一、基于照片和一般人脸模型的人脸构造系统（论文文献综述）
柴维珑[1]（2020）在《基于对抗学习的耦合人脸表示分析》文中研究说明人脸识别是一项重要的生物识别技术,在视频监控、身份验证等场景有着广泛的应用。人脸特征表示的目的是从人脸图片中提取与身份相关的信息。然而,同一个人的照片因为姿态、光照、表情等因素显现出丰富多变的外观。一方面,这种丰富的类内变化,与人脸身份信息耦合在一起,给精确的人脸匹配带来极大挑战。另一方面,很多实际应用很难收集到用户的大量样本,无法准确地学习类内变化,识别网络的泛化能力无法保证。本文针对人脸实际应用中外观多变、样本缺乏等挑战,本文引入了对抗学习技术,成功地学习了身份特征与类内变化的耦合特征表示（即把人脸样本表示为身份特征和类内变化的叠加）,并有效地应用到多姿态人脸识别、单样本人脸识别问题上。主要工作如下:面向多姿态人脸识别问题,提出了身份特征的交换生成方法。该方法以交换两张图片的身份为训练目标,让网络自动地学习到身份信息与类内变化信息的编码,并从多姿态人脸图片中提取出恒定不变的身份特征。该方法还引入和改进对抗生成损失,通过迭代优化提高合成图片的清晰度,进一步提高身份特征的准确性。经过严格的对照实验,本文验证了交换生成方法不仅提高了人脸图片生成的质量,并在MultiPIE多姿态数据集上取得了发表时的最高识别率。面向单样本人脸识别问题,提出了类内变化的迁移方法,在特征空间虚拟地增广了样本数量,提高了识别网络的泛化能力。该方法在分类网络中加入了新的网络模块,在一个身份特征上叠加一个可学习的随机向量,使得特征从一种姿态（或光照、表情等）转移到另一种不同的姿态;通过对抗学习技术,该方法端到端地从已有训练集中学习准确的迁移模式。在MS-Celeb-1MChallenge2数据集上的对比实验表面,类内变化迁移方法把99%正确率下的覆盖率指标26.77%提高到91.41%,大幅度地提高了深度网络的泛化能力。
黄怀波[2]（2019）在《基于生成模型的人脸图像合成与分析》文中研究说明人脸图像合成与分析是近年来机器学习和计算机视觉领域最热门的研究方向之一。随着深度学习技术的发展,人脸图像合成与分析技术取得了巨大突破。例如,当前人脸图像合成算法①经可以合成肉眼难辨真假的高清人脸图像,人脸图像分析中的人脸识别算法也已经在很多场景下超越了人类的准确率。人脸图像合成与分析技术已经广泛地进入社会各领域,成为关系国计民生的重要技术。然而,目前的人脸图像合成与分析算法在理论和应用上仍然面临着许多挑战和问题。比如,高分辨率人脸图像合成仍然是一个相对困难的任务,人脸图像的条件合成和编辑也面临着可控性和多样性的问题,人脸分析技术在非受控场景下的鲁棒性仍远远落后于人类,低质量人脸图像的复原和分析也需要继续研究。针对这些挑战,本文以生成模型为基础,从高清人脸图像合成、人脸图像条件合成与分析,和人脸图像复原三个方面对人脸图像合成与分析技术展开研究。本文取得的主要研究成果如下:1.提出了一种自省变分自编码器模型,用来合成包括人脸图像在内的高分辨率真实图像。该模型具有类似人类的自省能力,可以自己估计生成样本和真实数据之间的差异并作出改进。它为变分自编码器提供了一种全新的训练方法,以自省的方式联合训练推断网络和生成网络。在训练过程中,对于真实数据,采用标准变分自编码器的变分下界目标函数来同时对推断网络和生成网络的参数进行优化;对于生成样本,推断网络和生成网络分别最小化和最大化其对应的近似后验与先验之间的KL散度,通过最小化最大化博弈来学习数据先验知识。该模型一方面不需要引入额外的判别器,对抗学习发生在变分自编码器内部,从而简化了网络结构;另一方面,使用单阶段而非多阶段的方式训练高分辨率图像模型,简化了训练复杂度。实验表明,该模型结合了变分自编码器和生成对抗网络的优点,既能进行稳定的训练,也能学习到良好的流形表达,同时可以合成高分辨率的清晰图像（比如1024 × 1024像素大小的CelebA人脸图像）。2.提出了两种基于变分表达的人脸图像合成与分析算法,即解耦判别变分自编码器模型和基于解耦变分表达的异质人脸识别方法。第一种模型将变分自编码器的隐变量分解为一系列变分语义单元,每一个单元都和某个特定的人脸属性关联。当某个属性标签为正时,最小化其对应变分语义单元关于给定先验分布的KL散度;当该标签为负时,则最大化其对应的KL散度。通过这种方式,将每一个变分语义单元与特定的人脸属性关联起来,使得模型既可以预测人脸属性,又可以根据属性标签控制人脸合成。另外,该模型通过引入互信息最小化来对这些单元进行解耦,通过引入自省对抗来提高生成图像的质量。实验表明,该模型既可以学习到鲁棒的特征,提高人脸属性预测的准确率,又能够实现准确的属性合成,提高人脸属性合成的可解释性和多样性。第二种方法是一种基于解耦变分表达的异质人脸识别方法。该方法将异质人脸数据建模为域不变的身份信息和域相关的变化信息。通过变分自编码器的变分下界来优化近红外和可见光的近似后验,可以学习到解耦的变分表达。另外,通过均值差异最小化来约束不同域之间的身份信息,利用相关对齐约束来进一步减小域差异,可以学习到更加紧凑且具有判别性的特征表达。实验表明,该方法可以在训练数据有限的情况下,通过合成新的近红外和可见光样本,提高异质人脸识别的精度。3.提出了三种基于小波变换的人脸图像复原方法,即小波域超分辨率卷积神经网络、小波域超分辨率生成对抗网络和小波域深度变焦网络。第一种方法首次将小波变换和卷积神经网络结合,将图像超分辨率问题转化为深度学习框架下的小波系数预测问题。通过使用小波域损失函数来优化小波域卷积神经网络,该方法可以在保持人脸图像全局拓扑信息不变的情况下恢复丰富的纹理细节。第二种方法将小波域人脸超分辨率方法从卷积神经网络扩展到生成对抗网络,同时使用小波域对抗损失函数和身份保持损失函数来分别产生更加真实的小波系数和恢复身份信息。实验表明,该方法不仅可以合成更加真实的人脸图像,而且能够显着提高低分辨率人脸的识别精度。第三个工作针对更一般的人脸图像复原问题,对小波域方法做出了进一步的改进。该工作首先建立了一个由手机和数码相机成对采集的大规模深度变焦人脸数据集,通过真实的低质量图像而非模拟退化图像对人脸图像复原模型进行训练。其次,提出小波域深度变焦网络,进一步挖掘不同频段小波之间的共享信息来恢复更多的纹理细节,同时引入人脸结构先验来克服数据非严格对齐的问题。实验表明,利用深度变焦人脸数据集训练的小波域深度变焦网络,可以显着提高对真实场景采集的低质量人脸图像复原的鲁棒性。
