CN110675475B - 一种人脸模型生成方法、装置、设备及存储介质 - Google Patents

Abstract

本申请涉及一种人脸模型生成方法、装置、设备及存储介质，所述方法包括：获取目标人脸图像；基于人脸特征识别模型对所述目标人脸图像进行人脸特征识别，得到所述目标人脸图像的目标人脸特征参数；获取基准动态人脸模型；基于所述目标人脸特征参数对应的目标骨骼参数以及所述基准动态人脸模型对应的基准骨骼参数，确定骨骼差异信息；基于所述骨骼差异信息调整所述基准动态人脸模型，得到所述目标人脸图像的目标动态人脸模型。本申请能够通过人工智能技术，自动生成一个与自选的人脸图像相像的，并且可在动画场景中播放的动态人脸模型。

Description

一种人脸模型生成方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种人脸模型生成方法、装置、设备及存储介质。

背景技术

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

基于人工智能技术，现有技术中提出了根据人脸图像还原人脸模型的技术方案，但是该技术方案中还原后的人脸模型一般是一个三维点阵或者是一个三维多边形表面模型，是一个刚体模型，不能变形，因而不适用于具有动画效果的场景。

发明内容

本申请所要解决的技术问题在于，提供一种人脸模型生成方法、装置、设备及存储介质，能够通过人工智能技术，自动生成一个与自选的人脸图像相像的，并且可在动画场景中播放的动态人脸模型。

为了解决上述技术问题，一方面，本申请提供了一种人脸模型生成方法，所述方法包括：

获取目标人脸图像；

基于人脸特征识别模型对所述目标人脸图像进行人脸特征识别，得到所述目标人脸图像的目标人脸特征参数；

获取基准动态人脸模型；

基于所述目标人脸特征参数对应的目标骨骼参数以及所述基准动态人脸模型对应的基准骨骼参数，确定骨骼差异信息；

基于所述骨骼差异信息调整所述基准动态人脸模型，得到所述目标人脸图像的目标动态人脸模型。

另一方面，本申请提供了一种人脸模型生成装置，所述装置包括：

人脸图像获取模块，用于获取目标人脸图像；

人脸特征识别模块，用于基于人脸特征识别模型对所述目标人脸图像进行人脸特征识别，得到所述目标人脸图像的目标人脸特征参数；

基准模型获取模块，用于获取基准动态人脸模型；

骨骼差异信息确定模块，用于基于所述目标人脸特征参数对应的目标骨骼参数以及所述基准动态人脸模型对应的基准骨骼参数，确定骨骼差异信息；

目标人脸模型生成模块，用于基于所述骨骼差异信息调整所述基准动态人脸模型，得到所述目标人脸图像的目标动态人脸模型。

另一方面，本申请提供了一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的人脸模型生成方法。

另一方面，本申请提供了一种计算机存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如上述的人脸模型生成方法。

实施本申请实施例，具有如下有益效果：

本申请基于人脸特征识别模型对目标人脸图像进行人脸特征识别，得到目标人脸特征参数；将目标人脸特征参数对应的目标骨骼参数与基准动态人脸模型对应的基准骨骼参数进行比对，确定骨骼差异信息；根据骨骼差异信息调整基准动态人脸模型，从而得到与目标人脸图像神似的目标动态人脸模型。本申请将人脸特征参数、人脸骨骼参数和深度学习模型训练相结合，根据用户自选的图像生成自定义角色人脸模型，提升了用户的体验以及参与感；本申请中的人脸模型为动态人脸模型，可应用于动画场景中，并可以动画的形式进行播放和显示。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本申请实施例提供的应用场景示意图；

