一种构建人脸模型的方法、装置、计算机设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种构建人脸模型的方法、装置、计算机设备及存储介质。


背景技术：

2.随着科技的不断发展，越来越多的设备可以采集多个三维人脸高模数据，并基于多个三维人脸高模数据各自对应的三维人脸低模数据，构建出一个三维可变形人脸模型，其中，三维人脸高模数据形成的人脸的分辨率，高于三维人脸低模数据形成的人脸的分辨率。从而，设备可以通过为该三维可变形人脸模型设置不同的变形系数，达到基于不同的二维人脸重建相应的三维人脸的目的。
3.相关技术下，为了保证构建三维可变形人脸模型的准确性，设备需要准确地获得多个三维人脸高模数据各自对应的三维人脸低模数据。因此，在获取三维人脸低模数据的过程中，设备需要基于三维人脸高模数据，对预设的模板低模数据进行多轮调整，直到三维人脸高模数据形成的人脸，与多轮调整后的模板低模数据形成的人脸表征相同的人脸特征时，将多轮调整后的模板低模数据，作为三维人脸高模数据对应的三维人脸低模数据，以获得准确的三维人脸低模数据。
4.然而，由于人脸通常包含丰富的特征，因此，在对模板低模数据进行调整时，需要调整的轮次较多，使得三维人脸高模数据对应的三维人脸低模数据的获得过程效率较低，从而降低了构建三维可变形人脸模型的效率。
5.可见，相关技术下，构建三维可变形人脸模型的效率较低。


技术实现要素：

6.本技术实施例提供了一种构建人脸模型的方法、装置、计算机设备及存储介质，用于解决构建人脸模型的效率较低的问题。
7.第一方面，提供一种构建人脸模型的方法，包括：
8.获取多个目标人脸高模数据；
9.基于所述多个目标人脸高模数据，调整预存的模板人脸数据，分别生成所述多个目标人脸高模数据各自对应的第一人脸低模数据；
10.基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行噪声过滤处理，获得相应的第二人脸低模数据，其中，所述参考人脸低模数据集合包含各个参考人脸的人脸特征；
11.对获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型。
12.第二方面，提供一种构建人脸模型的装置，包括：
13.获取模块：用于获取多个目标人脸高模数据；
14.处理模块：用于基于所述多个目标人脸高模数据，调整预存的模板人脸数据，分别生成所述多个目标人脸高模数据各自对应的第一人脸低模数据；
15.所述处理模块还用于：基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行噪声过滤处理，获得相应的第二人脸低模数据，其中，所述参考人脸低模数据集合包含各个参考人脸的人脸特征；
16.所述处理模块还用于：对获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型。
17.可选的，针对所述多个目标人脸高模数据，所述处理模块具体用于，分别执行以下操作：
18.基于一个目标人脸高模数据，确定所述一个目标人脸高模数据形成的目标人脸的人脸特征，其中，所述人脸特征包括人脸形状特征和人脸表情特征；
19.依次基于所述人脸表情特征和所述人脸形状特征，调整所述模板人脸数据，生成所述一个目标人脸高模数据对应的第一人脸低模数据，其中，所述第一人脸低模数据形成的模拟人脸的人脸表情特征和人脸形状特征，分别与所述目标人脸的人脸表情特征和人脸形状特征相适配。
20.可选的，所述处理模块具体用于：
21.基于所述多个目标人脸高模数据，确定所述多个目标人脸高模数据各自形成的目标人脸的位姿尺寸，并基于各个位姿尺寸的加权和，确定综合位姿尺寸特征；
22.依次基于所述人脸表情特征、所述人脸形状特征和所述综合位姿尺寸特征，调整所述模板人脸数据，生成所述一个目标人脸高模数据对应的第一人脸低模数据，其中，所述第一人脸低模数据形成的模拟人脸的人脸表情特征和人脸形状特征，分别与所述目标人脸的人脸表情特征和人脸形状特征相适配，且所述模拟人脸的位姿尺寸，与所述综合位姿尺寸特征相适配。
23.可选的，所述处理模块具体用于：
24.确定所述参考人脸低模数据集合中，表征所述各个参考人脸的人脸特征的多个关键数据；
25.对所述多个关键数据进行数据融合处理，生成中间人脸模型；
26.针对所述多个第一人脸低模数据，分别执行以下操作：
27.基于一个第一人脸低模数据，调整所述中间人脸模型的变形系数，获得与所述一个第一人脸低模数据形成的模拟人脸之间的相似度满足相似度条件的变形人脸；
28.将所述变形人脸的人脸数据，作为所述一个第一人脸低模数据对应的第二人脸低模数据。
29.可选的，所述处理模块具体用于：
30.对所述参考人脸低模数据集合中的各个参考人脸低模数据进行降维处理，分别生成相应备选数据，以及生成的各个备选数据各自对应的关键度，其中，每个关键度表征相应备选数据对相应参考人脸的人脸特征的表征程度；
31.基于所述各个备选数据各自对应的关键度，从所述各个备选数据中，选取关键度满足关键度条件的多个备选数据，分别作为所述关键数据。
32.可选的，所述处理模块具体用于：
33.针对所述多个第一人脸低模数据，分别执行以下操作：
34.确定所述多个第一人脸低模数据中，存在已获得相应第二人脸低模数据的第一人
脸低模数据时，基于所述参考人脸低模数据集合，以及已获得的第二人脸低模数据，对一个第一人脸低模数据进行噪声过滤处理，获得所述一个第一人脸低模数据对应的第二人脸低模数据；
35.确定所述多个第一人脸低模数据中，不存在已获得相应第二人脸低模数据的第一人脸低模数据时，基于所述参考人脸低模数据集合，对一个第一人脸低模数据进行噪声过滤处理，获得所述一个第一人脸低模数据对应的第二人脸低模数据。
36.可选的，所述处理模块具体用于：
37.基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行多轮噪声过滤处理，其中，在每轮噪声过滤处理之后，包括：
38.生成所述多个第一人脸低模数据各自对应的第三人脸低模数据；
39.基于获得的多个第三人脸低模数据，与相应的第一人脸低模数据之间的平均误差，确定所述平均误差不满足误差条件时，进行下一轮噪声过滤处理，直到确定所述平均误差满足误差条件时，将本轮噪声过滤处理过的多个第三人脸低模数据，分别作为所述第二人脸低模数据。
40.可选的，所述处理模块具体用于：
41.针对所述多轮过滤处理，分别执行以下操作：
42.确定存在上一轮噪声过滤处理时，基于预存的参考人脸低模数据集合，以及上一轮噪声过滤处理生成的多个第三人脸低模数据，分别对所述多个第一人脸低模数据进行本轮噪声过滤处理；
43.确定不存在上一轮噪声过滤处理时，基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据行本轮噪声过滤处理。
44.第三方面，提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面所述的方法。
45.第四方面，提供一种计算机设备，包括：
46.存储器，用于存储程序指令；
47.处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行如第一方面所述的方法。
48.第五方面，提供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可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的方法。
49.本技术实施例中，仅对模板人脸数据进行一轮调整，且并不限制调整后获得的第一人脸低模数据形成的模拟人脸，与相应的目标人脸高模数据形成的目标人脸表征相同的人脸特征，大大减少了需要调整的轮次，以及需要调整的数据量，简化了针对模板人脸数据的调整过程，提高了构建人脸模型的效率。
50.进一步的，在获得多个目标人脸高模数据各自对应的第一人脸低模数据之后，基于预存的参考人脸低模数据集合包含的各个参考人脸的人脸特征，分别对多个第一人脸低模数据进行噪声过滤处理，使得获得的各个第二人脸低模数据均是可以用于准确表征人脸特征的关键性数据。那么，各个第二人脸低模数据进行数据融合处理，生成的目标人脸模型，能够准确地表征人脸特征，从而，通过调整目标人脸模型的变形系数，可以达到准确重建不同三维人脸的目的。
51.因此，本技术实施例中，在保证构建三维可变形人脸模型的准确性的前提下，提高了构建三维可变形人脸模型的效率。
附图说明
52.图1a为相关技术下的构建人脸模型的方法的一种原理示意图一；
53.图1b为相关技术下的构建人脸模型的方法的一种原理示意图二；