竹可鉴[3]（2019）在《基于运动捕捉的三维人脸表情合成研究》文中提出本文综述了国内外人脸面部表情合成的最新进展,对现有的方法进行了分类,并对其各自的优缺点进行了详细分析。在此基础上,本文应用光学运动捕捉系统进行了深入讨论,并提出了使用运动捕捉系统来合成人脸面部表情的解决方案,包括人脸面部表情数据的采集和数据处理优化、人脸面部表情特征提取、特定人脸模型的构建、人脸表情动画合成和人脸面部表情合成系统的设计与实现等。具体来说,本文的工作主要包括以下几个方面:（1）提出了一种高精度的人脸面部表情采集和提取方案,使用ViconCara人脸面部运动捕捉系统来进行演员表情采集,并将采集后的面部表情数据通过CaraPost软件对运动轨迹进行实时跟踪、记录与处理,得到人脸表情数据和特征点的三维空间坐标。·（2）提出了一种使用FaceGen人头生成器和Maya软件得到特定演员人脸模型的方案,通过使用FaceGen人头生成器方法获得的一般人脸面部模型用于随后的特定人脸面部模型的构建。（3）采用了一种基于运动捕捉数据和RBF插值算法的构建特定人脸面部模型的方法,为了得到特定人脸面部模型,本文对人脸面部模型进行局部变形,根据RBF插值函数变形的原理,来构造光滑的近似插值函数,通过采集的人脸特征点三维空间坐标来调整网格模型中特征点与非特征点坐标,使之更加符合人脸所具有的生理特征。（4）本文将得到的特征点坐标与计算得到的非特征点构造而成的特定人脸面部模型,在MotionBui lder中将所采集的6种人脸基本表情动画与人脸模型进行合成。（5）设计了一种基于Unity3D游戏引擎的人脸面部表情合成系统的实现方式,通过C#语言脚本的控制来进行表情的切换和衔接,将6种基本表情在Unity引擎中展示出来。
郑天悦[4]（2019）在《基于深度学习的跨年龄人脸识别问题》文中进行了进一步梳理跨年龄人脸识别正因其广泛的应用场景而受到越来越多的关注。跨年龄人脸识别可被应用在多年后寻找失踪儿童,使用多年前拍摄的照片寻找罪犯,验证护照等任务中。尽管近年来人脸识别的相关工作已经取得了巨大的进展,年龄不变的人脸识别仍然是一个具有挑战性的问题。跨年龄人脸识别问题的主要难点是人的面部会随着年龄变化产生很大的变化,这些变化在不同的年龄段是各不相同的,并会引起巨大的类内变化。考虑到卷积神经网络（Convolutional Neural Networks,CNN）强大的从输入中学习潜在表达的能力和卷积神经网络已成功应用于许多与人脸相关问题的事实,本文使用CNN来获取特征。本文认为人脸图像是年龄特有的部分和身份特有的部分的组合。本文期望尽可能地减少年龄变化对最终得到的深度身份特征的影响。理想情况下,本文希望应用于跨年龄人脸识别的特征仅包含与身份相关的因素,从而能在跨年龄人脸识别中表现良好。然而,一般的深度特征都是使用softmax损失函数和大规模的人脸数据训练得到的,这些特征不可避免地包含诸如性别和年龄（皱纹等）的潜在因素。考虑到跨年龄人脸识别的最大难点是年龄造成的类内差异,这种特征对年龄不变的人脸识别并不是一个好选择。因此,我们首先使用年龄估计任务获得年龄特征,然后从年龄特征中获取年龄特定的因素,通过从一般的特征中除去年龄因素获得潜在的只和身份相关的特征。本文提出了一个年龄估计任务指导学习年龄不变的人脸特征的人脸识别框架。给定具有年龄标签和身份标签的训练数据,本文提出的方法同时完成年龄估计任务和人脸识别任务。本文选择设计良好的卷积神经网络来处理问题,第一个全连接层输出一般的人脸特征,这个特征包括与年龄有关的因素。然后,通过在第一个全连接层之后添加另一个全连接层,并使用softmax作为损失函数进行年龄估计得到年龄特征。在年龄特征之后添加另一个全连接层来获得影响身份识别的年龄因素。年龄不变的人脸特征则通过从一般人脸特征中减去年龄因子来获得,最后将此特征应用于跨年龄人脸识别任务中。本文的主要贡献概括如下:-提出了一种使用卷积神经网络解决跨年龄人脸识别问题的新模型。-提出了通过减去年龄估计得到的年龄因素来获得年龄不变特征的新方法。据我们所知,本文是第一个使用年龄估计获得年龄不变特征,并证明年龄估计辅助跨年龄人脸识别确实有效的文章。-广泛的实验证明了本文的方法在两个公开的跨年龄数据集（MORPH Album 2和CACD）上都获得了很好的结果。
吕海清[5]（2018）在《个性化三维人脸及其在服装虚拟展示中的应用研究》文中认为如今网络购物已经非常普遍,但大多服装销售网站只提供服装的整体款式及尺码的选择,服装个性化特征不够,满足不了客户的个性化需求。而目前的网络服装定制系统大多要求用户在众多款式中去选择,消费者有时也不知道哪款更适合自己,选择时会感到很迷茫。针对上述问题,本文提出了一种通过三维人脸重建,采集个性化人脸特征对面向定制的服装进行个性化推荐及个性化定制服装虚拟展示的方法,以满足客户定制个性化服装的需求。论文在综述个性化三维人脸重建及三维服装虚拟展示技术发展现状的基础上,采用主动外观模型提取正面人脸图像的关键特征点,并基于三维形变模型生成客户的个性化三维人脸;依据客户体型、脸型和肤色等体貌特征进行服装样式的个性化推荐;基于Unity3D平台,实现了服装个性化推荐及虚拟展示原型系统,客户可以在线与系统交互,自主选择服装款式及面料,系统实时展示服装着装效果,为服装个性化定制提供了技术和平台支持。论文的主要研究工作包括:（1）分析了三维人脸重建和服装虚拟展示的技术研究现状,对基于用户三维人脸特征的服装个性化推荐及定制虚拟展示系统进行研究,提出了基于三维形变模型（3D Morphable Model,3DMM）重建用户个性化三维人脸,并在分析用户三维人脸特征的基础上进行服装推荐与定制虚拟展示的设计方案,以体现更多的用户个性化元素。（2）分析三维人脸重建的研究现状和方法技术,采用主成分分析法对原型人脸库的点分布模型进行数据降维,通过主动形状模型提取68个人脸特征标记点,基于3DMM算法将一般人脸模型形变为目标人脸模型。利用Hermite插值实现人脸与后脑的无缝拼接,采取网格平滑技术处理拼接的过渡曲面,得到用户的三维人头模型。（3）分析用户的三维人脸特征,对个性化服装推荐进行整体设计。依据三维人脸重建过程中得到的68个人脸特征标记点,计算颌面指数得到脸型信息;将面部纹理图像换到Lab色彩空间,采用平均法获取肤色信息;基于BMI（Body Mass Index）身体质量指数计算体型信息等。采用产生式规则的知识表示方式,设计了西装样式推荐规则知识库。根据客户的脸型、肤色,结合体型和购衣季节,模拟服装设计师的思维过程,设计服装款式及面料推理树,以得到与用户个性化特征相符合的服装。（4）在产品族DNA服装设计理论的基础上,提出了基于DNA部件的服装个性化定制和虚拟展示的方法。将西装模型拆分成基本DNA要素部件,通过各个部件的组合得到整体服装模型。通过服装DNA部件的重用,大大减少了三维服装建模的数量,降低了网络传输成本。（5）基于Unity3D、Web及Android平台设计实现了服装个性化推荐及虚拟展示原型系统,系统可以借助普通摄像头扫描生成客户三维头像,根据客户的体貌等信息进行个性化服装款式推荐,用户还可在推荐的款式基础上,自主定制西装的DNA部件样式及布料、纽扣和纱线等面料,满足了客户的个性化需求。