图2是本申请实施例提供的一种人脸模型生成方法流程图；

图3是本申请实施例提供的一种人脸特征识别模型生成方法流程图；

图4是本申请实施例提供的一种人脸特征识别模型的优化方法流程图；

图5是本申请实施例提供的一种基准动态人脸模型生成方法流程图；

图6是本申请实施例提供的骨骼差异信息确定方法流程图；

图7是本申请实施例提供的一种动态人脸模型调整方法流程图；

图8是本申请实施例提供的第一示例示意图；

图9是本申请实施例提供的第二示例示意图；

图10是本申请实施例提供的一种人脸模型生成装置示意图；

图11是本申请实施例提供的人脸特征识别模型生成模块示意图；

图12是本申请实施例提供的模型优化模块示意图；

图13是本申请实施例提供的基准动态人脸模型生成模块示意图；

图14是本申请实施例提供的骨骼差异信息确定模块示意图；

图15是本申请实施例提供的目标人脸模型生成模块示意图；

图16是本申请实施例提供的一种设备结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

计算机视觉技术(Computer Vision，CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

本申请实施例提供的方案涉及人工智能的计算机视觉技术，基于人脸图像以及基准动态人脸模型，生成与人脸图像神似的动态人脸模型，具体通过如下实施例进行说明。

首先对本实施例中涉及到的相关名词做以下说明：

捏脸：在3D游戏创建角色的过程中，玩家可以根据自己的意愿对角色面部特征进行修改的动作。

自动捏脸：普通玩家并非专业美术，很难自行手动修改角色面部特征达到自己心目中的形象；自动捏脸是这样一种功能：玩家指定一张照片，程序自动计算出一组参数并对角色进行修改，使得修改后的角色和照片相似。

智能捏脸：基于人工智能技术的自动捏脸技术。

请参见图1，其示出了本申请实施例的应用场景示意图，该应用场景包括：至少一个终端110和服务器120，所述终端110和所述服务器120可通过网络进行数据通信。具体地，所述服务器120可基于人脸图像样本进行训练，得到人脸特征识别模型；所述服务器120还可以预先创建基准人脸模型，所述终端110可获取目标人脸图像；具体地，基于人脸特征识别模型以及基准人脸模型生成与目标人脸图像相像的人脸模型这一操作既可在终端110执行，也可在服务器120执行。

所述终端110可以基于浏览器/服务器模式(Browser/Server，B/S)或客户端/服务器模式(Client/Server，C/S)与服务器120进行通信。所述终端110可以包括：智能手机、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、车载终端、服务器等类型的实体设备，也可以包括运行于实体设备中的软体，例如应用程序等。本申请实施例中的终端110上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。

所述服务器120与终端110可以通过有线或者无线建立通信连接，所述服务器120可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群，其中服务器可以是云端服务器。

现有的根据人脸图像还原人脸模型这一技术方案中，一般生成的人脸模型是刚体模型，不能变形，不能播放动画，因而不能应用于例如游戏等动画场景中；要让刚体模型动起来，需要专业游戏美术工程师对此模型进行骨骼绑定、权重配置等专业制作工作，非常费时，并且制作工作必须在游戏开发过程中完成，因而无法在游戏上线后让玩家自主的根据自选的人脸图像进行自动“捏脸”。

本申请实施例提供的人脸模型生成方法，能够自动一次性根据人脸图像生成在动画场景中进行播放所需要的美术数据以及人脸动态模型，从而实现自动“捏脸”。请参见图2，其示出了一种人脸模型生成方法，其执行主体可以为图1中的服务器，所述方法包括：

S210.获取目标人脸图像。

本实施例中的目标人脸图像可以为包含人脸信息的照片或者画像，服务器可通过终端上传目标人脸图像来获取到目标人脸图像；其中终端上传的人脸图像可以是终端从本地存储中选择的一张人脸图像，也可以是通过终端的相关图像采集设备进行实时采集得到的人脸图像。

S220.基于人脸特征识别模型对所述目标人脸图像进行人脸特征识别，得到所述目标人脸图像的目标人脸特征参数。

这里的人脸特征识别模型能够根据输入的人脸图像得到与该人脸图像中人脸的特征信息，所述人脸特征模型可基于大量的人脸图像对深度学习模型进行有监督训练得到。

具体请参阅图3，其示出了一种人脸特征识别模型生成方法，可应用于服务器侧，所述方法包括：

S310.遍历训练样本中的各人脸图像。

这里具体的遍历顺序不限，只要能够遍历到各人脸图像即可。

S320.确定每一人脸图像的图像点阵，以及获取每一人脸图像的人脸特征参数。

采用图像点阵技术，得到每张人脸图像的图像点阵，并从每张人脸图像中获取到人脸特征信息。本实施例中，对于每张人脸图像，可处理为由10000点组成的图像点阵。

S330.对所述图像点阵进行人脸特征参数的标注。

对于每一人脸图像，用该人脸图像的人脸特征参数对该人脸图像的图像点阵进行标注，也即实现人脸特征参数与图像点阵的一一对应。

S340.将所述图像点阵作为预设深度学习模型的输入，对所述预设深度学习模型进行人脸特征识别训练。

S350.在训练过程中，判断所述预设深度学习模型输出的人脸特征参数与输入的图像点阵标注的人脸特征参数之间是否满足预设条件；当判断结果为是时，执行步骤S370；当判断结果为否时，执行步骤S360。

