二維臉部的三維重建方法、裝置、設備及存儲介質與流程
2024-04-15 08:18:05
1.本發明涉及三維重建領域，尤其涉及一種二維臉部的三維重建方法、裝置、設備及存儲介質。
背景技術：
2.現有的2d人臉的3d重建算法有很多，但都會存在一些嘴唇不準的問題。比如，2d人臉中嘴巴是閉合的，但經過3d重建後，3d人臉的嘴唇是張開的。本方法利用pix2pix的強對應(轉化)關係，可以精準地將2d人臉照片轉化為3d人臉。
3.利用pix2pix的強對應(轉化)關係解決了2d人臉照片在3d重建中，幾乎必然會存在嘴巴閉合不準的問題。3d重建中嘴巴閉合不準的問題是來自於神經網絡在訓練中存在的特性，神經網絡的損失函數考慮的是全局損失，會在訓練時考慮到整張3d重建圖片的生成質量，而不是單一嘴巴閉合的精準度。因此，雖然現有的3d重建技術有很多，但都無一例外的存在嘴巴閉合程度不夠精準的問題。因此，針對當前二維人臉圖片重建為三維圖片的嘴部的重建不夠精準的技術問題，需要一種新的技術。
技術實現要素：
4.本發明的主要目的在於解決當前二維人臉圖片重建為三維圖片的嘴部的重建不夠精準的技術問題。
5.本發明第一方面提供了一種二維臉部的三維重建方法，所包括步驟：
6.接收二維臉部圖像，以及基於預置mediapipe神經網絡，對所述二維臉部圖像進行嘴部關鍵點檢測處理，得到二維關鍵點集；
7.基於預置pix2pix神經網絡，對所述二維臉部圖像進行三維重建處理，得到三維臉部圖像；
8.基於預置mediapipe神經網絡，對所述三維臉部圖像進行嘴部關鍵點檢測處理，得到三維關鍵點集；
9.在所述二維關鍵點集提取n對二維關鍵點，以及在所述三維關鍵點集提取n對三維關鍵點，其中，n為正整數；
10.根據預置偏差算法，對所述n對二維關鍵點和所述n對三維關鍵點進行偏差值運算處理，得到偏差絕對值；
11.判斷所述偏差絕對值是否小於預置誤差閾值；
12.若小於預置誤差閾值，則將所述二維臉部圖像加入預置重建二維圖訓練集中；
13.將所述重建二維圖訓練集中的圖片輸入至預置pix2pix神經網絡進行訓練處理，生成新的pix2pix神經網絡。
14.可選的，在本發明第一方面的第一種實現方式中，所述根據預置偏差算法，對所述n對二維關鍵點和所述n對三維關鍵點進行偏差值運算處理，得到偏差絕對值包括：
15.計算所述n對二維關鍵點中每對二維關鍵點對應間隔像素個數的平均數，得到二
維閉合值；
16.計算所述n對三維關鍵點中每對三維關鍵點對應間隔像素個數的平均數，得到三維閉合值；
17.計算所述二維閉合值與所述三維閉合值的差值絕對值，得到偏差絕對值。
18.可選的，在本發明第一方面的第二種實現方式中，所述在所述二維關鍵點集提取n對二維關鍵點，以及在所述三維關鍵點集提取n對三維關鍵點包括：
19.基於預置mediapipe神經網絡，在所述二維關鍵點集中提取n對二維關鍵點；
20.基於預置mediapipe神經網絡，根據所述n對二維關鍵點與三維臉部圖像的對應關係，從所述三維關鍵點集提取n對三維關鍵點。
21.可選的，在本發明第一方面的第三種實現方式中，在所述將所述重建二維圖訓練集中的圖片輸入至預置pix2pix神經網絡進行訓練處理，生成新的pix2pix神經網絡之後，還包括：
22.將所述新的pix2pix神經網絡替換預置pix2pix神經網絡。
23.可選的，在本發明第一方面的第四種實現方式中，所述判斷所述偏差絕對值是否小於預置誤差閾值之後，在所述將所述重建二維圖訓練集中的圖片輸入至預置pix2pix神經網絡進行訓練處理，生成新的pix2pix神經網絡之前，還包括：
24.若不小於預置誤差閾值，則將所述二維臉部圖像加入預置驗證圖集中。
25.可選的，在本發明第一方面的第五種實現方式中，在所述將所述重建二維圖訓練集中的圖片輸入至預置pix2pix神經網絡進行訓練處理，生成新的pix2pix神經網絡之後，還包括：
26.基於所述新的pix2pix神經網絡，對所述驗證圖集的每個圖像進行三維重建處理，得到驗證三維圖像集；
27.根據預置校驗算法，對所述驗證三維圖像集進行偏差分析處理，得到分析結果；
28.當所述分析結果為合格時，則將所述新的pix2pix神經網絡替換預置pix2pix神經網絡。
