本發(fā)明涉及計算機應用技術,特別涉及一種顱面復原方法。
背景技術:
顱面復原是指根據顱骨和面貌形態(tài)學規(guī)律對給定顱骨的未知面貌進行科學預測和恢復,它一直是法醫(yī)學和人類學領域中的一個重要的研究課題。
顱面復原起源于歐洲,至今已有一百多年歷史,傳統(tǒng)的顱面復原方式為手工顱面復原方式。手工顱面復原方式需要復雜的工藝、復原過程耗時長、復原過程主觀性強,這些缺陷均導致手工顱面復原方式的應用受到了很大的限制。
目前采用較多的是計算機輔助的顱面復原方式,其中比較常用的方式有基于特征點軟組織厚度的方式等。
基于特征點軟組織厚度的方式是指根據待復原顱骨的屬性,通過查詢軟組織厚度統(tǒng)計表獲得特征點的軟組織厚度,再利用這些軟組織厚度以及顱骨特征點位置計算出對應的人臉特征點的位置,進而通過某種變形方法,將人臉模板“罩到”待復原顱骨上,使得變形的人臉模板上的特征點和待復原顱骨的人臉特征點相匹配,從而獲得復原結果。
上述方式實現起來簡單、高效,但復原過程中僅依據特征點處的軟組織厚度,而特征點的數量通常又很少,難以表征細節(jié)豐富的人臉,因此上述方式的復原精度較低。
技術實現要素:
有鑒于此,本發(fā)明提供了一種顱面復原方法,能夠提高復原精度。
為了達到上述目的,本發(fā)明的技術方案是這樣實現的:
一種顱面復原方法,包括:
構建三維顱面數據庫,其中至少包括N個顱面樣本,N為大于1的正整數,每個 顱面樣本中分別包括:由一個三維顱骨模型和一個三維人臉模型組成的顱面模型,以及,顱面模型對應的屬性;
綜合N個顱面樣本,確定出三維人臉模型與三維顱骨模型以及屬性之間的關聯(lián)關系;
獲取待復原的三維顱骨模型及其對應的屬性,根據所述關聯(lián)關系,復原出待復原的三維顱骨模型對應的三維人臉模型。
可見,采用本發(fā)明所述方案,可基于顱面數據中的N個顱面樣本,確定出三維人臉模型與三維顱骨模型以及屬性之間的關聯(lián)關系,這樣,后續(xù)只要獲取到待復原的三維顱骨模型及其對應的屬性,即可根據所述關聯(lián)關系,復原出待復原的三維顱骨模型對應的三維人臉模型,從而克服了現有技術中存在的問題,進而提高了復原精度。
附圖說明
圖1為本發(fā)明顱面復原方法實施例的流程圖。
圖2為本發(fā)明所述三維顱骨模型的示意圖。
圖3為本發(fā)明所述三維人臉模型的示意圖。
圖4為本發(fā)明所述三維顱骨模型中的7個子區(qū)域的示意圖。
圖5為本發(fā)明所述三維人臉模型中的7個子區(qū)域的示意圖。
圖6為本發(fā)明所述一個真實男性人臉的示意圖。
圖7為采用本發(fā)明所述方式復原出的圖6所示男性人臉的示意圖。
圖8為本發(fā)明所述一個真實女性人臉的示意圖。
圖9為采用本發(fā)明所述方式復原出的圖8所示女性人臉的示意圖。
圖10為本發(fā)明所述另一個真實女性人臉的示意圖。
圖11為屬性未作改變時采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖。
圖12為在年齡上增加25歲后采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖。
圖13為在年齡上增加50歲后采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖。
圖14為在身體質量指數上增加4.0后采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖。
圖15為在身體質量指數上減少4.0后采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖。