将每一人脸图像对应的图像点阵依次输入到深度学习模型中，通过深度学习模型会得到相应的人脸特征参数，将该人脸特征参数与输入的图像点阵所标注的人脸特征参数进行比较，当满足一定的条件时，则可结束当前的模型训练过程；当不满足相关条件时，则继续进行模型训练。这里的预设条件可以是相关参数之间的误差是否小于误差阈值，当误差小于等于误差阈值时，结束对模型的训练；当误差大于误差阈值时，继续对模型进行训练。

S360.调整所述预设深度学习模型的模型参数，继续执行步骤S340。

当误差大于误差阈值时，基于当前计算的误差调整深度学习模型的相关模型参数。

S370.确定训练后的预设深度学习模型为所述人脸特征识别模型。

当误差已经小于等于误差阈值，则可认为当前训练的模型已达到训练要求，将训练后的深度学习模型确定为本实施例中的人脸特征识别模型。

本实施例中的深度学习模型可以包括但不限于卷积神经网络、循环神经网络或递归神经网络等深度学习模型。

本实施例还提出了一种人脸特征识别模型的优化方法，请参阅图4，所述方法包括：

S410.获取待测试人脸图像。

S420.确定与所述待测试人脸图像对应的测试图像点阵。

S430.将所述测试图像点阵作为所述人脸特征识别模型的输入，得到测试特征参数。

S440.基于所述测试特征参数生成测试点集。

基于人脸特征识别模型输出的待测试人脸图像的人脸特征参数，采用图像处理技术，生成相应的测试点集。

S450.确定所述测试点集中的各点以及所述测试图像点阵中的各点在同一坐标系下的坐标值。

这里的测试点集与本实施例中的图像点阵可看成是相同的概念，均是由若干图像点组成的点阵，将测试点集和测试图像点阵放入到同一坐标系中，这样各图像点便具有了坐标信息；这里由于测试点集和测试图像点阵对应的是同一人脸图像，并且包含的图像点数也相同，故两者中所包含的图像点具有一一对应关系。

S460.基于所述坐标值，分别计算所述测试点集中的各点与所述测试图像点阵相应点的距离，得到所述测试点集与所述测试图像点阵的误差。

依次从所述测试点集中取出一图像点，并确定测试图像点阵中对应的图像点，根据两个图像点的坐标值，计算两点之间的距离；最终对各对应点之间的距离求和得到总距离，总距离便可看成是测试点集和测试图像点阵之间的误差。

S470.基于所述误差，调整所述人脸特征识别模型。

通过上述的模型优化方法，可使得人脸特征识别模型的识别结果更加精准，使得识别出的人脸特征参数更加贴近于输入的人脸图像。

在对目标人脸图像进行识别之前，首先可以通过相关图像点阵技术将目标人脸图像转换为相应的目标图像点阵，现有技术中能够根据图像生成图像点阵的技术均可应用于本申请实施例中；将所述目标图像点阵作为所述人脸特征识别模型的输入，得到目标人脸图像中的目标人脸特征参数，本实施例中目标人脸特征参数具体可以包括但不限于眉间距、鼻梁高度等脸部特征信息。

S230.获取基准动态人脸模型。

本实施例中的基准动态人脸模型是预先创建的动态人脸模型，其是基于基准的人脸特征参数进行创建的。在后续实现过程中，可将该基准动态人脸模型看成是一个基准，目标人脸图像所对应的相关参数均需要与该基准动态人脸模型的相关参数进行比较。