54.图1c为本技术实施例提供的构建人脸模型的方法的一种应用场景；
55.图2为本技术实施例提供的构建人脸模型的方法的流程示意图一；
56.图3a为本技术实施例提供的构建人脸模型的方法的一种原理示意图一；
57.图3b为本技术实施例提供的构建人脸模型的方法的一种原理示意图二；
58.图4a为本技术实施例提供的构建人脸模型的方法的一种原理示意图三；
59.图4b为本技术实施例提供的构建人脸模型的方法的一种原理示意图四；
60.图5a为本技术实施例提供的构建人脸模型的方法的一种原理示意图五；
61.图5b为本技术实施例提供的构建人脸模型的方法的一种原理示意图六；
62.图6a为本技术实施例提供的构建人脸模型的方法的一种原理示意图七；
63.图6b为本技术实施例提供的构建人脸模型的方法的一种原理示意图八；
64.图6c为本技术实施例提供的构建人脸模型的方法的一种原理示意图九；
65.图7a为本技术实施例提供的构建人脸模型的方法的中流程示意图二；
66.图7b为本技术实施例提供的构建人脸模型的方法的一种原理示意图十；
67.图7c为本技术实施例提供的构建人脸模型的方法的一种原理示意图十一；
68.图8为本技术实施例提供的构建人脸模型的装置的一种结构示意图一；
69.图9为本技术实施例提供的构建人脸模型的装置的一种结构示意图二。
具体实施方式
70.为了使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
71.下面对本技术实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
72.(1)三维可变形人脸模型(3d morphable face model，3dmm)：
73.三维可变形人脸模型是一个通用的三维人脸参数化模型，用固定的点数来表征人脸。三维可变形人脸模型的核心思想就是人脸可以在三维空间中进行一一匹配，并且可以由其他许多幅人脸正交基加权线性相加而来。
74.(2)主成分分析(principal component analysis，pca)：
75.主成分分析是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。主成分分析是一个非监督的机器学习算法，是一种用于探索高维数据结构的技术，通过对数据进行降维可以发现更便于理解的语义特征，加快对有价值信息的处理速度。
76.(3)迭代最近点(iterative closest point，icp)和典型迭代最近点(normal iterative closest point，nicp)：
77.icp算法是一种点集对点集配准方法，求点集之间的匹配关系，求解的结果是两点
集之间的平移及旋转量。
78.nicp算法基于icp算法，nicp算法在点云匹配上，除了约束点间的距离，另外加入了法向量及点云所在曲面的曲率的约束。
79.(4)三维人脸高模数据和三维人脸低模数据：
80.三维人脸高模数据的分段很细，包含较多的面，形成的三维人脸较精细，相反，三维人脸低模数据的分段较粗糙，包含较少的面，形成的三维人脸较模糊。三维人脸高模数据形成的人脸的分辨率，高于三维人脸低模数据形成的人脸的分辨率。
81.(5)低模包裹和语义对齐：
82.低模包裹是将模板(低模、形状a、拓扑a)，根据高模(形状b、拓扑b)进行形变，得到形状为高模，同时拓扑为低模的结果(形状b、拓扑a)。在低模包裹的过程中，需要进行语义的对齐，譬如模板的鼻头，嘴角等特殊的部位，在形变后依旧是鼻头，嘴角等部位，即在形变的过程中，模板的一些特殊位置就需要和高模对应的位置相对应。其中，建立对应关系的一般步骤是美术人员在模板和高模上点出对应的关键点。获得各个对应关系之后，美术人员再用wrap3d等美术工具进行后续的包裹处理。
83.本技术实施例涉及人工智能(artificial intelligence，ai)领域，是基于计算机视觉(computer vision，cv)技术和机器学习(machine learning，ml)技术设计的，可以应用与云计算、智慧交通、辅助驾驶或地图等领域。
84.人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它研究各种机器的设计原理与实现方法，企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，使机器具有感知、推理和决策的功能。
85.人工智能是一门综合学科，涉及的领域广泛，既有硬件层面的技术，也有软件层面的技术。人工智能的基础技术一般包括传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作交互系统、机电一体化等技术。人工智能的软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术、机器学习/深度学习、自动驾驶、智慧交通等几大方向。随着人工智能的发展与进步，人工智能得以在多个领域中展开研究和应用，例如，常见的智能家居、智能客服、虚拟助理、智能音箱、智能营销、智能穿戴设备、无人驾驶、自动驾驶、无人机、机器人、智能医疗、车联网、自动驾驶、智慧交通等领域，相信随着未来技术的进一步发展，人工智能将在更多的领域中得到应用，发挥出越来越重要的价值。本技术实施例提供的方案，涉及人工智能的深度学习、增强现实等技术，具体通过如下实施例进一步说明。
86.计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
87.机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机通过模拟人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使计算机不断改善自身的性能。
88.机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域；而机器学习的核心则是深度学习，是实现机器学习的一种技术。机器学习通常包括深度学习、强化学习、迁移学习、归纳学习、人工神经网络、式教学习等技术，深度学习则包括卷积神经网络(convolutional neural networks，cnn)、深度置信网络、递归神经网络、自动编码器、生成对抗网络等技术。
89.应当说明的是，本技术实施例中，涉及到人脸数据等相关的数据，当本技术以上实施例运用到具体产品或技术中时，每次获取数据需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
90.下面对本技术实施例提供的构建人脸模型的方法的应用领域进行简单介绍。
91.随着科技的不断发展，越来越多的设备可以采集多个三维人脸高模数据，并基于多个三维人脸高模数据各自对应的三维人脸低模数据，构建出一个三维可变形人脸模型，其中，三维人脸高模数据形成的人脸的分辨率，高于三维人脸低模数据形成的人脸的分辨率。请参考图1a，其中，图1a(1)为三维人脸高模数据形成的人脸，图1a(2)为三维人脸低模数据形成的人脸。
92.从而，设备可以通过为该三维可变形人脸模型设置不同的变形系数，达到基于不同的二维人脸重建相应的三维人脸的目的。
93.例如，三维可变形人脸模型可以通过两个向量进行表示，一个是用于表征人脸形状的向量s，s＝(x1，y1，z1，x2，y2，z2，
……
，xn，yn，zn)，向量s可以表征人脸的脸型、五官的形状或发型等；另一个是用于表获赠人脸纹理的向量t，t＝(r1，g1，b1，r2，g2，b2，
……
，rn，gn，bn)，向量t可以表征人脸皮肤状态、五官状态或发型状态等。三维可变形人脸模型请参考公式(1)和公式(2)：
[0094][0095][0096]
其中，为m个人脸形状的平均值，为m个人脸纹理的平均值，ai和bi为三维可变形人脸模型的变形系数。任何一个三维人脸都可以采用三维可变形人脸模型进行表征，通过调整三维可变形人脸模型的变形系数，来表征每个人脸。
[0097]
相关技术下，为了保证构建三维可变形人脸模型的准确性，设备需要准确地获得多个三维人脸高模数据各自对应的三维人脸低模数据。因此，在获取三维人脸低模数据的过程中，设备需要基于三维人脸高模数据，对预设的模板低模数据进行多轮调整，直到三维人脸高模数据形成的人脸，与多轮调整后的模板低模数据形成的人脸表征相同的人脸特征时，将多轮调整后的模板低模数据，作为三维人脸高模数据对应的三维人脸低模数据，以获得准确的三维人脸低模数据。
[0098]
例如，请参考图1b，设备可以先获得三维人脸高模数据，请参考图1b(1)为三维人脸高模数据形成的人脸，设备再获取模板低模数据，请参考图1b(2)为模板低模数据形成的
