本申請(qǐng)涉及計(jì)算機(jī)
技術(shù)領(lǐng)域：
，具體涉及計(jì)算機(jī)圖形學(xué)
技術(shù)領(lǐng)域：
，尤其涉及用于生成三維頭像模型的方法和裝置。
背景技術(shù)：
：隨著計(jì)算機(jī)圖形學(xué)以及計(jì)算機(jī)視覺等技術(shù)的進(jìn)步，互動(dòng)式數(shù)字媒體產(chǎn)業(yè)也得到良好發(fā)展。在交互式數(shù)字媒體領(lǐng)域，常常需要使用到用戶的頭像來表征用戶所創(chuàng)建的賬戶。使用三維頭像模型作為用戶頭像，有利于進(jìn)一步提高娛樂性和真實(shí)感。然而，通過現(xiàn)有的方案生成的三維頭像模型，或者真實(shí)感較差造成使用效果差，或者需要用戶使用額外的專用設(shè)備提高用戶參與成本，因此均無法得到普遍的使用。技術(shù)實(shí)現(xiàn)要素：本申請(qǐng)的目的在于提出一種改進(jìn)的用于生成三維頭像模型的方法和裝置，來解決以上
背景技術(shù)：
部分提到的技術(shù)問題。第一方面，本申請(qǐng)實(shí)施例提供了一種用于生成三維頭像模型的方法，該方法包括：獲取用戶的不同人臉姿態(tài)角度的多張人臉圖像；使用所述多張人臉圖像中人臉姿態(tài)角度最正的人臉圖像建立初始三維人臉模型；使用所述多張人臉圖像中除人臉姿態(tài)角度最正的人臉圖像外的其他至少一張人臉圖像對(duì)所述初始三維人臉模型進(jìn)行深度矯正，得到已矯正三維人臉模型；使用所述多張人臉圖像中的至少兩張人臉圖像進(jìn)行多幀融合，得到三維人臉模型的二維紋理；渲染所述已矯正三維人臉模型以及所述二維紋理，以生成三維頭像模型。在一些實(shí)施例中，所述獲取不同人臉姿態(tài)角度的多張人臉圖像，包括：在預(yù)先設(shè)定的多個(gè)人臉姿態(tài)角度取值范圍中，確定針對(duì)所述用戶所采集的人臉圖像集合中每張人臉圖像的人臉姿態(tài)角度所屬的人臉姿態(tài)角度取值范圍；針對(duì)每個(gè)人臉姿態(tài)角度范圍，選取出該人臉姿態(tài)角度范圍對(duì)應(yīng)的至少一張人臉圖像。在一些實(shí)施例中，在所述獲取不同人臉姿態(tài)角度的多張人臉圖像之前，所述方法包括：從對(duì)所述用戶的人臉進(jìn)行多角度拍攝而生成的視頻的視頻幀中采集所述人臉圖像集合。在一些實(shí)施例中，所述選取出該人臉姿態(tài)角度范圍對(duì)應(yīng)的至少一張人臉圖像，包括：按照?qǐng)D像質(zhì)量和/或人臉圖像中的人臉表情，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像。在一些實(shí)施例中，所述按照?qǐng)D像質(zhì)量和/或人臉圖像中的人臉表情，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像，包括：利用第一卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算出所述人臉圖像集合中每張人臉圖像的圖像質(zhì)量分值，和/或，利用第二卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算出所述人臉圖像集合中每張人臉圖像中人臉的人臉表情分值；按照人臉圖像的圖像質(zhì)量分值和/或人臉表情分值，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像。在一些實(shí)施例中，所述使用所述多張人臉圖像中人臉姿態(tài)角度最正的人臉圖像建立初始三維人臉模型，包括：采用可變形模板算法建立初始三維人臉模型。在一些實(shí)施例中，所述使用所述所述多張人臉圖像中除人臉姿態(tài)角度最正的人臉圖像外的其他至少一張人臉圖像對(duì)所述初始三維人臉模型進(jìn)行深度矯正，得到已矯正三維人臉模型，包括：采用自陰影光照模型進(jìn)行深度矯正。在一些實(shí)施例中，所述使用所述多張人臉圖像中的至少兩張人臉圖像進(jìn)行多幀融合，得到三維人臉模型的二維紋理，包括：對(duì)所述至少兩張人臉圖像執(zhí)行質(zhì)量度提高操作；對(duì)質(zhì)量度提高后的至少兩張人臉圖像進(jìn)行多幀融合，以生成三維人臉模型的二維紋理。在一些實(shí)施例中，所述對(duì)所述至少兩張人臉圖像執(zhí)行質(zhì)量度提高操作，包括：針對(duì)所述至少兩張人臉圖像的每一張人臉圖像，將人臉圖像的各個(gè)通道的通道值分別輸入至預(yù)先訓(xùn)練的、用于執(zhí)行質(zhì)量度提高操作的第一反卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型用于表征質(zhì)量度提高前的人臉圖像的各個(gè)通道的通道值與質(zhì)量度提高后的人臉圖像的梯度場(chǎng)的對(duì)應(yīng)關(guān)系；采用泊松方程，基于所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型輸出的梯度場(chǎng)，重建質(zhì)量度提高后的人臉圖像。在一些實(shí)施例中，質(zhì)量度提高操作包括以下一項(xiàng)或多項(xiàng)：光照均勻化操作、降噪操作、模糊去除操作。在一些實(shí)施例中，上述方法還包括第一反卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練步驟，包括：對(duì)預(yù)先挑選出的人臉圖像執(zhí)行質(zhì)量度降低操作；將質(zhì)量度降低后的人臉圖像的各個(gè)通道的通道值以及質(zhì)量度降低前的人臉圖像的梯度場(chǎng)分別作為所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型的輸入樣本與輸出樣本，對(duì)所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。在一些實(shí)施例中，所述對(duì)質(zhì)量度提高后的至少兩張人臉圖像進(jìn)行多幀融合，以生成三維人臉模型的二維紋理，包括：將質(zhì)量度提高后的至少兩張人臉圖像的各個(gè)通道的通道值輸入至預(yù)先訓(xùn)練的第二反卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型用于表征融合前多個(gè)人臉圖像的各個(gè)通道的通道值與融合后圖像的梯度場(chǎng)的對(duì)應(yīng)關(guān)系；采用泊松方程，基于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型輸出的梯度場(chǎng)重建三維人臉模型的二維紋理。在一些實(shí)施例中，所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型包括與卷積層對(duì)稱的反向卷積層以及用于提高所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型所輸出的圖像梯度場(chǎng)所對(duì)應(yīng)圖像的分辨率的反向卷積層。在一些實(shí)施例中，所述方法還包括第二反卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練步驟，包括：獲取用于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，所述訓(xùn)練樣本數(shù)據(jù)包括通過不同于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的泊松融合算法所獲得的融合前人臉圖像的通道值和融合后的圖像梯度場(chǎng)和/或通過三維掃描儀掃描到的人臉圖像的通道值和圖像梯度場(chǎng)；基于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本數(shù)據(jù)，對(duì)所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。第二方面，本申請(qǐng)實(shí)施例提供了一種用于生成三維頭像模型的裝置，獲取單元，用于獲取用戶的不同人臉姿態(tài)角度的多張人臉圖像；建立單元，用于使用所述多張人臉圖像中人臉姿態(tài)角度最正的人臉圖像建立初始三維人臉模型；矯正單元，用于使用所述多張人臉圖像中除人臉姿態(tài)角度最正的人臉圖像外的其他至少一張人臉圖像對(duì)所述初始三維人臉模型進(jìn)行深度矯正，得到已矯正三維人臉模型；融合單元，用于使用所述多張人臉圖像中的至少兩張人臉圖像進(jìn)行多幀融合，得到三維人臉模型的二維紋理；渲染單元，用于渲染所述已矯正三維人臉模型以及所述二維紋理渲染，以生成三維頭像模型。