具體實施方式
為了使本發(fā)明的技術方案更加清楚、明白,以下參照附圖并舉實施例,對本發(fā)明所述方案作進一步的詳細說明。
圖1為本發(fā)明顱面復原方法實施例的流程圖。如圖1所示,包括以下步驟11~13。
步驟11:構建三維顱面數據庫,其中至少包括N個顱面樣本,N為大于1的正整數,每個顱面樣本中分別包括:由一個三維顱骨模型和一個三維人臉模型組成的顱面模型,以及,顱面模型對應的屬性。
步驟12:綜合N個顱面樣本,確定出三維人臉模型與三維顱骨模型以及屬性之間的關聯(lián)關系。
步驟13:獲取待復原的三維顱骨模型及其對應的屬性,根據所述關聯(lián)關系,復原出待復原的三維顱骨模型對應的三維人臉模型。
以下分別對上述各步驟的具體實現進行詳細說明。
1)構建三維顱面數據庫
在實際應用中,可通過與醫(yī)院進行合作,通過多探測螺旋計算機斷層(CT,Computed Tomography)掃描儀獲取多個活體樣本(活體人)的顱面CT數據,并采用圖像處理技術從顱面CT數據中重構出人臉的三維顱骨模型和三維人臉模型,以構建三維顱面數據庫,具體實現為現有技術。
如圖2~3所示,圖2為本發(fā)明所述三維顱骨模型的示意圖,圖3為本發(fā)明所述三維人臉模型的示意圖。
三維顱面數據庫中至少包括N個顱面樣本,每個顱面樣本可分別對應一個活體樣本,N為大于1的正整數,具體取值可根據實際需要而定,每個顱面樣本中分別包括:由一個三維顱骨模型和一個三維人臉模型組成的顱面模型,以及,顱面模型對應的屬性。
所述屬性可包括:年齡、性別和身體質量指數(BMI,Body Mass Index)等;理論上,數據庫的規(guī)模越大,即N越大,顱面復原精度會越高;本實施中,N的取值可為331,其中男性為170人,女性為161人,男性的年齡跨度為20~70歲,身體質量指數跨度為16.4~32.5,女性年齡跨度為18~75,身體質量指數跨度為17.8~32.9。
2)關聯(lián)關系確定
在構建出三維顱面數據庫之后,可綜合N個顱面樣本,確定出三維人臉模型與三維顱骨模型以及屬性之間的關聯(lián)關系。
可包括以下步驟:
A、分別對各顱面模型進行預處理;
B、針對每個顱面模型,分別確定出該顱面模型中的三維顱骨模型中的M個預定子區(qū)域和該顱面模型中的三維人臉模型中的M個預定子區(qū)域,M為大于1的正整數;
C、針對每個顱面模型,分別確定出該顱面模型中的三維顱骨模型中的M個預定子區(qū)域的特征表示,并分別確定出該顱面模型中的三維人臉模型中的M個預定子區(qū)域的特征表示;
D、針對M個預定子區(qū)域中的每個子區(qū)域,分別綜合N個三維人臉模型中的該子區(qū)域的特征表示、N個三維顱骨模型中的該子區(qū)域的特征表示以及N個顱面模型對應的屬性,確定出三維人臉模型中該子區(qū)域的特征表示與三維顱骨模型中該子區(qū)域的特征表示以及屬性之間的函數關系。
2.1)預處理
步驟A中,分別對各顱面模型進行預處理可包括以下步驟A1~A2。
A1、分別對各顱面模型中的三維顱面模型和三維人臉模型進行全局坐標校正。
即針對每個顱面模型,分別進行以下處理:
A11、在該顱面模型中的三維顱骨模型上標定(可手動標定)P個特征點,P為大于1的正整數,并根據P個特征點構建一個全局坐標系。
P的具體取值可根據實際需要而定,較佳的,P的取值為4,相應的,P個特征點分別為:左側耳門上點Lp、右側耳門上點Rp、左側眶下緣點Or、眉心點Gl。
根據這4個特征點構建全局坐標系的方式可為:
