(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210990361.X (22)申请日 2022.08.18 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 翁冬冬　杜秋欣　涂子奇　 (74)专利代理 机构 北京正阳理工知识产权代理 事务所(普通 合伙) 11639 专利代理师 张利萍 (51)Int.Cl. G06T 13/40(2011.01) G06T 17/00(2006.01) G06V 10/74(2022.01) (54)发明名称 一种采用基表情空间变换的高效表情迁移 方法 (57)摘要 本发明提出一种采用基表情空间变换的高 效表情迁移方法， 包括： 预处理阶段和面部表情 迁移阶段； 所述预处理阶段包括： 获取源模型O， 所述源模型O是一种基表情模型， 其中包括多种 不同表情下的表情网格； 对源模型O和对目标模 型T进行面容表情重建， 得到二者的表情描述参 数； 根据表情描述参数进行相似性估计， 得到表 情参数转换矩阵和相似性矩阵； 所述面部表情迁 移阶段包括： 将角色图片输入基表情模型， 根据 基表情模型中的表情描述参数和所述相似性矩 阵， 计算得到目标表情模型的表情描述参数， 完 成表情迁移。 权利要求书2页 说明书7页 附图1页 CN 115457171 A 2022.12.09 CN 115457171 A 1.一种采用基表情空间变换的高效表情迁移方法， 其特征在于， 该方法包括： 预处理阶 段和面部表情迁移阶段； 所述预处 理阶段包括： 获取源模型O， 所述源 模型O是一种基表情模型， 其中包括多种不同表情下的表情网格； 对源模型O和对目标模型T进行面容表情重建， 得到二者的表情描述参数； 根据表情描 述参数进行相似性估计， 得到表情参数转换矩阵和相似性矩阵； 所述面部表情迁移阶段包括： 将角色图片输入基表情模型， 根据基表情模型中的表情 描述参数和所述相似性矩阵， 计算得到目标表情模型的表情描述 参数， 完成表情迁移。 2.如权利要求1所述的采用基表情空间变换的高效表情迁移方法， 其特征在于， 对面容 表情进行重建包括： 定义一组人脸特征点， 在三 维模型中找到对应的顶点序号； 对于任意一 张输入的人脸表情照 片， 检测出定义的特征点的二维坐标， 建立最优化方程， 使得模型中的 特征点投影到平面上的位置与图像中2D点的位置距离最小； 其中所述最优化方程采用如下 表示： E＝∑||P(xv)‑pv||2 其中P为投影矩阵， xv为第v个面部特征点的三维位置， 由所述最优化方程可以求得， pv 是对应的第v个特 征点在二维平面上的投影坐标。 3.如权利要求1或2所述的采用基表情空间变换的高效表情迁移方法， 其特征在于， 所 述源模型O是选择一个无表情的网格模型作为中立基准， 其余表情相对于中立基准的偏移 构成了不同表情的叠加效果， 所述偏移构成了不同面 容表情的表情描述 参数。 4.如权利要求3所述的采用基表情空间变换的高效表情迁移方法， 其特征在于， 对于第 i个面片， 在不同表情下， 特征点相对于中立表情的偏移为δi， 作为当前表情的描述， 那么源 模型O和目标模型T的表情差距由以下公式表示： 其中ECi约束了源模型O和目标模型T之间特征点偏移的方 向； EDi则约束了源模型O和目 标模型T之间特 征点偏移的距离； δOi为源模型O的第i个面片的表情描述， δTi为模型T的第i个面片的表情描述； δDi， v则是 进行了变型传递之后的第i个面片中第v个顶点的偏移， Vi为第i个面片的所有顶点。 5.如权利要求4所述的采用基表情空间变换的高效表情迁移方法， 其特征在于， 每个面 片的表情相似性估计的优化方程如下： ESi＝ λM*EDi*ECi+λD*EDi+λC*ECi 其中ECi为源模型O和目标模型T的表情差距， EDi是添加的一个参考形状作为第二项约束 来获取准确的面部相似性估计， λM、 λD、 λC为权重值； 通过对所有面片求解上述方程， 针对源模型O中的每一个表情， 都可以获得对应的一个 目标模型T的相似表情， 所有的相似表情， 可以组成一组等效混合变形的表情参数转换矩 阵， 该等效混合变形的表情参数转换矩阵对应的目标模型T的表情参数， 对于每个面片的混 合变形参数， 组成了一个相似性矩阵S， 通过该相似性矩阵， 可以将任意一个源模 型O的表情权　利　要　求　书 1/2 页 2 CN 115457171 A 2参数αO转化成对应的模型T相似表情的表情参数αT＝αO*S。 6.如权利要求5所述的采用基表情空间变换的高效表情迁移方法， 其特征在于， 在优化 面片和面片之间的平 滑过渡后， 得到表情相似性估计的优化方程如下： EE＝ER+EO 其中ER为重投影误差优化方程， Li是第i个面片上 的所有特征点， xv， i为第i个面片上的 第v个特征点由上面的局部 混合变形模 型的公式定义， pv， i为该特征点对应的图像中的二 维 坐标， Pi为第i个面片的投影矩阵， λR为ER的权重值； EO为约束相邻面片的形状的方程， 其中v∈S为相邻的重叠区域的顶点， EO约束了第i个 面片与相邻的第j个面片之间重 叠部分的点的距离尽量接 近。权　利　要　求　书 2/2 页 3 CN 115457171 A 3