面部表情重建方法、终端设备及计算机可读存储介质与流程

1.本技术属于图像处理技术领域，尤其涉及一种面部表情重建方法、装置、终端设备及计算机可读存储介质。


背景技术：

2.随着深度学习的发展，三维人脸重建技术成为一个研究热点，受到了研究者广泛的关注。三维人脸重建是指，根据被测个体的二维人脸图像重建出其三维人脸模型。
3.现有的三维人脸重建技术，通常使用固定的线性形状空间估计三维人脸模型。这类方法只能捕获人脸的低频形状信息，无法精确捕捉人脸的细节特征，导致过渡平滑，重建效果较差。


技术实现要素：

4.本技术实施例提供了一种面部表情重建方法、装置、终端设备及计算机可读存储介质，可以有效提高面部表情重建结果的精确度。
5.第一方面，本技术实施例提供了一种面部表情重建方法，包括：
6.根据第一目标人脸的第一人脸图像生成包含所述第一目标人脸的面部表情特征的第一位移贴图，其中，所述第一人脸图像中的所述第一目标人脸具有预设面部表情；
7.根据所述第一目标人脸的第二人脸图像生成所述第一目标人脸的初始三维模型，其中，所述第二人脸图像中的所述第一目标人脸不具有所述预设面部表情；
8.根据所述第一位移贴图和所述第一目标人脸的初始三维模型，生成所述第一目标人脸的最终三维模型。
9.本技术实施例中，第二人脸图像中的第一目标人脸不具有预设面部表情，根据第二人脸图像生成第一目标人脸的初始三维模型，相当于对第一目标人脸进行粗粒度重建；第一人脸图像中的第一目标人脸具有预设面部表情，生成的第一位移贴图中包含第一目标人脸的面部表情特征，相当于获取到了第一目标人脸的面部动作细节；根据第一位移贴图和第一目标人脸的初始三维模型生成第一目标人脸的最终三维模型，相当于在对第一目标人脸进行粗粒度重建的基础上，添加了第一目标人脸的细节特征。换言之，上述面部表情重建方法，既关注了人脸的全局特征，又关注了人脸的局部特征，使得最终三维模型能够更加精确地表征第一目标人脸。
10.在第一方面的一种可能的实现方式中，所述根据第一目标人脸的第一人脸图像生成包含所述第一目标人脸的面部表情特征的第一位移贴图，包括：
11.对所述第一人脸图像进行面部表情检测，获得第一特征数据；
12.将所述第一特征数据输入训练后的第一模型，获得所述第一位移贴图。
13.在第一方面的一种可能的实现方式中，在将所述第一特征数据输入训练后的第一模型，获得所述第一位移贴图之前，所述方法还包括：
14.根据第二目标人脸的第三人脸图像生成包含所述第二目标人脸的面部表情特征
的第二位移贴图，其中，所述第三人脸图像中的所述第二目标人脸具有所述预设面部表情；
15.根据第二目标人脸的第四人脸图像生成所述第二目标人脸的初始三维模型，其中，所述第四人脸图像中的所述第二目标人脸不具有所述预设面部表情；
16.根据所述第二位移贴图和所述第二目标人脸的初始三维模型，生成所述第二目标人脸的最终三维模型；
17.根据所述第二目标人脸的最终三维模型生成所述第二目标人脸的二维绘制图像；
18.根据所述第二目标人脸的二维绘制图像和所述第三人脸图像计算第一损失值；
19.根据所述第一损失值更新所述第一模型的模型参数，获得训练后的所述第一模型。
20.在第一方面的一种可能的实现方式中，所述根据所述第二目标人脸的二维绘制图像和所述第三人脸图像计算第一损失值，包括：
21.根据训练后的人脸识别模型分别获取所述第二目标人脸的二维绘制图像的第一识别结果和所述第三人脸图像的第二识别结果；
22.计算所述第一识别结果和所述第二识别结果之间的第二损失值；
23.计算第三损失值，所述第三损失值用于表征所述第二目标人脸的二维绘制图像和所述第三人脸图像之间的图像误差；
24.计算第四损失值，所述第四损失值用于表征所述第二目标人脸的二维绘制图像中的人脸关键点和所述第三人脸图像中的人脸关键点之间的误差；
25.计算第五损失值，所述第五损失值用于表征所述第二目标人脸的二维绘制图像和所述第三人脸图像之间的面部表情差异；
26.根据所述第二损失值、所述第三损失值、所述第四损失值和所述第五损失值计算所述第一损失值。