通過左側耳門上點Lp、右側耳門上點Rp和左側眶下緣點Or確定法蘭克福平面PlaneF,該平面的法向
將以為法向量且過眉心點Gl的平面與直線LpRp的交點作為全局坐標系的原點Oglobal;
將過原點Oglobal且以法蘭克福平面法向為方向的射線作為全局坐標系的Z軸正方向;
將射線OglobalRp作為全局坐標系的X軸正方向;
將過原點Oglobal以Z軸與X軸的叉乘為方向的射線作為全局坐標系的Y軸正方向;
分別對X、Y、Z軸進行歸一化處理,使其模均為1。
A12、確定出全局坐標系對應的頂點變換矩陣Mglobal,分別將該顱面模型中的三維顱骨模型中的各頂點坐標與Mglobal相乘,得到經全局坐標校正后的三維顱骨模型,分別將該顱面模型中的三維人臉模型中的各頂點坐標與Mglobal相乘,得到經全局坐標校正后的三維人臉模型。
頂點變換矩陣Mglobal為:
其中,(Xx,Xy,Xz),(Yx,Yy,Yz),(Zx,Zy,Zz)分別表示X、Y、Z軸的值,(Oglobalx,Oglobaly,Oglobalz)表示原點Oglobal對應的頂點坐標。
A2、從各顱面模型中選出一個作為參考模型,根據選出的參考模型中的三維顱骨模型,分別對除參考模型以外的各顱面模型中的三維顱骨模型進行規(guī)格化,建立除參考模型以外的各顱面模型中的三維顱骨模型與參考模型中的三維顱骨模型的頂點間的對應關系,根據選出的參考模型中的三維人臉模型,分別對除參考模型以外的各顱面模型中的三維人臉模型進行規(guī)格化,建立除參考模型以外的各顱面模型中的三維人臉模型與參考模型中的三維人臉模型的頂點間的對應關系。
可從各顱面模型中選出一個外形完整、牙齒整齊且頂點分布均勻的顱面模型作為 參考模型,其中,外形完整是指無缺失頭骨或面皮等。
根據參考模型中的三維顱骨模型,可采用全局配準算法和局部配準算法相結合的非剛性配準算法,分別對除參考模型以外的各顱面模型中的三維顱骨模型進行規(guī)格化,以建立除參考模型以外的各顱面模型中的三維顱骨模型與參考模型中的三維顱骨模型的頂點間的對應關系。
類似的,根據參考模型中的三維人臉模型,可采用全局配準算法和局部配準算法相結合的非剛性配準算法,分別對除參考模型以外的各顱面模型中的三維人臉模型進行規(guī)格化,以建立除參考模型以外的各顱面模型中的三維人臉模型與參考模型中的三維人臉模型的頂點間的對應關系。
全局配準為粗配準,能使得顱面模型和參考模型大部分都匹配上,只有一些局部的區(qū)域存在錯配的現象,局部配準即對這些區(qū)域進行調整,并且局部配準可根據實際需要執(zhí)行多次。
較佳的,全局配準算法包括:薄板樣條函數(TPS,Thin Plate Spline),局部配準算法包括:具有緊支撐的徑向基函數(CSRBF,Compact Support Radial Basis Functions),具體實現均為現有技術。
假設參考模型中的三維顱骨模型中包括m個頂點,參考模型中的三維人臉模型中包括n個頂點,那么經過規(guī)格化處理之后,除參考模型以外的各顱面模型中的三維顱骨模型中也將均包括m個頂點,且頂點含義和拓撲結構均與參考模型中的三維顱骨模型保持一致,同樣的,經過規(guī)格化處理之后,除參考模型以外的各顱面模型中的三維人臉模型中也將均包括n頂點,且頂點含義和拓撲結構均與參考模型中的三維人臉模型保持一致。
2.2)子區(qū)域確定
步驟B中,針對每個顱面模型,可分別確定出該顱面模型中的三維顱骨模型中的M個預定子區(qū)域和該顱面模型中的三維人臉模型中的M個預定子區(qū)域,M為大于1的正整數。