郭帅磊[6]（2017）在《基于深度彩色图像的三维人脸表情合成研究》文中研究指明表情是人内心情绪的一种最直观的表达,因此通过人工合成不同的人脸表情可以实现表达人们不同心情的目的,而具有较高真实性的三维人脸表情能够更加细致的模拟人的情绪表达。三维人脸表情合成在影视特效制作、人机互动、游戏制作和视频会议等应用研究领域已经占有及其重要的地位。本文设计的三维人脸表情合成方法主要分为三部分,首先使用Kinect采集人脸的彩色和深度图像,采集之前本文对Kinect彩色相机和深度相机坐标进行标定,采集过程中对人脸进行识别跟踪并提取特征点坐标;然后选取FaceGen三维人脸网格模型作为一般人脸,依据采集的人脸特征点坐标调整网格模型中特征点和非特征点坐标使其变为特定人脸的形状,本文使用OpenGL结合纹理线性插值方法将合成的全视角人脸纹理图像垂直映射到调整后的网格模型上生成特定三维人脸;最后基于表情编码系统FACS中定义的人脸动作AU组合调整模型中的顶点,重新对三维人脸模型进行纹理映射即可生成具有特定表情的三维人脸。本文以作者脸部为原型进行三维人脸建模,对建立的三维人脸模型按用户选择可以合成6种不同的基本表情,包括喜悦、悲伤、惊奇、愤怒、恐惧、厌恶。本文所述方法最终合成的六种基本三维人脸表情细节特征突出,与真实人脸表情具有较高的相似性,并且与基于人脸三维扫描数据和动作捕捉技术的表情合成方法相比在时间效率上有了显着提高,综合分析对比本文方法与其他方法实验结果总结出本文设计方法合成三维人脸表情的优点。
秦晓倩[7]（2016）在《基于Web图像的Kinship关系验证研究》文中认为计算机视觉系统的最终目标是要获得自适应能力、自学习能力、在各种解决方案中权衡的能力、对新的上下文情景和应用场合进行泛化的能力,以及和其它系统（包括人）进行沟通的能力。人脸作为计算机视觉领域中的一种重要研究对象,因其在图像获取过程中的便利性和廉价性,受到了模式识别和机器学习等相关领域科研人员的广泛关注,经过近三十年的发展,人脸识别系统已经开始从实验室进入商业领域。然而,在这一从实验室到具体应用场景的转移过程中,存在多种不同性质的人脸识别问题,其中一些还非常困难,例如对从网页中采集的人脸图像进行亲属关系验证的问题。基于人脸图像进行亲属关系验证面临新的问题和挑战,这些问题主要来自于组图像的表示和验证器的设计两个方面。其中组图像表示方面的问题包括由成像环境、表情、遮挡、姿态和遗传特性等造成的人脸外观上的丰富变化。而验证器的设计则面临组图像刻画困难、目标类信息缺失和遗传差异大等因素。正是由于这些挑战存在,使得之前的人脸验证算法难以直接被用于处理亲属关系验证,急需研究新的解决方案来应对这些问题。本文重点研究了基于Web图像的鲁棒的亲属关系验证问题。本文重点讨论亲属关系验证中涉及的三个核心问题,即亲属关系主体对象的表示学习,亲属关系验证器的设计和在实际应用场合中的推广。针对第一个核心问题,提出了一种基于软投票的亲属关系人脸特征块的选择算法;针对第二个问题,探讨了嵌入一定先验信息的组亲属关系验证模型;针对在实际应用场合中的推广,提出了混合亲属关系验证问题及其模型设计方法。具体地,本文的主要贡献和创新点可以总结为如下几点:（1）提出一种考虑组关系的亲属关系验证问题并发布一个包含超过1000组家庭的亲属关系人脸数据集。亲属关系验证学习可以被看作是向刻画多个视觉对象之间互信息的迈进,然而已有的亲属关系验证研究大多考虑的是对关系,即父—子,父—女,母—子和母—女关系,但在实际应用领域,亲属关系包括更加复杂的主体关系,而在所有人类社会关系中的核心基础单元是父母—儿子和父母—女儿家庭关系,理解该亲属关系将促进人工智能对人类社会行为的理解,也是实现计算机视觉系统从对单一对象的刻画到多个主体对象描述的飞跃,另外,相较于更复杂的亲属关系验证,组亲属关系验证更容易实现,因为其涉及的范畴是可控的,且问题本身也更容易定义。（2）提出了一种基于软投票的亲属关系人脸特征块选择方法。探讨了基于有监督方式的亲属关系表示学习,实现亲属关系特征提取的判别性和鲁棒性。主要针对现有亲属关系表示学习仅使用家庭主体中的某个单一对象,而亲属关系主体之间又具有一定空间结构关系问题,考虑挖掘主体对象之间的相关性并利用这些相关性探寻亲属主体间的判别信息。具体地,在给定图像中每个位置上的所有单个特征完成相互之间的竞争后,再选择一些图像组,而这些组所包含的获胜单特征的比例更高。该方法的主要优点是相较于主流的人脸局部特征选择算法更加灵活,因为其是在一种更加精细的级别进行特征选择,因此可以获得更高的性能。（3）提出了一种嵌入人类社会学知识的相对对称的组亲属关系验证模型。考虑到现有亲属关系验证必须要面对的问题,即小样本问题,而借助额外判别信息又是解决小样本问题的一个有力手段,受人类社会学研究成果的启发,将孩子和父母中某一方较为相似的先验信息嵌入模型,提出一种相对对称双线性模型,在TSKinFace和KinFaceW亲属关系人脸数据集上验证了算法的有效性。另外,当父母双方信息均已知时,该方法还可用于解决对亲属关系验证问题,相对于基于父母中一方进行判定的方法具有较好的推广性,一定程度上弥补了待验证人脸的身份信息,在TSKinFace数据集上验证了算法的有效性。最后,所提方法可以被看作为一个框架,在该框架中可以通过有效地嵌入先验信息的方式整合任何一种用于处理对亲属关系验证的方法来应对组亲属关系验证问题。（4）提出了一种混合亲属关系验证问题及其模型设计方法。主要针对现有亲属关系验证都是基于给定主体的性别种类分别进行研究而为实际应用带来额外的性别标注工作量的问题,探讨了亲属关系验证模型在实际应用场景中的推广,提出了混合对亲属关系验证。具体的,受人类社会学研究成果的启发,即一些人脸外观,如眼睛、头发颜色、酒窝、皮肤等表现出极强的遗传性,将不同亲属关系看作为不同但相互之间有相关性的任务,并使用多任务学习框架将每个任务模型分解为两个部分,即一部分在所有任务间共享,另一部分则被每种任务独享。这两部分在一个联合框架下同时学习,使得所提算法能利用到多个任务之间的共有信息。另外,该方法的优点是,当每个任务仅有很少训练样本时,能通过在任务间迁移信息的手段互补判别性信息以达到提高算法泛化性的目的。进一步,为了使算法更加鲁棒,提出了一个多视图多任务的混合对亲属关系验证模型,其中通过为不同的特征学习各自不同的权重融合多种特征以提高混合对亲属关系验证的性能。