27.在第一方面的一种可能的实现方式中，所述根据所述第一目标人脸的第二人脸图像生成所述第一目标人脸的初始三维模型，包括：
28.将所述第二人脸图像输入训练后的第二模型，获得所述第一目标人脸的第二特征数据；
29.将所述第二特征数据输入预设的三维人脸统计模型，获得所述第一目标人脸的初始三维模型。
30.在第一方面的一种可能的实现方式中，在将所述第二人脸图像输入训练后的第二模型，获得所述第一目标人脸的第二特征数据之前，所述方法还包括：
31.将第三目标人脸的第五人脸图像输入所述第二模型，获得所述第三目标人脸的第三特征数据，其中，所述第五人脸图像中的所述第三目标人脸具有所述预设面部表情；
32.将所述第三特征数据输入所述三维人脸统计模型，获得所述第三目标人脸的初始三维模型；
33.根据所述第三目标人脸的初始三维模型生成所述第三目标人脸的二维绘制图像；
34.根据所述第三目标人脸的二维绘制图像和所述第五人脸图像计算第六损失值；
35.根据所述第六损失值更新所述第二模型的模型参数，获得训练后的所述第二模型。
36.在第一方面的一种可能的实现方式中，所述第一目标人脸的初始三维模型由多个
三角面组成；
37.根据所述第一位移贴图和所述第一目标人脸的初始三维模型，生成所述第一目标人脸的最终三维模型，包括：
38.根据所述第一位移贴图获得所述第一目标人脸的初始三维模型中所述三角面上顶点的位移量；
39.根据所述位移量和所述第一目标人脸的初始三维模型中所述三角面上顶点的坐标，计算所述三角面上顶点的偏移坐标；
40.根据所述三角面上顶点的偏移坐标生成所述第一目标人脸的最终三维模型。
41.第二方面，本技术实施例提供了一种面部表情重建装置，包括：
42.贴图生成单元，用于根据第一目标人脸的第一人脸图像生成包含所述第一目标人脸的面部表情特征的第一位移贴图，其中，所述第一人脸图像中的所述第一目标人脸具有预设面部表情；
43.初始重建单元，用于根据所述第一目标人脸的第二人脸图像生成所述第一目标人脸的初始三维模型，其中，所述第二人脸图像中的所述第一目标人脸不具有所述预设面部表情；
44.最终重建单元，用于根据所述第一位移贴图和所述第一目标人脸的初始三维模型，生成所述第一目标人脸的最终三维模型。
45.第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的面部表情重建方法。
46.第四方面，本技术实施例提供了一种计算机可读存储介质，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的面部表情重建方法。
47.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的面部表情重建方法。
48.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
49.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
50.图1是本技术实施例提供的面部表情重建方法的流程示意图；
51.图2是本技术实施例提供三维人脸模型的示意图；
52.图3是本技术实施例提供的人脸重建流程的示意图；
53.图4是本技术实施例提供的面部表情重建装置的结构框图；
54.图5是本技术实施例提供的终端设备的结构示意图。
具体实施方式
55.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
56.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
57.另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
58.在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