具體的,可從參考模型中的三維顱骨模型中切除無用區(qū)域,將剩下的區(qū)域分割為M個預定子區(qū)域,從參考模型中的三維人臉模型中切除無用區(qū)域,將剩下的區(qū)域分割為M個預定子區(qū)域;針對除參考模型以外的各顱面模型中的三維顱骨模型,分別根據 該三維顱骨模型與參考模型中的三維顱骨模型的頂點間的對應關系,確定出該三維顱骨模型中的M個預定子區(qū)域;針對除參考模型以外的各顱面模型中的三維人臉模型,分別根據該三維人臉模型與參考模型中的三維人臉模型的頂點間的對應關系,確定出該三維人臉模型中的M個預定子區(qū)域。
其中,無用區(qū)域可包括:后腦部;由于顱骨復原不關注后腦部,同時為了降低數據量,提高顱面復原的效率和精度,可分別手動地從參考模型中的三維顱骨模型和三維人臉模型中切除后腦部,即耳后部分。
對于參考模型中的三維顱骨模型和三維人臉模型中的剩余區(qū)域,可分別手動地將其分割為M個預定子區(qū)域,M的具體取值可根據實際需要而定,較佳的,M的取值為7,相應的,7個預定子區(qū)域可包括:左眼子區(qū)域(left eye)、右眼子區(qū)域(right eye)、鼻子子區(qū)域(nose)、嘴巴子區(qū)域(mouth)、左耳子區(qū)域(Left ear)、右耳子區(qū)域(right ear)、由除左眼子區(qū)域、右眼子區(qū)域、鼻子子區(qū)域、嘴巴子區(qū)域、左耳子區(qū)域和右耳子區(qū)域以外的區(qū)域組成的框架子區(qū)域(frame)。
如圖4~5所示,圖4為本發(fā)明所述三維顱骨模型中的7個子區(qū)域的示意圖,圖5為本發(fā)明所述三維人臉模型中的7個子區(qū)域的示意圖;圖4和圖5中,按照從左到右的順序,依次為:右眼子區(qū)域、左眼子區(qū)域、鼻子子區(qū)域、嘴巴子區(qū)域、右耳子區(qū)域、左耳子區(qū)域、框架子區(qū)域;右眼子區(qū)域、左眼子區(qū)域、鼻子子區(qū)域、嘴巴子區(qū)域、右耳子區(qū)域和左耳子區(qū)域均可稱為五官子區(qū)域,與框架子區(qū)域擁有共同的邊界。
在針對每個顱面模型分別確定出該顱面模型中的三維顱骨模型中的M個預定子區(qū)域和該顱面模型中的三維人臉模型中的M個預定子區(qū)域之后,還需進一步進行以下處理:針對每個顱面模型,分別對該顱面模型中的三維顱骨模型中的M個預定子區(qū)域中的Q個預定子區(qū)域進行局部坐標校正,Q為正整數,且小于M,并分別對該顱面模型中的三維人臉模型中的M個預定子區(qū)域中的Q個預定子區(qū)域進行局部坐標校正。
具體的,可針對每個顱面模型中的三維顱骨模型中的Q個預定子區(qū)域中的每個子區(qū)域,分別進行以下處理:
B11、在該子區(qū)域中標定(可手動標定)W個特征點,W為大于1的正整數,并根據W個特征點構建一個局部坐標系。
W的具體取值可根據實際需要而定,較佳的,W的取值為3,3個特征點分別為: 特征點V1、特征點V2和特征點V3,3個特征點的具體位置也可根據實際需要而定,但需要保證不能在一條直線上。
根據這3個特征點構建局部坐標系的方式可為:
將特征點V3在直線V1V2上的投影點作為局部坐標系的原點Olocal;
將射線OlocalV3作為局部坐標系的Z軸正方向;
將射線OlocalV1作為局部坐標系的X軸正方向;
將過原點Olocal以Z軸與X軸的叉乘為方向的射線作為局部坐標系的Y軸正方向;
分別對X、Y、Z軸進行歸一化處理,使其模均為1。
B12、確定出局部坐標系對應的頂點變換矩陣Mlocal,分別將該子區(qū)域中的各頂點坐標與Mlocal相乘,得到經局部坐標校正后的該子區(qū)域,分別將與該子區(qū)域所屬的三維顱骨模型屬于同一顱面模型的三維人臉模型中的相同子區(qū)域中的各頂點坐標與Mlocal相乘,得到經局部坐標校正后的三維人臉模型中的該子區(qū)域。