孙霖[8]（2013）在《基于图像的患者眼部模型重建与患眼误差评价研究》文中研究表明随着科学技术的不断发展，医工学科的交叉应用已经成为了一个普遍的研究趋势。本文研究的是针对动眼神经麻痹患者的三维眼部轮廓重建，以及对重建后的眼部曲面进行轮廓度误差评定。方便医生通过对本文结果的应用，了解和掌握患者的病情以及恢复情况。基于此目的，本文主要实现以下几个方面的工作。首先，通过对国内外相关研究现状的综述和分析，确定一个适用于本课题的重建方法。现有的基于图像的重建方法主要有基于模型的重建、基于计算机视觉的重建、以及其他相关的重建方法。本文选择了对设备要求比较低且易于实现的基于模型的重建方法。针对基于模型的重建方法，本文首先选择合适的人脸模型。通过对现有几种模型的对比分析，本文选择了Candide-3人脸模型。其次，关于重建的具体工作，本文首先通过三维仿射变换原理完成了图像上的特征点对应的模型的顶点的调整。而后又实现了非特征点的自适应调整。最后对调整后的网格模型进行细分，并通过纹理映射技术对患者图像进行粘贴，实现真实感建模。第三，基于患者眼部三维模型，对患者眼部的轮廓度误差进行评定。根据曲面轮廓度误差定义，本文选择患者的非患病眼轮廓作为理论轮廓曲面。应用改进的误差评定方法对患者眼部轮廓度误差进行了评定。提出了基于轮廓度误差和眼球偏转误差的患者病情评价指标。最后，本文设计并实现了能够拥有上述重建与评价功能的实验系统。通过对多名患者的三维眼部轮廓重建实验以及误差评定实验，验证了本文方法的可行性。
李书钦[9]（2012）在《基于照片的三维人物头像生成技术研究》文中指出在虚拟现实、三维游戏、影视动画和医学研究等领域,用户对人物角色真实感的要求越来越高。同时随着硬件设备的不断提高,在计算机视觉和三维重建方面的研究也不断深入,近些年针对三维人脸重建的研究已经成为该领域的热点。基于照片的真实感三维人脸重建不但是立体视觉方向的核心技术,而且还直接影响用户的真实感体验。本课题研究的目的是将三维重建的结果应用到北方工业大学虚拟校园项目中去,使用户以真实的人物角色在场景中漫游,增强用户的沉浸感和真实感。本文首先介绍了该课题的研究背景与意义,并分析国内外在该领域的研究现状,在此基础上提出了基于单张正面照片变形CANDIDE-3中性人脸模型的研究思路,通过径向基函数和位移传播算法变形一般人脸模型,并利用柱面投影对特定人脸纹理映射。本文的主要工作及研究如下：1)实现了人脸区域检测和特征提取的一般方法,首先标定出人脸区域,进而对中性人脸模型进行整体调整,实现了模型整体调整的自动化。2)基于CANDIDE-3中性人脸模型,给出了三维特征点的标定和提取方法,标定出了特征点集合和特征点的邻接区域。所选取的中性人脸模型数据量适中,便于对模型的变形和计算。3)实现了基于径向基函数变形一般人脸模型的算法。首先,手工交互移动特征点,并记录每个特征点的位移,然后采用径向基函数逼近求解非特征点的位移,从而变形一般人脸模型到特定人脸。4)提出了对非特征点进行移动的位移传播算法。首先,计算和每个特征点相邻的非特征点,当手工交互调整特征点时,与特征点相邻的非特征点依照各自的权值做相应的移动,同时保证网格模型的弹性和不失真。5)对变形后的特定人脸模型采用柱面投影方法,将正面人脸照片纹理映射到变形后的人脸模型上,从而得到逼真三维人脸模型。本文最后给出了基于照片的三维人物头像生成系统,经过该系统验证,本文提出的特征点提取、径向基函数和位移传播变性人脸模型、柱面投影方法,能够较快速的重建三维人脸模型,并且在模型数据量较少的情况下,达到了较好的逼真度。
宗智勇[10]（2012）在《多视角三维人脸建模的关键技术研究》文中研究说明人脸包含着极为丰富的外表属性和内心情感信息,研究人脸不仅是重塑造型的一种艺术需要,而且在工业设计、电影电视、医学模拟、虚拟游戏等领域还具有广泛的实用价值。随着计算机技术的兴起和不断发展,如何利用计算机自动地重建具有真实感的三维人脸造型已成为计算机图形学领域研究的一个热点课题。自Parke在1972年第一次利用计算机生成了一个人脸面部模型以来,真实感三维人脸建模研究已经取得了许许多多丰硕的成果,但是,由于人脸本身的复杂性,目前的研究在算法的效率、真实感效果和广泛的应用性方面仍存在许多问题。本文综合分析了前人的研究成果中存在的优点与不足,并在此基础上对真实感三维人脸建模的基本流程、主体方法和关键技术进行了详细设计与改进,采用了一种从多角度人脸照片中恢复出三维人脸信息进而重构三维人脸模型的办法。具体的研究工作主要包括以下几方面内容：1.关键特征点的简化标定技术。针对传统的人脸特征点手工标定方法过于繁琐并且精确度不够理想的问题,本文设计了一个特征点简化编辑器,通过半自动的人机交互方式,把自动检测和精确调整两种方法结合起来。先是运用改进的ASM算法提取出68个特征点,再利用空间投影对照的方法标定出模型上的对应特征点,然后应用编辑器进行手工细化调整,最后由程序自动对数据按本文简化的MPEG-4标准分组保存。2.特定人脸网格模型的生成技术。综合常用人脸模型构建方法的优缺点,本文采用了一种基于不同角度人脸照片重构三维人脸模型的方法,以自由变形的人脸几何网格作为标准人脸模型的基础,再通过对整体模型的粗变换构建统一坐标系统,运用散乱数据插值调整非特征点位置,采取网格细化处理保证准确性和光滑性,以此实现由关键点之间的对应关系而形变一个标准模型到特定的个性化模型。3.无缝全景人脸纹理的合成技术。对常用的一些图像拼接与融合方法进了概述,并重点分析了简单的带加权因子的人脸纹理合成方法和图像金字塔算法的基本原理,在分析与论述的基础上,本文采用了一种将加权因子拼接和改进的拉普拉斯图像金字塔算法融合起来的方法,在图像对应的不同金字塔分解层上进行拼接,然后再将各个拼接层进行反分解变换重构成一幅全景人脸纹理图。4.真实感模型的纹理映射与渲染技术。考虑到三维人脸可由圆柱面近似包围,本文采用柱面纹理映射的方法建立二维纹理到三维模型的对应关系,并且利用OpenGL提供的纹理贴图与渲染的编程技术完成了三维人脸模型的真实感视觉要求。实验证明,本文在多视角三维人脸建模过程中采取的一系列改进与优化措施取得了良好的效果,在实际建模过程中获得了效率与质量的双重提升,具有普遍适用的价值。
二、基于照片和一般人脸模型的人脸构造系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于照片和一般人脸模型的人脸构造系统（论文提纲范文）
（1）基于对抗学习的耦合人脸表示分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 多姿态人脸识别的研究现状 |
| 1.2.2 单样本人脸识别的研究现状 |
| 1.3 本文主要工作与内容安排 |
| 第二章 相关工作与关键技术 |
| 2.1 相关工作分析 |
| 2.1.1 一般人脸识别的方法 |
| 2.1.2 非平衡数据下的人脸识别 |
| 2.1.3 多姿态人脸合成 |
| 2.1.4 人脸表示学习 |
| 2.2 关键技术 |
| 2.2.1 卷积神经网络 |
| 2.2.2 人脸检测与对齐 |
| 2.2.3 对抗生成网络 |
| 第三章 基于对抗生成网络的人脸姿态变换模型 |
| 3.1 身份与非身份信息编码 |
