CN119495399A 一种基于图像识别的整形方案生成方法及系统 (中国人民解放军总医院第四医学中心)_第1页
CN119495399A 一种基于图像识别的整形方案生成方法及系统 (中国人民解放军总医院第四医学中心)_第2页
CN119495399A 一种基于图像识别的整形方案生成方法及系统 (中国人民解放军总医院第四医学中心)_第3页
CN119495399A 一种基于图像识别的整形方案生成方法及系统 (中国人民解放军总医院第四医学中心)_第4页
CN119495399A 一种基于图像识别的整形方案生成方法及系统 (中国人民解放军总医院第四医学中心)_第5页
已阅读5页,还剩43页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

心一种基于图像识别的整形方案生成方法及本发明公开了一种基于图像识别的整形方据模型和目标三维人脸模型为用户生成整形方2S2、基于所述半脸模型从预设的人脸数据库S4、根据第一筛选标准对所述全脸对比图像集3yci=构建旋转矩阵,R表示二维旋转矩阵;应用旋转矩阵进行坐标旋转,2"’将特征点坐标进行平移和缩放,使模型具有尺度和位置不变性,从预设的人脸数据库中获取每个样本人脸图像,分割成与目标半脸对应将样本半脸特征点数量与目标半脸特征点数量进行比较,将差对目标半脸标准化特征向量和待匹配样本中的特征向量进行预处理,计算目标半脸标准化特征向量和待匹配样本中每个样本的特征向之间的综合距离Dd,d的计算公式如下:+w2=1,4接收用户选择的心仪人脸图像集合进行图像分割后生成心仪使用计算出的仿射变换矩阵对心仪半脸图像进行变换,得采用渐进融合算法将目标半脸图像与经过变换的心仪半脸图提取嘴巴和鼻子区域的关键特征点,通过颜色直方图匹配使嘴巴和鼻子将全脸对比图像集合中的全脸对比图像沿中线分为左、右半脸,将对称性得分Sk与预设对称性阈值比较,将对称性得分Sk不满足要求的全脸对比图像5将综合得分与预设分数阈值比较,将综合得分不满足要求的全脸对比图像删所述确定目标案例包括:将保留的全脸对比图像进行比较,将综合收集并处理生成面部图像数据集,所述数据集中包括全grtgr使用结构相似性指数SSIM和峰值信噪比PSNR对6使用三维面部扫描仪获取用户的三维面部数据,进行数据预将点云数据转换为网格模型生成高质量的三收集二维人脸图像和对应的三维人脸模型以构建训练数据集,对二维图像进行旋转、采用卷积神经网络CNN与3DMorphableModel相结合的结构构建转换模型,并进行训根据三维扫描数据和目标三维人脸模型标记需要手术的具体部位生成整形前后对比的三维整形效果展示单元,包括用户界面和功脸集合推荐给用户;融合模块,用于接收用户选择的心仪人脸图像集合,将所述心筛选模块,用于根据第一筛选标准对所述全脸对比图像集预测模块,用于利用生成对抗网络模型对所述目标案例进行预测,方案生成模块,用于基于用户面部三维数据模型和目标789yc′(x″ey″m)表示第二面部特征点的缩放后坐fs表示经过[0034]计算目标半脸标准化特征向量和待匹配样本中每个样本的特征向之间的综合距d的计算公式如下:+w2=1,[0047]采用渐进融合算法将目标半脸图像与经过变换的心仪半[0055]将对称性得分Sk与预设对称性阈值比较,将对称性得分Sk不[0060]将综合得分与预设分数阈值比较,将综合得分不满足要200算法将点云数据转换为网格模型生成高质量[0083]采用卷积神经网络CNN与3DMorphableModel相结合的结构构建转换模型,并进示整形前后模型、使用滑动条在同一位置对比整形前后效果以及将两个模型半透明叠加,[0101]图1是本发明实施例所提供的基于图像识别的整形方案生成方法S1_S7的流程示[0104]请参考图1,其为本发明实施例所提供的一种基于图像识别的整形方案生成方法用户半脸相似的脸部图像,一方面用户可以从一组相似度高的人脸中选择自己心仪的样金比例;[0120]本发明实施例通过数值化分析将左右半脸的差异客观化,来选择评分更高的半yc,,i(x″ey″m)表示第二面部特征点的缩放后坐fs表示经过了不同面部特征对比和处理时的误差,提升了模型匹配的精确度和整形方案生成的科学[0137]计算目标半脸标准化特征向量和待匹配样本中每个样本的特征向之间的综合距d的计算公式如下:+w2=1,棒的相似人脸筛选方法,通过公式计算确保了匹配过程中特征点的统一性和相似度的量[0144]在本发明优选实施例中,所述S3中将所述心仪人脸与用[0152]采用渐进融合算法将目标半脸图像与经过变换的心仪半[0162]将对称性得分Sk与预设对称性阈值比较,将对称性得分Sk不[0167]将综合得分与预设分数阈值比较,将综合得分不满足要200[0188]本发明实施例数据集的清洗和标注保证了GAN模型的训练质量,标注整形区域的让生成器根据输入条件生成更具针对性的整形后图像,同时U_Net结构通过跳跃连接保证算法将点云数据转换为网格模型生成高质量[0192]采用卷积神经网络CNN与3DMorphableModel相结合的结构构建转换模型,并进成的三维模型在细节和整体结构上真实可靠,满足用户在多角度下预览整形效果的需求,[0198]使用预训练的ResNet_50网络提取图像特征F,并通过全连接层将特征F映射到[0202]像素损失:Iinput表示输入的二维人脸图像;ui表示投影后的第i个关键点坐标,ki表示输入图像中对应的第i个关键λ2和λ3表示损失函数的权重参数;示整形前后模型、使用滑动条在同一位置对比整形前后效果以及将两个模型半透明叠加,[0214]请参考图2,其为本发明实施例所提供的一种基于图像识别的整形方案生成系统[0223]由于本实施例中的各单元模块能够执行图1所示的方法,本实施例未详细描述的[0225]处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(IndustryStandardArchitecture,工业标准体系结构)总线、PCI(Peripheral[0227]结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完实施本发明时可以把各单元或模块的功能在同一个或多现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0232]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论