頂點變換矩陣Mlocal為:
其中,(Xx,Xy,Xz),(Yx,Yy,Yz),(Zx,Zy,Zz)分別表示X、Y、Z軸的值,(Olocalx,Olocaly,Olocalz)表示原點Olocal對應的頂點坐標值。
Q的具體取值可根據實際需要而定,較佳的,當M的取值為7時,Q的取值可為6,相應的,Q個預定子區(qū)域可包括:左眼子區(qū)域、右眼子區(qū)域、鼻子子區(qū)域、嘴巴子區(qū)域、左耳子區(qū)域、右耳子區(qū)域,即五官子區(qū)域。
2.3)特征表示和函數關系確定
步驟C中,針對每個顱面模型,可分別確定出該顱面模型中的三維顱骨模型中的M個預定子區(qū)域的特征表示,并分別確定出該顱面模型中的三維人臉模型中的M個預定子區(qū)域的特征表示,所述特征表示可為:主成分分析(PCA,Principle components Analysis)系數表示。
步驟D中,針對M個預定子區(qū)域中的每個子區(qū)域,可分別綜合N個三維人臉模型中的該子區(qū)域的特征表示、N個三維顱骨模型中的該子區(qū)域的特征表示以及N個顱面模型對應的屬性,確定出三維人臉模型中該子區(qū)域的特征表示與三維顱骨模型中該子區(qū)域的特征表示以及屬性之間的函數關系。
三維顱面數據庫中的第i個顱面樣本中的三維顱骨模型中的任一子區(qū)域(reg=left eye或right eye或mouth或nose或Left ear或right ear或frame)可表示成由其頂點坐標組成的向量,即:
其中,N表示三維顱面數據庫中包括的顱面樣本數,mreg表示子區(qū)域中包括的頂點數;
采用PCA方法對三維顱面數據庫中的所有三維顱骨模型中的該子區(qū)域進行統(tǒng)計分析,可構建出該子區(qū)域的PCA模型:
表示對N個三維顱骨模型中的該子區(qū)域求平均,
對于子區(qū)域其PCA系數表示為:
表示主成分個數,具體取值可根據實際需要而定;
為矩陣S的特征向量,并按照對應的特征值σk降序排列,矩陣S為中心化后的子區(qū)域即的協(xié)方差矩陣;
相應的,式(6)中的αreg還可表示為:
類似的,可構建出三維人臉模型中的每個子區(qū)域的PCA模型:
在實際應用中,可采用偏最小二乘回歸的方法,針對7個子區(qū)域中的每個子區(qū)域,分別綜合N個三維人臉模型中的該子區(qū)域的PCA系數表示、N個三維顱骨模型中的該子區(qū)域的PCA系數表示以及N個顱面模型對應的屬性,確定出三維人臉模型中該子區(qū)域的PCA系數表示與三維顱骨模型中該子區(qū)域的PCA系數表示以及屬性之間的函數關系:
βreg=freg(αreg,p); (14)
p表示屬性。
PCA方法和偏最小二乘回歸的方法的具體實現均為現有技術
3)顱面復原
在上述基礎上,即可進行顱面復原,即獲取待復原的三維顱骨模型及其對應的屬性,根據所述關聯(lián)關系,復原出待復原的三維顱骨模型對應的三維人臉模型。
可包括以下步驟:
對待復原的三維顱骨模型進行預處理;
確定出待復原的三維顱骨模型中的M個預定子區(qū)域;
分別確定出待復原的三維顱骨模型中的M個預定子區(qū)域的特征表示;
針對待復原的三維顱骨模型中的每個子區(qū)域,分別進行以下處理:根據該子區(qū)域的特征表示、待復原的三維顱骨模型對應的屬性,以及,三維人臉模型中該子區(qū)域的特征表示與三維顱骨模型中該子區(qū)域的特征表示以及屬性之間的函數關系,確定出三維人臉模型中該子區(qū)域的特征表示,并根據確定出的三維人臉模型中該子區(qū)域的特征表示以及該三維人臉子區(qū)域對應的PCA模型復原出三維人臉模型中的該子區(qū)域;