具体可参阅图5，其示出了一种基准动态人脸模型生成方法，所述方法包括：

S510.构建初始人脸模型，为所述初始人脸模型绑定骨骼。

初始人脸模型是不包含骨骼的标准人头模型，可采用相关美术处理技术为其绑定骨骼，通过骨骼的运动配合人脸模型表皮的变形，能够实现人脸变化的动画效果。

S520.获取基准人脸特征参数。

这里的人脸特征参数包括多项特征的基准值，可代表人脸的特征信息，例如这里可以对眉间距、鼻梁高度等进行数值化配置，每各特征参数的取值范围可设定为0～100。

S530.根据预设的映射关系，将所述基准人脸特征参数映射为所述基准骨骼参数，所述基准骨骼参数中包括与多根骨骼分别对应的骨骼参数。

本实施例中的映射关系具体是用于将人脸特征参数映射为骨骼参数的，应当理解的是人脸的一处特征的变化有可能会涉及到多根骨骼的变化，即一项特征参数的变化会影响多根骨骼参数的变化，这里的映射关系具体可以是指：对于当前的一项人脸特征参数，确定与其匹配的骨骼以及相应的骨骼参数，即对于当前的人脸特征参数，预先配置与其匹配的骨骼参数的确定方法，从而可确定与基准人脸特征参数匹配的各骨骼的骨骼参数；基于基准人脸特征参数映射而来的骨骼参数可作为各骨骼的基准状态参数。

S540.为绑定骨骼后的初始化人脸模型配置所述基准骨骼参数，生成所述基准动态人脸模型。

将基准骨骼参数配置给绑定骨骼后的人脸模型，使得人脸模型中的各骨骼处于基准状态，得到基准动态人脸模型。

S240.基于所述目标人脸特征参数对应的目标骨骼参数以及所述基准动态人脸模型对应的基准骨骼参数，确定骨骼差异信息。

目标骨骼参数是通过预设映射关系对目标人脸特征参数进行映射得到的，具体的骨骼差异信息确定方法可参阅图6，所述方法可包括：

S610.基于预设的映射关系，将所述目标人脸特征参数映射为所述目标骨骼参数，所述目标骨骼参数中包括与多根骨骼分别对应的骨骼参数。

S620.将所述目标骨骼参数和所述基准骨骼参数进行比对，得到目标骨骼集合，所述目标骨骼集合中包括骨骼参数发生变化的骨骼所对应的骨骼标识。

对每根骨骼的骨骼参数分别进行比对，确定出骨骼参数发生变化的骨骼，将骨骼参数发生变化的骨骼所对应的骨骼标识放入到目标骨骼集合中。

S630.计算每项骨骼标识所对应的骨骼的骨骼参数变化数值。

S640.确定所述目标骨骼集合以及相应的骨骼参数变化数值为所述骨骼差异信息。

即本实施例中的骨骼差异信息具体可以包括骨骼参数发生变化的骨骼，以及每根骨骼相应的骨骼参数变化数值。

S250.基于所述骨骼差异信息调整所述基准动态人脸模型，得到所述目标人脸图像的目标动态人脸模型。

基于上述的骨骼差异信息调整所述动态人脸模型，以获得相应的目标动态人脸模型，具体可参见图7，其示出了一种动态人脸模型调整方法，所述方法包括：

S710.基于所述目标骨骼集合中各骨骼标识所对应的骨骼的骨骼参数变化数值，确定与每根骨骼对应的目标操作。

对于动态人脸模型的调整，需要在基准动态人脸模型中对相关骨骼执行相应的操作，以得到与目标人脸图像对应的目标动态人脸模型。这里要执行的相关操作可根据骨骼参数的具体变化数值来进行确定，相关操作可以为旋转、移动等，具体地，旋转操作可包括旋转的方向以及旋转的角度，移动操作可包括移动的方向以及移动的距离等。

S720.在所述基准动态人脸模型中，为所述目标骨骼集合中的每项骨骼标识所对应的骨骼执行相应的目标操作，得到所述目标动态人脸模型。

对所述基准动态人脸模型中的相关的骨骼执行相应的旋转、移动等操作，从而得到与目标人脸图像对应且神似的动态人脸模型。

为了具体说明本申请的具体实施过程，以一具体示例来进行说明。本申请的技术方案具体可应用于游戏中的捏脸功能中，以下对基准动态人脸模型的生成，以及游戏中具体的捏脸过程进行说明。