在一些實(shí)施例中，所述獲取單元包括：確定子單元，用于在預(yù)先設(shè)定的多個(gè)人臉姿態(tài)角度取值范圍中，確定針對(duì)所述用戶所采集的人臉圖像集合中每張人臉圖像的人臉姿態(tài)角度所屬的人臉姿態(tài)角度取值范圍；選取子單元，用于針對(duì)每個(gè)人臉姿態(tài)角度范圍，選取出該人臉姿態(tài)角度范圍對(duì)應(yīng)的至少一張人臉圖像。在一些實(shí)施例中，所述裝置還包括：采集單元，用于在所述獲取不同人臉姿態(tài)角度的多張人臉圖像之前，從對(duì)所述用戶的人臉進(jìn)行多角度拍攝而生成的視頻的視頻幀中采集所述人臉圖像集合。在一些實(shí)施例中，所述選取子單元進(jìn)一步用于：按照?qǐng)D像質(zhì)量和/或人臉圖像中的人臉表情，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像。在一些實(shí)施例中，所述選取子單元包括：分值計(jì)算模塊，用于利用第一卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算出所述人臉圖像集合中每張人臉圖像的圖像質(zhì)量分值，和/或，利用第二卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算出所述人臉圖像集合中每張人臉圖像中人臉的人臉表情分值；選取模塊，用于按照人臉圖像的圖像質(zhì)量分值和/或人臉表情分值，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像。在一些實(shí)施例中，所述建立單元進(jìn)一步用于：采用可變形模板算法建立初始三維人臉模型。在一些實(shí)施例中，所述矯正單元進(jìn)一步用于：采用自陰影光照模型進(jìn)行深度矯正。在一些實(shí)施例中，所述融合單元包括：提高子單元，用于對(duì)所述至少兩張人臉圖像執(zhí)行質(zhì)量度提高操作；融合子單元，用于對(duì)質(zhì)量度提高后的至少兩張人臉圖像進(jìn)行多幀融合，以生成三維人臉模型的二維紋理。在一些實(shí)施例中，所述提高子單元包括：輸入模塊，用于針對(duì)所述至少兩張人臉圖像的每一張人臉圖像，將人臉圖像的各個(gè)通道的通道值分別輸入至預(yù)先訓(xùn)練的、用于執(zhí)行質(zhì)量度提高操作的第一反卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型用于表征質(zhì)量度提高前的人臉圖像的各個(gè)通道的通道值與質(zhì)量度提高后的人臉圖像的梯度場(chǎng)的對(duì)應(yīng)關(guān)系；重建模塊，用于采用泊松方程，基于所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型輸出的梯度場(chǎng)，重建質(zhì)量度提高后的人臉圖像。在一些實(shí)施例中，所述質(zhì)量度提高操作包括以下一項(xiàng)或多項(xiàng)：光照均勻化操作、降噪操作、模糊去除操作。在一些實(shí)施例中，所述裝置還包括第一反卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練單元，用于：對(duì)預(yù)先挑選出的人臉圖像執(zhí)行質(zhì)量度降低操作；將質(zhì)量度降低后的人臉圖像的各個(gè)通道的通道值以及質(zhì)量度降低前的人臉圖像的梯度場(chǎng)分別作為所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型的輸入樣本與輸出樣本，對(duì)所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。在一些實(shí)施例中，所述融合子單元進(jìn)一步用于，包括：將質(zhì)量度提高后的至少兩張人臉圖像的各個(gè)通道的通道值輸入至預(yù)先訓(xùn)練的第二反卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型用于表征融合前多個(gè)人臉圖像的各個(gè)通道的通道值與融合后圖像的梯度場(chǎng)的對(duì)應(yīng)關(guān)系；采用泊松方程，基于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型輸出的梯度場(chǎng)重建三維人臉模型的二維紋理。在一些實(shí)施例中，第二反卷積神經(jīng)網(wǎng)絡(luò)模型包括與卷積層對(duì)稱的反向卷積層以及用于提高所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型所輸出的圖像梯度場(chǎng)所對(duì)應(yīng)圖像的分辨率的反向卷積層。在一些實(shí)施例中，所述裝置還包括第二反卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練單元，用于：獲取用于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，所述訓(xùn)練樣本數(shù)據(jù)包括通過不同于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的泊松融合算法所獲得的融合前人臉圖像的通道值和融合后的圖像梯度場(chǎng)和/或通過三維掃描儀掃描到的人臉圖像的通道值和圖像梯度場(chǎng)；基于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本數(shù)據(jù)，對(duì)所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。本申請(qǐng)?zhí)峁┑挠糜谏扇S頭像模型的方法和裝置，可以通過用戶在不同人臉姿態(tài)角度的多張人臉圖像生成三維人臉模型以及三維人臉模型的二維紋理，從而最終能使用所生成的三維人臉模型以及二維紋理生成最終的三維頭像模型，只需采集用戶在不同人臉姿態(tài)角度的多張人臉圖像即可生成三維頭像模型，成本較低。附圖說明通過閱讀參照以下附圖所作的對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本申請(qǐng)的其它特征、目的和優(yōu)點(diǎn)將會(huì)變得更明顯：圖1是本申請(qǐng)可以應(yīng)用于其中的示例性系統(tǒng)架構(gòu)圖；圖2是根據(jù)本申請(qǐng)的用于生成三維頭像模型的方法的一個(gè)實(shí)施例的流程圖；圖3是圖2所描述的實(shí)施例的一些可選實(shí)現(xiàn)方式中第一卷積神經(jīng)網(wǎng)絡(luò)模型中卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)示意圖；圖4是根據(jù)本申請(qǐng)的用于生成三維頭像模型的方法的又一個(gè)實(shí)施例的流程圖；圖5是圖4所描述的實(shí)施例的一些可選實(shí)現(xiàn)方式中第一反卷積神經(jīng)網(wǎng)絡(luò)模型中卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)示意圖；圖6是圖4所描述的實(shí)施例的一些可選實(shí)現(xiàn)方式中第二反卷積神經(jīng)網(wǎng)絡(luò)模型中卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)示意圖；圖7是根據(jù)本申請(qǐng)的用于生成三維頭像模型的裝置的一個(gè)實(shí)施例的結(jié)構(gòu)示意圖；圖8是適于用來實(shí)現(xiàn)本申請(qǐng)實(shí)施例的終端設(shè)備或服務(wù)器的計(jì)算機(jī)系統(tǒng)的結(jié)構(gòu)示意圖。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例對(duì)本申請(qǐng)作進(jìn)一步的詳細(xì)說明。可以理解的是，此處所描述的具體實(shí)施例僅僅用于解釋相關(guān)發(fā)明，而非對(duì)該發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與有關(guān)發(fā)明相關(guān)的部分。