工业级人脸3D重建：FACEGOOD 推出10万点人脸关键点跟踪

2020 年 3 月 19 日 计算机视觉life

点击上方“计算机视觉life”，选择“星标”

快速获得最新干货

目前无论是学术界还是工业界对人脸的研究有两个方向，其一民用级，通过技术泛化为用户提供低精的产品，这些技术在工业级高精度上是无法满足需要的，主要因为算法泛化丢失了人脸的高频信息。其二工业级，从人脸生物力学仿真层面，持续提高精度，FACEGOOD 走在这个方向，在技术适当泛化的基础上，其将人脸关键点跟踪推向了极致，目前已将精度推到 10 万级，该技术可用于工业级换脸、表情捕捉等场合。

简介

人脸关键点检测在安防、金融、娱乐等领域具有广泛的应用，可以说已经成为非常基础的算法，我们先来回顾一下它的发展历史，Tim Cootes & Chris Taylor 在 1995 提出了一种新的方法（Active Shape Model）开创了人脸关键点对齐的先河，ASM 引入了统计模型来解决对齐问题，紧接着三年之后，他俩在此基础上发展出了 Active Appreance Model，这个方法有很重的历史地位，要知道当时人脸对齐问题是个很棘手的事，传统的 CV 算法太粗暴，难以应付人脸这种高纬特征，AAM 之后算是进入了一个正确的方向，为后来神经网络方法奠定了基础，基本思想是 ASM 并没有考虑到纹理特征，只是对 landmark 训练了一个统计模型出来，AAM 进一步优化了 ASM，在回归的过程中加入了纹理特征，这样就解决了特征的泛化匹配的问题，使得人脸对齐更加鲁棒。20 年之后，在众多研究者不断推动下 2D 人脸对齐问题已经彻底解决了，算法也已经白菜化，随便在 github 都有大量的精度不错的开源项目。

与此同时，在 1998 年有两位研究人员又开辟了一条新赛道，他们提出了 3D 对齐算法，将人脸对齐推向了一个全新的维度，这套方法目前已经成为现在工业界主流的算法流程，现在工业界习惯上把它叫做 3DMM，虽然并不严谨，但我们姑且沿用这样一个定义，3DMM 计算结果是在人脸上拟合并投影出一个 3D 点云，它的应用就非常丰富了，美颜、表情捕捉、通过照片生成一张人脸等等都用了类似的技术。

公式 1。

如上图所示基本思想是：一张脸可以由多个不同的人脸通过线性组合得出，换句话说，给出一张人脸，要得出 3D 模型，就是一个系数的回归问题，了解 AAM 的同学一眼就看出来这个公式就是 AAM 公式，也可以说这是 AAM 的另一种应用，其中 S 是平均脸，s 是特征向量，ai 是权重系数。Tmodel 是用来拟合人脸纹理，同样使用线性组合得出。3DMM 是一个非常初期的 idea，他的计算结果并不理想，现在来看只能算玩具级，主要是 PCA 在精度上的丢失是很严重的。

2008 年，一篇论文的发表将 3DMM 的精度进一步推广，公式 1 只采样了人脸在某一时刻的表情，因此在表情上没有考虑到其他情况，导致精度丢失。这篇论文增加了一个维度，因此叫「双线性模型」，在人脸基础上加上了表情因素，这样的计算结果更加可信。

公式 2。

这个双线性公式在公式 1 的思路上增加了一个系数 a，表示不同表情，b 表示不同的个体，w 是人脸数据库，到此 3DMM 在算法流程上完整了，为日后 Facewarehouse 等应用奠定了基础，后面的故事大家都知道了 Facewarehouse 推出了自己的数据库及应用思路，讲到这里我们对前面这些研究做个总结。

3DMM 缺点是很明显的，在技术泛化这条路上一路狂奔，忽略了人脸非常多的细节，尤其是高频低幅度的表情细节，在个体上体现非常明显，造成这个局面的原因有两个，基于统计的回归并不精确，是一个模糊解，3D 数据库模型的采集多数用成本低廉的设备生成，精度不高，两者加起来，3DMM 在高精应用场景可以说完全无法满足需求，更不可能达到工业级超高精度需要。

FACEGOOD 3DMM 模型

图示 1 BFM & SFM 模型。

图示 2 FACEGOOD 模型。

为了更精确的计算人脸的 3D 信息，并能适用于工业级业务场景，FACEGOOD 团队采用相机阵列方式采集了 100 个不同个体的 3D 模型，每个人有 43 个不同的表情，以及他们对应的高精度皮肤材质数据，至于这些数据建立了 FACEGOOD 3DMM 模型。