59.参见图1，是本技术实施例提供的面部表情重建方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
60.s101，根据第一目标人脸的第一人脸图像生成包含所述第一目标人脸的面部表情特征的第一位移贴图。
61.位移贴图可以使曲面的几何体产生位移，即应用材质的灰度生成位移。2d 图像中亮色要比暗色向外推进得更为厉害，从而产生了几何体的3d位移。
62.其中，所述第一人脸图像中的所述第一目标人脸具有预设面部表情。
63.通常，面部纹理的出现都是由于面部肌肉发生收缩所带来的结果，不同面部肌肉的变化组成了各种各样的表情。本技术实施例中的预设面部表情，可以根据面部动作编码系统(facial action coding system，facs)获得。该系统基于人脸的解刨学特点，定义了人脸上若干个运动单元(action unit，au)，这些au既能相互独立、又能相互联系。这些au组合起来，可以描述各种面部表情。例如，au包括额腹(也称额肌)的内侧肌群、额腹的外侧肌群、降眉肌 (降眉间肌和皱眉肌的组合肌肉群)等。
64.在一个实施例中，s101可以包括：
65.对所述第一人脸图像进行面部表情检测，获得第一特征数据；将所述第一特征数据输入训练后的第一模型，获得所述第一位移贴图。
66.本技术实施例中，可以基于au对第一人脸图像进行面部表情检测。示例性的，可以预先建立基于au的面部细节模型，将第一人脸图像输入该面部细节模型，即可输出第一特征数据。通过上述方法，相当于从特定于个体的细节隐空间和au空间中重建面部细节。
67.s102，根据所述第一目标人脸的第二人脸图像生成所述第一目标人脸的初始三维模型。
68.其中，所述第二人脸图像中的所述第一目标人脸不具有所述预设面部表情。
69.初始三维模型由多个三角面组成。如图2所示，为不同角度人脸的三维模型。
70.在一个实施例中，s102可以包括：
71.将所述第二人脸图像输入训练后的第二模型，获得所述第一目标人脸的第二特征数据；将所述第二特征数据输入预设的三维人脸统计模型，获得所述第一目标人脸的初始三维模型。
72.本技术实施例中，第二模型可以是一个编码器，将第二人脸图像输入训练后的编码器中，获得第一目标人脸的第二特征数据。
73.三维人脸统计模型可以采用flame模型，该模型是一种线性形状空间。此线性形状空间与铰接的颈部、下颌、眼球、姿势相关的矫正混合形状以及其他全局表达混合形状相结合。模型可以被定义为下式：
[0074][0075]
其中，β表示面部特征数据；θ表示面部姿态数据；k表示与头部铰接的部位的数量，例如，k＝4表示颈部、下颌以及两个眼球共4个部位；ψ表示面部表情数据。混合蒙皮函数使得t中的顶点绕关节j旋转，由混合权重进行线性平滑。关节位置被定义为面部特征β的函数。此外：
[0076][0077]
其中，t
p
表示在无姿态情况下的平均模板t(三维头部模型的模板)中添加了外表混合形状姿态矫正以及表情混合形状be(ψ；ε)。其中，ε是学习到的个体特征、姿态和表情。
[0078]
相应的，在上述初始三维模型的生成过程中，通过一个生成器(第二模型) 对第二人脸图像回归，得到一组低纬度的特征编码(第二特征数据)，该特征编码包括面部特征数据β、面部姿态数据θ、面部表情数据ψ、贴图参数α、相机参数c以及光线参数l。其中，β、θ和ψ用于输入flame(预设的三维人脸统计模型)、以生成第一目标人脸的初始三维模型。
[0079]
第二模型输出的第一目标人脸的第二特征数据包括β，θ和ψ。
[0080]
s103，根据所述第一位移贴图和所述第一目标人脸的初始三维模型，生成所述第一目标人脸的最终三维模型。
[0081]
在一个实施例中，s103包括：
[0082]
根据所述第一位移贴图获得所述第一目标人脸的初始三维模型中所述三角面上顶点的位移量；根据所述位移量和所述第一目标人脸的初始三维模型中所述三角面上顶点的坐标，计算所述三角面上顶点的偏移坐标；根据所述三角面上顶点的偏移坐标生成所述第一目标人脸的最终三维模型。