需要說明的是，在不沖突的情況下，本申請(qǐng)中的實(shí)施例及實(shí)施例中的特征可以相互組合。下面將參考附圖并結(jié)合實(shí)施例來詳細(xì)說明本申請(qǐng)。圖1示出了可以應(yīng)用本申請(qǐng)的用于生成三維頭像模型的方法或用于生成三維頭像模型的裝置的實(shí)施例的示例性系統(tǒng)架構(gòu)100。如圖1所示，系統(tǒng)架構(gòu)100可以包括終端設(shè)備101、102、103，網(wǎng)絡(luò)104和服務(wù)器105。網(wǎng)絡(luò)104用以在終端設(shè)備101、102、103和服務(wù)器105之間提供通信鏈路的介質(zhì)。網(wǎng)絡(luò)104可以包括各種連接類型，例如有線、無線通信鏈路或者光纖電纜等等。用戶可以使用終端設(shè)備101、102、103通過網(wǎng)絡(luò)104與服務(wù)器105交互，以接收或發(fā)送消息等。終端設(shè)備101、102、103上可以安裝有各種通訊客戶端應(yīng)用，例如游戲類應(yīng)用、動(dòng)畫展示類應(yīng)用、即時(shí)通信工具、社交平臺(tái)軟件等。終端設(shè)備101、102、103可以是具有顯示屏并且三維圖像展示的各種電子設(shè)備，包括但不限于智能手機(jī)、平板電腦、電子書閱讀器、MP3播放器(MovingPictureExpertsGroupAudioLayerIII，動(dòng)態(tài)影像專家壓縮標(biāo)準(zhǔn)音頻層面3)、MP4(MovingPictureExpertsGroupAudioLayerIV，動(dòng)態(tài)影像專家壓縮標(biāo)準(zhǔn)音頻層面4)播放器、膝上型便攜計(jì)算機(jī)和臺(tái)式計(jì)算機(jī)等等。服務(wù)器105可以是提供各種服務(wù)的服務(wù)器，例如對(duì)終端設(shè)備101、102、103上顯示的圖像或圖形提供支持的后臺(tái)服務(wù)器。后臺(tái)服務(wù)器可以將數(shù)據(jù)(例如圖像數(shù)據(jù))發(fā)送給終端設(shè)備，以供終端設(shè)備展示。需要說明的是，本申請(qǐng)實(shí)施例所提供的用于生成三維頭像模型的方法可以由服務(wù)器105執(zhí)行，也可以由終端設(shè)備101、102、103執(zhí)行，還可以部分步驟由服務(wù)器105執(zhí)行、部分步驟由終端設(shè)備101、102、103執(zhí)行；相應(yīng)地，用于生成三維頭像模型的裝置可以設(shè)置于服務(wù)器105中，也可以設(shè)置于終端設(shè)備101、102、103中，還可以部分單元設(shè)置于服務(wù)器105中并將其他單元設(shè)置于終端設(shè)備101、102、103中。應(yīng)該理解，圖1中的終端設(shè)備、網(wǎng)絡(luò)和服務(wù)器的數(shù)目僅僅是示意性的。根據(jù)實(shí)現(xiàn)需要，可以具有任意數(shù)目的終端設(shè)備、網(wǎng)絡(luò)和服務(wù)器。繼續(xù)參考圖2，示出了根據(jù)本申請(qǐng)的用于生成三維頭像模型的方法的一個(gè)實(shí)施例的流程200。該用于生成三維頭像模型的方法，包括以下步驟：步驟201，獲取用戶的不同人臉姿態(tài)角度的多張人臉圖像。在本實(shí)施例中，用于生成三維頭像模型的方法運(yùn)行于其上的電子設(shè)備(例如圖1所示的終端設(shè)備或服務(wù)器)可以從本地或遠(yuǎn)程獲取多張人臉圖像。該多張人臉圖像可以包括從不同人臉姿態(tài)角度觀察用戶時(shí)所對(duì)應(yīng)的人臉圖像。實(shí)踐中，人臉姿態(tài)角度可以使用當(dāng)前人臉圖像的姿態(tài)相對(duì)于人臉的正面姿態(tài)之間的偏移角度來表征。此時(shí)，人臉圖像可選的偏移角度可以處于0～90度這個(gè)區(qū)間，所獲取的多張人臉圖像的偏移角度可以分別是該視區(qū)間中的不同人臉姿態(tài)角度。例如，可以選擇偏移角度分別為5度、20度、40度、60度、80度的多張人臉圖像。需要說明的是，人臉姿態(tài)角度可以通過其他方面的數(shù)值來表征，例如可以通過當(dāng)前人臉圖像的姿態(tài)相對(duì)于人臉的側(cè)面姿態(tài)之間的偏移角度來表征，此時(shí)正面姿態(tài)的偏移角度可以用0度表示。步驟202，使用多張人臉圖像中人臉姿態(tài)角度最正的人臉圖像建立初始三維人臉模型。在本實(shí)施例中，基于步驟201中得到的多張人臉圖像，電子設(shè)備可以首先從多張人臉圖像中選取出人臉姿態(tài)角度最正的人臉圖像。人臉姿態(tài)角度最正的人臉圖像可以是指人臉姿態(tài)相對(duì)于人臉的正面姿態(tài)偏移最小的人臉圖像。其中，當(dāng)人臉姿態(tài)角度使用當(dāng)前人臉圖像的姿態(tài)相對(duì)于人臉的正面姿態(tài)之間的偏移角度來表征時(shí)，則偏移角度最小的人臉圖像為人臉姿態(tài)角度最正的人臉圖像。相應(yīng)的，若人臉姿態(tài)角度是通過當(dāng)前人臉圖像的姿態(tài)相對(duì)于人臉的側(cè)面姿態(tài)之間的偏移角度來表征，此時(shí)偏移角度最大的人臉圖像為人臉姿態(tài)角度最正的人臉圖像。在選取出人臉姿態(tài)角度最正的人臉圖像后，電子設(shè)備可以使用所選的人臉圖像建立初始三維人臉模型。在使用所選的人臉圖像建立初始三維人臉模型時(shí)，可以先獲取初始模型，然后利用所選的人臉圖像中的人臉特征點(diǎn)對(duì)初始模型進(jìn)行調(diào)整，從而生成初始三維人臉模型。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，步驟202可以具體包括：采用可變形模板算法建立初始三維人臉模型。采用可變形模板算法建立初始三維人臉模型，可以具體按如下過程執(zhí)行：首先，可以通過預(yù)先建立的人臉模型數(shù)據(jù)庫中的各個(gè)人臉模型求取平均人臉模型。之后，可以通過以下的兩個(gè)公式使用人臉模型數(shù)據(jù)庫中的各個(gè)人臉模型以及平均人臉模型表示需要重建的人臉模型：其中，Smodel、Save、Si分別為重建的人臉模型中、平均人臉模型中以及人臉模型數(shù)據(jù)庫的各個(gè)人臉模型中的形狀向量，Tmodel、Tave、Ti分別為重建的人臉模型中、平均人臉模型中以及人臉模型數(shù)據(jù)庫的各個(gè)人臉模型中的紋理向量，Tmodel、Save、Ti分別為重建的人臉模型中、平均人臉模型中以及人臉模型數(shù)據(jù)庫的各個(gè)人臉模型中的紋理向量，αi和βi則為待定的系數(shù)。最后，利用人臉姿態(tài)角度最正的人臉圖像求解αi和βi，即可根據(jù)求解得到的αi和βi求取出重建的人臉模型。在求解αi和βi時(shí)，可以采用迭代優(yōu)化的方法。即，先隨機(jī)初始化αi和βi以得到三維人臉模型，接著把這個(gè)三維人臉模型投影到二維平面上得到一張新的人臉圖像，并采用這張人臉圖片與用戶輸入的人臉圖片構(gòu)建損失函數(shù)，使得人臉姿態(tài)角度最正的人臉圖像與我們投影到二維的人臉圖像之間的差值最小化。然后，對(duì)上面的式子αi和βi進(jìn)行求導(dǎo)，并采用梯度下降法，更新參數(shù)αi和βi，如此一直循環(huán)迭代，直到收斂。步驟203，使用多張人臉圖像中除人臉姿態(tài)角度最正的人臉圖像外的其他至少一張人臉圖像對(duì)初始三維人臉模型進(jìn)行深度矯正，得到已矯正三維人臉模型。在本實(shí)施例中，基于步驟201所得到的多張人臉圖像，電子設(shè)備可以使用其中除人臉姿態(tài)角度最正的人臉圖像外的其他至少一張人臉圖像對(duì)基于步驟202所得到的初始三維人臉模型進(jìn)行深度矯正，從而得到已矯正三維人臉模型。在使用人臉姿態(tài)角度最正的人臉圖像建立初始三維人臉模型進(jìn)行人臉初步重建時(shí)，由于使用的是單幅人臉圖像，重建結(jié)果往往都接近平均模型，在圖像深度上缺少數(shù)據(jù)，因此缺少個(gè)性化細(xì)節(jié)特征，故可以通過姿態(tài)角度最正的人臉圖像外的其他至少一張人臉圖像對(duì)基于初始三維人臉模型的圖像深度進(jìn)行矯正，從而即可實(shí)現(xiàn)對(duì)初始三維人臉模型的修正。