03/17/2020 11:27:05
Casi Publicado Humano
Autor: FACEGOOD
En la actualidad, tanto en la investigación académica y la comunidad industrial a cara en dos direcciones, una comercial, para ofrecer a los usuarios con productos de baja refinado a través de la generalización técnica de estas tecnologías en la precisión industrial es incapaz de satisfacer las necesidades de los principales debido a que el algoritmo es una generalización de la información de alta frecuencia es la cara perdida. Segundo grado industrial, desde el nivel de simulación biomecánica cara, sin dejar de mejorar la precisión, ir FACEGOOD en esta dirección, basado en la generalización de la tecnología apropiada, que se enfrentará a un seguimiento del punto clave para el extremo, que ya se empuja a la exactitud 100.000, la tecnología puede ser utilizada en trasplante de cara de grado industrial, las expresiones faciales de captura y otras ocasiones.
breve introducción
detección de rostros tiene una amplia gama de aplicaciones clave en la seguridad, finanzas, entretenimiento y otros campos, se puede decir que se han convertido en la base del algoritmo, en primer vistazo a su historia, Tim Coote y Chris Taylor en 1995 propuso una nueva método (forma modelo activo) crea una clave de cara humana alineación de puntos precedentes, ASM introduce un modelo estadístico para resolver el problema de alineación, inmediatamente después de tres años, desarrollaron un modelo appreance activo sobre esta base, este método tiene un muy fuerte lugar en la historia, a saber que las personas se enfrentan a un problema de alineación es una cosa muy difícil, el algoritmo de CV tradicional es demasiado áspero, difícil de hacer frente a esas altas latitudes rasgos faciales, se consignará en la dirección correcta después de la AAM, sentó las bases de la red después neuronal el fundamento, la idea básica es que ASM no tiene en cuenta las características de textura, sólo un modelo estadístico entrenado hito a cabo, AAM optimizar aún más la ASM, añadiendo textura cuenta en el proceso de retorno, por lo que para resolver la generalización de las características que coinciden problemas que se enfrentan las personas se alinea más robusto. Después de 20 años, muchos investigadores continúan promoviendo el problema de alineación hacia 2D ha sido resuelto por completo, el algoritmo también ha sido de col, sólo hay una gran cantidad de precisión en github buen proyecto de código abierto.
Al mismo tiempo, hay dos investigadores en 1998, ha abierto una nueva pista, hicieron un algoritmo de alineamiento 3D para alinear la cara a una nueva dimensión, este método se ha convertido en la corriente principal de la industria ahora proceso algorítmico, y ahora la industria se utiliza para llamar 3DMM, aunque no rigurosa, pero vamos a seguir como una definición, los cálculos 3DMM vayan a integrarse en la cara humana de proyectar una nube de puntos 3D, su aplicación es muy rica una, la belleza, las expresiones faciales de captura, fotografía mediante la generación de un rostro humano, etc., utiliza una técnica similar.
Oficial 1.
La idea básica es como se muestra arriba: una cara se puede obtener mediante una combinación lineal de una pluralidad de diferentes cara, en otras palabras, dado un rostro humano, para dibujar el modelo 3D, un coeficiente de regresión es aprender estudiantes AAM de un vistazo la fórmula es la fórmula AAM, se puede decir que la AAM es otra aplicación, donde S es la cara media, s es un vector propio, AI es un coeficiente de peso. TModel textura se utiliza para ajustar un rostro humano, usando una combinación lineal de las mismas estrellas. 3DMM es una idea muy temprano, sus resultados de los cálculos no son satisfactorios, y por ahora sólo puede ser considerado como un nivel de juguete, sobre todo la pérdida de PCA en la precisión es muy grave.
En 2008, un artículo publicado 3DMM promoverá aún más la precisión, fórmula uno muestreo de la expresión facial en algún momento, por lo que no tienen en cuenta otras circunstancias en la cara, lo que resulta en pérdida de precisión. En este trabajo se añade una dimensión, llamado "modelo bilineal", en base a cara con la expresión de factores, tales como los resultados más confiables.
Oficial 2.
La fórmula bilineal en la idea de fórmula 1 se incrementa por un factor a, representan diferentes expresiones, b representan diferentes individuos, w es la base de datos de cara, este 3DMM completar el proceso en el algoritmo, previsto para futuras aplicaciones tales Facewarehouse base, historia de fondo todos sabemos Facewarehouse lanzó sus propias bases de datos y aplicaciones de ideas, hacemos una parada aquí, delante de estos estudios se resumen.
Hay dos inconveniente 3DMM es obvio, corriendo todo el camino en la generalización de tecnología de esta carretera, pasando por alto muchos de los detalles de la cara, especialmente los detalles de la baja amplitud de expresión de alta frecuencia, lo que refleja muy evidente en las razones individuales que causa esta situación meses, con base en estadísticas de regresión no son precisos, es una solución vaga, la mayor parte de la colección para generar el modelo de base de datos 3D con equipos de bajo costo, la precisión no es alto, dos juntos, 3DMM de alta precisión escenarios de aplicación puede ser completamente incapaz de satisfacer la demanda, más imposible de lograr de grado industrial ultra-alta precisión requerida.
modelo FACEGOOD 3DMM
1 BFM y SFM modelo muestra.
modelo 2 FACEGOOD muestra.