1.基准动态人脸模型的生成，其示意图请参阅图8

(1)构建一个标准人头模型。

(2)为步骤(1)中的标准人头模型绑定骨架。

(3)配置参数，其中参数为可编辑的人脸特征，如“眉间距”、“鼻梁高度”等进行数值化配置，每个特征参数的取值范围设定为0～100，通过映射函数，将特征参数的数值映射为具体的基准骨骼参数，从而完成基准动态人脸模型的创建。

2.游戏中的捏脸过程，其示意图可参见图9。

(1)选择一张人脸图像。

(2)采用图像点阵算法，将人脸图像转换为图像点阵。

(3)将图像点阵输入到人脸特征识别模型中，得到人脸图像的人脸特征参数数值。

(4)将人脸特征参数数值映射为目标骨骼参数，会根据目标骨骼参数相对于基准骨骼参数，确定需要调整的骨骼以及对每根待调整骨骼所对应的调整操作。

例如，鼻头旋转是一个人脸特征参数数值，对应可分解为3个骨骼参数的共同作用，其中最小和最大值中间的其他位置可以用线性插值计算，具体可参见表1：

表1骨骼参数分析

其中，Game_RightNose、Game_LowNose、Game_LeftNose分别是骨骼的名称，对于每根骨骼有9个参数，分别为表示位移的三个参数(x，y，z方向)，表示旋转的三个参数(x，y，z方向)，表示缩放的三个参数(x，y，z方向)；Game_RightNose.rotateZ含义是需要调整Game_RightNose骨骼在z轴旋转的参数，表格1中示出的是与鼻头旋转相关的3个骨骼在z轴旋转的参数。

(5)对基准动态人脸模型中的待调整骨骼执行相应的调整操作，得到捏脸之后的游戏角色。

本申请基于人脸特征识别模型对目标人脸图像进行人脸特征识别，得到目标人脸特征参数；将目标人脸特征参数对应的目标骨骼参数与基准动态人脸模型对应的基准骨骼参数进行比对，确定骨骼差异信息；根据骨骼差异信息调整基准动态人脸模型，从而得到与目标人脸图像神似的目标动态人脸模型。本申请将人脸特征参数、人脸骨骼参数和深度学习模型训练相结合，根据用户自选的照片生成自定义角色人脸模型，提升了用户的体验以及参与感；本申请中的人脸模型为动态人脸模型，可应用于动画场景中，并可以动画的形式进行播放和显示。在游戏场景中，玩家通过选择一张人脸图像进行捏脸，可自动得出神似人脸图像的游戏角色；通过本申请技术方案能够自动的一次性根据人脸图像自动生成3D人脸模型和游戏中播放动画所需的美术数据，即生成一个与人脸图像相像的，可在3D游戏中无缝播放角色动画的3D模型，使得游戏具备了根据人脸图像自动“捏脸”的能力。

本实施例还提供了一种人脸模型生成装置，请参见图10，所述装置包括：

人脸图像获取模块1010，用于获取目标人脸图像；

人脸特征识别模块1020，用于基于人脸特征识别模型对所述目标人脸图像进行人脸特征识别，得到所述目标人脸图像的目标人脸特征参数；

基准模型获取模块1030，用于获取基准动态人脸模型；

骨骼差异信息确定模块1040，用于基于所述目标人脸特征参数对应的目标骨骼参数以及所述基准动态人脸模型对应的基准骨骼参数，确定骨骼差异信息；

目标人脸模型生成模块1050，用于基于所述骨骼差异信息调整所述基准动态人脸模型，得到所述目标人脸图像的目标动态人脸模型。

请参见图11，所述装置还包括人脸特征识别模型生成模块1100，所述人脸特征识别模型生成模块1100包括：

遍历模块1110，用于遍历训练样本中的各人脸图像；

人脸图像处理模块1120，用于确定每一人脸图像的图像点阵，以及获取每一人脸图像的人脸特征参数；

标注模块1130，用于对所述图像点阵进行人脸特征参数的标注；

模型训练模块1140，用于将所述图像点阵作为预设深度学习模型的输入，对所述预设深度学习模型进行人脸特征识别训练；

参数调整模块1150，用于在训练过程中，调整所述预设深度学习模型的模型参数，至所述预设深度学习模型输出的人脸特征参数与输入的图像点阵标注的人脸特征参数之间满足预设条件；