已矯正三維人臉模型由于在深度上具有表達(dá)數(shù)據(jù)，因此已矯正三維人臉模型表現(xiàn)上更為立體，例如鼻子部分可以呈現(xiàn)出凸出狀態(tài)。上述其他至少一張人臉圖像可以是多張人臉圖像中除人臉姿態(tài)角度最正的人臉圖像外的所有人臉圖像，也可以是其中的部分人臉圖像。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，上述步驟203可以具體包括：采用自陰影光照模型進(jìn)行深度矯正。即，在該實(shí)現(xiàn)方式中，在對(duì)初始三維人臉模型進(jìn)行深度估計(jì)時(shí)，可以采用自陰影光照模型。自陰影則是物體在背光一側(cè)在其自身上產(chǎn)生的陰影，它屬于物體的一部分。由于自陰影本身的特殊性，在以往的SFS(由明暗恢復(fù)形狀)方法中，對(duì)待自陰影問題一直都是采取回避的策略，這導(dǎo)致在其三維重建中會(huì)出現(xiàn)較大的形狀畸變，從而三維重建的效果及其精度。采用自陰影光照模型進(jìn)行處理，可以解決三維重建算法中的自陰影問題。例如，在采用自陰影光照模型進(jìn)行處理時(shí)，可以對(duì)光照方向進(jìn)行了大致估計(jì)，再通過邊緣檢測(cè)得到自陰影區(qū)域并進(jìn)行修正，去除實(shí)際的自陰影區(qū)域。可見，采用自陰影光照模型進(jìn)行深度矯正可以進(jìn)一步提高最終所重建的三維頭像模型的展示效果以及精度。步驟204，使用多張人臉圖像中的至少兩張人臉圖像進(jìn)行多幀融合，得到三維人臉模型的二維紋理。在本實(shí)施例中，基于步驟201所獲取的多張人臉圖像，上述電子設(shè)備可以使用其中的至少兩張人臉圖像進(jìn)行多幀融合，得到三維人臉模型的二維紋理，以供后續(xù)渲染使用。融合時(shí)，可以使用多張人臉圖像中的全部人臉圖像進(jìn)行融合，也可以僅使用部分人臉圖像進(jìn)行融合。多幀融合的過程可以是直接融合，也可以進(jìn)行一定的預(yù)處理再融合。步驟205，渲染已矯正三維人臉模型以及二維紋理，以生成三維頭像模型。在實(shí)施例中，電子設(shè)備可以渲染基于步驟203所得到的已矯正三維人臉模型以及基于步驟204所得到的二維紋理，即可渲染生成最終的三維模型。在本實(shí)施例的一些可選的實(shí)現(xiàn)方式中，上述步驟202可以包括：在預(yù)先設(shè)定的多個(gè)人臉姿態(tài)角度取值范圍中，確定針對(duì)所述用戶所采集的人臉圖像集合中每張人臉圖像的人臉姿態(tài)角度所屬的人臉姿態(tài)角度取值范圍；針對(duì)每個(gè)人臉姿態(tài)角度范圍，選取出該人臉姿態(tài)角度范圍對(duì)應(yīng)的至少一張人臉圖像。作為示例，可以預(yù)先設(shè)定0-18度、18-36度、36-54度、54-72度以及72到90度等5個(gè)人臉姿態(tài)角度取值范圍。此時(shí)，電子設(shè)備可以確定每張人臉圖像的人臉姿態(tài)角度屬于上述5個(gè)人臉姿態(tài)角度取值范圍中的哪一個(gè)人臉姿態(tài)角度取值范圍。然后，針對(duì)每個(gè)人臉姿態(tài)角度范圍，在屬于該人臉姿態(tài)角度范圍的人臉圖像中選出對(duì)應(yīng)的至少一張人臉圖像。實(shí)踐中，通?？梢葬槍?duì)每個(gè)人臉姿態(tài)角度范圍選取出一張人臉圖像，這樣即可使用對(duì)每個(gè)人臉姿態(tài)角度范圍選出的一張人臉圖像進(jìn)行后續(xù)處理。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，在步驟201之前，上述方法還包括：從對(duì)用戶的人臉進(jìn)行多角度拍攝而生成的視頻的視頻幀中采集上述人臉圖像集合。在該實(shí)現(xiàn)方式中，可以預(yù)先通過視頻拍攝設(shè)備對(duì)用戶進(jìn)行多角度拍攝而形成視頻。電子設(shè)備即可從該視頻的各個(gè)視頻幀中采集各種人臉姿態(tài)角度的人臉圖像。該實(shí)現(xiàn)方式從視頻中提取出待后續(xù)處理的人臉圖像，只需要一次性拍攝視頻即可，有助于避免對(duì)各種人臉姿態(tài)角度單獨(dú)進(jìn)行人臉拍攝而導(dǎo)致耗時(shí)較長的問題。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，上述選取出該人臉姿態(tài)角度范圍對(duì)應(yīng)的至少一張人臉圖像可以具體包括：按照?qǐng)D像質(zhì)量和/或人臉圖像中的人臉表情，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像。在該實(shí)現(xiàn)方式中，在從屬于該人臉姿態(tài)角度范圍的人臉圖像中選取人臉圖像時(shí)，可以將圖像質(zhì)量和/或人臉表情作為選擇的參考指標(biāo)。通常，可以優(yōu)先選取出圖像質(zhì)量較高以及人臉表情較弱的人臉圖像，質(zhì)量較高的人臉圖像可以提高重建成的三維人臉模型的質(zhì)量，人臉表情較弱則可以使得所處理的圖像帶有較少的表情特征，增強(qiáng)不同人臉圖像之間的共性，使得生成三維人臉頭像的過程中不同人臉圖像情緒特征之間的沖突較少，降低處理難度。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，上述按照?qǐng)D像質(zhì)量和/或人臉圖像中的人臉表情，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像可以按以下步驟執(zhí)行：首先，利用第一卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算出所述人臉圖像集合中每張人臉圖像的圖像質(zhì)量分值，和/或，利用第二卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算出所述人臉圖像集合中每張人臉圖像中人臉的人臉表情分值；之后，按照人臉圖像的圖像質(zhì)量分值和/或人臉表情分值，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像。在該實(shí)現(xiàn)方式中，可以通過卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)每張人臉圖像的圖像質(zhì)量分值和/或人臉表情分值，并按照?qǐng)D像質(zhì)量分值和/或人臉表情分值進(jìn)行人臉圖像的選取。卷積神經(jīng)網(wǎng)絡(luò)是一種端到端模型，不需要人工設(shè)計(jì)提取相關(guān)特征，只需要預(yù)先標(biāo)注好相關(guān)的訓(xùn)練數(shù)據(jù)，即可進(jìn)行端到端學(xué)習(xí)。在該實(shí)現(xiàn)方式中，對(duì)于第一卷積神經(jīng)網(wǎng)絡(luò)模型，可以使用已標(biāo)注好圖像質(zhì)量分值的樣本人臉圖像作為訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練即可；而對(duì)于第二卷積神經(jīng)網(wǎng)絡(luò)模型，可以使用已標(biāo)注好人臉表情分值的樣本人臉圖像作為訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練即可。實(shí)踐中，樣本人臉圖像所標(biāo)注的分值可以由專業(yè)的藝術(shù)評(píng)分師對(duì)人臉圖像進(jìn)行評(píng)分而得到。第一卷積神經(jīng)網(wǎng)絡(luò)模型中可以如圖3所示。其中，可以設(shè)計(jì)采用conv1、conv2、conv3、conv4等4個(gè)卷積層以及Fc5、Fc6等兩個(gè)全連接層組成的小型卷積神經(jīng)網(wǎng)絡(luò)。輸入(Input)可以是人臉圖像F。人臉圖像可以是三通道圖像，在輸入時(shí)每一幀可以規(guī)劃到同一的尺寸，例如40×40。輸出(Output)則可以是一個(gè)0～1之間的數(shù)，用于表示分值。神經(jīng)網(wǎng)絡(luò)可以采用梯度下降法并按一定的學(xué)習(xí)率(例如0.001)進(jìn)行訓(xùn)練。第二卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方法可以參考第一卷積神經(jīng)網(wǎng)絡(luò)模型，這里不再贅述。