脸部动画中的肌肉和皮肤动态模型

本文提出了以脸部组织学、解剖学和生物力学特点为基础的脸部肌肉和皮肤运动的动态模型 ,该模型以分层设计的规则逻辑网格构造脸部轮廓 ,以脸部动作编码系统的运动单元为依据建立分层仿真的组织模型 ,采用肌肉的动力和弹力性能及皮肤层的体保持力和位恢复力性能控制脸部组织运动 。

一种交互式脸部网格模型调整算法

脸部网格模型的建立是基于模型人脸合成技术中的关键步骤 .提出一个半交互式正面人脸模型调整算法 ,首先利用区域增长法和模板匹配自动确定图像中人脸及各特征区域的大致位置 ,然后交互地提取人脸特征点的准确二维位置 ,最后自动确定脸部姿态和调整模型非特征点 ,即获得输入人脸模型 .该算法简便实用 ,费时较少 。

脸部网格模型中非特征点的自动调整

模型调整是虚拟人脸合成、基于模型的人脸图象压缩编码的重要步骤。本文提出了一种新的基于径向基函数 RBF(Radial Basis Functions)内插的模型非特征点调整方法 ,其中径向基函数采用逆多二次式。由于 RBF内插具有良好的全局连续性 ,而调整逆多二次式的衰减参数又可保证内插局部性 。

三维脸部网格模型的交互式调整

脸部网格模型的建立是基于模型的人脸合成技术的关键步骤 .提出了一种结合自动和交互方式 ,利用正交图象的三维人脸模型调整算法 .首先利用区域增长法和矩形模板匹配确定正面图象中人脸及各特征区域的位置 ,利用变形模板自动提取人脸完整特征 ;然后交互地修正人脸特征点的准确正面位置 ,并从侧面图象提取特征点的深度 ;最后算法自动确定脸部姿态和利用反向距离内插调整模型非特征点 ,获得输入人脸模型 .实验结果表明 ,该算法简便实用 ,费时较少 ,具有一定的实用价值 .

基于随机森林的连续情感识别和跟踪算法

现有的大多数情感识别算法在进行连续情感识别时稳健性较差,影响了识别的精度。为此,提出一种基于随机森林的连续情感识别和跟踪算法,可持续识别出人脸在正常交流过程中的各种情感。在训练阶段,首先重建输入图像的三维脸部模型。并通过图像融合来构建连续情感表示(CEP)和用户无关情感表示(UIEP)。然后,由三维脸部形态、CEP图像及其情感值构成增强型训练集,并利用该训练集来构建随机森林。在情感估计阶段,随机森林同时进行两种回归操作:一种是针对三维脸部表情的跟踪;一种是针对当前情感的识别。当前时间步骤的CEP图像和之前时间步骤的三维脸部形态作为输入,计算当前时间步骤的情感值和三维脸部形态作为输出。当随机森林没有合适的输出时,利用UIEP图像进行复原优化,获得经过复原的三维脸部形态和情感。仿真实验结果表明,所提算法的性能优于当前大多数情感识别算法,实时连续情感识别时的皮尔逊相关系数也较高。

给自己一个好脸色

随着数码时代(DC)的来临,使用DC去旅行已成为时尚,可是DC并不同于我们熟悉的光学傻瓜相机,并非人人都能玩得转。有时花费大量的时间和精力,回家以后上传到电脑一看,才注意到照片色彩偏淡、曝光不足,或发现自己的脸部表情不够自然,感觉自己的脸偏胖、眼睛不够大或者眉毛不够弯等问题。总之,种种不满意导致原来愉快的心情变得糟糟的。不过,要是有了FaceFilter,这些烦恼就可以统统抛到脑后了。