| 3.2 交换生成法 |
| 3.3 基于对抗生成网络的特征提取与解析 |
| 3.4 目标函数 |
| 3.5 对比实验 |
| 3.5.1 实验设置 |
| 3.5.2 多姿态人脸识别实验 |
| 3.5.3 多姿态人脸图像合成实验 |
| 3.6 本章总结 |
| 第四章 基于对抗学习的耦合人脸表示模型 |
| 4.1 深度网络中间层特征分析 |
| 4.2 方案设计 |
| 4.2.1 符号和术语 |
| 4.2.2 整体架构 |
| 4.2.3 基本模块 |
| 4.2.4 耦合模块 |
| 4.2.5 训练方法 |
| 4.3 对比实验 |
| 4.3.1 实验设置 |
| 4.3.2 人脸身份互换实验 |
| 4.3.3 针对耦合人脸表示的分析实验 |
| 4.3.4 单样本人脸识别实验 |
| 4.4 本章总结 |
| 第五章 结论 |
| 5.1 工作总结 |
| 5.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 会议论文 |
（2）基于生成模型的人脸图像合成与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容和主要工作 |
| 1.3 论文的组织结构 |
| 第2章 研究现状 |
| 2.1 引言 |
| 2.2 生成模型 |
| 2.2.1 生成对抗网络 |
| 2.2.2 变分自编码器 |
| 2.2.3 其他生成模型 |
| 2.3 条件生成模型 |
| 2.3.1 基于标签的生成模型 |
| 2.3.2 图像翻译模型 |
| 2.3.3 图像复原模型 |
| 2.4 人脸图像分析技术 |
| 2.4.1 人脸属性预测技术 |
| 2.4.2 人脸识别技术 |
| 2.5 小结 |
| 第3章 基于自省对抗的高清人脸图像合成 |
| 3.1 引言 |
| 3.2 背景知识 |
| 3.3 自省变分自编码器 |
| 3.3.1 对抗式分布学习 |
| 3.3.2 自省式变分推断 |
| 3.3.3 模型训练细节 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集和协议 |
| 3.4.2 合成结果及分析 |
| 3.4.3 训练稳定性和速度分析 |
| 3.4.4 隐空间和最近邻分析 |
| 3.5 小结 |
| 第4章 基于变分表达的人脸图像合成与分析 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 变分自编码器 |
| 4.2.2 解耦表达学习 |
| 4.2.3 人脸属性预测与合成 |
| 4.2.4 异质人脸识别 |
| 4.3 基于变分表达的人脸属性预测与合成 |
| 4.3.1 基准模型设计 |
| 4.3.2 互信息解耦表达 |
| 4.3.3 自省对抗学习 |
| 4.3.4 模型训练细节 |
| 4.3.5 预测和采样 |
| 4.4 基于变分表达的异质人脸识别 |
| 4.4.1 Wasserstein卷积神经网络 |
| 4.4.2 解耦变分表达 |
| 4.4.3 异质人脸识别网络 |
| 4.4.4 模型训练细节 |
| 4.5 实验结果与分析 |
| 4.5.1 人脸属性预测与合成 |
| 4.5.2 异质人脸识别 |
| 4.6 小结 |
| 第5章 基于小波变换的人脸图像复原 |
| 5.1 引言 |
| 5.2 小波域超分辨率卷积神经网络 |
| 5.2.1 小波变换分析 |
| 5.2.2 损失函数设计 |
| 5.2.3 网络结构设计 |
| 5.2.4 模型训练细节 |
| 5.3 小波域超分辨率生成对抗网络 |
| 5.3.1 损失函数设计 |
| 5.3.2 网络结构设计 |
| 5.3.3 模型训练细节 |
| 5.4 小波域深度变焦网络 |
| 5.4.1 深度变焦人脸数据集 |
| 5.4.2 小波域深度变焦算法 |
| 5.5 实验结果与分析 |
| 5.5.1 人脸图像超分辨率 |
| 5.5.2 手机人脸图像复原 |
| 5.6 小结 |
| 第6章 总结和展望 |
| 6.1 本文工作总结 |
| 6.2 本文工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（3）基于运动捕捉的三维人脸表情合成研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 表情合成研究的背景及目的意义 |
| 1.1.1 研究目的 |
| 1.1.2 研究意义 |
| 1.2 表情合成国内外研究现状 |
| 1.2.1 国外现状 |
| 1.2.2 国内现状 |
| 1.3 本文的主要研究思路 |
| 1.4 本文的结构安排 |
| 第2章 运动捕捉系统与数据采集优化 |
| 2.1 三维运动捕捉系统概述 |
| 2.2 三种运动捕捉系统原理分析 |
| 2.2.1 光学式运动捕捉系统原理 |
| 2.2.2 Dynamixyz面部捕捉系统原理 |
| 2.2.3 Kinect体感设备工作原理 |
| 2.3 三种运动捕捉系统分析比较 |
| 2.3.1 光学式运动捕捉系统优缺点 |
| 2.3.2 光学式运动捕捉系统之间分析比较 |
| 2.3.3 三种运动捕捉系统之间分析比较 |
| 2.4 数据采集实验设计 |
| 2.4.1 面部表情文本设计 |
| 2.4.2 面部数据采集 |
| 2.4.3 面部数据处理及优化 |
| 2.5 本章小结 |
| 第3章 基于运动捕捉数据的三维人脸建模 |
| 3.1 三维人脸建模的生成方法 |
| 3.2 基于FaceGen的三维人脸建模生成方法 |
| 3.2.1 FaceGen基本介绍 |
| 3.2.2 FaceGen实际操作方式 |
| 3.2.3 基于运动捕捉数据的人脸模型调整算法 |
| 3.3 Maya中带有面部骨骼绑定的人脸模型 |
| 3.3.1 Maya简单介绍 |
| 3.3.2 面部骨骼绑定模型 |
| 3.4 本章小结 |
| 第4章 基于运动捕捉数据的人脸模型调整算法研究 |
| 4.1 人脸表情动画变形算法 |
| 4.1.1 拉普拉斯变形 |
| 4.1.2 均值坐标变形 |
| 4.1.3 RBF插值算法变形 |
| 4.2 人脸表情合成RBF插值算法分析 |
| 4.3 本章小结 |
| 第5章 软件设计实现与纹理映射 |
| 5.1 Unity3D概述 |
| 5.2 Unity3D基本组件 |
| 5.3 人脸表情合成系统的实现 |
| 5.3.1 人脸表情合成系统的需求分析 |
| 5.3.2 开发与运行环境 |
| 5.3.3 人脸表情合成路线图 |
| 5.3.4 人脸表情合成系统的实现 |