當(dāng)原始樣本人臉圖像較少時(shí)，可以通過采用旋轉(zhuǎn)、鏡像、隨機(jī)裁剪、dropout、噪聲處理、對(duì)比度處理等方式對(duì)原始樣本人臉圖像進(jìn)行處理，并利用處理得到的人臉圖像對(duì)樣本進(jìn)行擴(kuò)充，防止過少樣本導(dǎo)致的過擬合。此外，訓(xùn)練時(shí)還可以采用0.005L2正則約束項(xiàng)。在按照人臉圖像的圖像質(zhì)量分值和/或人臉表情分值從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像時(shí)，若同時(shí)按照人臉圖像的圖像質(zhì)量分值和/或人臉表情分值，可以按照為圖像質(zhì)量分值和人臉表情分值預(yù)先設(shè)定的權(quán)重以及所得到的圖像質(zhì)量分值和人臉表情分值計(jì)算總權(quán)值，再選出總權(quán)值較大的人臉圖像。本申請(qǐng)的上述實(shí)施例提供的方法，可以通過用戶在不同人臉姿態(tài)角度的多張人臉圖像生成三維人臉模型以及三維人臉模型的二維紋理，從而最終能使用所生成的三維人臉模型以及二維紋理生成最終的三維頭像模型，只需采集用戶在不同人臉姿態(tài)角度的多張人臉圖像即可生成三維頭像模型，成本較低。進(jìn)一步參考圖4，其示出了用于生成三維頭像模型的方法的又一個(gè)實(shí)施例的流程400。該用于生成三維頭像模型的方法的流程400，包括以下步驟：步驟401，獲取用戶的不同人臉姿態(tài)角度的多張人臉圖像。在本實(shí)施例中，步驟401的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中的步驟201，這里不再贅述。步驟402，使用多張人臉圖像中人臉姿態(tài)角度最正的人臉圖像建立初始三維人臉模型。在本實(shí)施例中，步驟402的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中的步驟202，這里不再贅述。步驟403，使用多張人臉圖像中除人臉姿態(tài)角度最正的人臉圖像外的其他至少一張人臉圖像對(duì)初始三維人臉模型進(jìn)行深度矯正，得到已矯正三維人臉模型。在本實(shí)施例中，步驟403的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中的步驟203，這里不再贅述。步驟404，對(duì)多張人臉圖像中的至少兩張人臉圖像執(zhí)行質(zhì)量度提高操作。在本實(shí)施例中，基于步驟403所獲取的多張人臉圖像，電子設(shè)備可以從中選取至少兩張人臉圖像并對(duì)所選取的至少兩張人臉圖像執(zhí)行質(zhì)量度提高操作。由于不同人臉圖像在圖像質(zhì)量上可能存在不同，在圖像質(zhì)量度相差較大的情況直接拼接人臉圖像，容易導(dǎo)致拼接成的二維紋理的拼接邊界處出現(xiàn)明顯的不自然現(xiàn)象，甚至?xí)G失紋理細(xì)節(jié)變得模糊，魯棒性較差。因此，該該步驟可以對(duì)人臉圖像執(zhí)行質(zhì)量度提高操作，從而使得參與后續(xù)融合時(shí)所使用的人臉圖像均具有較高的質(zhì)量度。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，上述質(zhì)量度提高操作包括以下一項(xiàng)或多項(xiàng)：光照均勻化操作、降噪操作、模糊去除操作。光照、噪聲以及清晰度是比較重要的質(zhì)量度指標(biāo)，可以分別進(jìn)行光照均勻化操作、降噪操作、模糊去除操作等操作來提升這些質(zhì)量度指標(biāo)。步驟405，對(duì)質(zhì)量度提高后的至少兩張人臉圖像進(jìn)行多幀融合，以生成三維人臉模型的二維紋理。在本實(shí)施例中，電子設(shè)備可以對(duì)基于步驟404執(zhí)行質(zhì)量度提高操作后所得到的至少兩張人臉圖像進(jìn)行多幀融合，從而生成三維人臉模型的二維紋理。該步驟的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例的步驟204，這里不再贅述。步驟406，渲染已矯正三維人臉模型以及所述二維紋理，以生成三維頭像模型。在本實(shí)施例中，步驟406的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中的步驟205，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，步驟404可以具體包括：針對(duì)所述至少兩張人臉圖像的每一張人臉圖像，將人臉圖像的各個(gè)通道的通道值分別輸入至預(yù)先訓(xùn)練的、用于執(zhí)行質(zhì)量度提高操作的第一反卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型用于表征質(zhì)量度提高前的人臉圖像的各個(gè)通道的通道值與質(zhì)量度提高后的人臉圖像的梯度場(chǎng)的對(duì)應(yīng)關(guān)系；采用泊松方程，基于第一反卷積神經(jīng)網(wǎng)絡(luò)模型輸出的梯度場(chǎng)，重建質(zhì)量度提高后的人臉圖像。該實(shí)現(xiàn)方式中，采用基于梯度場(chǎng)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像處理，使得處理圖像更加自然、清晰。作為示例，第一反卷積神經(jīng)網(wǎng)絡(luò)模型中反卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)可以如圖5所示。其中，反卷積神經(jīng)網(wǎng)絡(luò)的輸入層Input可以是質(zhì)量度提高前的人臉圖像的各個(gè)通道的通道值。例如對(duì)于RGB這種三通道圖像，輸入層可以分別對(duì)應(yīng)于人臉圖像中在R、G、B等三個(gè)通道的通道值。輸出層Output則可以是質(zhì)量度提高后的人臉圖像對(duì)應(yīng)的梯度場(chǎng)。反卷積神經(jīng)網(wǎng)絡(luò)可以是一個(gè)對(duì)稱的網(wǎng)絡(luò)結(jié)構(gòu)。例如，在圖5的中示出的即為4個(gè)卷積層的反卷積網(wǎng)絡(luò)中，反向卷積層D-Layer1、D-Layer2、D-Layer3分別與正向卷積層Layer1、Layer2、Layer3對(duì)稱，即對(duì)應(yīng)的反向卷積層與正向卷積層共享且計(jì)算過程相反。表1示出了反卷積網(wǎng)絡(luò)中網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的一個(gè)示例。網(wǎng)絡(luò)層卷積層池化層特征圖Input(3，512，512)Layer1Filters(3，3，3，64)maxpooling(2，2)(64，256，256)Layer2Filters(3，3，64，128)maxpooling(2，2)(128，128，128)Layer3Filters(3，3，128，256)maxpooling(2，2)(256，64，64)Layer4Filters(3，3，256，512)maxpooling(2，2)(512，32，32)表1在表1中，F(xiàn)ilters(3，3，3，64)表示卷積層卷積核大小為3×3，輸入特征圖個(gè)數(shù)為3，輸出為64個(gè)特征圖，池化層統(tǒng)一采用大小為(2，2)的最大池化，網(wǎng)絡(luò)輸入為3通道512×512的圖像。反向卷積層的參數(shù)與卷積層參數(shù)一一對(duì)應(yīng)，權(quán)值共享，表1中未示出。可選的，在將人臉圖像的各個(gè)通道的通道值輸入至第一反卷積神經(jīng)網(wǎng)絡(luò)模型前，可以對(duì)人臉圖像進(jìn)行一些形狀變換處理，例如可以首先檢測(cè)出人臉圖像中的人臉位置，然后選擇設(shè)定的邊緣比例(例如0.4)進(jìn)行人臉裁剪，把裁剪的圖片，統(tǒng)一縮放到一定尺度(例如512×512)的圖像。之后，將形狀變換處理后的圖像中各通道的通道值輸作為輸入。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，上述方法還包括第一反卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練步驟，包括：對(duì)預(yù)先挑選出的人臉圖像執(zhí)行質(zhì)量度降低操作；將質(zhì)量度降低后的人臉圖像的各個(gè)通道的通道值以及質(zhì)量度降低前的人臉圖像的梯度場(chǎng)分別作為所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型的輸入樣本與輸出樣本，對(duì)所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。