人脸特征识别模型确定模块1160，用于确定训练后的预设深度学习模型为所述人脸特征识别模型。

请参见图12，所述装置还包括模型优化模块1200，所述模型优化模块1200包括：

第一获取模块1210，用于获取待测试人脸图像；

测试点阵确定模块1220，用于确定与所述待测试人脸图像对应的测试图像点阵；

测试输出模块1230，用于将所述测试图像点阵作为所述人脸特征识别模型的输入，得到测试特征参数；

测试点集生成模块1240，用于基于所述测试特征参数生成测试点集；

坐标值确定模块1250，用于确定所述测试点集中的各点以及所述测试图像点阵中的各点在同一坐标系下的坐标值；

点阵误差计算模块1260，用于基于所述坐标值，分别计算所述测试点集中的各点与所述测试图像点阵相应点的距离，得到所述测试点集与所述测试图像点阵的误差；

第一调整模块1270，用于基于所述误差，调整所述人脸特征识别模型。

请参见图13，所述装置还包括基准动态人脸模型生成模块1300，所述基准动态人脸模型生成模块1300包括：

骨骼绑定模块1310，用于构建初始人脸模型，为所述初始人脸模型绑定骨骼；

第二获取模块1320，用于获取基准人脸特征参数；

第一映射模块1330，用于根据预设的映射关系，将所述基准人脸特征参数映射为所述基准骨骼参数，所述基准骨骼参数中包括与多根骨骼分别对应的骨骼参数；

基准参数配置模块1340，用于为绑定骨骼后的初始化人脸模型配置所述基准骨骼参数，生成所述基准动态人脸模型。

请参见图14，所述骨骼差异信息确定模块1040包括：

第二映射模块1410，用于基于预设的映射关系，将所述目标人脸特征参数映射为所述目标骨骼参数，所述目标骨骼参数中包括与多根骨骼分别对应的骨骼参数；

骨骼参数比对模块1420，用于将所述目标骨骼参数和所述基准骨骼参数进行比对，得到目标骨骼集合，所述目标骨骼集合中包括骨骼参数发生变化的骨骼所对应的骨骼标识；

变化数值计算模块1430，用于计算每项骨骼标识所对应的骨骼的骨骼参数变化数值；

差异信息确定模块1440，用于确定所述目标骨骼集合以及相应的骨骼参数变化数值为所述骨骼差异信息。

请参见图15，所述目标人脸模型生成模块1050包括：

目标操作确定模块1510，用于基于所述目标骨骼集合中各骨骼标识所对应的骨骼的骨骼参数变化数值，确定与每根骨骼对应的目标操作；

目标操作执行模块1520，用于在所述基准动态人脸模型中，为所述目标骨骼集合中的每项骨骼标识所对应的骨骼执行相应的目标操作，得到所述目标动态人脸模型。

上述实施例中提供的装置可执行本申请任意实施例所提供方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的方法。

本实施例还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如本实施例上述任一方法。

本实施例还提供了一种设备，其结构图请参见图16，该设备1600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processingunits，CPU)1622(例如，一个或一个以上处理器)和存储器1632，一个或一个以上存储应用程序1642或数据1644的存储介质1630(例如一个或一个以上海量存储设备)。其中，存储器1632和存储介质1630可以是短暂存储或持久存储。存储在存储介质1630的程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对设备中的一系列指令操作。更进一步地，中央处理器1622可以设置为与存储介质1630通信，在设备1600上执行存储介质1630中的一系列指令操作。设备1600还可以包括一个或一个以上电源1626，一个或一个以上有线或无线网络接口1650，一个或一个以上输入输出接口1658，和/或，一个或一个以上操作系统1641，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。本实施例上述的任一方法均可基于图16所示的设备进行实施。

本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤和顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或中断产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

本实施例中所示出的结构，仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比示出的更多或更少的部件，或者组合某些部件，或者具有不同的部件的布置。应当理解到，本实施例中所揭露的方法、装置等，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元模块的间接耦合或通信连接。

基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域技术人员还可以进一步意识到，结合本说明书所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但这种实现不应认为超出本申请的范围。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (12)