目前开源的数据库主要有 BFM 跟 SFM 两个，同时还有一个 Facewarehouse 仅供学术研究使用，对比这些数据库，FACEGOOD 3DMM 主要体现在精度上，抛弃 kinect 这类民用级扫描技术，使用相机阵列的方式，可以完全重建人脸的所有肖像特征，如上图所示，图示 2 是 FACEGOOD 数据，图示 1 是 SFM 数据，后者在细节上损失很大，基本上只保留了人脸的大概特征。

FACEGOOD 超高精度流程

神经网络的优势主要在技术泛化上有很好的表现，但在高精度场合并非理想选择，为了达到高精度跟踪人脸的 3D 特征，包括脸型、五官的深度、微表情的变化等，FACEGOOD 研发人员使用传统算法实现了这一套方案，目前已经在超写实数字人上开始应用。

公式 3。

FACEGOOD Pose Estimation。

如上图公式 3 所示，基本思想是：同样基于人脸可由基础脸线性组合得出这样一个假设，FACEGOOD 团队研发了这样一套算法，Cm 是 FACEGOOD 3DMM 模型，第一步使用高精算法（图示 3）跟踪人脸的 2D 特征点，随后在此基础上拟合出人脸高精度 3D 模型，再通过 V(wi) 进一步优化 3D 模型，这一步的结果基本贴合到人脸。然后继续优化，在得出带有表情的基本 Eexp 之后，加上一个 detaV，使得 3D 模型完全对齐到人脸，到此就得到了一个完整的高精度的 3D 人脸，包括了在眼轮匝肌、口轮匝肌周围细微的高频的微表情信息。

最终，得出精确的 3D 人脸之后，通过肌肉仿真算法，将表情参数重定向到虚拟人物，就跑完了全流程。

参考文献：

· 微表情在戏剧表演中对艺术真实塑造的作用，曹娜，衡阳师范学校音乐系，2016

· T.F. Cootes and C.J. Taylor and D.H. Cooper and J. Graham (1995). "Active shape models - their training and application". Computer Vision and Image Understanding

· Cootes, T. F.; Edwards, G. J.; Taylor, C. J. (1998). "Active appearance models". Computer Vision — ECCV'98. Lecture Notes in Computer Science.

· Bilinear Model for 3D Face and Facial Expression Recognition,Iordanis Mpiperis,Fellow,IEEE,2008.

· Ekman and W. Friesen. Facial Action Coding System: A Technique for the Measurement of Facial Movement. Consulting Psychologists Press, Palo Alto, 1978.

· BRADLEY, D., HEIDRICH, W., POPA, T., AND SHEFFER, A. 2010. High resolution passive facial performance capture. ACM Trans. Graph. 29, 4 (July), 41:1–41:10.

· PIGHIN, F. H., SZELISKI, R., AND SALESIN, D. 1999. Resynthesizing Facial Animation through 3D Model-based Tracking. In Proc. 7th International Conference on Computer Vision, Kerkyra, Greece, 143–150.

· WEISE, T., BOUAZIZ, S., LI, H., AND PAULY, M. 2011. Realtime performance-based facial animation. ACM Transactions on Graphics (Proceedings SIGGRAPH 2011) 30, 4 (July).LIU, X., MAO, T., XIA, S., YU, Y., AND WANG, Z. 2008. Facial animation by optimized blendshapes from motion capture data. Computer Animation and Virtual Worlds 19, 3–4, 235–245.

· LI, H., ADAMS, B., GUIBAS, L. J., AND PAULY, M. 2009. Robust single-view geometry and motion reconstruction. ACM Transactions on Graphics (Proceedings SIGGRAPH Asia 2009) 28, 5.

· BALTRUSAITIS, T., ROBINSON, P., AND MORENCY, L.-P. 2012. 3D constrained local model for rigid and non-rigid facial tracking. In Computer Vision and Pattern Recognition (CVPR 2012).

· CHUANG, E., AND BREGLER, C. 2002. Performance driven facial animation using blendshape interpolation. Tech. rep., Stanford University.

从零开始学习三维视觉核心技术SLAM，扫描查看介绍，3天内无条件退款

欢迎关注公众号：计算机视觉life，一起探索计算机视觉新世界~ 早就是优势，学习切忌单打独斗，这里有教程资料、练习作业、答疑解惑等，优质学习圈帮你少走弯路，快速入门！

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~