在該實(shí)現(xiàn)方式中，在設(shè)置訓(xùn)練第一反卷積神經(jīng)網(wǎng)絡(luò)模型時(shí)所使用的輸入樣本與輸出樣本時(shí)，由于真實(shí)場(chǎng)景中很難得到大量一一對(duì)應(yīng)的原始質(zhì)量度較差以及質(zhì)量度較好的人臉圖像，因此該實(shí)現(xiàn)方式中可以挑選出質(zhì)量度較好的人臉圖像作為輸出樣本，而對(duì)這些質(zhì)量度較好的人臉圖像執(zhí)行質(zhì)量度降低操作，并將質(zhì)量度降低后的人臉圖像作為對(duì)應(yīng)的輸入樣本。例如，假設(shè)第一反卷積神經(jīng)網(wǎng)絡(luò)模型表征的是光照均勻化操作前的人臉圖像的各個(gè)通道的通道值與光照均勻化操作后的人臉圖像的梯度場(chǎng)的對(duì)應(yīng)關(guān)系，則可以選用光照均勻的人臉圖像作為第一反卷積神經(jīng)網(wǎng)絡(luò)模型的輸出樣本，并將對(duì)光照均勻的人臉圖像進(jìn)行重光照渲染而生成的人臉圖像作為第一反卷積神經(jīng)網(wǎng)絡(luò)模型的輸入樣本，以訓(xùn)練成第一反卷積神經(jīng)網(wǎng)絡(luò)。如此，通過這種方式即可解決現(xiàn)實(shí)場(chǎng)景中樣本數(shù)據(jù)難以獲得的問題。作為示例，訓(xùn)練時(shí)可以采用隨機(jī)批量梯度下降法，學(xué)習(xí)率選擇0.001，L2懲罰系數(shù)可以選擇0.0005，并采用earlystop作為迭代終止方案。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，步驟405可以包括：將質(zhì)量度提高后的至少兩張人臉圖像的各個(gè)通道的通道值輸入至預(yù)先訓(xùn)練的第二反卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型用于表征融合前多個(gè)人臉圖像的各個(gè)通道的通道值與融合后圖像的梯度場(chǎng)的對(duì)應(yīng)關(guān)系；采用泊松方程，基于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型輸出的梯度場(chǎng)重建三維人臉模型的二維紋理?？蛇x的，第二反卷積神經(jīng)網(wǎng)絡(luò)模型中反卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)可以參考前述實(shí)現(xiàn)方式中的第一反卷積神經(jīng)網(wǎng)絡(luò)模型。需要說明的是，在第二反卷積神經(jīng)網(wǎng)絡(luò)模型的反卷積神經(jīng)網(wǎng)絡(luò)中，輸入層可以是融合前的至少兩張人臉圖像的各個(gè)通道的通道值，輸出層則可以是融合后的圖像的梯度場(chǎng)。該實(shí)現(xiàn)方式中，采用基于梯度場(chǎng)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像處理，使得處理圖像更加自然、清晰?？蛇x的，在訓(xùn)練階段，可以采用隨機(jī)掩碼的方式構(gòu)建損失函數(shù)，然后利用梯度下降法進(jìn)行訓(xùn)練。為了防止過擬合，提高網(wǎng)絡(luò)泛化能力，還可以采用加噪、對(duì)比度調(diào)整等方式對(duì)原有樣本圖像進(jìn)行形狀變換處理并使用處理生成的新圖像進(jìn)行樣本擴(kuò)充。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，第二反卷積神經(jīng)網(wǎng)絡(luò)模型包括與卷積層對(duì)稱的反向卷積層以及用于提高所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型所輸出的圖像梯度場(chǎng)所對(duì)應(yīng)圖像的分辨率的反向卷積層。該實(shí)現(xiàn)方式中所描述的第二反卷積神經(jīng)網(wǎng)絡(luò)模型中反卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。與圖5所示的網(wǎng)絡(luò)結(jié)構(gòu)不同的是，圖6中的網(wǎng)絡(luò)結(jié)構(gòu)多了反向卷積層D-Layer0，該反向卷積層可用于提高所輸出的圖像梯度場(chǎng)所對(duì)應(yīng)圖像的分辨率。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，上述方法還包括第二反卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練步驟，包括：獲取用于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，所述訓(xùn)練樣本數(shù)據(jù)包括通過不同于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的泊松融合算法所獲得的融合前人臉圖像的通道值和融合后的圖像梯度場(chǎng)和/或通過三維掃描儀掃描到的人臉圖像的通道值和圖像梯度場(chǎng)；基于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本數(shù)據(jù)，對(duì)所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。在該實(shí)現(xiàn)方式中，不同于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的泊松融合算法可以是傳統(tǒng)的統(tǒng)泊松融合算法。在使用傳統(tǒng)的所獲得的統(tǒng)泊松融合算法進(jìn)行融合時(shí)融合前人臉圖像和融合后的圖像作為訓(xùn)練樣本時(shí)，可以人工挑選出融合較好的原始圖像作為所使用的訓(xùn)練樣本。使用傳統(tǒng)的統(tǒng)泊松融合算法不需要額外的專用硬件設(shè)備，具有成本低廉的優(yōu)勢(shì)。在使用通過三維掃描儀掃描到的人臉圖像作為訓(xùn)練樣本時(shí)，只需要在訓(xùn)練時(shí)使用三維掃描儀掃描一次即可，后續(xù)生成三維人臉頭像時(shí)只需要使用訓(xùn)練好的模型即可順利生成，不需要每次生成時(shí)再使用價(jià)格昂貴的三維掃描儀，也有助于降低成本。通常，只需要應(yīng)用的開發(fā)者在訓(xùn)練模型時(shí)使用三維掃描儀，而實(shí)際使用應(yīng)用的終端用戶只需要拍攝圖像或視頻即可利用訓(xùn)練成的模型形成該終端用戶的三維人臉模型，不需要在終端設(shè)備處使用到三維掃描儀看，降低用戶的參與成本。從圖4中可以看出，與圖2對(duì)應(yīng)的實(shí)施例相比，本實(shí)施例中的用于生成三維頭像模型的方法的流程400，在融合成三維人臉模型的二維紋理之前，對(duì)融合所使用人臉圖像進(jìn)行了質(zhì)量度提高，避免融合成的二維紋理不自然的現(xiàn)象，使得最終生成的三維頭像模型也更逼真自然。進(jìn)一步參考圖7，作為對(duì)上述各圖所示方法的實(shí)現(xiàn)，本申請(qǐng)?zhí)峁┝艘环N用于生成三維頭像模型的裝置的一個(gè)實(shí)施例，該裝置實(shí)施例與圖2所示的方法實(shí)施例相對(duì)應(yīng)，該裝置具體可以應(yīng)用于各種電子設(shè)備中。如圖7所示，本實(shí)施例的用于生成三維頭像模型的裝置700包括：獲取單元701、建立單元702、矯正單元703、融合單元704和渲染單元705。其中，獲取單元701用于獲取用戶的不同人臉姿態(tài)角度的多張人臉圖像；建立單元702用于使用所述多張人臉圖像中人臉姿態(tài)角度最正的人臉圖像建立初始三維人臉模型；矯正單元703用于使用所述多張人臉圖像中除人臉姿態(tài)角度最正的人臉圖像外的其他至少一張人臉圖像對(duì)所述初始三維人臉模型進(jìn)行深度矯正，得到已矯正三維人臉模型；融合單元704用于使用所述多張人臉圖像中的至少兩張人臉圖像進(jìn)行多幀融合，得到三維人臉模型的二維紋理；而渲染單元705用于渲染所述已矯正三維人臉模型以及所述二維紋理渲染，以生成三維頭像模型。