[0083]
具体的，获得初始三维模型后，三角面上顶点的法线是已知的。对于任意一个顶点，该顶点的位移量
×
该顶点的发现 该顶点在初始三维模型中的坐标＝该顶点的偏移坐标。
[0084]
本技术实施例中，第二人脸图像中的第一目标人脸不具有预设面部表情，根据第二人脸图像生成第一目标人脸的初始三维模型，相当于对第一目标人脸进行粗粒度重建；第一人脸图像中的第一目标人脸具有预设面部表情，生成的第一位移贴图中包含第一目标人脸的面部表情特征，相当于获取到了第一目标人脸的面部动作细节；根据第一位移贴图和第一目标人脸的初始三维模型生成第一目标人脸的最终三维模型，相当于在对第一目标
人脸进行粗粒度重建的基础上，添加了第一目标人脸的细节特征。换言之，上述面部表情重建方法，既关注了人脸的全局特征，又关注了人脸的局部特征，使得最终三维模型能够更加精确地表征第一目标人脸。
[0085]
参见图3，是本技术实施例提供的人脸重建流程的示意图。如图3所示，图像31(第一人脸图像)中的人脸具有面部表情，图像32(第二人脸图像)中的人脸无面部表情，两张图像中的人脸相同。将图像31输入action unitdetector(面部细节模型)，得到feature map(第一特征数据)；将featuremap输入训练后的一组e、d(编码器和解码器)中，获得displacement map(第一位移贴图)。将图像32输入一个训练后的e(编码器)中，输出β、θ、ψ、α、c和l(第二特征数据)；将β、θ、ψ输入flame(第二模型)中，获得3d model
peace (初始三维模型)。最后，将displacement map和3d model
peace
生成3d model
activate (最终三维模型)。
[0086]
在一个实施例中，需要预先训练s101实施例中所述的第一模型。具体的，第一模型的训练方法可以包括：
[0087]
s401，根据第二目标人脸的第三人脸图像生成包含所述第二目标人脸的面部表情特征的第二位移贴图。其中，所述第三人脸图像中的所述第二目标人脸具有所述预设面部表情。
[0088]
s402，根据第二目标人脸的第四人脸图像生成所述第二目标人脸的初始三维模型。其中，所述第四人脸图像中的所述第二目标人脸不具有所述预设面部表情。
[0089]
s403，根据所述第二位移贴图和所述第二目标人脸的初始三维模型，生成所述第二目标人脸的最终三维模型。
[0090]
步骤s401-s403与步骤s101-s103相同，具体可参见s101-s103实施例中的描述，在此不再赘述。
[0091]
s404，根据所述第二目标人脸的最终三维模型生成所述第二目标人脸的二维绘制图像。
[0092]
本技术实施例中，可以通过现有的可微绘制技术，将三维模型生成二维绘制图像。
[0093]
s405，根据所述第二目标人脸的二维绘制图像和所述第三人脸图像计算第一损失值。
[0094]
可选的，第一损失值的计算方式包括：
[0095]
i、根据训练后的人脸识别模型分别获取所述第二目标人脸的二维绘制图像的第一识别结果和所述第三人脸图像的第二识别结果。
[0096]
本技术实施例中的人脸识别模型可以采用神经网络模型。
[0097]
ii、计算所述第一识别结果和所述第二识别结果之间的第二损失值。
[0098]
具体的，可以通过公式计算第二损失值。其中，loss
id
为第二损失值，f表示人脸识别模型，i
input
表示第三人脸图像，i
render
表示第二目标人脸的二维绘制图像。
[0099]
第二损失值用于表示身份信息一致性损失，通过该损失训练模型，可以提高模型对面部形状真实感的生成能力。
[0100]
iii、计算第三损失值，所述第三损失值用于表征所述第二目标人脸的二维绘制图像和所述第三人脸图像之间的图像误差。
[0101]
具体的，可以通过公式loss
photo
＝||i
mask
⊙
(i
input-i
render