1.一种人脸模型生成方法，其特征在于，所述方法包括：

获取目标人脸图像；

基于人脸特征识别模型对所述目标人脸图像进行人脸特征识别，得到所述目标人脸图像的目标人脸特征参数；

获取基准动态人脸模型；

基于所述目标人脸特征参数对应的目标骨骼参数以及所述基准动态人脸模型对应的基准骨骼参数，确定骨骼差异信息；所述基于所述目标人脸特征参数对应的目标骨骼参数以及所述基准动态人脸模型对应的基准骨骼参数，确定骨骼差异信息包括：

基于预设的映射关系，将所述目标人脸特征参数映射为所述目标骨骼参数，所述目标骨骼参数中包括与多根骨骼分别对应的骨骼参数；所述预设的映射关系是对于当前的一项人脸特征参数，确定与其匹配的骨骼以及相应的骨骼参数；一项人脸特征参数的变化会影响多根骨骼参数的变化；

将所述目标骨骼参数和所述基准骨骼参数进行比对，得到目标骨骼集合，所述目标骨骼集合中包括骨骼参数发生变化的骨骼所对应的骨骼标识；

计算每项骨骼标识所对应的骨骼的骨骼参数变化数值；

确定所述目标骨骼集合以及相应的骨骼参数变化数值为所述骨骼差异信息；

基于所述骨骼差异信息调整所述基准动态人脸模型，得到所述目标人脸图像的目标动态人脸模型。

2.根据权利要求1所述的一种人脸模型生成方法，其特征在于，所述方法还包括：

遍历训练样本中的各人脸图像；

确定每一人脸图像的图像点阵，以及获取每一人脸图像的人脸特征参数；

对所述图像点阵进行人脸特征参数的标注；

将所述图像点阵作为预设深度学习模型的输入，对所述预设深度学习模型进行人脸特征识别训练；

在训练过程中，调整所述预设深度学习模型的模型参数，至所述预设深度学习模型输出的人脸特征参数与输入的图像点阵标注的人脸特征参数之间满足预设条件；

确定训练后的预设深度学习模型为所述人脸特征识别模型。

3.根据权利要求2所述的一种人脸模型生成方法，其特征在于，所述方法还包括：

获取待测试人脸图像；

确定与所述待测试人脸图像对应的测试图像点阵；

将所述测试图像点阵作为所述人脸特征识别模型的输入，得到测试特征参数；

基于所述测试特征参数生成测试点集；

确定所述测试点集中的各点以及所述测试图像点阵中的各点在同一坐标系下的坐标值；

基于所述坐标值，分别计算所述测试点集中的各点与所述测试图像点阵相应点的距离，得到所述测试点集与所述测试图像点阵的误差；

基于所述误差，调整所述人脸特征识别模型。

4.根据权利要求1所述的一种人脸模型生成方法，其特征在于，所述方法还包括：

构建初始人脸模型，为所述初始人脸模型绑定骨骼；

获取基准人脸特征参数；

根据预设的映射关系，将所述基准人脸特征参数映射为所述基准骨骼参数，所述基准骨骼参数中包括与多根骨骼分别对应的骨骼参数；

为绑定骨骼后的初始化人脸模型配置所述基准骨骼参数，生成所述基准动态人脸模型。

5.根据权利要求1所述的一种人脸模型生成方法，其特征在于，所述基于所述骨骼差异信息调整所述基准动态人脸模型，得到所述目标人脸图像的目标动态人脸模型包括：

基于所述目标骨骼集合中各骨骼标识所对应的骨骼的骨骼参数变化数值，确定与每根骨骼对应的目标操作；

在所述基准动态人脸模型中，为所述目标骨骼集合中的每项骨骼标识所对应的骨骼执行相应的目标操作，得到所述目标动态人脸模型。

6.一种人脸模型生成装置，其特征在于，所述装置包括：

人脸图像获取模块，用于获取目标人脸图像；

人脸特征识别模块，用于基于人脸特征识别模型对所述目标人脸图像进行人脸特征识别，得到所述目标人脸图像的目标人脸特征参数；

基准模型获取模块，用于获取基准动态人脸模型；

骨骼差异信息确定模块，用于基于所述目标人脸特征参数对应的目标骨骼参数以及所述基准动态人脸模型对应的基准骨骼参数，确定骨骼差异信息；所述骨骼差异信息确定模块包括：

第二映射模块，用于基于预设的映射关系，将所述目标人脸特征参数映射为所述目标骨骼参数，所述目标骨骼参数中包括与多根骨骼分别对应的骨骼参数；所述预设的映射关系是对于当前的一项人脸特征参数，确定与其匹配的骨骼以及相应的骨骼参数；一项人脸特征参数的变化会影响多根骨骼参数的变化；