人脸。设备首先要对模板低模数据进行多轮调整，以使调整后的模板低模数据形成的人脸的五官、脸型等，与三维人脸高模数据形成的人脸的五官、脸型等相似，请参考图1b(3)，为一种三维人脸低模数据形成的人脸。设备其次还要继续对调整后的模板低模数据进行多轮调整，以使再次调整后的模板低模数据形成的人脸的位置、姿态、尺寸等，与三维人脸高模数据形成的人脸的位置、姿态、尺寸等相似，请参考图1b(4)，为一种三维人脸低模数据形成的人脸。
[0099]
然而，由于人脸通常包含丰富的特征，需要多次尝试调整数据，才可以将数据调整到合适的值，在对模板低模数据进行调整时，需要调整的轮次，以及每轮数据需要调整的次数较多，同时，调整过程通常是由美术工作人员手动完成，使得三维人脸高模数据对应的三维人脸低模数据的获得过程效率较低，从而降低了构建三维可变形人脸模型的效率。
[0100]
可见，相关技术下，构建三维可变形人脸模型的效率较低。
[0101]
为了解决构建三维可变形人脸模型的效率较低的问题，本技术提出一种构建人脸模型的方法。该方法中，在获取多个目标人脸高模数据之后，基于多个目标人脸高模数据，调整预存的模板人脸数据，分别生成多个目标人脸高模数据各自对应的第一人脸低模数据。基于预存的参考人脸低模数据集合，分别对多个第一人脸低模数据各自进行噪声过滤处理，获得相应的第二人脸低模数据，其中，参考人脸低模数据集合包含各个参考人脸的人脸特征。对获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型。
[0102]
本技术实施例中，仅对模板人脸数据进行一轮调整，可以使得调整后获得的第一人脸低模数据形成的模拟人脸，与相应的目标人脸高模数据形成的目标人脸具有大致相似的脸型，或具有大致相似表情，或具有大致相似的位姿等，并不限制模拟人脸与目标人脸完全相同或高度相似，因此，大大减少了需要调整的轮次，以及需要调整的数据量，简化了针对模板人脸数据的调整过程，提高了构建人脸模型的效率。
[0103]
进一步的，在获得多个目标人脸高模数据各自对应的第一人脸低模数据之后，基于预存的参考人脸低模数据集合包含的各个参考人脸的人脸特征，分别对多个第一人脸低模数据各自进行噪声过滤处理，使得获得的各个第二人脸低模数据均是可以用于准确表征人脸特征的关键性数据，同时，通过噪声过滤，还使得第二人脸低模数据可以更加准确表征目标人脸的人脸特征。
[0104]
最后，对各个第二人脸低模数据进行数据融合处理，生成的目标人脸模型，能够准确地表征人脸特征，从而，通过调整目标人脸模型的变形系数，可以达到准确重建不同三维人脸的目的。生成目标人脸模型的过程中，不需要反复对照目标人脸高模数据，对模板人脸数据进行多轮调整，就可以获得用于构建目标人脸模型的准确的第二人脸低模数据，在保证目标人脸模型的准确性的前提下，大大提高了构建人脸模型的效率。
[0105]
因此，本技术实施例中，在保证构建三维可变形人脸模型的准确性的前提下，提高了构建三维可变形人脸模型的效率。
[0106]
下面对本技术提供的构建人脸模型的方法的应用场景进行说明。
[0107]
请参考图1c，为本技术提供的构建人脸模型的方法的一种应用场景示意图。该应用场景中包括客户端101和服务端102。客户端101和服务端102之间可以通信。通信方式可以是采用有线通信技术进行通信，例如，通过连接网线或串口线进行通信；也可以是采用无线通信技术进行通信，例如，通过蓝牙或无线保真(wireless fidelity，wifi)等技术进行
通信，具体不做限制。
[0108]
客户端101泛指可以向服务端102提供目标人脸高模数据的设备，例如，终端设备、终端设备可以访问的第三方应用程序或终端设备可以访问的网页等。终端设备包括但不限于手机、电脑、智能交通设备、智能电器等。服务端102泛指可以构建人脸模型的设备，例如，终端设备或服务器等。服务器包括但不限于云服务器、本地服务器或关联的第三方服务器等。客户端101和服务端102均可以采用云计算，以减少本地计算资源的占用；同样也可以采用云存储，以减少本地存储资源的占用。
[0109]
作为一种实施例，客户端101和服务端102可以是同一个设备，例如，本技术实施例可以仅通过客户端101实现，也可以仅通过服务端102实现等，具体不做限制。本技术实施例中，以客户端101和服务端102分别为不同的设备为例进行介绍。
[0110]
下面基于图1c，对本技术实施例提供的构建人脸模型的方法进行具体介绍。请参考图2，为本技术实施例提供的构建人脸模型的方法的一种流程示意图。
[0111]
s201，获取多个目标人脸高模数据。
[0112]
人脸数据为可以形成可视化的人脸的数据，目标人脸高模数据为形成的目标人脸的分辨率较高的人脸数据，例如，目标人脸高模数据形成的目标人脸的分辨率为1902*1080，相较于模板人脸数据所形成的模板人脸的分辨率800*600来说，目标人脸的分辨率较高。
[0113]
可以通过读取内存中存储的目标人脸高模数据，获得多个目标人脸高模数据；还可以通过接收其他设备发送的目标人脸高模数据，获得多个目标人脸高模数据；还可以从网络资源中下载多个目标人脸高模数据等，具体不做限制。
[0114]
以通过接收其他设备发送的目标人脸高模数据，获得多个目标人脸高模数据为例，例如，扫描设备针对真实人脸进行扫描，获得的目标人脸高模数据，扫描设备向设备发送获得的目标人脸高模数据，接收扫描设备发送的目标人脸高模数据，通过接收预设时长内，扫描设备发送的目标人脸高模数据，获得多个目标人脸高模数据。
[0115]
请参考图3a，为扫描设备针对真实人脸进行扫描，获得的目标人脸高模数据形成的目标人脸，该目标人脸高模数据形成的目标人脸，虽然较为清晰，但是其中包含较多的噪声。那么，基于多个目标人脸高模数据建立的人脸模型中，顶点数多且乱，面片不规整，拓扑结构不一致，因此，基于多个目标人脸高模数据，无法准确地建立一个用于重建不同三维人脸的人脸模型，如三维可变形人脸模型(3dmm)。
[0116]
因此，需要获取目标人脸高模数据这种三维人脸高模数据，所对应的人脸低模数据，基于顶点数和面片较为规则，拓扑结构一致的人脸低模数据，达到准确地建立一个用于重建不同三维人脸的人脸模型的目的。人脸低模数据为形成的模拟人脸的分辨率较低的人脸数据，例如，人脸低模数据形成的模拟人脸的分辨率为800*600，相较于目标人脸高模数据形成的目标人脸的分辨率1902*1080来说，模拟人脸的分辨率较低。
[0117]
下面通过s202和s203，介绍准确高效地获取三维人脸高模数据对应的三维人脸低模数据的过程。
[0118]
s202，基于多个目标人脸高模数据，调整预存的模板人脸数据，分别生成多个目标人脸高模数据各自对应的第一人脸低模数据。
[0119]
在获得多个目标人脸高模数据之后，可以获取预存的模板人脸数据，基于多个目
标人脸高模数据，调整模板人脸数据，分别生成多个目标人脸高模数据各自对应的第一人脸低模数据。
[0120]
请参考图3b，为模板人脸数据形成的模板人脸，模板人脸数据是固定不变的，然而，不同地区的人脸、不同年龄的人脸、不同性别的人脸、不同表情的人脸各不相同，直接基于模板人脸数据，美术工作人员需要经过大量的试错，大量的调整，才可以准确地获取目标人脸高模数据这种三维人脸高模数据对应的三维人脸低模数据。不仅非常耗时，在目标人脸高模数据的数量较多时，由于美术工作人员的精力有限，还容易出现获得错误或不准确的三维人脸低模数据的情况。
[0121]
因此，本技术实施例中，在对模板人脸数据进行调整时，只进行简单的调整，如只调整一轮，调整后获得的第一人脸低模数据形成的模拟人脸，与相应的目标人脸高模数据形成的目标人脸具有大致相似的脸型，或具有大致相似表情，或具有大致相似的位姿等，并不限制模拟人脸与目标人脸完全相同或高度相似，并不限制模拟人脸与目标人脸完全相同或高度相似等，因此，大大减少了需要调整的轮次，以及需要调整的数据量，简化了针对模板人脸数据的调整过程，提高了构建人脸模型的效率。
[0122]
作为一种实施例，在基于目标人脸高模数据，调整模板人脸数据时，可以是基于目标人脸高模数据形成的目标人脸的人脸特征，调整模板人脸数据。下面以一个目标人脸高模数据为例，介绍获得第一人脸低模数据的过程，针对其他目标人脸高模数据的过程类似，在此不再赘述。
[0123]
可以基于一个目标人脸高模数据，确定一个目标人脸高模数据形成的目标人脸的人脸特征，人脸特征可以包括人脸形状特征和人脸表情特征。人脸形状特征可以表征目标人脸的脸型或五官形状等，人脸表情特征可以表征目标人脸面部动作或五官位置、五官旋转角度等。
[0124]