29.可選的，在本發明第一方面的第六種實現方式中，，所述根據預置校驗算法，對所述驗證三維圖像集進行偏差分析處理，得到分析結果包括：
30.基於預置mediapipe神經網絡，提取所述驗證三維圖像集與所述驗證圖集對應的m對二維關鍵點和m對三維關鍵點，其中，m為正整數；
31.根據預置偏差算法，對所述m對二維關鍵點和所述m對三維關鍵點進行偏差值運算處理，得到偏差絕對值；
32.當所述偏差絕對值小於預置校驗閾值，則將分析結果確認為合格結果；
33.當所述偏差絕對值不小於預置校驗閾值，則將分析結果確認為不合格結果。
34.本發明第二方面提供了一種二維臉部的三維重建裝置，所述二維臉部的三維重建裝置包括：
35.二維檢測模塊，用於接收二維臉部圖像，以及基於預置mediapipe神經網絡，對所述二維臉部圖像進行嘴部關鍵點檢測處理，得到二維關鍵點集；
36.三維重建模塊，用於基於預置pix2pix神經網絡，對所述二維臉部圖像進行三維重建處理，得到三維臉部圖像；
37.三維檢測模塊，用於基於預置mediapipe神經網絡，對所述三維臉部圖像進行嘴部關鍵點檢測處理，得到三維關鍵點集；
38.提取模塊，用於在所述二維關鍵點集提取n對二維關鍵點，以及在所述三維關鍵點集提取n對三維關鍵點，其中，n為正整數；
39.偏差運算模塊，用於根據預置偏差算法，對所述n對二維關鍵點和所述n對三維關鍵點進行偏差值運算處理，得到偏差絕對值；
40.判斷模塊，用於判斷所述偏差絕對值是否小於預置誤差閾值；
41.訓練集加入模塊，用於若小於預置誤差閾值，則將所述二維臉部圖像加入預置重建二維圖訓練集中；
42.訓練模塊，用於將所述重建二維圖訓練集中的圖片輸入至預置pix2pix神經網絡進行訓練處理，生成新的pix2pix神經網絡。
43.本發明第三方面提供了一種二維臉部的三維重建設備，包括：存儲器和至少一個處理器，所述存儲器中存儲有指令，所述存儲器和所述至少一個處理器通過線路互連；所述至少一個處理器調用所述存儲器中的所述指令，以使得所述二維臉部的三維重建設備執行上述的二維臉部的三維重建方法。
44.本發明的第四方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有指令，當其在計算機上運行時，使得計算機執行上述的二維臉部的三維重建方法。
45.在本發明實施例中，生成的3d重建人臉照片的嘴巴閉合程度更準，速度極快，十分輕量地就實現了2d人臉照片地3d重建過程。現有的3d重建技術生成一張3d人臉照片需要花費0.05s，但是pix2pix只需要0.0ls。3d人臉重建的應用十分廣泛，比如單照片說話、真人數字人、視頻動作同步等領域都會應用到3d重建技術，應用我們的這套方法，可以生成更精準的3d人臉，從而使得後續的應用得到更佳的效果，解決了當前二維人臉圖片重建為三維圖片的嘴部的重建不夠精準的技術問題。
附圖說明
46.圖1為本發明實施例中二維臉部的三維重建方法的一個實施例示意圖；
47.圖2為mediepipe神經網絡的二維關鍵點集示意圖；
48.圖3為二維臉部圖像構建三維臉部圖像的示意圖；
49.圖4為二維關鍵點集提取三對二維關鍵點的示意圖；
50.圖5為本發明實施例中二維臉部的三維重建裝置的一個實施例示意圖；
51.圖6為本發明實施例中二維臉部的三維重建裝置的另一個實施例示意圖；
52.圖7為本發明實施例中二維臉部的三維重建設備的一個實施例示意圖。
具體實施方式
53.本發明實施例提供了一種二維臉部的三維重建方法、裝置、設備及存儲介質。
54.本發明的說明書和權利要求書及上述附圖中的術語「第一」、「第二」、「第三」、「第四」等(如果存在)是用於區別類似的對象，而不必用於描述特定的順序或先後次序。應該理解這樣使用的數據在適當情況下可以互換，以便這裡描述的實施例能夠以除了在這裡圖示或描述的內容以外的順序實施。此外，術語「包括」或「具有」及其任何變形，意圖在於覆蓋不
排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限於清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對於這些過程、方法、產品或設備固有的其它步驟或單元。