在本實(shí)施例中，獲取單元701、建立單元702、矯正單元703、融合單元704和渲染單元705的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例的步驟201、步驟202、步驟203、步驟204以及步驟205，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，獲取單元701包括：確定子單元(未示出)，用于在預(yù)先設(shè)定的多個(gè)人臉姿態(tài)角度取值范圍中，確定針對(duì)所述用戶所采集的人臉圖像集合中每張人臉圖像的人臉姿態(tài)角度所屬的人臉姿態(tài)角度取值范圍；選取子單元(未示出)，用于針對(duì)每個(gè)人臉姿態(tài)角度范圍，選取出該人臉姿態(tài)角度范圍對(duì)應(yīng)的至少一張人臉圖像。該實(shí)現(xiàn)方式的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，裝置700還包括：采集單元(未示出)，用于在所述獲取不同人臉姿態(tài)角度的多張人臉圖像之前，從對(duì)所述用戶的人臉進(jìn)行多角度拍攝而生成的視頻的視頻幀中采集所述人臉圖像集合。該實(shí)現(xiàn)方式的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，上述選取子單元進(jìn)一步用于：按照?qǐng)D像質(zhì)量和/或人臉圖像中的人臉表情，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像。該實(shí)現(xiàn)方式的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，選取子單元包括：分值計(jì)算模塊，用于利用第一卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算出所述人臉圖像集合中每張人臉圖像的圖像質(zhì)量分值，和/或，利用第二卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算出所述人臉圖像集合中每張人臉圖像中人臉的人臉表情分值；選取模塊，用于按照人臉圖像的圖像質(zhì)量分值和/或人臉表情分值，從該人臉姿態(tài)角度范圍在所述人臉圖像集合中對(duì)應(yīng)的人臉圖像中選取出至少一張人臉圖像。該實(shí)現(xiàn)方式的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，建立單元702進(jìn)一步用于：采用可變形模板算法建立初始三維人臉模型。該實(shí)現(xiàn)方式的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，矯正單元703進(jìn)一步用于：采用自陰影光照模型進(jìn)行深度矯正。該實(shí)現(xiàn)方式的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，所述融合單元包括：提高子單元，用于對(duì)所述至少兩張人臉圖像執(zhí)行質(zhì)量度提高操作；融合子單元，用于對(duì)質(zhì)量度提高后的至少兩張人臉圖像進(jìn)行多幀融合，以生成三維人臉模型的二維紋理。該實(shí)現(xiàn)方式的具體處理可以參考圖4對(duì)應(yīng)實(shí)施例中相應(yīng)的步驟，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，所述提高子單元，包括：輸入模塊，用于針對(duì)所述至少兩張人臉圖像的每一張人臉圖像，將人臉圖像的各個(gè)通道的通道值分別輸入至預(yù)先訓(xùn)練的、用于執(zhí)行質(zhì)量度提高操作的第一反卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型用于表征質(zhì)量度提高前的人臉圖像的各個(gè)通道的通道值與質(zhì)量度提高后的人臉圖像的梯度場(chǎng)的對(duì)應(yīng)關(guān)系；重建模塊，用于采用泊松方程，基于所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型輸出的梯度場(chǎng)，重建質(zhì)量度提高后的人臉圖像。該實(shí)現(xiàn)方式的具體處理可以參考圖4對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，質(zhì)量度提高操作包括以下一項(xiàng)或多項(xiàng)：光照均勻化操作、降噪操作、模糊去除操作。該實(shí)現(xiàn)方式的具體處理可以參考圖2對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。該實(shí)現(xiàn)方式的具體處理可以參考圖4對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，裝置700還包括第一反卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練單元，用于：對(duì)預(yù)先挑選出的人臉圖像執(zhí)行質(zhì)量度降低操作；將質(zhì)量度降低后的人臉圖像的各個(gè)通道的通道值以及質(zhì)量度降低前的人臉圖像的梯度場(chǎng)分別作為所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型的輸入樣本與輸出樣本，對(duì)所述第一反卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。該實(shí)現(xiàn)方式的具體處理可以參考圖4對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，裝置700還包括融合子單元進(jìn)一步用于：將質(zhì)量度提高后的至少兩張人臉圖像的各個(gè)通道的通道值輸入至預(yù)先訓(xùn)練的第二反卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型用于表征融合前多個(gè)人臉圖像的各個(gè)通道的通道值與融合后圖像的梯度場(chǎng)的對(duì)應(yīng)關(guān)系；采用泊松方程，基于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型輸出的梯度場(chǎng)重建三維人臉模型的二維紋理。該實(shí)現(xiàn)方式的具體處理可以參考圖4對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型包括與卷積層對(duì)稱的反向卷積層以及用于提高所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型所輸出的圖像梯度場(chǎng)所對(duì)應(yīng)圖像的分辨率的反向卷積層。該實(shí)現(xiàn)方式的具體處理可以參考圖4對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。在本實(shí)施例的一些可選實(shí)現(xiàn)方式中，裝置700還包括第二反卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練單元(未示出)，用于：獲取用于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，所述訓(xùn)練樣本數(shù)據(jù)包括通過不同于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的泊松融合算法所獲得的融合前人臉圖像的通道值和融合后的圖像梯度場(chǎng)和/或通過三維掃描儀掃描到的人臉圖像的通道值和圖像梯度場(chǎng)；基于所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本數(shù)據(jù)，對(duì)所述第二反卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。該實(shí)現(xiàn)方式的具體處理可以參考圖4對(duì)應(yīng)實(shí)施例中相應(yīng)的實(shí)現(xiàn)方式，這里不再贅述。