)||1计算第三损失值。其中，loss
photo
为第三损失值，i
mask
是图像中面部区域的掩码，
⊙
表示哈达玛积。上述公式中，只计算面部有效区域的误差，可以增强对头发、眼镜以及帽子等遮挡情况下的鲁棒性。
[0102]
iv、计算第四损失值，所述第四损失值用于表征所述第二目标人脸的二维绘制图像中的人脸关键点和所述第三人脸图像中的人脸关键点之间的误差。
[0103]
具体的，可以通过公式计算第四损失值。其中， loss
lmk
为第四损失值，lmki为面部关键点(本技术实施例中采用68个关键点)， proj表示正交投影变换，是2d面部关键点在flame表面对应的三维点。
[0104]
vi、计算第五损失值，所述第五损失值用于表征所述第二目标人脸的二维绘制图像和所述第三人脸图像之间的面部表情差异。
[0105]
具体的，可以通过公式计算第五损失值。其中， loss
au
为第五损失值，aui为二维绘制图像经面部细节检测后得到的第i个au标签，aui′
为第三人脸图像经面部细节检测后得到的第i个au标签。
[0106]
vii、根据所述第二损失值、所述第三损失值、所述第四损失值和所述第五损失值计算所述第一损失值。
[0107]
可以将第二损失值、第三损失值、第四损失值和第五损失值相加，得到第一损失值。
[0108]
可选的，可以为各损失值分配权重，将各损失值加权求和。这样能够更加针对性地训练网络。
[0109]
s406，根据所述第一损失值更新所述第一模型的模型参数，获得训练后的所述第一模型。
[0110]
示例性的，若第一损失值小于预设阈值，则将当前的模型确定为训练后的第一模型。若第一损失值大于或等于预设阈值，则根据第一损失值更新当前的第一模型的模型参数，获得更新后的第一模型。然后继续计算更新后的第一模型的损失值，依次类推。
[0111]
在一个实施例中，需要预先训练s102实施例中所述的第二模型。具体的，第二模型的训练方法可以包括：
[0112]
s501，将第三目标人脸的第五人脸图像输入所述第二模型，获得所述第三目标人脸的第三特征数据，其中，所述第五人脸图像中的所述第三目标人脸具有所述预设面部表情。
[0113]
s502，将所述第三特征数据输入所述三维人脸统计模型，获得所述第三目标人脸的初始三维模型。
[0114]
步骤s501-s502与上述步骤s102实施例中描述的步骤相同，具体可参照s102实施例中的描述，在此不再赘述。
[0115]
s503，根据所述第三目标人脸的初始三维模型生成所述第三目标人脸的二维绘制图像。
[0116]
本技术实施例中，可以通过现有的可微绘制技术，将三维模型生成二维绘制图像。
[0117]
s504，根据所述第三目标人脸的二维绘制图像和所述第五人脸图像计算第六损失值。
[0118]
可选的，第六损失值可以为loss
id
、loss
photo
和loss
lmk
的加权和。其计算方法可参见s405实施例中的描述，在此不再赘述。
[0119]
s505，根据所述第六损失值更新所述第二模型的模型参数，获得训练后的所述第二模型。
[0120]
示例性的，若第六损失值小于预设阈值，则将当前的模型确定为训练后的第二模型。若第六损失值大于或等于预设阈值，则根据第六损失值更新当前的第二模型的模型参数，获得更新后的第二模型。然后继续计算更新后的第二模型的损失值，依次类推。
[0121]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0122]
对应于上文实施例所述的面部表情重建方法，图4是本技术实施例提供的面部表情重建装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0123]
参照图4，该装置包括：
[0124]
贴图生成单元61，用于根据第一目标人脸的第一人脸图像生成包含所述第一目标人脸的面部表情特征的第一位移贴图，其中，所述第一人脸图像中的所述第一目标人脸具有预设面部表情.
