除了人臉對齊誤差會對三維可形變模型的擬合造成影響外，三維模型擬合過程本身也存在一定的誤差。這類誤差包括但不僅限于：二維特征點與三維頂點的對應(yīng)關(guān)系誤差，即它們沒有精確地表現(xiàn)人臉的同一個位置；攝像機投影矩陣的系統(tǒng)誤差：算法中使用了仿射攝像機投影矩陣進行平行投影，而現(xiàn)實世界中的人臉圖片全部使用透視攝像機（PerspectiveCamera）拍攝。使用放射攝像機投影矩陣構(gòu)建出來的三維模型為帶有透視效果的三維人臉模型，而非人臉的真實形狀；轉(zhuǎn)換矩陣構(gòu)造時產(chǎn)生的誤差等。上述所有誤差都會或多或少地影響算法生成的三位人臉模型實例效果，需要加以注意。五、總結(jié)與展望（一）本論文所做工作總結(jié)三維人臉重建在娛樂、醫(yī)療和安防等多個領(lǐng)域具有廣泛的應(yīng)用前景，基于其實際應(yīng)用場景，利用單張二維人臉圖片進行三維人臉重建有著重大的現(xiàn)實意義。但現(xiàn)有的研究方法對模型構(gòu)建的條件要求較高，有些需要同一個體的多張不同角度人臉圖片才能完成人臉模型的構(gòu)建，有些需要昂貴的儀器采集人臉樣本，而有些要求不高的方法構(gòu)建出的模型效果又不夠理想，無法投入實際應(yīng)用。

本文介紹了相關(guān)工作的背景知識，對于涉及的算法既做出了理論分析，也完成了實驗驗證，使用深度卷積神經(jīng)網(wǎng)絡(luò)用于單圖像三維人臉重建。經(jīng)過訓(xùn)練后，該神經(jīng)網(wǎng)絡(luò)可以接受單張人臉作為輸入，輸出對應(yīng)的三維人臉模型參數(shù)。同時通過三維人臉模型生成多張不同角度的人臉，用于人臉識別。（二）進一步研究設(shè)想與展望未來可以從以下幾方面進行改進：一、以深度神經(jīng)網(wǎng)絡(luò)輸出的三維模型參數(shù)作為特征，直接進行人臉識別，人臉驗證等任務(wù)。二、可以使用更豐富的3D人臉模型數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使深度神經(jīng)網(wǎng)絡(luò)輸入更為精確的人臉重建模型參數(shù)。三、論文主要針對的單張任意人臉圖片的三維人臉重建主要是針對正臉的人臉圖片，對于任意光照和任意人臉表情的圖片沒有投入過多的研究，但為了能使重建模型得到更廣泛的應(yīng)用，未來需要更進一步地降低對人臉圖片的要求，使模型基于任意條件下二維人臉圖片都能重建出真實穩(wěn)定的三維人臉形狀。參考文獻FuK,XieY,JingH,etal.Fastspatial-temporalstereomatchingfor3Dfacereconstructionunderspecklepatternprojection[J].ImageandVisionComputing,2019,85(MAY):36-45.HouY,PingF,RavyseI,etal.3DFaceAlignmentviaCascade2DShapeAlignmentandConstrainedStructurefromMotion[C]//AdvancedConceptsforIntelligentVisionSystems,InternationalConference,Acivs,Bordeaux,France,September28-october.DBLP,2009.AtickJ,GriffinP,RedlichA.StatisticalApproachtoShapefromShading:ReconstructionofThree-DimensionalFaceSurfacesfromSingleTwo-DimensionalImages[J].NeuralComputation,1996,8(6):1321-1340.BlanzV,VetterT.Amorphablemodelforthesynthesisof3Dfaces[C].internationalconferenceoncomputergraphicsandinteractivetechniques,1999:187-194.BoothJ,RoussosA,PonniahA,etal.LargeScale3DMorphableModels[J].InternationalJournalofComputerVision,2018,126(2):233-254.TewariA,Zollh?ferM,KimH,etal.Mofa:Model-baseddeepconvolutionalfaceautoencoderforunsupervisedmonocularreconstruction[C]//TheIEEEInternationalConferenceonComputerVision(ICCV).2017,2(3):5.ZhuX,LeiZ,LiuX,etal.Facealignmentacrosslargeposes:A3dsolution[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:146-155.FengY,WuF,ShaoX,etal.Joint3DFaceReconstructionandDenseAlignmentwithPositionMapRegressionNetwork[J].arXivpreprintarXiv:1803.07835,2018.尹寶才,高文,晏潔,等.基于模型的頭部運動估計和面部圖像合成[J].計算機研究與發(fā)展,1999(1):67-71.張劍.融合SFM和動態(tài)紋理映射的視頻流三維表情重建[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2010,22(6):000949-958.MPiotraschke，VBlanz.Automated3DFaceReconstructionfromMultipleImagesUsingQualityMeasures.CVPR,2016AnhTuanTran,TalHassner,IacopoMasi,andGerardMedioni.

RegressingRobustandDiscriminative3DMorphableModelswithaveryDeepNeuralNetwork.

IEEEConf.onComputerVisionandPatternRecognition(CVPR),Honolulu,2017.GaryB.HuangandErikLearned-Miller.LabeledFacesintheWild:UpdatesandNewReportingProcedures.UniversityofMassachusetts,AmherstTechnicalReportUM-CS-2014-003CristinacceD,CootesTF.FeatureDetectionandTrackingwithConstrainedLocalModels[C]//BritishMachineVisionConference2006,Edinburgh,Uk,September.DBLP,2006:929-938.DollarP,WelinderP,PeronaP.Cascadedposeregression[J].IEEE,2010,238(6):1078-1085.SunY,WangX,TangX.DeepConvolutionalNetworkCascadeforFacialPointDetection[C]//ComputerVisionandPatternRecognition.IEEE,2013:3476-3483.ZhangK,ZhangZ,LiZ,etal.JointFaceDetectionandAlignmentUsingMultitaskCascadedConvolutionalNetworks[J].IEEESignalProcessingLetters,2016,23(10):1499-1503.KowalskiM,NaruniecJ,TrzcinskiT.DeepAlignmentNetwork:AConvolutionalNeuralNetworkforR