下面參考圖8，其示出了適于用來實(shí)現(xiàn)本申請(qǐng)實(shí)施例的終端設(shè)備/服務(wù)器的計(jì)算機(jī)系統(tǒng)800的結(jié)構(gòu)示意圖。圖8示出的終端設(shè)備/服務(wù)器僅僅是一個(gè)示例，不應(yīng)對(duì)本申請(qǐng)實(shí)施例的功能和使用范圍帶來任何限制。如圖8所示，計(jì)算機(jī)系統(tǒng)800包括中央處理單元(CPU)801，其可以根據(jù)存儲(chǔ)在只讀存儲(chǔ)器(ROM)802中的程序或者從存儲(chǔ)部分808加載到隨機(jī)訪問存儲(chǔ)器(RAM)803中的程序而執(zhí)行各種適當(dāng)?shù)膭?dòng)作和處理。在RAM803中，還存儲(chǔ)有系統(tǒng)800操作所需的各種程序和數(shù)據(jù)。CPU801、ROM802以及RAM803通過總線804彼此相連。輸入/輸出(I/O)接口805也連接至總線804。以下部件連接至I/O接口805：包括鍵盤、鼠標(biāo)等的輸入部分806；包括諸如陰極射線管(CRT)、液晶顯示器(LCD)等以及揚(yáng)聲器等的輸出部分807；包括硬盤等的存儲(chǔ)部分808；以及包括諸如LAN卡、調(diào)制解調(diào)器等的網(wǎng)絡(luò)接口卡的通信部分809。通信部分809經(jīng)由諸如因特網(wǎng)的網(wǎng)絡(luò)執(zhí)行通信處理。驅(qū)動(dòng)器810也根據(jù)需要連接至I/O接口805?？刹鹦督橘|(zhì)811，諸如磁盤、光盤、磁光盤、半導(dǎo)體存儲(chǔ)器等等，根據(jù)需要安裝在驅(qū)動(dòng)器810上，以便于從其上讀出的計(jì)算機(jī)程序根據(jù)需要被安裝入存儲(chǔ)部分808。特別地，根據(jù)本公開的實(shí)施例，上文參考流程圖描述的過程可以被實(shí)現(xiàn)為計(jì)算機(jī)軟件程序。例如，本公開的實(shí)施例包括一種計(jì)算機(jī)程序產(chǎn)品，其包括承載在計(jì)算機(jī)可讀介質(zhì)上的計(jì)算機(jī)程序，該計(jì)算機(jī)程序包含用于執(zhí)行流程圖所示的方法的程序代碼。在這樣的實(shí)施例中，該計(jì)算機(jī)程序可以通過通信部分809從網(wǎng)絡(luò)上被下載和安裝，和/或從可拆卸介質(zhì)811被安裝。在該計(jì)算機(jī)程序被中央處理單元(CPU)801執(zhí)行時(shí)，執(zhí)行本申請(qǐng)的方法中限定的上述功能。附圖中的流程圖和框圖，圖示了按照本申請(qǐng)各種實(shí)施例的系統(tǒng)、方法和計(jì)算機(jī)程序產(chǎn)品的可能實(shí)現(xiàn)的體系架構(gòu)、功能和操作。在這點(diǎn)上，流程圖或框圖中的每個(gè)方框可以代表一個(gè)模塊、程序段、或代碼的一部分，該模塊、程序段、或代碼的一部分包含一個(gè)或多個(gè)用于實(shí)現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應(yīng)當(dāng)注意，在有些作為替換的實(shí)現(xiàn)中，方框中所標(biāo)注的功能也可以以不同于附圖中所標(biāo)注的順序發(fā)生。例如，兩個(gè)接連地表示的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時(shí)也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個(gè)方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或操作的專用的基于硬件的系統(tǒng)來實(shí)現(xiàn)，或者可以用專用硬件與計(jì)算機(jī)指令的組合來實(shí)現(xiàn)。描述于本申請(qǐng)實(shí)施例中所涉及到的單元可以通過軟件的方式實(shí)現(xiàn)，也可以通過硬件的方式來實(shí)現(xiàn)。所描述的單元也可以設(shè)置在處理器中，例如，可以描述為：一種處理器包括獲取單元、建立單元、矯正單元、融合單元和渲染單元。其中，這些單元的名稱在某種情況下并不構(gòu)成對(duì)該單元本身的限定，例如，獲取單元還可以被描述為“獲取用戶的不同人臉姿態(tài)角度的多張人臉圖像的單元”。作為另一方面，本申請(qǐng)還提供了一種計(jì)算機(jī)可讀介質(zhì)，該計(jì)算機(jī)可讀介質(zhì)可以是上述實(shí)施例中描述的裝置中所包含的；也可以是單獨(dú)存在，而未裝配入該裝置中。上述計(jì)算機(jī)可讀介質(zhì)承載有一個(gè)或者多個(gè)程序，當(dāng)上述一個(gè)或者多個(gè)程序被該裝置執(zhí)行時(shí)，使得該裝置：獲取用戶的不同人臉姿態(tài)角度的多張人臉圖像；使用所述多張人臉圖像中人臉姿態(tài)角度最正的人臉圖像建立初始三維人臉模型；使用所述多張人臉圖像中除人臉姿態(tài)角度最正的人臉圖像外的其他至少一張人臉圖像對(duì)所述初始三維人臉模型進(jìn)行深度矯正，得到已矯正三維人臉模型；使用所述多張人臉圖像中的至少兩張人臉圖像進(jìn)行多幀融合，得到三維人臉模型的二維紋理；渲染所述已矯正三維人臉模型以及所述二維紋理，以生成三維頭像模型。需要說明的是，本申請(qǐng)所述的計(jì)算機(jī)可讀介質(zhì)可以是計(jì)算機(jī)可讀信號(hào)介質(zhì)或者計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)或者是上述兩者的任意組合。計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)例如可以是——但不限于——電、磁、光、電磁、紅外線、或半導(dǎo)體的系統(tǒng)、裝置或器件，或者任意以上的組合。計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)的更具體的例子可以包括但不限于：具有一個(gè)或多個(gè)導(dǎo)線的電連接、便攜式計(jì)算機(jī)磁盤、硬盤、隨機(jī)訪問存儲(chǔ)器(RAM)、只讀存儲(chǔ)器(ROM)、可擦式可編程只讀存儲(chǔ)器(EPROM或閃存)、光纖、便攜式緊湊磁盤只讀存儲(chǔ)器(CD-ROM)、光存儲(chǔ)器件、磁存儲(chǔ)器件、或者上述的任意合適的組合。在本申請(qǐng)中，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)可以是任何包含或存儲(chǔ)程序的有形介質(zhì)，該程序可以被指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結(jié)合使用。而在本申請(qǐng)中，計(jì)算機(jī)可讀的信號(hào)介質(zhì)可以包括在基帶中或者作為載波一部分傳播的數(shù)據(jù)信號(hào)，其中承載了計(jì)算機(jī)可讀的程序代碼。這種傳播的數(shù)據(jù)信號(hào)可以采用多種形式，包括但不限于電磁信號(hào)、光信號(hào)或上述的任意合適的組合。計(jì)算機(jī)可讀的信號(hào)介質(zhì)還可以是計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)以外的任何計(jì)算機(jī)可讀介質(zhì)，該計(jì)算機(jī)可讀介質(zhì)可以發(fā)送、傳播或者傳輸用于由指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結(jié)合使用的程序。計(jì)算機(jī)可讀介質(zhì)上包含的程序代碼可以用任何適當(dāng)?shù)慕橘|(zhì)傳輸，包括但不限于：無線、電線、光纜、RF等等，或者上述的任意合適的組合。以上描述僅為本申請(qǐng)的較佳實(shí)施例以及對(duì)所運(yùn)用技術(shù)原理的說明。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，本申請(qǐng)中所涉及的發(fā)明范圍，并不限于上述技術(shù)特征的特定組合而成的技術(shù)方案，同時(shí)也應(yīng)涵蓋在不脫離上述發(fā)明構(gòu)思的情況下，由上述技術(shù)特征或其等同特征進(jìn)行任意組合而形成的其它技術(shù)方案。例如上述特征與本申請(qǐng)中公開的(但不限于)具有類似功能的技術(shù)特征進(jìn)行互相替換而形成的技術(shù)方案。當(dāng)前第1頁1 2 3