Para obtener información más precisa en 3D para calcular el rostro humano, y puede aplicarse a escenarios de negocios industriales, equipo FACEGOOD utilizado un método conjunto de cámaras para recoger 100 individuos diferentes de modelos 3D, cada persona tiene 43 expresiones diferentes, así como sus correspondientes alto piel precisión de los datos de material, ya que el modelo de datos establecido FACEGOOD 3DMM.
base de datos de código abierto Actualmente hay dos BFM con SFM, así como su uso en investigación académica sólo Facewarehouse, en comparación con estas bases de datos, FACEGOOD 3DMM refleja principalmente en la precisión de dicha tecnología de escaneo de calidad comercial abandonado kinect, conjunto de cámaras utilización, puede reconstruir por completo el retrato de la cara de todas las características, como se muestra en la figura, la figura 2 ilustra un FACEGOOD de datos, se muestra SFM de datos 1, que es grande en pérdida de detalle, sustancialmente se mantiene sólo alrededor de los rasgos faciales.
FACEGOOD proceso de ultra-alta precisión
La principal ventaja de la tecnología de redes neuronales en la generalización tiene un rendimiento bueno, pero no es ideal para aplicaciones de alta precisión con el fin de lograr una alta precisión 3D de seguimiento de características faciales, incluyendo la cara, la profundidad, los cambios en las características faciales de micro-expresión, etc., FACEGOOD personal de I + D utilizando el algoritmo tradicional de este conjunto de programas, se ha comenzado a utilizar en humanos digitales ultra-realista.
3 oficial
FACEGOOD Pose estimación.
Como se muestra en la figura Ecuación 3, la idea básica es: la misma cara básica basada en la cara por una combinación lineal de dibujar una hipótesis tal, el equipo de FACEGOOD desarrolló un método tal, Cm es un modelo FACEGOOD 3DMM, el primer paso en el uso de algoritmo de alta precisión (FIG. muestra 3) seguimiento del punto de cara característica 2D, a continuación, sobre la base de la cara de una persona para adaptarse a la alta precisión modelo 3D, el modelo 3D entonces optimizada adicionalmente por V (wi), el resultado de este paso es sustancialmente ligadas a la cara. Luego continuar optimizando, después de haber obtenido sustancialmente expresión EEXP, además de un detaV, de modo que el modelo 3D está completamente alineada con la cara, esto se obtiene con una alta precisión de una cara completa 3D, que comprende las orbicularis alta frecuencia de micro-fina expresión de información que rodea los músculos, el músculo orbicular.
Al final, después de dibujar la cara 3D exacto por el algoritmo de simulación muscular, el parámetro de expresión redirigido a personajes virtuales, y pasó por encima de todo el proceso.
referencias:
· Los micro-expresiones en las artes teatrales en la configuración de la función real de Cao Na, Departamento de Música Escuela Normal de Hengyang, 2016
· TF Cootes y CJ Taylor y DH Cooper y J. Graham (1995). "modelos de la forma activa - su formación y aplicación". Visión por Computador y Interpretación de Imágenes
· Cootes, TF; Edwards, GJ; Taylor, CJ (1998). "modelos de apariencia activa". Visión por Computador - ECCV'98. Lecture Notes in Computer Science.
· Modelo bilineal frontal en 3D y reconocimiento de expresiones faciales, Iordanis Mpiperis, Fellow, IEEE, 2008.
· Ekman y Friesen W.. Facial Action Coding System: una técnica para la medición de movimiento facial. Consulting Psychologists Press, Palo Alto, 1978.
· BRADLEY, D., HEIDRICH, W., PLV, T., Y Sheffer, A. 2010. pasiva de alta resolución de captura de interpretación facial. ACM Trans. Grafico. 29, 4 (julio), 41: 1-41: 10.
· Pighin, FH, SZELISKI, R. y Salesin, D. 1999. resintetizar animación facial a través de seguimiento basado en modelos 3D. En Proc. 7ª Conferencia Internacional de Visión por Computador, Kerkyra, Grecia, 143-150.
· WEISE, T., Bouaziz, S., Li, H., y Pauly, M. basado en el rendimiento de 2011. Realtime animación facial. ACM Transactions on Graphics (Proceedings SIGGRAPH 2011) 30, 4 (julio) .LIU, X., MAO, T., XIA, S., YU, Y., y Wang, Z. 2008. animación facial por blendshapes optimizados de movimiento captura de datos. Animación por ordenador y los mundos virtuales 19, 3-4, 235-245.
· LI, H., ADAMS, B., Guibas, LJ, y Pauly, M. 2009. robusta de una sola vista geometría y movimiento de reconstrucción. ACM Transactions on Graphics (Actas de SIGGRAPH Asia 2009) 28, 5.
· Baltrusaitis, T., ROBINSON, P., Y morency, L.-P. 2012. 3D constreñido modelo local para el seguimiento facial rígida y no rígida. En Visión por Computador y Reconocimiento de Patrones (CVPR 2012).
· Chuang, E., Y Bregler, C. 2002. La rentabilidad impulsada animación facial mediante interpolación blendshape. Tech. Rep., Universidad de Stanford.