[0125]
初始重建单元62，用于根据所述第一目标人脸的第二人脸图像生成所述第一目标人脸的初始三维模型，其中，所述第二人脸图像中的所述第一目标人脸不具有所述预设面部表情。
[0126]
最终重建单元63，用于根据所述第一位移贴图和所述第一目标人脸的初始三维模型，生成所述第一目标人脸的最终三维模型。
[0127]
可选的，贴图生成单元61还用于：
[0128]
对所述第一人脸图像进行面部表情检测，获得第一特征数据；
[0129]
将所述第一特征数据输入训练后的第一模型，获得所述第一位移贴图。
[0130]
可选的，装置6还包括：
[0131]
第一训练单元64，用于根据第二目标人脸的第三人脸图像生成包含所述第二目标人脸的面部表情特征的第二位移贴图，其中，所述第三人脸图像中的所述第二目标人脸具有所述预设面部表情；根据第二目标人脸的第四人脸图像生成所述第二目标人脸的初始三维模型，其中，所述第四人脸图像中的所述第二目标人脸不具有所述预设面部表情；根据所述第二位移贴图和所述第二目标人脸的初始三维模型，生成所述第二目标人脸的最终三维模型；根据所述第二目标人脸的最终三维模型生成所述第二目标人脸的二维绘制图像；根据所述第二目标人脸的二维绘制图像和所述第三人脸图像计算第一损失值；根据所述第一损失值更新所述第一模型的模型参数，获得训练后的所述第一模型。
[0132]
可选的，第一训练单元64还用于：
[0133]
根据训练后的人脸识别模型分别获取所述第二目标人脸的二维绘制图像的第一识别结果和所述第三人脸图像的第二识别结果；
[0134]
计算所述第一识别结果和所述第二识别结果之间的第二损失值；
[0135]
计算第三损失值，所述第三损失值用于表征所述第二目标人脸的二维绘制图像和所述第三人脸图像之间的图像误差；
[0136]
计算第四损失值，所述第四损失值用于表征所述第二目标人脸的二维绘制图像中的人脸关键点和所述第三人脸图像中的人脸关键点之间的误差；
[0137]
计算第五损失值，所述第五损失值用于表征所述第二目标人脸的二维绘制图像和所述第三人脸图像之间的面部表情差异；
[0138]
根据所述第二损失值、所述第三损失值、所述第四损失值和所述第五损失值计算所述第一损失值。
[0139]
可选的，初始重建单元62还用于：
[0140]
将所述第二人脸图像输入训练后的第二模型，获得所述第一目标人脸的第二特征数据；
[0141]
将所述第二特征数据输入预设的三维人脸统计模型，获得所述第一目标人脸的初始三维模型。
[0142]
可选的，装置6还包括：
[0143]
第二训练单元65，用于将第三目标人脸的第五人脸图像输入所述第二模型，获得所述第三目标人脸的第三特征数据，其中，所述第五人脸图像中的所述第三目标人脸具有所述预设面部表情；将所述第三特征数据输入所述三维人脸统计模型，获得所述第三目标人脸的初始三维模型；根据所述第三目标人脸的初始三维模型生成所述第三目标人脸的二维绘制图像；根据所述第三目标人脸的二维绘制图像和所述第五人脸图像计算第六损失值；根据所述第六损失值更新所述第二模型的模型参数，获得训练后的所述第二模型。
[0144]
可选的，所述第一目标人脸的初始三维模型由多个三角面组成。
[0145]
相应的，最终重建单元63还用于：
[0146]
根据所述第一位移贴图获得所述第一目标人脸的初始三维模型中所述三角面上顶点的位移量；
[0147]
根据所述位移量和所述第一目标人脸的初始三维模型中所述三角面上顶点的坐标，计算所述三角面上顶点的偏移坐标；
[0148]
根据所述三角面上顶点的偏移坐标生成所述第一目标人脸的最终三维模型。
[0149]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0150]
另外，图4所示的面部表情重建装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
[0151]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0152]
图5是本技术实施例提供的终端设备的结构示意图。如图5所示，该实施例的终端设备7包括：至少一个处理器70(图5中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意各个面部表情重建方法实施例中的步骤。
[0153]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是终端设备7的举例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0154]
所称处理器70可以是中央处理单元(central processing unit，cpu)，该处理器70还可以是其他通用处理器、数字信号处理器(digital signalprocessor，dsp)、专用集成电路(application specific integrated circuit， asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0155]
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器71还可以既包括所述终端设备7 的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(boot loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
[0156]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0157]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
[0158]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram， random access memory)、电载波信号、电信信号以及软件分发介质。例如u 盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0159]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0160]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0161]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0162]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0163]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。