| 5.4 纹理映射 |
| 5.4.1 基于柱面映射的人脸贴图 |
| 5.4.2 贴图后人脸表情合成 |
| 5.5 本章小结 |
| 第6章 实验结果总结与展望 |
| 6.1 研究总结 |
| 6.2 研究创新点与不足 |
| 6.3 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（4）基于深度学习的跨年龄人脸识别问题（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 章节安排 |
| 第二章 跨年龄人脸识别理论基础 |
| 2.1 深度学习 |
| 2.1.1 卷积神经网络 |
| 2.1.2 损失函数 |
| 2.1.3 优化算法 |
| 2.1.4 正则化 |
| 2.2 多任务学习 |
| 2.3 人脸识别 |
| 2.3.1 人脸识别定义 |
| 2.3.2 一般人脸识别常用方法 |
| 2.3.3 深度学习在一般人脸识别中的应用 |
| 2.4 跨年龄人脸识别常用方法 |
| 2.4.1 生成方法 |
| 2.4.2 判别方法 |
| 2.4.3 深度学习方法 |
| 2.5 本章小结 |
| 第三章 基于深度特征分解的跨年龄人脸识别 |
| 3.1 基于特征分解的方法 |
| 3.1.1 特征分解动机 |
| 3.1.2 隐因子分析模型 |
| 3.1.3 年龄估计指导的拆分模型 |
| 3.2 年龄估计指导的跨年龄人脸识别网络 |
| 3.2.1 网络基本结构 |
| 3.2.2 系统整体流程 |
| 3.2.3 训练过程 |
| 3.3 跨年龄人脸特征匹配方法 |
| 3.4 跨年龄人脸实验 |
| 3.4.1 常用数据集 |
| 3.4.2 参数设置和图片预处理 |
| 3.4.3 CACD数据库实验结果 |
| 3.4.4 MOPRH数据库实验结果 |
| 3.5 本章小结 |
| 第四章 人脸年龄估计与跨年龄人脸识别中的损失函数改进 |
| 4.1 改进的年龄估计损失函数 |
| 4.1.1 年龄估计损失函数的分类 |
| 4.1.2 基于深度概率的年龄估计损失 |
| 4.2 改进的人脸损失函数 |
| 4.3 人脸年龄估计与跨年龄人脸识别实验 |
| 4.3.1 MORPH数据库年龄估计对比试验 |
| 4.3.2 MORPH数据库人脸识别损失函数对比试验 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 论文工作总结 |
| 5.2 论文工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（5）个性化三维人脸及其在服装虚拟展示中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 三维人脸重建技术研究现状 |
| 1.3 三维服装虚拟展示技术现状 |
| 1.4 论文主要研究内容与技术路线 |
| 1.5 论文构成与章节安排 |
| 2 人脸特征点标记 |
| 2.1 主成分分析 |
| 2.1.1 主成分分析思想原理概述 |
| 2.1.2 主成分数据重建 |
| 2.2 点分布模型 |
| 2.3 ASM和AAM |
| 2.3.1 ASM与AAM的对比 |
| 2.3.2 二维人脸数据库 |
| 2.3.3 AAM人脸特征点标记 |
| 3 三维人头模型重建 |
| 3.1 三维人脸形变模型 |
| 3.1.1 三维人脸数据库 |
| 3.1.2 三维形变模型概述 |
| 3.2 基于3DMM的三维人脸重建 |
| 3.3 人头模型生成 |
| 4 服装个性化推荐 |
| 4.1 用户个性化特征提取 |
| 4.1.1 体型特征提取 |
| 4.1.2 肤色特征提取 |
| 4.1.3 脸型特征提取 |
| 4.2 服装个性化推荐知识库设计 |
| 4.2.1 知识与知识获取 |
| 4.2.2 知识表示设计 |
| 4.3 服装个性化推荐机理设计 |
| 5 服装推荐及虚拟展示系统设计 |
| 5.1 产品族DNA设计理论 |
| 5.2 服装部件素材设计及实现 |
| 5.3 系统功能框架及关键技术 |
| 5.4 系统总体流程设计 |
| 5.5 系统数据库设计 |
| 5.5.1 数据库表设计 |
| 5.5.2 PDM数据库模型图 |
| 6 服装推荐及虚拟展示系统功能及界面 |
| 6.1 素材信息管理模块 |
| 6.1.1 用户信息管理模块 |
| 6.1.2 部件模型信息管理模块 |
| 6.1.3 面料信息管理模块 |
| 6.1.4 用户订单管理模块 |
| 6.2 三维人脸重建模块 |
| 6.3 服装个性化推荐及定制模块 |
| 6.3.1 基于产品族DNA的推荐及定制 |
| 6.3.2 推荐知识库管理 |
| 6.4 服装虚拟展示模块 |
| 6.5 订单模块 |
| 6.6 服装推荐及虚拟展示原型系统 |
| 6.6.1 Web端服装虚拟展示及推荐系统 |
| 6.6.2 Android端服装虚拟展示及推荐系统 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者攻读学位期间发表学术论文清单 |
| 致谢 |
（6）基于深度彩色图像的三维人脸表情合成研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 表情合成研究的背景及意义 |
| 1.2 表情合成国内外研究现状 |
| 1.3 本文的主要研究思路 |
| 1.4 本文的结构安排 |
| 第二章 深度与彩色相机标定和人脸特征点提取 |
| 2.1 体感设备原理 |
| 2.1.1 体感设备的内部结构和外形 |
| 2.1.2 体感设备工作原理 |
| 2.1.3 使用Kinect采集人脸深度与彩色图像的优点 |
| 2.2 深度与彩色相机的校准 |
| 2.2.1 校准实验准备 |
| 2.2.2 彩色相机的内参数校准 |
| 2.2.3 深度相机的内参数校准 |
| 2.2.4 外参数和相对位置校准 |
| 2.2.5 校准结果 |
| 2.3 人脸识别和特征点坐标提取 |
| 2.3.1 Kinect人脸跟踪识别 |
| 2.3.2 人脸特征点坐标提取 |
| 2.4 深度与彩色人脸图像采集结果 |
| 第三章 基于特征点调整和纹理映射的三维人脸建模 |
| 3.1 特定三维人脸模型的生成方法 |
| 3.1.1 一般三维人脸模型的选取 |
| 3.1.2 基于特征点的人脸模型调整方法 |
| 3.2 基于全视角彩色人脸图像的纹理映射 |
| 3.2.1 全视角三维人脸纹理图像的合成方法 |
| 3.2.2 基于OpenGL和线性插值的人脸纹理映射方法 |