55.為便於理解，下面對本發明實施例的具體流程進行描述，請參閱圖1，本發明實施例中二維臉部的三維重建方法的一個實施例包括：
56.101、接收二維臉部圖像，以及基於預置mediapipe神經網絡，對二維臉部圖像進行嘴部關鍵點檢測處理，得到二維關鍵點集；
57.在本實施例中，利用mediapipe神經網絡用人臉關鍵點檢測的神經網絡模型，檢測出3000張2d人臉和3d人臉的上下嘴唇的距離，這裡我們使用mediepipe神經網絡模型。mediapipe神經網絡模型具有速度快，人臉檢測點密集、準確等特點。為了計算上下嘴唇的閉合程度，我們需要準確、密集的人臉關鍵點，因此選用了mediepipe神經網絡。
58.可以參考圖2，圖2為mediepipe神經網絡的二維關鍵點集示意圖。在圖2中的關鍵點在人臉的嘴部集中。
59.102、基於預置pix2pix神經網絡，對二維臉部圖像進行三維重建處理，得到三維臉部圖像；
60.103、基於預置mediapipe神經網絡，對三維臉部圖像進行嘴部關鍵點檢測處理，得到三維關鍵點集；
61.在102-103步驟中，可以參考圖3，圖3為二維臉部圖像構建三維臉部圖像的示意圖，在圖3中左邊的圖像為選擇二維臉部圖像，而右邊為重構的三維臉部圖像，使用的是pix2pix神經網絡的三維重建處理方案，類似於101步驟也是利用mediapipe神經網絡對三維嘴部的關鍵點進行檢測處理，得到三維關鍵點集。
62.104、在二維關鍵點集提取n對二維關鍵點，以及在三維關鍵點集提取n對三維關鍵點，其中，n為正整數；
63.在本實施例中，可以參考圖4，圖4是二維關鍵點集提取三對二維關鍵點的示意圖，在圖4中的三對二維關鍵點是從圖2的二維關鍵點集中選擇。同理，在三維關鍵點集提取3對三維關鍵點，方便下一步偏差分析。
64.進一步，在104執行以下步驟：
65.1041、基於預置mediapipe神經網絡，在二維關鍵點集中提取n對二維關鍵點；
66.1042、基於預置mediapipe神經網絡，根據n對二維關鍵點與三維臉部圖像的對應關係，從三維關鍵點集提取n對三維關鍵點。
67.在1041-1042步驟中，採集3對二維關鍵點和3對三維關鍵點，基於重構的關係映射內容，利用mediapipe神經網絡提取處理，也即3對二維關鍵點和3對三維關鍵點是二維轉換三維相互對應的節點。
68.105、根據預置偏差算法，對n對二維關鍵點和n對三維關鍵點進行偏差值運算處理，得到偏差絕對值；
69.在本實施例中，採用偏差分析，分析3對二維關鍵點與3對三維關鍵點之間的開閉狀態的距離差的數值即可得到偏差絕對值。
70.進一步的，在105可以執行以下步驟：
71.1051、計算n對二維關鍵點中每對二維關鍵點對應間隔像素個數的平均數，得到二
維閉合值；
72.1052、計算n對三維關鍵點中每對三維關鍵點對應間隔像素個數的平均數，得到三維閉合值；
73.1053、計算二維閉合值與三維閉合值的差值絕對值，得到偏差絕對值。
74.在1051-1053步驟中，閉合程度定義：使用步驟105的人臉關鍵點檢測，定位上嘴唇的3個點和下嘴唇的3個點，比如，上嘴唇的第一個點的坐標為(50，80)，下嘴唇的第一個點的坐標為(50，89)，那麼這兩個點的縱向距離為:89-80＝9個像素點。如圖4的關鍵點所示，選取3對上下嘴唇檢測點的縱向平均距離來衡量嘴巴的閉合程度。比如，第一組監測點的縱向距離為10，第二組的縱向距離為15，第三組的縱向距離為15，那麼嘴巴的閉合程度就為:(10+15+15)/3＝10個像素點。使用mediepipe網絡對2d的人臉照片做關鍵點檢測，計算得到每張2d人臉嘴巴的閉合程度b。使用mediepipe網絡對3d的人臉照片做關鍵點檢測，計算得到每張2d人臉嘴巴的閉合程度c。
75.偏差絕對值定義:偏差絕對值＝|閉合程度b-閉合程度c|，其中|*|為絕對值。
76.106、判斷偏差絕對值是否小於預置誤差閾值；
77.在本實施例中，通過計算誤差值，選出3d重建過程中,3d嘴巴和2d嘴巴閉合程度接近的配對照片。計算3000對2d人臉照片和3d人臉照片的閉合程度的誤差值，並篩選誤差值小於3個像索點的配對的2d和3d照片。如果圖片夠多，可以將差值的閾值降低到1-2個像素點，這樣最後得到的結果會更加準確。但閾值降的越低，得到的成對的圖片就越少。