在获得人脸形状特征和人脸表情特征之后，可以依次基于人脸表情特征和人脸形状特征，调整模板人脸数据，生成一个目标人脸高模数据对应的第一人脸低模数据。第一人脸低模数据形成的模拟人脸的人脸表情特征和人脸形状特征，分别与目标人脸的人脸表情特征和人脸形状特征相适配。可以先基于人脸表情特征进行调整，再基于人脸形状特征进行调整；也可以先基于人脸形状特征进行调整，再基于人脸表情特征进行调整；也可以同时基于人脸表情特征和人脸形状特征进行调整，具体不做限制。
[0125]
第一人脸低模数据形成的模拟人脸的人脸表情特征和人脸形状特征，分别与目标人脸的人脸表情特征和人脸形状特征相适配，可以是模拟人脸的人脸表情特征与目标人脸的人脸表情特征对应匹配，模拟人脸的人脸形状特征与目标人脸的人脸形状特征对应匹配；也可以是模拟人脸的人脸表情特征与目标人脸的人脸表情特征之间的匹配度，以及模拟人脸的人脸形状特征与目标人脸的人脸形状特征之间的匹配度的平均匹配度大于匹配阈值等，具体不做限制。
[0126]
例如，可以先基于人脸表情特征，调整模板人脸数据，将调整后的模板人脸数据，作为初调人脸数据，初调人脸数据形成的初调人脸的人脸表情特征，与目标人脸的人脸表情特征相适配。请参考图4a，目标人脸的眉毛上扬，无其他表情，因此，按照目标人脸的表情，调整模板人脸的表情，使得获得的初调人脸的眉毛上扬，无其他表情，即获得的初调人脸的表情与目标人脸的表情匹配。
[0127]
初调人脸的人脸表情特征，与目标人脸的人脸表情特征相适配，可以是初调人脸的人脸表情特征，与目标人脸的人脸表情特征之间的相似度大于表情特征相似度阈值；还可以是初调人脸的人脸表情特征包含的子特征，与目标人脸的人脸表情特征包含的子特征之间相似的子特征的数量，大于表情特征数量阈值等，人脸表情特征包含的子特征可以是人脸局部的表情特征，如嘴角上扬或呈现鱼尾纹等。
[0128]
在获得初调人脸数据之后，可以再基于人脸形状特征，调整初调人脸数据，将调整后的初调人脸数据，作为相应的目标人脸高模数据对应的第一人脸低模数据。
[0129]
第一人脸低模数据形成的模拟人脸的人脸形状特征，与目标人脸的人脸形状特征相适配。请参考图4b，目标人脸的眉毛整体较宽，并呈现前窄后宽的形状，外眼角和下眼睑处具有条状凸起，嘴唇具有明显的外轮廓等，按照目标人脸的人脸形状，调整初调人脸的人脸形状，使得获得的模拟人脸的眉毛整体较宽，并呈现前窄后宽的形状，外眼角和下眼睑处具有条状凸起，嘴唇具有明显的外轮廓等，即获得的模拟人脸的人脸形状与目标人脸的人脸形状匹配。
[0130]
模拟人脸的人脸形状特征，与目标人脸的人脸形状特征相适配，可以是模拟人脸的人脸表情特征，与目标人脸的人脸形状特征之间的相似度大于形状特征相似度阈值；还可以是模拟人脸的人脸形状特征包含的子特征，与目标人脸的人脸形状特征包含的子特征之间相似的子特征的数量，大于形状特征数量阈值等，人脸形状特征包含的子特征可以是人脸局部的形状特征，如嘴唇厚度或眼距等。
[0131]
作为一种实施例，在依次基于人脸表情特征和人脸形状特征，调整模板人脸数据，生成目标人脸高模数据对应的第一人脸低模数据时，还可以对模板人脸的位姿尺寸进行调整，使得第一人脸低模数据形成的模拟人脸的位姿尺寸，与多个目标人脸高模数据表征的综合位姿尺寸特征相适配，进一步提高第一人脸低模数据表征目标人脸高模数据的准确性。位姿尺寸可以包括人脸的位置、角度、尺寸等。人脸的位置例如是模拟人脸与目标人脸互为镜像的位置等；人脸角度例如是侧面角度、俯视角度等；人脸的尺寸例如是人脸在一个平面坐标系中投影的面积；又例如是人脸长度和宽度的乘积，如以厘米为单位的50*30；又例如是人脸对应的分辨率，如600*800等。
[0132]
可以基于多个目标人脸高模数据，确定多个目标人脸高模数据各自形成的目标人脸的位姿尺寸，并基于各个位姿尺寸的加权和，确定综合位姿尺寸特征。
[0133]
再依次基于人脸表情特征、人脸形状特征和综合位姿尺寸特征，调整模板人脸数据，生成一个目标人脸高模数据对应的第一人脸低模数据，第一人脸低模数据形成的模拟人脸的人脸表情特征和人脸形状特征，分别与目标人脸的人脸表情特征和人脸形状特征相适配，且模拟人脸的位姿尺寸，与综合位姿尺寸特征相适配。
[0134]
例如，获得一个目标人脸高模数据，以及模板人脸数据之后，先基于目标人脸的人脸表情特征，对模板人脸数据进行调整，获得初调人脸数据，请参考图5a，以目标人脸表征一个目标人脸高模数据，模板人脸表征模板人脸数据，初调人脸表征初调人脸数据。在获得初调人脸数据之后，继续基于目标人脸的人脸形状特征，对初调人脸数据进行调整，获得复调人脸数据，请继续参考图5a，以复调人脸表征复调人脸数据。在获得复调人脸数据之后，继续基于综合位姿尺寸特征，对复调人脸数据进行调整，获得第一人脸低模数据，请继续参考图5a，以模拟人脸表征第一人脸低模数据，模拟人脸的人脸表情特征和人脸形状特征，分
别与目标人脸的人脸表情特征和人脸形状特征相适配，且模拟人脸的位姿尺寸，与综合位姿尺寸特征相适配。
[0135]
其中，请参考图5b(1)，表示基于多个目标人脸高模数据各自形成的目标人脸的位姿尺寸，确定出的综合位姿尺寸特征，如综合位姿尺寸特征表示人脸长度为120厘米，人脸宽度为80厘米，人脸朝向为以人脸中轴向左侧旋转60
°
。在仅基于人脸表情特征和人脸形状特征，对模板人脸数据进行调整，获得相应的第一人脸低模数据时，请参考图5b(2)，获得的模拟人脸的位姿尺寸与模板人脸的位姿尺寸相同，模拟人脸的位姿尺寸包括人脸长度为60厘米，人脸宽度为40厘米，人脸朝向为以人脸中轴向右侧旋转55
°
。此时，模拟人脸的位姿尺寸与综合位姿尺寸特征不适配。因此，可以在对模板人脸数据进行调整时，可以同时基于人脸表情特征、人脸形状特征和综合位姿尺寸特征对模板人脸数据进行调整，使得模拟人脸的人脸表情特征和人脸形状特征，分别与目标人脸的人脸表情特征和人脸形状特征相适配的同时，模拟人脸的位姿尺寸与综合位姿尺寸特征相适配，请参考图5b(3)。
[0136]
s203，基于预存的参考人脸低模数据集合，分别对多个第一人脸低模数据各自进行噪声过滤处理，获得相应的第二人脸低模数据。
[0137]
在获得各个第一人脸低模数据之后，可以获取预存的参考人脸低模数据集合，基于参考人脸低模数据集合，分别对多个第一人脸低模数据各自进行噪声过滤处理，获得相应的第二人脸低模数据。
[0138]
参考人脸低模数据集合中的各个参考人脸低模数据，可以是接收的其他设备发送的参考人脸低模数据，也可以是从网络资源中获取的参考人脸低模数据等，具体不做限制。
[0139]
参考人脸低模数据可以是基于参考高清人脸数据获得的，可以是采用多轮调整的方法，对模板人脸数据进行多轮调整后获得的，也可以是采用本技术实施例中介绍的获得第二人脸低模数据的方法获得的等，具体不做限制。无论参考人脸低模数据是采用何种方法获得，通过简化获得多个目标人脸高模数据各自对应的第二人脸低模数据的过程，均可以达到提高建立人脸模型的效率的目的。
[0140]
参考人脸低模数据集合包含各个参考人脸的人脸特征，在基于参考人脸低模数据集合，分别对多个第一人脸低模数据各自进行噪声过滤处理时，可以基于各个参考人脸的人脸特征，对多个第一人脸低模数据各自进行噪声过滤处理，避免第一人脸低模数据包含的噪声数据，对生成目标人脸模型的负面影响，提高建立目标人脸模型的准确性。
[0141]
作为一种实施例，在基于参考人脸低模数据集合，分别对多个第一人脸低模数据各自进行噪声过滤处理时，可以基于参考人脸低模数据集合中表征各个参考人脸的人脸特征的数据，生成可变形的中间人脸模型，通过该可变形的中间人脸模型，拟合每个第一人脸低模数据，分别获得相应的第二人脸低模数据，使得各个第二人脸低模数据均是通过表征各个参考人脸的人脸特征的数据获得的，并未掺杂噪声数据，达到对第一人脸低模数据进行噪声过滤处理的目的。
[0142]
下面对基于参考人脸低模数据集合，分别对多个第一人脸低模数据进行噪声过滤处理，获得相应的第二人脸低模数据的过程进行具体介绍。
[0143]
可以先确定参考人脸低模数据集合中，表征各个参考人脸的人脸特征的多个关键数据，通过对多个关键数据进行数据融合处理，生成中间人脸模型，从而，可以采用中间人脸模型，拟合每个第一人脸低模数据，分别获得相应的第二人脸低模数据，达到噪声过滤处
理的目的。
[0144]
作为一种实施例，在确定多个关键数据时，请参考图6a，可以对参考人脸低模数据集合中的各个参考人脸低模数据进行降维处理，分别生成相应备选数据，例如获得备选数据a、备选数据b、
……
和备选数据n，以及生成的各个备选数据各自对应的关键度，例如相应的获得关键度a、关键度b、
……
和关键度n，每个关键度表征相应备选数据对相应参考人脸的人脸特征的表征程度。可以基于各个备选数据各自对应的关键度，从各个备选数据中，选取关键度满足关键度条件的多个备选数据，分别作为关键数据，例如获得关键数据a、关键数据b、