將復原出的各子區(qū)域進行拼接融合,得到待復原的三維顱骨模型對應的三維人臉模型。
3.1)預處理
對待復原的三維顱骨模型進行預處理可包括:
對待復原的三維顱骨模型進行全局坐標校正,即:在待復原的三維顱骨模型上標定P個特征點,并根據P個特征點構建一個全局坐標系;確定出全局坐標系對應的頂點變換矩陣Mglobal,并分別將待復原的三維顱骨模型中的各頂點坐標與Mglobal相乘,得到經全局坐標校正后的待復原的三維顱骨模型;
之后,根據參考模型中的三維顱骨模型,對待復原的三維顱骨模型進行規(guī)格化,建立待復原的三維顱骨模型與參考模型中的三維顱骨模型的頂點間的對應關系,即:采用全局配準算法和局部配準算法相結合的非剛性配準算法,對待復原的三維顱骨模型進行規(guī)格化。
3.2)子區(qū)域確定
根據待復原的三維顱骨模型與參考模型中的三維顱骨模型的頂點間的對應關系,確定出待復原的三維顱骨模型中的M個預定子區(qū)域。
并且,在確定出待復原的三維顱骨模型中的M個預定子區(qū)域之后,還可進一步進行以下處理:對待復原的三維顱骨模型中的M個預定子區(qū)域中的Q個預定子區(qū)域進行局部坐標校正。
即針對待復原的三維顱骨模型中的每個子區(qū)域,分別進行以下處理:在該子區(qū)域中標定W個特征點,并根據W個特征點構建一個局部坐標系;確定出局部坐標系對應的頂點變換矩陣Mlocal,分別將該子區(qū)域中的各頂點坐標與Mlocal相乘,得到經局部坐標校正后的該子區(qū)域。
3.3)特征表示和子區(qū)域復原
可按照式(6)所示方式,分別確定出待復原的三維顱骨模型中的M個預定子區(qū)域的PCA系數表示。
之后,可根據待復原的三維顱骨模型中的M個預定子區(qū)域的PCA系數表示、待復原的三維顱骨模型對應的屬性以及式(14),分別確定出與待復原的三維顱骨模型對 應的三維人臉模型中的M個預定子區(qū)域的PCA系數表示。
再之后,針對M個預定子區(qū)域中的每個子區(qū)域,可根據預先確定出的三維人臉模型中該子區(qū)域的PCA模型以及三維人臉模型中該子區(qū)域的PCA系數表示,復原出三維人臉模型中的該子區(qū)域,即根據待復原的三維顱骨模型對應的三維人臉模型中的M個預定子區(qū)域的PCA系數表示以及式(9)等,分別確定出對應的三維人臉模型中的M個預定子區(qū)域,即得到復原后的各子區(qū)域,并且,將其中的Q個預定子區(qū)域(五官子區(qū)域)從局部坐標系變回到全局坐標系,即將局部坐標系中的頂點變換逆矩陣作用到每一個頂點上,具體的,將子區(qū)域中的各頂點坐標與Mlocal-1相乘,得到全局坐標系下的子區(qū)域,具體實現為現有技術。
3.4)拼接融合
在得到三維人臉模型中的各子區(qū)域之后,還需要對其進行拼接融合,以得到完整的三維人臉模型。
各五官子區(qū)域面積比框架子區(qū)域小,理論上和實踐中,五官子區(qū)域的復原誤差比框架子區(qū)域小,因此為了使五官子區(qū)域盡可能地保持不變,本發(fā)明對框架子區(qū)域進行變形以使其與各五官子區(qū)域拼接融合在一起,該變形只能是局部的,不能是全局的,因為如果采用全局變形,那么當框架子區(qū)域和第一個五官子區(qū)域進行拼接融合時不會出現問題,但當它與第二個五官子區(qū)域進行拼接融合時就會破壞第一次拼接融合的結果,而且后續(xù)的拼接融合都會出現這樣的問題,基于此,本發(fā)明中采用前述提到的具有緊支撐的徑向基函數CSRBF,該算法為局部變形算法。
