随着计算机技术的快速发展,人脸三维模型已经被大量应用于各行各业。如何重建出精度高且具有真实感的人脸三维模型,这一极具挑战性的难题一直困扰着广大的科研学者。相比于二维平面,立体图形最大的优势在于它能反映更多的空间信息,这是二维平面所不具备的。因而越来越多的学者意识其可挖掘的应用价值和广泛的应用前景,也因此人脸三维重建技术目前已成为计算机视觉领域最受欢迎的研究方向之一。如今不少学者都在借助形变模型来研究人脸三维重建技术。在这些研究当中,对于只通过单张人脸图像进行三维重建又是一个重点方向。但由于单幅图片具有的位置信息较少,无法保证从各个角度都可以重建出比较理想的效果。基于形变模型的传统方法,通常对于先验模型的进行形状和纹理参数进行修改从而获得同一模型的多视图再进行模型的对齐和建模。这类方法归根结底是对于形变模型参数的学习。而本文方法是利用卷积神经网络针对于三维模型的空间信息学习,因而与传统的参数学习有着本质区别,并且很好地同时解决了人脸对齐和人脸三维重建等任务。本文提出的人脸三维重建方法主要包括以下几个方面:(1)在人脸三维重建过程中首先需要进行人脸特征点的检测。面部特征点是人脸稀疏对齐的重要根据,也是人脸三维重建之前必须完成的前置工作。本文通过级联回归的方法完成了特征点检测,并使用UV位置图对输入的人脸三维数据进行表示,该方法在UV空间中记录完整人脸的三维空间信息,并提供了与UV空间中每个点的语义紧密对应,将形变模型参数的求解问题转化为了图像特征的学习问题。(2)训练带加权损失的卷积神经网络结构,利用卷积神经网络学习UV位置图中的高阶特征信息。在训练过程中设置不同的权值掩码,为位置图上的每个点分配不同的权值,并计算加权损失。从而更侧重于重点识别区域,通过反卷积部分从还原出与输入尺寸大小相同的UV位置图,后经过网格化和纹理映射得到较为真实的人脸三维模型。该模型以端到端的方式同时解决人脸对齐和三维人脸重建问题。通过实验对比其他重建方法,定性和定量地分析证明了本文提出的人脸重建方法在人脸对齐、人脸三维模型具有更好的效果以及更强的鲁棒性,同时也运算速度相比先前方法得到明显提升。(3)为了在实际中验证所提出的方法,最后将本文方法结合相关的开发软件,设计并制作了一款人脸三维重建可视化系统。使用者通过简单的操作就可迅速实现人脸三维重建的重点步骤,并隐藏了对于体验者不重要的中间环节,简洁而直观地展现出理论方法的结果。