……
和关键数据m。关键度不满足关键度条件的备选数据，作为噪声数据。
[0145]
例如，通过pca算法对各个参考人脸低模数据进行降维处理，提取出各个参考人脸低模数据各自的主成分，得到各个数据分量，可以将各个数据分量，分别作为备选数据。同时，采用pca算法进行降维处理时，分别基于方差，对各个数据分量进行贡献评分，贡献评分用于表征数据分量在用于表征参考人脸的人脸特征上的贡献程度，因此，可以将获得的各个贡献评分，分别作为相应备选数据的关键度。从而，可以从各个备选数据中，选取关键度最大的前99％个备选数据，分别作为关键数据。其余1％的备选数据为高频信息，噪声主要反映在高频信息中，因此可以将其视为噪声数据。
[0146]
在获得中间人脸模型之后，可以基于第一人脸低模数据，调整中间人脸模型的变形系数，来拟合第一人脸低模数据，得到第一人脸低模数据对应的第二人脸低模数据。
[0147]
下面以针对一个第一人脸低模数据，获得相应的第二人脸低模数据的过程为例进行介绍，针对其他第一人脸低模数据的过程类似，在此不再赘述。
[0148]
可以基于一个第一人脸低模数据，调整中间人脸模型的变形系数，获得与一个第一人脸低模数据形成的模拟人脸之间的相似度满足相似度条件的变形人脸。可以将变形人脸的人脸数据，作为一个第一人脸低模数据对应的第二人脸低模数据。
[0149]
由于中间人脸模型是基于关键数据构建出来的可变形人脸模型，那么无论中间人脸模型如何变形，得到的变形人脸均是由关键数据构成的，那么将变形人脸的人脸数据，作为一个第一人脸低模数据对应的第二人脸低模数据，相当于是对一个第一人脸低模数据进行的数据清洗，过滤掉其中的噪声数据的过程，使得获得的第二人脸低模数据更加准确。
[0150]
进一步的，由于中间人脸模型是参考人脸低模数据集合构建出来的，参考人脸低模数据集合中的各个参考人脸低模数据又是相对于各个参考高清人脸数据的精准模拟，那么参考人脸低模数据形成的参考人脸与参考高清人脸数据形成的高清人脸是精准对齐的。因此，构建出的中间人脸模型无论怎样变形，获得的变形人脸同样是可以与高清人脸精准对齐，也就是说，变形人脸可以与目标人脸精准对齐，从而可以减少第一人脸低模数据形成的模拟人脸，与目标人脸高模数据形成的目标人脸之间的对齐偏差，进一步提高第二人脸低模数据的准确性。
[0151]
作为一种实施例，不仅可以基于参考人脸低模数据集合，来对各个第一人脸低模数据各自进行噪声过滤处理，获得各个第一人脸低模数据各自对应的第二人脸低模数据；还可以基于参考人脸低模数据集合，以及已经过噪声过滤处理获得的第二人脸低模数据，一同对其余第一人脸低模数据进行噪声过滤处理，增加过滤处理的参考依据，从而提高过滤处理的准确性。
[0152]
下面以针对一个第一人脸低模数据，获得相应的第二人脸低模数据的过程为例进
行介绍，针对其他第一人脸低模数据的过程类似，在此不再赘述。
[0153]
可以先确定多个第一人脸低模数据中，是否存在已获得相应第二人脸低模数据的第一人脸低模数据。在确定多个第一人脸低模数据中，存在已获得相应第二人脸低模数据的第一人脸低模数据时，基于参考人脸低模数据集合，以及已获得的第二人脸低模数据，对一个第一人脸低模数据进行噪声过滤处理，获得一个第一人脸低模数据对应的第二人脸低模数据；
[0154]
在确定多个第一人脸低模数据中，不存在已获得相应第二人脸低模数据的第一人脸低模数据时，基于参考人脸低模数据集合，对一个第一人脸低模数据进行噪声过滤处理，获得一个第一人脸低模数据对应的第二人脸低模数据。
[0155]
可以将获得的第二人脸低模数据存入一个集合中，通过确定集合中是否存在数据，来确定多个第一人脸低模数据中，是否存在已获得相应第二人脸低模数据的第一人脸低模数据。
[0156]
还可以为每个第一人脸低模数据进行排序，按照排列顺序，依次确定每个第一人脸低模数据对应的第二人脸低模数据。从而，可以在每次对一个第一人脸低模数据进行处理时，同时获取排列顺序在该一个第一人脸低模数据之前的所有第一人脸低模数据对应的第二人脸低模数据，通过确定该一个第一人脸低模数据是否排列在第一的顺序，确定多个第一人脸低模数据中，是否存在已获得相应第二人脸低模数据的第一人脸低模数据等，具体不做限制。
[0157]
例如，请参考图6b，各个第一人脸低模数据包括第一人脸低模数据a、第一人脸低模数据b、
……
和第一人脸低模数据z，分别为每个第一人脸低模数据设置排列序号，第一人脸低模数据a的排列序号为1，第一人脸低模数据b的排列序号为2，
……
，第一人脸低模数据z的排列序号为n。在对第一人脸低模数据b进行处理时，第一人脸低模数据b的排列序号为2，那么可以确定存在已获得相应第二人脸低模数据的第一人脸低模数据。获取排列序号分别为1、2的第一人脸低模数据a和第一人脸低模数据b。基于第一人脸低模数据a对应的第二人脸低模数据a，以及参考人脸低模数据集合，对第一人脸低模数据b进行噪声过滤处理，获得第二人脸低模数据b。
[0158]
作为一种实施例，可以基于预存的参考人脸低模数据集合，分别对多个第一人脸低模数据进行多轮噪声过滤处理，进一步避免得到的第二人脸低模数据包含噪声数据，达到提高得到的第二人脸低模数据的准确性的目的。
[0159]
在每轮噪声过滤处理之后，可以生成多个第一人脸低模数据各自对应的第三人脸低模数据。可以基于获得的多个第三人脸低模数据，分别与相应的第一人脸低模数据之间误差，计算平均误差。从而，可以确定本轮噪声过滤处理获得的多个第三人脸低模数据，与相应的第一人脸低模数据之间的平均误差是否满足误差条件。在确定平均误差不满足误差条件时，进行下一轮噪声过滤处理，在下一轮过滤处理过程中，可以基于预存的参考人脸低模数据集合，以及本轮获得的各个第三人脸低模数据，继续对多个第一人脸低模数据进行噪声过滤处理，直到确定平均误差满足误差条件时，将当前轮次噪声过滤处理获得的多个第三人脸低模数据，分别作为第二人脸低模数据。
[0160]
基于预存的参考人脸低模数据集合，以及本轮获得的各个第三人脸低模数据，对多个第一人脸低模数据进行下一轮噪声过滤处理时，由于下一轮噪声过滤处理过程所依据
的数据，相较于参考人脸低模数据集合包含的数据来说，数据量更多，因此，下一轮噪声过滤处理时的过滤准确性更高，能够进一步准确地过滤出第一人脸低模数据中包含的噪声数据。
[0161]
进一步的，每轮噪声过滤处理后获得的第三人脸低模数据，相较于之前各轮噪声过滤处理后获得的第三人脸低模数据来说，包含的噪声数据更少，因此，基于预存的参考人脸低模数据集合，以及本轮噪声获得的各个第三人脸低模数据，对多个第一人脸低模数据进行下一轮噪声过滤处理时，过滤处理所依据的数据的准确性更高，因此能够进一步准确地过滤出第一人脸低模数据中包含的噪声数据。
[0162]
例如，请参考图6c，多个第一人脸低模数据包括第一人脸低模数据a、第一人脸低模数据b、
……
和第一人脸低模数据z，在进行第一轮噪声过滤处理时，基于参考人脸低模数据集合，对各个第一人脸低模数据进行过滤处理，获得相应的第三人脸低模数据，即包括第三人脸低模数据a、第三人脸低模数据b、
……
和第三人脸低模数据z。可以确定各个第三人脸低模数据，与相应的第一人脸低模数据之间的平均误差，得到第一平均误差。如果第一平均误差不满足误差条件，那么基于参考人脸低模数据集合以及各个第三人脸低模数据，再次对各个第一人脸低模数据进行过滤处理，并更新相应的第三人脸低模数据。可以继续确定各个第三人脸低模数据，与相应的第一人脸低模数据之间的平均误差，得到第二平均误差。依次类推，直到在进行第i轮噪声过滤处理时，获得的第i平均误差满足误差条件时，将第i轮噪声过滤处理后获得的各个第三人脸低模数据，分别作为相应第二人脸低模数据，即包括第二人脸低模数据a、第二人脸低模数据b、
……
和第二人脸低模数据z。
[0163]
可以通过比较历史轮次的噪声过滤处理和本轮噪声过滤处理获得的各个平均误差是否成收敛状态，如果不收敛，那么可以确定本轮噪声过滤处理获得的平均误差不满足误差条件，如果收敛，那么可以确定本轮噪声过滤处理获得的平均误差满足误差条件等，误差条件具体不做限制。
[0164]
例如，第一轮噪声过滤处理获得的平均误差为0.5，第二轮噪声过滤处理获得的平均误差为0.3，第三轮噪声过滤处理获得的平均误差为0.4，第四轮噪声过滤处理获得的平均误差为0.5，第五轮噪声过滤处理获得的平均误差为0.6，第六轮噪声过滤处理获得的平均误差为0.2，可见，经过六轮噪声过滤处理，平均误差并未收敛在任何值，那么可以确定本轮噪声过滤处理获得的平均误差不满足误差条件。
[0165]