骨骼参数比对模块，用于将所述目标骨骼参数和所述基准骨骼参数进行比对，得到目标骨骼集合，所述目标骨骼集合中包括骨骼参数发生变化的骨骼所对应的骨骼标识；

变化数值计算模块，用于计算每项骨骼标识所对应的骨骼的骨骼参数变化数值；

差异信息确定模块，用于确定所述目标骨骼集合以及相应的骨骼参数变化数值为所述骨骼差异信息；

目标人脸模型生成模块，用于基于所述骨骼差异信息调整所述基准动态人脸模型，得到所述目标人脸图像的目标动态人脸模型。

7.根据权利要求6所述的一种人脸模型生成装置，其特征在于，所述装置还包括人脸特征识别模型生成模块，所述人脸特征识别模型生成模块包括：

遍历模块，用于遍历训练样本中的各人脸图像；

人脸图像处理模块，用于确定每一人脸图像的图像点阵，以及获取每一人脸图像的人脸特征参数；

标注模块，用于对所述图像点阵进行人脸特征参数的标注；

模型训练模块，用于将所述图像点阵作为预设深度学习模型的输入，对所述预设深度学习模型进行人脸特征识别训练；

参数调整模块，用于在训练过程中，调整所述预设深度学习模型的模型参数，至所述预设深度学习模型输出的人脸特征参数与输入的图像点阵标注的人脸特征参数之间满足预设条件；

人脸特征识别模型确定模块，用于确定训练后的预设深度学习模型为所述人脸特征识别模型。

8.根据权利要求7所述的一种人脸模型生成装置，其特征在于，所述装置还包括模型优化模块，所述模型优化模块包括：

第一获取模块，用于获取待测试人脸图像；

测试点阵确定模块，用于确定与所述待测试人脸图像对应的测试图像点阵；

测试输出模块，用于将所述测试图像点阵作为所述人脸特征识别模型的输入，得到测试特征参数；

测试点集生成模块，用于基于所述测试特征参数生成测试点集；

坐标值确定模块，用于确定所述测试点集中的各点以及所述测试图像点阵中的各点在同一坐标系下的坐标值；

点阵误差计算模块，用于基于所述坐标值，分别计算所述测试点集中的各点与所述测试图像点阵相应点的距离，得到所述测试点集与所述测试图像点阵的误差；

第一调整模块，用于基于所述误差，调整所述人脸特征识别模型。

9.根据权利要求6所述的一种人脸模型生成装置，其特征在于，所述装置还包括基准动态人脸模型生成模块，所述基准动态人脸模型生成模块包括：

骨骼绑定模块，用于构建初始人脸模型，为所述初始人脸模型绑定骨骼；

第二获取模块，用于获取基准人脸特征参数；

第一映射模块，用于根据预设的映射关系，将所述基准人脸特征参数映射为所述基准骨骼参数，所述基准骨骼参数中包括与多根骨骼分别对应的骨骼参数；

基准参数配置模块，用于为绑定骨骼后的初始化人脸模型配置所述基准骨骼参数，生成所述基准动态人脸模型。

10.根据权利要求6所述的一种人脸模型生成装置，其特征在于，所述目标人脸模型生成模块包括：

目标操作确定模块，用于基于所述目标骨骼集合中各骨骼标识所对应的骨骼的骨骼参数变化数值，确定与每根骨骼对应的目标操作；

目标操作执行模块，用于在所述基准动态人脸模型中，为所述目标骨骼集合中的每项骨骼标识所对应的骨骼执行相应的目标操作，得到所述目标动态人脸模型。

11.一种计算机设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至5任一项所述的人脸模型生成方法。

12.一种计算机存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行如权利要求1至5任一项所述的人脸模型生成方法。