《基于深度卷积神经网络的三维人脸模型研究》8600字（论文）

基于深度卷积神经网络的三维人脸模型研究目录摘要 [15-20]。3.三维模型拟合误差除了人脸对齐误差对三维形变模型拟合的影响外，三维模型拟合过程中也存在一定的误差。这种误差包括：二维特征点与三维顶点之间的对应关系误差，即它们不能准确地表示人脸的同一位置；转换矩阵构造的误差等。上述误差或多或少会影响算法生成三维人脸模型实例的效果，因此需要引起重视。

五、总结与展望（一）本论文所做工作总结基于图像的人脸三维重建在娱乐领域里有巨大的应用场景，同时它也可以用于提升人脸关键点检测、人脸识别和人脸编辑等很多任务。通过使用三维扫描仪等传统方法获取目标的三维模型存在设备费用昂贵、操作步骤专业等不足；使用多张人脸图片进行3D人脸重建，可以生成高精确度的3D人脸模型，但是需要大量的图片；而有些方法要求虽然不高，但构建出的人脸模型不能达到理想的效果，无法投入实际应用。本文介绍了相关工作的背景知识及涉及的算法，也完成了实验验证。使用深度卷积神经网络对单幅图像进行三维人脸重建，该神经网络的输入为单张正面人脸，输出为相应的三维人脸模型参数。同时通过三维人脸模型生成多张不同角度的人脸，用于人脸识别。（二）进一步研究设想与展望未来可以从以下几方面进行改进：一、直接以深度卷积神经网络输出的参数为基础，在其他数据集上进行人脸识别。二、可以使用其他三维人脸模型数据，如eso项目提供的三维模型或者LSFM(LargeScaleFacialModel

)模型来训练神经网络，使得网络的输入变成更为精确的人脸模型参数，从而提升网络的输出质量。三、由实验结果可以看出使用单张人脸进行三维人脸重建，其人脸识别效果并不优于相同算法在LFW人脸数据库的表现。其原因在于使用单张照片虽然数据获取较为简单，但由于缺乏其他视角的数据，生成的三维人脸模型局限于单一视图的拟合，面部深度信息的准确性无法保证。下一步的工作可以结合正脸图片和侧脸照片，这样生成的基于正脸与侧脸的三维人脸模型的准确性必然高于使用单张人脸的三维人脸模型。

参考文献陈珂.基于卷积神经网络的单视图三维人脸重建技术研究[D].武汉理工大学.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,ZollhöferM,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.TuX,ZhaoJ,JiangZ,etal.3DFaceReconstructionfromASingleImageAssistedby2DFaceImagesintheWild[J].2019.MPiotraschke，VBlanz.Automated3DFaceReconstructionfromMultipleImagesUsingQualityMeasures.CVPR,2016AnhTuanTran,TalHassner,IacopoMasi,andGerardMedioni.

RegressingRobustandDiscriminative3DMorphableModelswithaveryDeepNeuralNetwork.

IEEEConf.onComputerVisionandPatternRecognition(CVPR),Honolulu,2017.HuangGB,MattarM,BergT,etal.LabeledFacesintheWild:ADatabaseforStudyingFaceRecognitioninUnconstrainedEnvironments[J].2008.李英昊.人脸标记与建模技术及其整形医学[D].东南大学CristinacceD,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