另外,由于鼻子與左右眼以及嘴巴距離很近,如果先把框架子區(qū)域和鼻子子區(qū)域進行拼接融合,那么該融合結果會在框架子區(qū)域與左眼子區(qū)域或右眼子區(qū)域或嘴巴子區(qū)域進行拼接融合時所破壞,同理,如果先把框架子區(qū)域和左眼子區(qū)域或右眼子區(qū)域或嘴巴子區(qū)域進行拼接融合,那么拼接融合結果也會在框架子區(qū)域和鼻子子區(qū)域進行拼接融合時所破壞,為避免這種情況以及盡可能地維持五官子區(qū)域不變,本發(fā)明所述方案中采用了以下拼接融合策略:
采用CSRBF將框架子區(qū)域變形到鼻子子區(qū)域,使兩者拼接融合在一起;
采用CSRBF將拼接融合后的框架子區(qū)域和鼻子子區(qū)域進行變形,使其依次和左眼子區(qū)域、右眼子區(qū)域、嘴巴子區(qū)域進行拼接融合;
采用CSRBF將框架子區(qū)域依次變形到左耳子區(qū)域和右耳子區(qū)域,得到待復原的三維顱骨模型對應的三維人臉模型。
采用上述策略后,除鼻子子區(qū)域外,別的五官子區(qū)域都保持不變,由于CSRBF變形僅限于邊界附近區(qū)域,因此鼻子子區(qū)域的大部分也將保持不變。
如圖6~9所示,圖6為本發(fā)明所述一個真實男性人臉的示意圖,圖7為采用本發(fā)明所述方式復原出的圖6所示男性人臉的示意圖,圖8為本發(fā)明所述一個真實女性人臉的示意圖,圖9為采用本發(fā)明所述方式復原出的圖8所示女性人臉的示意圖,其中,男性的年齡為23歲,身體質量指數為21.05,女性的年齡為20歲,身體質量指數為20.63。
另外,由于本發(fā)明所述方案中考慮了屬性,因此針對同一個待復原的三維顱骨模型,針對不同的屬性可復原出不同的人臉。如圖10~15所示,圖10為本發(fā)明所述另一個真實女性人臉的示意圖,該女性的年齡為28歲,身體質量指數為22.14,圖11為屬性未作改變時采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖,圖12為在年齡上增加25歲后采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖,圖13為在年齡上增加50歲后采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖,圖14為在身體質量指數上增加4.0后采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖,圖15為在身體質量指數上減少4.0后采用本發(fā)明所述方式復原出的圖10所示女性人臉的示意圖。
總之,采用本發(fā)明所述方案,進行了全局和局部兩種坐標校正,能消除不同顱面樣本在頭部姿態(tài)和五官位置上的不一致,從而能夠更加準確地獲得后續(xù)所需的關聯(lián)關系;而且,通過把框架子區(qū)域拼接融合到五官子區(qū)域,可進一步提高復原結果的精度;另外,本發(fā)明所述方案考慮了屬性對于人臉的影響,因此針對同一顱骨可快速復原出對應于不同屬性的三維人臉模型;再有,本發(fā)明所述方案適用范圍廣泛,可用于刑偵中的尸源鑒定、考古中古人類的面貌復原以及醫(yī)學整形中的術前預測與輔助手術方案制定等。
綜上所述,以上僅為本發(fā)明的較佳實施例而已,并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內,所作的任何修改、等同替換、改進等,均應包含在本 發(fā)明的保護范圍之內。