| 3.3 三维人脸建模实验结果 |
| 第四章 基于面部动作编码系统的人脸表情合成 |
| 4.1 面部动作编码系统 |
| 4.1.1 面部动作编码系统FACS的应用 |
| 4.1.2 动作单元AU编码 |
| 4.2 基于FACS的三维人脸表情合成 |
| 4.2.1 动作单元AU和FaceGen模型顶点对应关系 |
| 4.2.2 六种基本表情对应FaceGen模型顶点移动位置 |
| 4.3 三维人脸表情合成实验结果 |
| 第五章 软件设计实现和实验结果分析 |
| 5.1 软件开发环境配置 |
| 5.1.1 Kinect SDK开发环境配置 |
| 5.1.2 OpenGL开发环境配置 |
| 5.2 软件设计实现 |
| 5.2.1 软件界面设计 |
| 5.2.2 软件流程设计 |
| 5.3 实验结果分析 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 作者简介及科研成果 |
（7）基于Web图像的Kinship关系验证研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 亲属关系表示学习 |
| 1.2.1 人脸图像的特征表示 |
| 1.2.2 亲属关系表示学习的挑战 |
| 1.3 亲属关系验证器设计 |
| 1.3.1 一般人脸验证器设计 |
| 1.3.2 亲属关系验证器的挑战 |
| 1.4 本文的主要研究工作和组织结构 |
| 第二章 亲属关系验证概述 |
| 2.1 引言 |
| 2.2 亲属关系验证的主要思路 |
| 2.2.1 降维 |
| 2.2.1.1 特征抽取 |
| 2.2.1.2 特征选择 |
| 2.2.2 度量学习 |
| 2.2.2.1 邻域驱动的度量学习 |
| 2.2.2.2 多视图的度量学习 |
| 2.2.2.3 在线度量学习 |
| 2.2.3 借助辅助信息 |
| 2.2.3.1 迁移学习 |
| 2.2.3.2 几何信息模型 |
| 2.2.4 讨论 |
| 2.3 亲属关系验证系统的构建 |
| 2.3.1 完整的亲属关系验证系统架构 |
| 2.3.2 预处理方法 |
| 2.3.3 人脸特征选择和表示 |
| 2.3.4 分类器设计 |
| 2.4 主要Kinship关系人脸数据集 |
| 2.5 本章小结 |
| 注释 |
| 第三章 亲属关系表示学习 |
| 3.1 引言 |
| 3.2 亲属关系主体对象的低层特征表示 |
| 3.3 亲属关系人脸的局部区域选择 |
| 3.3.1 人脸局部区域选择的一般框架 |
| 3.3.2 稀疏与特征选择 |
| 3.3.3 组稀疏特征选择 |
| 3.4 基于软投票的亲属关系特征表示 |
| 3.5 实验和分析 |
| 3.5.1 数据集和实验设置 |
| 3.5.2 验证模型设置 |
| 3.5.3 实验结果和比较 |
| 3.6 本章小结 |
| 注释 |
| 第四章 组亲属关系验证器设计 |
| 4.1 引言 |
| 4.2 组亲属关系验证问题建模 |
| 4.3 组亲属关系验证模型 |
| 4.3.1 用于组亲属关系验证的两个双线性模型 |
| 4.3.2 学习一个相对对称的相似度度量 |
| 4.4 实验和分析 |
| 4.4.1 验证模型和实验设置 |
| 4.4.2 组亲属关系验证 |
| 4.4.2.1 与最好方法的比较 |
| 4.4.2.2 先验信息的有效性 |
| 4.4.2.3 随机生成的负例样本的影响 |
| 4.4.2.4 计算复杂度分析 |
| 4.4.3 提高对亲属关系验证 |
| 4.4.4 与人类在亲属关系验证中表现的比较 |
| 4.4.5 对不同光照条件的鲁棒性 |
| 4.4.6 其它形式的组亲属关系验证 |
| 4.4.7 对亲属关系验证 |
| 4.5 本章小结 |
| 注释 |
| 第五章 混合亲属关系验证器设计 |
| 5.1 引言 |
| 5.2 混合亲属关系验证的挑战 |
| 5.3 基于多任务学习的混合对亲属关系验证模型 |
| 5.3.1 使用多任务学习的动机 |
| 5.3.2 模型的假设前提 |
| 5.3.3 模型的构建学习 |
| 5.3.3.1 单任务的对亲属关系验证模型构建 |
| 5.3.3.2 从单任务到多任务 |
| 5.3.3.3 混合亲属关系验证 |
| 5.4 基于多视图多任务学习的混合亲属关系验证模型 |
| 5.4.1 使用多视图的动机 |
| 5.4.2 模型的构建学习 |
| 5.5 实验和分析 |
| 5.5.1 数据集和实验设置 |
| 5.5.2 多任务学习的有效性和比较 |
| 5.5.3 多视图学习的有效性和比较 |
| 5.5.4 与已有多任务学习算法的比较 |
| 5.5.5 与state-of-art算法的性能比较 |
| 5.5.6 与带性别检测预处理策略的比较 |
| 5.5.7 参数分析 |
| 5.5.8 时间复杂度分析 |
| 5.6 本章小结 |
| 注释 |
| 第六章 结束语 |
| 6.1 本文工作总结 |
| 6.2 进一步研究工作 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（8）基于图像的患者眼部模型重建与患眼误差评价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源及研究的目的与意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究的目的与意义 |
| 1.2 国内外研究的技术现状 |
| 1.3 基于图像的三维人脸重建方法综述 |
| 1.3.1 基于对一般人脸模型修改的方法 |
| 1.3.2 基于模型优化的重建方法 |
| 1.3.3 基于形变模型的重建方法 |
| 1.3.4 基于计算机视觉的人脸重建方法 |
| 1.4 本文的研究内容与结构安排 |
| 第2章 重建方法及人脸模型的选择 |
| 2.1 患者眼部轮廓特点分析 |
| 2.1.1 动眼神经麻痹简述 |
| 2.1.2 患者眼部三维轮廓特点 |
| 2.2 患者眼部三维重建方法的选择 |
| 2.3 一般人脸模型的选取 |
| 2.3.1 一般人脸模型 |
| 2.3.2 通用模型的选取 |
| 2.4 本章小结 |
| 第3章 患者三维眼部轮廓及人脸重建 |
| 3.1 眼部及人脸特征点的选取 |
| 3.1.1 眼部特征点的选择 |
| 3.1.2 其他面部特征点的选取 |
| 3.2 形状模型的建立 |
| 3.2.1 特征点与模型的匹配 |
| 3.2.2 模型非特征点的调整 |
| 3.3 Loop 网格模型细分 |
| 3.4 基于 OpenGL 的真实感建模 |
