第5期 孙正兴，等：从视频中恢复三维人脸的实时方法 ·431 为非线性优化后的三维恢复效果（为提高真实感， 运用表情比例图像方法在三维人脸上进行纹理映 射[16).图6则是多人多姿态的其他实验结果示例。 从图中可以看出：本文方法可适合于各种人脸（多 人)及多种姿态的变化，包括人脸的平面内晃动、上 a)人险晃动平前内旋转和平移 下旋转、左右摇动和各种夸张表情的变化等。 采用不同形变模型对图5所示的视频(340帧) 进行实验比较，以分析形变基数目k对跟踪效果的 影响，实验结果如图7所示.其中：横轴为时间轴 (单位为s),纵轴为三维反投影(3Dre-projection)与 实际二维形状(ground truth)间的均方根(root mean 转平面外 square,RMS)误差.显然，RMS误差最大的为k=0, 此时，没有使用任何形变基，人脸退化为刚体运动， 误差相对较大，尤其是人脸表情变化剧烈时（如第 123帧).如果引入形变基，则RMS误差在显著减 小，且随着形变基数目的增加呈下降趋势.在k= c)人险左石旋转（平面外 20时，每个点的平均误差大为1个像素. 在迭代过程中，将前一帧的跟踪结果作为后一 帧的初始化输人.在Intel Pentium IV、2.4 GHz CPU、 1GB内存的机器上，对320×240大小的图像进行 实验，ASM匹配阶段大约耗时16ms,三维匹配阶段 (d)人脸表情的变化 耗时20ms,整个系统的处理速度大约25帧/s,满足 了实时性要求。 图6三维人脸恢复效果实例 Fig.6 Illustration of 3D face recovery 15 -k=0 k=1 k=8 y R=20 10 3 5 50 100 150 200 250 300 350 s 图7形变基数目对三维反投影误差的影响 Fig.7 Influence on error using 3D re-projection with different numbers of deformation-based 3结束语 状，并采用非刚体形状和运动估计建立三维人脸形 变基；在线恢复阶段则通过非线性优化方法来估计 为满足视觉交互对人脸姿态及运动建模的要 三维形变模型的参数，进而实现视频人脸的三维姿 求，本文采用主动形状模型与非线性优化结合的方 态和形状的实时恢复.实验结果表明，本文所构建的 法将整个过程分成2个阶段：离线建模阶段利用主 三维形变基能有效地表示人脸种类的多样性及人脸 动形状模型提取视频样本集来获取人脸特征点的形 局部特征变化，适应多种人脸和多种姿态的变化，包