又例如，第一轮噪声过滤处理获得的平均误差为0.5，第二轮噪声过滤处理获得的平均误差为0.3，第三轮噪声过滤处理获得的平均误差为0.4，第四轮噪声过滤处理获得的平均误差为0.2，第五轮噪声过滤处理获得的平均误差为0.1，第六轮噪声过滤处理获得的平均误差为0.1，可见，经过六轮噪声过滤处理，平均误差收敛在0.1，那么可以确定本轮噪声过滤处理获得的平均误差满足误差条件。
[0166]
作为一种实施例，在进行多轮噪声过滤处理时，不仅可以基于参考人脸低模数据集合，对各个第一人脸低模数据进行噪声过滤处理，也不仅可以基于参考人脸低模数据集合，以及本轮噪声过滤处理过程中已经获得的第二人脸低模数据，对各个第一人脸低模数据进行噪声过滤处理，还可以基于参考人脸低模数据集合，以及历史轮次的噪声过滤处理后获得的各个第三人脸低模数据，对各个第一人脸低模数据进行噪声过滤处理，还可以基于参考人脸低模数据集合，本轮噪声过滤处理过程中已经获得的第二人脸低模数据，以及
历史轮次的噪声过滤处理后获得的各个第三人脸低模数据，对各个第一人脸低模数据进行噪声过滤处理等，具体不做限制。
[0167]
下面以多轮噪声过滤处理中的一轮噪声过滤处理过程为例进行介绍。
[0168]
可以先确定是否存在上一轮噪声过滤处理，如果确定存在上一轮噪声过滤处理时，基于预存的参考人脸低模数据集合，以及上一轮噪声过滤处理生成的多个第三人脸低模数据，分别对多个第一人脸低模数据进行本轮噪声过滤处理。如果确定不存在上一轮噪声过滤处理时，基于预存的参考人脸低模数据集合，分别对多个第一人脸低模数据进行本轮噪声过滤处理等，具体不做限制。
[0169]
s204，对获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型。
[0170]
在获得多个第二人脸低模数据之后，可以对获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型；也可以对参考人脸低模数据集合和获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型等。例如，可以采用pca算法对参考人脸低模数据集合中的各个参考人脸低模数据，以及多个第二人脸低模数据进行降维处理，提取数据的主要特征分量，再对各个主特征分量进行正交基加权，得到可变形的目标人脸模型。
[0171]
下面以服务器为执行主体，对本技术实施例提供的构建人脸模型的方法进行示例介绍，实际上不对执行主体进行限制。
[0172]
请参考图7a，为构建人脸模型的一种流程示意图。
[0173]
s701，服务器获得参考人脸低模数据集合，该参考人脸低模数据集合中的各个参考人脸低模数据是分别对各个参考高清人脸数据进行精准的语义对齐和低模包裹获得的，可以是采用相关技术中的多轮调整的方法得到的，也可以是采用本技术实施例介绍的方法得到的。在获得参考人脸低模数据集合之后，该参考人脸低模数据集合预存在服务器中，记为集合a。
[0174]
s702，服务器获取多个目标人脸高模数据，该多个目标人脸高模数据可以是服务器接收的由扫描设备发送的多个目标人脸高模数据，由于扫描设备是通过扫描真实的人脸获得的多个目标人脸高模数据，因此目标人脸高模数据形成的目标人脸噪声较多，各点之间形成的面不规整流畅，即拓扑结构不一致，需要对多个目标人脸高模数据分别进行低模包裹，获得形成的模拟人脸噪声少，拓扑结果一致的人脸低模数据，从而才可以基于获得的人脸低模数据，构建可变形的人脸模型，用于重建不同的三维人脸。
[0175]
s703，服务器分别基于多个目标人脸高模数据进行预处理，预处理至少包括两个步骤，步骤一：获取模板人脸数据，并将模板人脸数据与目标人脸高模数据进行位置对齐。位置对齐例如是映射在同一坐标系中，又例如是将模板人脸数据形成的模板人脸的鼻尖，与目标人脸高模数据形成的目标人脸的鼻尖对齐等，具体不做限制。模板人脸数据只需要与一个目标人脸高模数据进行位置对齐，就可以达到模板人脸数据与所有目标人脸高模数据位置对齐的效果。
[0176]
步骤二：服务器基于多个目标人脸高模数据，采用nicp算法，分别对多个目标人脸高模数据进行低模包裹，即调整步骤一获得的模板人脸数据，分别生成所述多个目标人脸高模数据各自对应的第一人脸低模数据，获得的各个第一人脸低模数据可以视为一个集合，记为集合b’。
[0177]
通过分别基于多个目标人脸高模数据，对模板人脸进行位置对齐和调整，获得各
个第一人脸低模数据。由于仅对模板人脸数据进行了一轮调整，因此获得的第一人脸低模数据较为粗糙，无法准确地表征相应的目标人脸高模数据。
[0178]
作为一种实施例，采用nicp算法，分别调整步骤一获得的模板人脸数据之后，将调整后的数据作为集合b。服务器还可以基于集合a，计算各个参考人脸低模数据的平均人脸低模数据。服务器可以采用icp算法，基于平均人脸低模数据，继续调整集合b中各个数据的位姿尺寸，使得集合b中各个数据的位姿尺寸，与平均人脸低模数据表征的综合位置尺寸特征相适配。从而，在调整了位姿尺寸之后，可以分别生成所述多个目标人脸高模数据各自对应的第一人脸低模数据，获得的各个第一人脸低模数据可以视为一个集合，记为集合b’。
[0179]
s704，服务器确定是否存在已经获得的第二人脸低模数据，如果不存在已经获得的第二人脸低模数据，那么服务器采用pca算法，分别对各个参考人脸低模数据进行降维处理，获得各个参考人脸低模数据各自对应的备选数据，备选数据为相应参考人脸低模数据降维处理后的数据。
[0180]
如果存在已经获得的第二人脸低模数据，那么服务器采用pca算法，分别对各个参考人脸低模数据，以及各个第二人脸低模数据进行降维处理，获得各个参考人脸低模数据各自对应的备选数据，以及各个第二人脸低模数据各自对应的备选数据，备选数据为相应参考人脸低模数据或第二人脸低模数据降维处理后的数据。
[0181]
同时，降维处理后还可以获得各个备选数据各自对应的关键度，关键度例如是方差贡献率，服务器可以基于各个关键度，选取关键度最大的99％的备选数据，分别作为相应的关键数据。
[0182]
在获得各个关键数据之后，服务器可以对各个关键数据进行正交基加权求和，构建可变形的中间人脸模型。该中间人脸模型中仅包含可以表征人脸特征的关键数据，因此，采用该中间人脸模型拟合出的人脸噪声少，达到过滤噪声的目的。
[0183]
例如，集合b’中的各个第一人脸低模数据具备排列顺序，请参考图7b，服务器可以从集合b’中选取排列顺序为前i的第一人脸低模数据，i的初始值为1，i的取值在获得一个第一人脸低模数据对应的第二人脸低模数据之后，增加1，在i的取值大于各个第一人脸低模数据的数量时，获得各个第二人脸低模数据，记为集合c。
[0184]
如果选取的第一人脸低模数据，记为f，是排列顺序为第一的第一人脸低模数据，那么说明不存在已经获得的第二人脸低模数据，那么服务器采用pca算法，分别对各个参考人脸低模数据进行降维处理，建立中间人脸模型。
[0185]
如果选取的第一人脸低模数据f的排列顺序不是第一，那么说明存在已经获得的第二人脸低模数据，其中，已经获得的第二人脸低模数据为，排列顺序排在第一人脸低模数据f之前的各个第一人脸低模数据各自对应的第二人脸低模数据。那么服务器采用pca算法，分别对各个参考人脸低模数据，以及各个第二人脸低模数据进行降维处理，建立中间人脸模型。
[0186]
s705，在获得中间人脸模型之后，服务器可以基于中间人脸模型，采用最小二乘法，依次拟合每个第一人脸低模数据，获得相应的第二人脸低模数据。例如，服务器采用中间人脸模型拟合第一人脸低模数据f，得到相应的第二人脸低模数据f’。基于每次获得的各个第二人脸低模数据，组成一个集合，记为c。
[0187]
作为一种实施例，服务器可以针对集合b’进行多轮噪声过滤处理，请参考图7c，服
务器可以基于集合a和集合c，对集合b’进行第i轮噪声过滤处理，i的初始值为1，集合c的初始值为空集。
[0188]
如果i＝1，即进行的是第一轮噪声过滤处理，那么服务器可以基于集合a，按照s704，建立中间人脸模型，拟合集合b’中的每个第一人脸低模数据，获得相应的第三人脸低模数据。
[0189]
如果i》1，即进行的不是第一轮噪声过滤处理，那么服务器可以基于集合a，以及上一轮噪声过滤处理获得的集合c，按照s704，建立中间人脸模型，拟合集合b’中的每个第一人脸低模数据，获得相应的第三人脸低模数据。
[0190]
在获得各个第三人脸低模数据之后，可以基于每个第三人脸低模数据与相应的第一人脸低模数据之间的误差，确定平均误差。如果平均误差满足误差条件，那么将各个第三人脸低模数据，分别作为相应的第二人脸低模数据。如果平均误差不满足误差条件，那么基于各个第三人脸低模数据，更新集合c，同时，i的取值增加1，继续进行下一轮噪声过滤处理。