78.進一步的，在106之後，在108之前，還可以執行以下步驟：
79.1061、若不小於預置誤差閾值，則將二維臉部圖像加入預置驗證圖集中。
80.在本實施例中，驗證圖集選用3d重建中嘴巴閉合程度不準的2d圖片。3d嘴巴和2d嘴巴閉合程度的差值大於3個像素，該照片不在pix2pix模型的訓練集中。
81.107、若小於預置誤差閾值，則將二維臉部圖像加入預置重建二維圖訓練集中；
82.108、將重建二維圖訓練集中的圖片輸入至預置pix2pix神經網絡進行訓練處理，生成新的pix2pix神經網絡。
83.在107-108步驟中，小於預置誤差閾值配對的2d和3d圖片作為訓練集，訓練pix2pix神經網絡模型。這裡介紹下pix2pix神經網絡：當圖片a和圖片b有強相關性的時候，pix2pix神經網絡可以將圖片a轉化為圖片b。由於我們的3d人臉是由2d人臉進行3d重建得到，所以他們擁有非常強相關性和像索級別的對應關係。因此，經過配對數據集的訓練後，pix2pix神經網絡可以準確地將2d人臉照片變成3d人臉照片。
84.進一步，在108之後，執行以下步驟：
85.1081、將新的pix2pix神經網絡替換預置pix2pix神經網絡。
86.在本實施例中，新訓練出的pix2pix神經網絡替代原有的pix2pix神經網絡，新的pix2pix神經網絡在構建三維圖像的嘴部狀態更精確。
87.進一步的，在1061的方案下，108之後，可以執行以下步驟：
88.1082、基於新的pix2pix神經網絡，對驗證圖集的每個圖像進行三維重建處理，得到驗證三維圖像集；
89.1083、根據預置校驗算法，對驗證三維圖像集進行偏差分析處理，得到分析結果；
90.1084、當分析結果為合格時，則將新的pix2pix神經網絡替換預置pix2pix神經網
絡。
91.在1082-1084步驟，對原有的重建不成功的圖像重新進行三維圖像重構，然後分析每個三維圖像的偏差情況，滿足要求值則將已經訓練好的pix2pix神經網絡替代原有的pix2pix神經網絡。
92.進一步的，在1083可以執行以下步驟：
93.10831、基於預置mediapipe神經網絡，提取驗證三維圖像集與驗證圖集對應的m對二維關鍵點和m對三維關鍵點，其中，m為正整數；
94.10832、根據預置偏差算法，對m對二維關鍵點和m對三維關鍵點進行偏差值運算處理，得到偏差絕對值；
95.10833、當偏差絕對值小於預置校驗閾值，則將分析結果確認為合格結果；
96.10834、當偏差絕對值不小於預置校驗閾值，則將分析結果確認為不合格結果。
97.在10831-10834步驟中，為了避免單照片的偶然誤差，我們將3000張照片中所有3d重建時，嘴巴閉合程度都不準的2d圖片選取出來，作為pix2pix神經網絡的輸入。最後發現，由pix2pix優化過後的3d人臉嘴巴的閉合程度的誤差值，普遍小於3d重建的方法得到的。我們將3000張照片，每一張照片的誤差值加起來得到。
98.由3d重建方法得到的總誤差值為5371.2，而pix2pix神經網絡優化的總誤差值為4156.4，校驗閾值為4500，則將分析結果確認為合格結果。
99.在本發明實施例中，生成的3d重建人臉照片的嘴巴閉合程度更準，速度極快，十分輕量地就實現了2d人臉照片地3d重建過程。現有的3d重建技術生成一張3d人臉照片需要花費0.05s，但是pix2pix只需要0.0ls。3d人臉重建的應用十分廣泛，比如單照片說話、真人數字人、視頻動作同步等領域都會應用到3d重建技術，應用我們的這套方法，可以生成更精準的3d人臉，從而使得後續的應用得到更佳的效果，解決了當前二維人臉圖片重建為三維圖片的嘴部的重建不夠精準的技術問題。
100.上面對本發明實施例中二維臉部的三維重建方法進行了描述，下面對本發明實施例中二維臉部的三維重建裝置進行描述，請參閱圖5，本發明實施例中二維臉部的三維重建裝置一個實施例，所述二維臉部的三維重建裝置包括：
101.二維檢測模塊501，用於接收二維臉部圖像，以及基於預置mediapipe神經網絡，對所述二維臉部圖像進行嘴部關鍵點檢測處理，得到二維關鍵點集；
