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(jì)摘要 [14-19][。3.三維模型擬合誤差除了人臉對(duì)齊誤差會(huì)對(duì)三維可形變模型的擬合造成影響外，三維模型擬合過(guò)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(diǎn)與三維頂點(diǎn)的對(duì)應(yīng)關(guān)系誤差，即它們沒(méi)有精確地表現(xiàn)人臉的同一個(gè)位置；攝像機(jī)投影矩陣的系統(tǒng)誤差：算法中使用了仿射攝像機(jī)投影矩陣進(jìn)行平行投影，而現(xiàn)實(shí)世界中的人臉圖片全部使用透視攝像機(jī)（PerspectiveCamera）拍攝。使用放射攝像機(jī)投影矩陣構(gòu)建出來(lái)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(shí)形狀；轉(zhuǎn)換矩陣構(gòu)造時(shí)產(chǎn)生的誤差等。上述所有誤差都會(huì)或多或少地影響算法生成的三位人臉模型實(shí)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(lè)、醫(yī)療和安防等多個(gè)領(lǐng)域具有廣泛的應(yīng)用前景，基于其實(shí)際應(yīng)用場(chǎng)景，利用單張二維人臉圖片進(jìn)行三維人臉重建有著重大的現(xiàn)實(shí)意義。但現(xiàn)有的研究方法對(duì)模型構(gòu)建的條件要求較高，有些需要同一個(gè)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(wú)法投入實(shí)際應(yīng)用。

本文介紹了相關(guān)工作的背景知識(shí)，對(duì)于涉及的算法既做出了理論分析，也完成了實(shí)驗(yàn)驗(yàn)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(guò)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(duì)應(yīng)的三維人臉模型參數(shù)。同時(shí)通過(guò)三維人臉模型生成多張不同角度的人臉，用于人臉識(shí)別。（二）進(jìn)一步研究設(shè)想與展望未來(lái)可以從以下幾方面進(jìn)行改進(jìn)：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(jìn)行人臉識(shí)別，人臉驗(yàn)證等任務(wù)。二、可以使用更豐富的3D人臉模型數(shù)據(jù)來(lái)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(duì)的單張任意人臉圖片的三維人臉重建主要是針對(duì)正臉的人臉圖片，對(duì)于任意光照和任意人臉表情的圖片沒(méi)有投入過(guò)多的研究，但為了能使重建模型得到更廣泛的應(yīng)用，未來(lái)需要更進(jìn)一步地降低對(duì)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(shí)穩(wěn)定的三維人臉形狀。參考文獻(xiàn)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(yùn)動(dòng)估計(jì)和面部圖像合成[J].計(jì)算機(jī)研究與發(fā)展,1999(1):67-71.張劍.融合SFM和動(dòng)態(tài)紋理映射的視頻流三維表情重建[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),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