[0191]
多轮噪声过滤处理过程中，由于基于集合a和集合c建立的中间人脸模型，依据了更多的数据，使得中间人脸模型具有更强的人脸表达能力，从而能够提取出集合b’中的第一人脸低模数据包含的主要人脸特征，起到正反馈的作用。
[0192]
s706，在获得各个第二人脸低模数据之后，服务器采用pca算法，对各个参考人脸低模数据，以及各个第二人脸低模数据进行降维处理，提取出各个主成分分量，通过对各个主成分分量进行正交基加权求和处理，构建出可变形的目标人脸模型。
[0193]
基于同一发明构思，本技术实施例提供一种构建人脸模型的装置，能够实现前述的构建人脸模型的方法对应的功能。请参考图8，该装置包括获取模块801和处理模块802，其中：
[0194]
获取模块801：用于获取多个目标人脸高模数据；
[0195]
处理模块802：用于基于多个目标人脸高模数据，调整预存的模板人脸数据，分别生成多个目标人脸高模数据各自对应的第一人脸低模数据；
[0196]
处理模块802还用于：基于预存的参考人脸低模数据集合，分别对多个第一人脸低模数据进行噪声过滤处理，获得相应的第二人脸低模数据，其中，参考人脸低模数据集合包含各个参考人脸的人脸特征；
[0197]
处理模块802还用于：对获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型。
[0198]
在一种可能的实施例中，针对多个目标人脸高模数据，处理模块802具体用于，分别执行以下操作：
[0199]
基于一个目标人脸高模数据，确定一个目标人脸高模数据形成的目标人脸的人脸特征，其中，人脸特征包括人脸形状特征和人脸表情特征；
[0200]
依次基于人脸表情特征和人脸形状特征，调整模板人脸数据，生成一个目标人脸高模数据对应的第一人脸低模数据，其中，第一人脸低模数据形成的模拟人脸的人脸表情特征和人脸形状特征，分别与目标人脸的人脸表情特征和人脸形状特征相适配。
[0201]
在一种可能的实施例中，处理模块802具体用于：
[0202]
基于多个目标人脸高模数据，确定多个目标人脸高模数据各自形成的目标人脸的
位姿尺寸，并基于各个位姿尺寸的加权和，确定综合位姿尺寸特征；
[0203]
依次基于人脸表情特征、人脸形状特征和综合位姿尺寸特征，调整模板人脸数据，生成一个目标人脸高模数据对应的第一人脸低模数据，其中，第一人脸低模数据形成的模拟人脸的人脸表情特征和人脸形状特征，分别与目标人脸的人脸表情特征和人脸形状特征相适配，且模拟人脸的位姿尺寸，与综合位姿尺寸特征相适配。
[0204]
在一种可能的实施例中，处理模块802具体用于：
[0205]
确定参考人脸低模数据集合中，表征各个参考人脸的人脸特征的多个关键数据；
[0206]
对多个关键数据进行数据融合处理，生成中间人脸模型；
[0207]
针对多个第一人脸低模数据，分别执行以下操作：
[0208]
基于一个第一人脸低模数据，调整中间人脸模型的变形系数，获得与一个第一人脸低模数据形成的模拟人脸之间的相似度满足相似度条件的变形人脸；
[0209]
将变形人脸的人脸数据，作为一个第一人脸低模数据对应的第二人脸低模数据。
[0210]
在一种可能的实施例中，处理模块802具体用于：
[0211]
对参考人脸低模数据集合中的各个参考人脸低模数据进行降维处理，分别生成相应备选数据，以及生成的各个备选数据各自对应的关键度，其中，每个关键度表征相应备选数据对相应参考人脸的人脸特征的表征程度；
[0212]
基于各个备选数据各自对应的关键度，从各个备选数据中，选取关键度满足关键度条件的多个备选数据，分别作为关键数据。
[0213]
在一种可能的实施例中，处理模块802具体用于：
[0214]
针对多个第一人脸低模数据，分别执行以下操作：
[0215]
确定多个第一人脸低模数据中，存在已获得相应第二人脸低模数据的第一人脸低模数据时，基于参考人脸低模数据集合，以及已获得的第二人脸低模数据，对一个第一人脸低模数据进行噪声过滤处理，获得一个第一人脸低模数据对应的第二人脸低模数据；
[0216]
确定多个第一人脸低模数据中，不存在已获得相应第二人脸低模数据的第一人脸低模数据时，基于参考人脸低模数据集合，对一个第一人脸低模数据进行噪声过滤处理，获得一个第一人脸低模数据对应的第二人脸低模数据。
[0217]
在一种可能的实施例中，处理模块802具体用于：
[0218]
基于预存的参考人脸低模数据集合，分别对多个第一人脸低模数据进行多轮噪声过滤处理，其中，在每轮噪声过滤处理之后，包括：
[0219]
生成多个第一人脸低模数据各自对应的第三人脸低模数据；
[0220]
基于获得的多个第三人脸低模数据，与相应的第一人脸低模数据之间的平均误差，确定平均误差不满足误差条件时，进行下一轮噪声过滤处理，直到确定平均误差满足误差条件时，将本轮噪声过滤处理过的多个第三人脸低模数据，分别作为第二人脸低模数据。
[0221]
在一种可能的实施例中，处理模块802具体用于：
[0222]
针对多轮噪声过滤处理，分别执行以下操作：
[0223]
确定存在上一轮噪声过滤处理时，基于预存的参考人脸低模数据集合，以及上一轮噪声过滤处理生成的多个第三人脸低模数据，分别对多个第一人脸低模数据进行本轮噪声过滤处理；
[0224]
确定不存在上一轮噪声过滤处理时，基于预存的参考人脸低模数据集合，分别对
多个第一人脸低模数据进行本轮噪声过滤处理。
[0225]
请参照图9，上述构建人脸模型的装置可以运行在计算机设备900上，数据存储程序的当前版本和历史版本以及数据存储程序对应的应用软件可以安装在计算机设备900上，该计算机设备900包括处理器980以及存储器920。在一些实施例中，该计算机设备900可以包括显示单元940，显示单元940包括显示面板941，用于显示由用户交互操作界面等。
[0226]
在一种可能的实施例中，可以采用液晶显示器(liquid crystal display，lcd)或有机发光二极管oled(organic light-emitting diode)等形式来配置显示面板941。
[0227]
处理器980用于读取计算机程序，然后执行计算机程序定义的方法，例如处理器980读取数据存储程序或文件等，从而在该计算机设备900上运行数据存储程序，在显示单元940上显示对应的界面。处理器980可以包括一个或多个通用处理器，还可包括一个或多个dsp(digital signal processor，数字信号处理器)，用于执行相关操作，以实现本技术实施例所提供的技术方案。
[0228]
存储器920一般包括内存和外存，内存可以为随机存储器(ram)，只读存储器(rom)，以及高速缓存(cache)等。外存可以为硬盘、光盘、usb盘、软盘或磁带机等。存储器920用于存储计算机程序和其他数据，该计算机程序包括各客户端对应的应用程序等，其他数据可包括操作系统或应用程序被运行后产生的数据，该数据包括系统数据(例如操作系统的配置参数)和用户数据。本技术实施例中程序指令存储在存储器920中，处理器980执行存储器920中的程序指令，实现前文图论述的任意的一种方法。
[0229]
上述显示单元940用于接收输入的数字信息、字符信息或接触式触摸操作/非接触式手势，以及产生与计算机设备900的用户设置以及功能控制有关的信号输入等。具体地，本技术实施例中，该显示单元940可以包括显示面板941。显示面板941例如触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在显示面板941上或在显示面板941的操作)，并根据预先设定的程式驱动相应的连接装置。
[0230]
在一种可能的实施例中，显示面板941可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测玩家的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器980，并能接收处理器980发来的命令并加以执行。
[0231]
其中，显示面板941可以采用电阻式、电容式、红外线以及表面声波等多种类型实现。除了显示单元940，在一些实施例中，计算机设备900还可以包括输入单元930，输入单元930可以包括图像输入设备931和其他输入设备932，其中其他输入设备可以但不限于包括物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
[0232]
除以上之外，计算机设备900还可以包括用于给其他模块供电的电源990、音频电路960、近场通信模块970和rf电路910。计算机设备900还可以包括一个或多个传感器950，例如加速度传感器、光传感器、压力传感器等。音频电路960具体包括扬声器961和麦克风962等，例如计算机设备900可以通过麦克风962采集用户的声音，进行相应的操作等。
