一种兼容于MPEG-4的三维人脸动画

为了生成真实感的三维人脸动画,提出了一种新的兼容于MPEG-4的人脸动画方法.采用基于均匀网格重采样和网格简化相结合的方法对齐原型三维人脸,并在三维模型上定位FDP和FAP控制点,建立兼容于MPEG-4的人脸动画模型,根据已知的人脸动画定义表构建适合于该方法提出的三维模型的人脸动画定义表.实验结果表明,该人脸动画方法可根据一幅给定的人脸图像自动重建特定人的三维人脸,并根据FAP参数序列驱动模型,生成真实感较好的人脸动画图像.     

独立分量分析在MPEG-4入脸动画中的应用

为进一步提高MPEG-4人脸动画的真实感，引入了独立分量分析，将其应用在MPEG-4模型基编码的人脸动画参数分析方面．通过对获取到的人脸动画参数训练数据应用独立分量分析。获得了一般人脸动画模式，调整独立分量分析空间参数可以生成特定人的任意表情．实验结果表明：基于独立分量分析空间的MPEG-4人脸动画具有较强的真实感和鲁棒性。     

独立分量分析在MPEG-4人脸动画中的应用

为进一步提高MPEG-4人脸动画的真实感,引入了独立分量分析,将其应用在MPEG-4模型基编码的人脸动画参数分析方面．通过对获取到的人脸动画参数训练数据应用独立分量分析,获得了一般人脸动画模式,调整独立分量分析空间参数可以生成特定人的任意表情．实验结果表明:基于独立分量分析空间的MPEG-4 人脸动画具有较强的真实感和鲁棒性．     

基于MPEG-4的三维人脸动画

具有真实感的三维人脸动画是计算机图形学研究的一个重要分支,有着广泛的应用领域。如何在三维人脸模型上实时地模拟人脸的运动,产生具有真实感的人脸表情和动作,是其中的一个难点。该文在MPEG-4的三维人脸动画原理的基础上提出一种新的基于MPEG-4的、适宜于任意拓扑结构模型的三维人脸动画实现方法。该方法能够在FAP帧的驱动下实现真实感较强的三维人脸动画。     

基于MPEG-4的人脸表情动画

为了减少人脸表情动画中奇异的变形,提出了一种用人脸表情库来实现人脸表情动画的方法。这种方法利用人脸表情库中模型的先验知识来约束模型变形,有效地防止了奇异变形的产生。该方法首先对照MPEG-4中定义的人脸定义参数(FDP)选取一些特征点,然后根据人脸动画参数(FAP)来计算这些特征点的位移,最后由人脸表情库实时地组合出新的人脸表情。     

基于MPEG-4的融合多元素的三维人脸动画合成方法

为了实时合成真实感的可视语音,提出了一种融合口型、表情等多种运动元素的三维人脸动画合成方法.以MPEG-4人脸动画标准为基础,建立了汉语音节口型库和人脸基本表情库,通过在人脸动画参数上对共同影响面部运动的多种元素进行加权融合,合成出最终的动画序列.实验结果表明,该方法有效融合了面部运动的多种元素,同时具有真实感和实时性的优点.     

人脸动画中逼真纹理映射的方法

生成真实感人脸纹理细节是人脸动画中的重要组成部分.根据人脸纹理映射部位定位准确和形象逼真的要求,提出了采用MPEG-4标准确定人脸模型特征点的位置,在照片纹理上标注特征点,分区域自动计算三维人脸纹理坐标,实现人脸纹理映射的方法.实验结果表明,使用该方法,人脸纹理映射部位定位准确、效果良好.     

基于肌肉模型的人脸皮肤皱纹模拟

在传统肌肉模型所实现的人脸表情动画基础上,通过对三维人脸网格模型进行细分并基于肌肉模型进行人脸皱纹模拟,从而提高了表情动画的逼真度和真实感。     

一个真实感语音同步人脸动画系统

报道了一个基于肌肉模型的人脸语音动画系统的设计过程，先用一组人脸的激光扫描数据建立起一个三维人脸模型作为原始模型，然后根据特定人脸照片数据对原始模型进行修改以得到特定的人脸模型，在此模型的基础上进行纹理映射，从而实现了人脸表情和语音同步动画。     

具有真实感的虚拟人脸合成

建立了一个可变形的三维人脸网格模型，通过两种变形方法使网格模型与特定人脸照片相匹配；利用所提供的特定人脸的照片，合成人脸的无缝拼接纹理图，同时对变形后的特定人脸网格模型进行了Bezier磨光；将人脸无缝拼接纹理图映射到Bezier磨光后的特定人脸网格模型上，从而生成具有真实感的三维人脸．     

面向中国手语合成的口型与表情库构建

为提高手语合成的真实感和可懂度,分析了手语表达中唇动和表情运动的特点,基于MPEG-4的参数化表达模型,提出了兼容于MPEG-4的口型和表情库构建方法,并基于该库完成了包含手势、唇动和表情的虚拟人手语动画.实验结果表明,包含唇动和表情的合成手语的真实感得到增强,进而说明了口型和表情库的有效性.     

基于Bi -LSTM的面部特征与语音特征的映射模型

针对人脸动画技术中的面部特征与语音特征的映射问题,提出了一种基于双向长短时记忆网络(Bi -LSTM)的映射模型学习方法.首先,在训练视频中同步地分别提取语音信号的MFCC参数和视频帧序列中的人脸特征点参数.其次,训练映射模型过程中将MFCC参数作为Bi -LSTM网络的输入,将面部特征参数作为网络的期望输出,并引入参数调优机制对迭代次数、隐层单元数、批处理大小、优化器类型等进行实验调优,以此得到最优的映射模型.对最优映射模型进行实验结果表明,采用双向Bi -LSTM 网络明显优于单向的LSTM网络,而且经过参数调优后映射准确率达到0.895; 因此,本文方法可以为后续的基于语音驱动的人脸视频合成应用提供有效的人脸特征预测参数.