102.三維重建模塊502，用於基於預置pix2pix神經網絡，對所述二維臉部圖像進行三維重建處理，得到三維臉部圖像；
103.三維檢測模塊503，用於基於預置mediapipe神經網絡，對所述三維臉部圖像進行嘴部關鍵點檢測處理，得到三維關鍵點集；
104.提取模塊504，用於在所述二維關鍵點集提取n對二維關鍵點，以及在所述三維關鍵點集提取n對三維關鍵點，其中，n為正整數；
105.偏差運算模塊505，用於根據預置偏差算法，對所述n對二維關鍵點和所述n對三維關鍵點進行偏差值運算處理，得到偏差絕對值；
106.判斷模塊506，用於判斷所述偏差絕對值是否小於預置誤差閾值；
107.訓練集加入模塊507，用於若小於預置誤差閾值，則將所述二維臉部圖像加入預置重建二維圖訓練集中；
108.訓練模塊508，用於將所述重建二維圖訓練集中的圖片輸入至預置pix2pix神經網絡進行訓練處理，生成新的pix2pix神經網絡。
109.在本發明實施例中，生成的3d重建人臉照片的嘴巴閉合程度更準，速度極快，十分輕量地就實現了2d人臉照片地3d重建過程。現有的3d重建技術生成一張3d人臉照片需要花費0.05s，但是pix2pix只需要0.0ls。3d人臉重建的應用十分廣泛，比如單照片說話、真人數字人、視頻動作同步等領域都會應用到3d重建技術，應用我們的這套方法，可以生成更精準的3d人臉，從而使得後續的應用得到更佳的效果，解決了當前二維人臉圖片重建為三維圖片的嘴部的重建不夠精準的技術問題。
110.請參閱圖6，本發明實施例中二維臉部的三維重建裝置的另一個實施例，所述二維臉部的三維重建裝置包括：
111.二維檢測模塊501，用於接收二維臉部圖像，以及基於預置mediapipe神經網絡，對所述二維臉部圖像進行嘴部關鍵點檢測處理，得到二維關鍵點集；
112.三維重建模塊502，用於基於預置pix2pix神經網絡，對所述二維臉部圖像進行三維重建處理，得到三維臉部圖像；
113.三維檢測模塊503，用於基於預置mediapipe神經網絡，對所述三維臉部圖像進行嘴部關鍵點檢測處理，得到三維關鍵點集；
114.提取模塊504，用於在所述二維關鍵點集提取n對二維關鍵點，以及在所述三維關鍵點集提取n對三維關鍵點，其中，n為正整數；
115.偏差運算模塊505，用於根據預置偏差算法，對所述n對二維關鍵點和所述n對三維關鍵點進行偏差值運算處理，得到偏差絕對值；
116.判斷模塊506，用於判斷所述偏差絕對值是否小於預置誤差閾值；
117.訓練集加入模塊507，用於若小於預置誤差閾值，則將所述二維臉部圖像加入預置重建二維圖訓練集中；
118.訓練模塊508，用於將所述重建二維圖訓練集中的圖片輸入至預置pix2pix神經網絡進行訓練處理，生成新的pix2pix神經網絡。
119.其中，所述偏差運算模塊505具體用於：
120.計算所述n對二維關鍵點中每對二維關鍵點對應間隔像素個數的平均數，得到二維閉合值；
121.計算所述n對三維關鍵點中每對三維關鍵點對應間隔像素個數的平均數，得到三維閉合值；
122.計算所述二維閉合值與所述三維閉合值的差值絕對值，得到偏差絕對值。
123.其中，所述提取模塊504具體用於：
124.基於預置mediapipe神經網絡，在所述二維關鍵點集中提取n對二維關鍵點；
125.基於預置mediapipe神經網絡，根據所述n對二維關鍵點與三維臉部圖像的對應關係，從所述三維關鍵點集提取n對三維關鍵點。
126.其中，所述二維臉部的三維重建裝置還包括替換模塊509，所述替換模塊509具體用於：
127.將所述新的pix2pix神經網絡替換預置pix2pix神經網絡。
128.其中，所述二維臉部的三維重建裝置還包括驗證集加入模塊510，所述驗證集加入
模塊510具體用於：
129.若不小於預置誤差閾值，則將所述二維臉部圖像加入預置驗證圖集中。
130.其中，所述二維臉部的三維重建裝置還包括驗證模塊511，所述驗證模塊511具體用於：
131.基於所述新的pix2pix神經網絡，對所述驗證圖集的每個圖像進行三維重建處理，得到驗證三維圖像集；
132.根據預置校驗算法，對所述驗證三維圖像集進行偏差分析處理，得到分析結果；
133.當所述分析結果為合格時，則將所述新的pix2pix神經網絡替換預置pix2pix神經網絡。