[0233]
作为一种实施例，处理器980的数量可以是一个或多个，处理器980和存储器920可以是耦合设置，也可以是相对独立设置。
[0234]
作为一种实施例，图9中的处理器980可以用于实现如图8中的获取模块801和处理
模块802的功能。
[0235]
作为一种实施例，图9中的处理器980可以用于实现前文论述的服务器或终端设备对应的功能。
[0236]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0237]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，例如，通过计算机程序产品体现，该计算机程序产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0238]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种构建人脸模型的方法，其特征在于，包括：获取多个目标人脸高模数据；基于所述多个目标人脸高模数据，调整预存的模板人脸数据，分别生成所述多个目标人脸高模数据各自对应的第一人脸低模数据；基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行噪声过滤处理，获得相应的第二人脸低模数据，其中，所述参考人脸低模数据集合包含各个参考人脸的人脸特征；对获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型。2.根据权利要求1所述的方法，其特征在于，基于所述多个目标人脸高模数据，调整预存的模板人脸数据，分别生成所述多个目标人脸高模数据各自对应的第一人脸低模数据，包括：针对所述多个目标人脸高模数据，分别执行以下操作：基于一个目标人脸高模数据，确定所述一个目标人脸高模数据形成的目标人脸的人脸特征，其中，所述人脸特征包括人脸形状特征和人脸表情特征；依次基于所述人脸表情特征和所述人脸形状特征，调整所述模板人脸数据，生成所述一个目标人脸高模数据对应的第一人脸低模数据，其中，所述第一人脸低模数据形成的模拟人脸的人脸表情特征和人脸形状特征，分别与所述目标人脸的人脸表情特征和人脸形状特征相适配。3.根据权利要求2所述的方法，其特征在于，依次基于所述人脸表情特征和所述人脸形状特征，调整所述模板人脸数据，生成所述一个目标人脸高模数据对应的第一人脸低模数据，包括：基于所述多个目标人脸高模数据，确定所述多个目标人脸高模数据各自形成的目标人脸的位姿尺寸，并基于各个位姿尺寸的加权和，确定综合位姿尺寸特征；依次基于所述人脸表情特征、所述人脸形状特征和所述综合位姿尺寸特征，调整所述模板人脸数据，生成所述一个目标人脸高模数据对应的第一人脸低模数据，其中，所述第一人脸低模数据形成的模拟人脸的人脸表情特征和人脸形状特征，分别与所述目标人脸的人脸表情特征和人脸形状特征相适配，且所述模拟人脸的位姿尺寸，与所述综合位姿尺寸特征相适配。4.根据权利要求1所述的方法，其特征在于，基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行噪声过滤处理，获得相应的第二人脸低模数据，包括：确定所述参考人脸低模数据集合中，表征所述各个参考人脸的人脸特征的多个关键数据；对所述多个关键数据进行数据融合处理，生成中间人脸模型；针对所述多个第一人脸低模数据，分别执行以下操作：基于一个第一人脸低模数据，调整所述中间人脸模型的变形系数，获得与所述一个第一人脸低模数据形成的模拟人脸之间的相似度满足相似度条件的变形人脸；将所述变形人脸的人脸数据，作为所述一个第一人脸低模数据对应的第二人脸低模数据。5.根据权利要求4所述的方法，其特征在于，确定所述参考人脸低模数据集合中，表征
所述各个参考人脸的人脸特征的多个关键数据，包括：对所述参考人脸低模数据集合中的各个参考人脸低模数据进行降维处理，分别生成相应备选数据，以及生成的各个备选数据各自对应的关键度，其中，每个关键度表征相应备选数据对相应参考人脸的人脸特征的表征程度；基于所述各个备选数据各自对应的关键度，从所述各个备选数据中，选取关键度满足关键度条件的多个备选数据，分别作为所述关键数据。6.根据权利要求1～5任一项所述的方法，其特征在于，基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行噪声过滤处理，获得相应的第二人脸低模数据，包括：针对所述多个第一人脸低模数据，分别执行以下操作：确定所述多个第一人脸低模数据中，存在已获得相应第二人脸低模数据的第一人脸低模数据时，基于所述参考人脸低模数据集合，以及已获得的第二人脸低模数据，对一个第一人脸低模数据进行噪声过滤处理，获得所述一个第一人脸低模数据对应的第二人脸低模数据；确定所述多个第一人脸低模数据中，不存在已获得相应第二人脸低模数据的第一人脸低模数据时，基于所述参考人脸低模数据集合，对一个第一人脸低模数据进行噪声过滤处理，获得所述一个第一人脸低模数据对应的第二人脸低模数据。7.根据权利要求1～5任一项所述的方法，其特征在于，基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行噪声过滤处理，获得相应的第二人脸低模数据，包括：基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行多轮噪声过滤处理，其中，在每轮噪声过滤处理之后，包括：生成所述多个第一人脸低模数据各自对应的第三人脸低模数据；基于获得的多个第三人脸低模数据，与相应的第一人脸低模数据之间的平均误差，确定所述平均误差不满足误差条件时，进行下一轮噪声过滤处理，直到确定所述平均误差满足误差条件时，将本轮噪声过滤处理过的多个第三人脸低模数据，分别作为所述第二人脸低模数据。8.根据权利要求7所述的方法，其特征在于，基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行多轮噪声过滤处理，包括：针对所述多轮噪声过滤处理，分别执行以下操作：确定存在上一轮噪声过滤处理时，基于预存的参考人脸低模数据集合，以及上一轮噪声过滤处理生成的多个第三人脸低模数据，分别对所述多个第一人脸低模数据进行本轮噪声过滤处理；确定不存在上一轮噪声过滤处理时，基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行本轮噪声过滤处理。9.一种构建人脸模型的装置，其特征在于，包括：获取模块：用于获取多个目标人脸高模数据；处理模块：用于基于所述多个目标人脸高模数据，调整预存的模板人脸数据，分别生成所述多个目标人脸高模数据各自对应的第一人脸低模数据；
所述处理模块还用于：基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据进行噪声过滤处理，获得相应的第二人脸低模数据，其中，所述参考人脸低模数据集合包含各个参考人脸的人脸特征；所述处理模块还用于：对获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1～8中任一项所述的方法。11.一种计算机设备，其特征在于，包括：存储器，用于存储程序指令；处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行如权利要求1～8中任一项所述的方法。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1～8中任一项所述的方法。

技术总结
本申请提供一种构建人脸模型的方法、装置、计算机设备及存储介质，可以应用于人工智能领域或智能交通领域等，用于解决构建人脸模型的效率较低的问题。该方法包括：基于所述多个目标人脸高模数据，调整预存的模板人脸数据，分别生成所述多个目标人脸高模数据各自对应的第一人脸低模数据；基于预存的参考人脸低模数据集合，分别对所述多个第一人脸低模数据各自进行噪声过滤处理，获得相应的第二人脸低模数据，其中，所述参考人脸低模数据集合包含各个参考人脸的人脸特征；对获得的多个第二人脸低模数据进行数据融合处理，生成目标人脸模型。通过减少需要调整的轮次和数据量，达到提高构建人脸模型效率的目的。高构建人脸模型效率的目的。高构建人脸模型效率的目的。


技术研发人员：张浩贤
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2022.03.10
技术公布日：2023/9/23