| 3.4.1 OpenGL 简介 |
| 3.4.2 纹理映射 |
| 3.5 本章小结 |
| 第4章 患者眼部误差评定研究 |
| 4.1 面轮廓度误差概述 |
| 4.1.1 面轮廓度误差定义 |
| 4.1.2 测点到理论轮廓曲面的最小距离 |
| 4.2 基于健眼的理论轮廓曲面的建立 |
| 4.3 患者眼部轮廓度误差评定 |
| 4.4 患者病情评价指标的确定 |
| 4.4.1 利用 Hough 精确定位病人瞳孔 |
| 4.4.2 患者眼球偏转误差分析 |
| 4.4.3 基于轮廓度误差和眼球偏转误差的评价指标 |
| 4.5 本章小结 |
| 第5章 实验研究及结果分析 |
| 5.1 系统的设计与实现 |
| 5.1.1 图像采集系统的设计 |
| 5.1.2 重建系统的设计 |
| 5.1.3 误差评定系统的设计 |
| 5.1.4 系统的实现 |
| 5.2 实验结果与分析 |
| 5.2.1 重建及患者眼部误差评定实验 |
| 5.3.2 患者恢复程度评价实验 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（9）基于照片的三维人物头像生成技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文章节安排 |
| 2 人脸检测和标定 |
| 2.1 人脸检测方法研究 |
| 2.1.1 基于特征的方法 |
| 2.1.2 基于图像的方法 |
| 2.2 人脸特征检测 |
| 2.2.1 人脸区域的检测 |
| 2.2.2 眼睛的轮廓提取和标定 |
| 2.2.3 嘴巴的轮廓提取和定位 |
| 2.2.4 鼻子的标定 |
| 2.3 本章小结 |
| 3 中性人脸模型和特征点提取 |
| 3.1 基于多幅图像重建3D模型 |
| 3.1.1 小孔成型模型 |
| 3.1.2 立体视觉原理 |
| 3.2 中性人脸模型和特征点提取 |
| 3.2.1 CANDIDE-3人脸模型 |
| 3.2.2 人脸模型特征点提取 |
| 3.3 本章小结 |
| 4 中性人脸模型变形到特定人物头像 |
| 4.1 模型整体调整和特征点移动 |
| 4.1.1 模型整体调整 |
| 4.1.2 特征点的手工移动 |
| 4.2 径向基函数插值和位移传播算法 |
| 4.2.1 径向基函数网络(RBF) |
| 4.2.2 利用径向基函数插值变形人物头像 |
| 4.2.3 利用位移传播移动非特征点 |
| 4.3 本章小结 |
| 5 特定人物头像的纹理映射 |
| 5.1 纹理映射 |
| 5.1.1 2D纹理图 |
| 5.1.2 纹理坐标系与空间坐标系变换 |
| 5.2 圆柱投影 |
| 5.3 对特定人物头像的纹理映射 |
| 5.4 本章小结 |
| 6 基于照片的三维人物头像生成系统设计与实现 |
| 6.1 人脸区域检测和二维特征提取模块 |
| 6.2 三维特征点提取和模型变形模块 |
| 6.3 人物头像纹理映射模块 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（10）多视角三维人脸建模的关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究意义及应用领域 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 相关领域的发展趋势 |
| 1.5 本文的研究内容及结构 |
| 第2章 人脸特征点的简化标定 |
| 2.1 标准三维人脸模型的获取 |
| 2.2 特定人脸照片特征点的提取 |
| 2.2.1 人脸ASM模型的建立 |
| 2.2.2 人脸特征点的定位 |
| 2.2.3 人脸特征点数据的分组保存 |
| 2.3 标准三维人脸模型的特征点标定 |
| 2.4 人脸特征点简化标定工具的设计与实现 |
| 2.5 本章小结 |
| 第3章 三维人脸模型的建立 |
| 3.1 三维人脸模型的构建方法与比较 |
| 3.1.1 基于自由变形的几何网格模型 |
| 3.1.2 参数化网格模型 |
| 3.1.3 人脸模型构建方法的比较 |
| 3.2 从标准人脸模型到个性化人脸模型的形变 |
| 3.2.1 整体粗变换 |
| 3.2.2 常见的空间插值算法 |
| 3.2.3 非特征点的散乱数据插值调整 |
| 3.3 个性化人脸模型的细化处理 |
| 3.4 本章小结 |
| 第4章 多视角人脸全景图的合成与映射 |
| 4.1 图像拼接与融合的常用方法 |
| 4.2 简单的带加权因子的人脸全景图合成 |
| 4.3 多视角照片的无缝拼接 |
| 4.3.1 图像金字塔算法的基本原理 |
| 4.3.2 多视角人脸照片合成全视角人脸无缝贴图 |
| 4.4 个性化人脸模型的真实感处理 |
| 4.4.1 纹理映射技术 |
| 4.4.2 柱面纹理映射在人脸纹理映射中的应用 |
| 4.5 本章小结 |
| 第5章 多视角三维人脸建模系统的设计与实现 |
| 5.1 系统功能设计 |
| 5.2 开发与运行环境 |
| 5.3 系统实现方案 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的工作总结 |
| 6.2 未来的研究工作 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文和参与的科研项目 |
| 致谢 |
四、基于照片和一般人脸模型的人脸构造系统（论文参考文献）
- [1]基于对抗学习的耦合人脸表示分析[D]. 柴维珑. 北京邮电大学, 2020(05)
- [2]基于生成模型的人脸图像合成与分析[D]. 黄怀波. 中国科学院大学(中国科学院人工智能学院), 2019(02)
- [3]基于运动捕捉的三维人脸表情合成研究[D]. 竹可鉴. 西北民族大学, 2019(01)
- [4]基于深度学习的跨年龄人脸识别问题[D]. 郑天悦. 北京邮电大学, 2019(09)
- [5]个性化三维人脸及其在服装虚拟展示中的应用研究[D]. 吕海清. 西安工程大学, 2018(02)
- [6]基于深度彩色图像的三维人脸表情合成研究[D]. 郭帅磊. 长春理工大学, 2017(03)
- [7]基于Web图像的Kinship关系验证研究[D]. 秦晓倩. 南京航空航天大学, 2016(11)
- [8]基于图像的患者眼部模型重建与患眼误差评价研究[D]. 孙霖. 哈尔滨工程大学, 2013(05)
- [9]基于照片的三维人物头像生成技术研究[D]. 李书钦. 北方工业大学, 2012(10)
- [10]多视角三维人脸建模的关键技术研究[D]. 宗智勇. 南京师范大学, 2012(03)