134.其中，所述驗證模塊511還可以具體用於：
135.基於預置mediapipe神經網絡，提取所述驗證三維圖像集與所述驗證圖集對應的m對二維關鍵點和m對三維關鍵點，其中，m為正整數；
136.根據預置偏差算法，對所述m對二維關鍵點和所述m對三維關鍵點進行偏差值運算處理，得到偏差絕對值；
137.當所述偏差絕對值小於預置校驗閾值，則將分析結果確認為合格結果；
138.當所述偏差絕對值不小於預置校驗閾值，則將分析結果確認為不合格結果。
139.在本發明實施例中，生成的3d重建人臉照片的嘴巴閉合程度更準，速度極快，十分輕量地就實現了2d人臉照片地3d重建過程。現有的3d重建技術生成一張3d人臉照片需要花費0.05s，但是pix2pix只需要0.0ls。3d人臉重建的應用十分廣泛，比如單照片說話、真人數字人、視頻動作同步等領域都會應用到3d重建技術，應用我們的這套方法，可以生成更精準的3d人臉，從而使得後續的應用得到更佳的效果，解決了當前二維人臉圖片重建為三維圖片的嘴部的重建不夠精準的技術問題。
140.上面圖5和圖6從模塊化功能實體的角度對本發明實施例中的二維臉部的三維重建裝置進行詳細描述，下面從硬體處理的角度對本發明實施例中二維臉部的三維重建設備進行詳細描述。
141.圖7是本發明實施例提供的一種二維臉部的三維重建設備的結構示意圖，該二維臉部的三維重建設備700可因配置或性能不同而產生比較大的差異，可以包括一個或一個以上處理器(central processing units，cpu)710(例如，一個或一個以上處理器)和存儲器720，一個或一個以上存儲應用程式733或數據732的存儲介質730(例如一個或一個以上海量存儲設備)。其中，存儲器720和存儲介質730可以是短暫存儲或持久存儲。存儲在存儲介質730的程序可以包括一個或一個以上模塊(圖示沒標出)，每個模塊可以包括對二維臉部的三維重建設備700中的一系列指令操作。更進一步地，處理器710可以設置為與存儲介質730通信，在二維臉部的三維重建設備700上執行存儲介質730中的一系列指令操作。
142.基於二維臉部的三維重建設備700還可以包括一個或一個以上電源740，一個或一個以上有線或無線網絡接口750，一個或一個以上輸入輸出接口760，和/或，一個或一個以上作業系統731，例如windows serve，mac os x，unix，linux，freebsd等等。本領域技術人員可以理解，圖7示出的二維臉部的三維重建設備結構並不構成對基於二維臉部的三維重建設備的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件布置。
143.本發明還提供一種計算機可讀存儲介質，該計算機可讀存儲介質可以為非易失性計算機可讀存儲介質，該計算機可讀存儲介質也可以為易失性計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有指令，當所述指令在計算機上運行時，使得計算機執行所述二維臉部的三維重建方法的步驟。
144.所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統或裝置、單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。
145.所述集成的單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，伺服器，或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、移動硬碟、只讀存儲器(read-only memory，rom)、隨機存取存儲器(random access memory，ram)、磁碟或者光碟等各種可以存儲程序代碼的介質。
146.以上所述，以上實施例僅用以說明本發明的技術方案，而非對其限制；儘管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特徵進行等同替換；而這些修改或者替換，並不使相應技術方案的本質脫離本發明各實施例技術方案的精神和範圍。