在現(xiàn)實(shí)生活中，我們經(jīng)常會(huì)去評(píng)價(jià)一個(gè)人，長(zhǎng)得是否漂亮、是不是帥哥美女，然而如何用五官的數(shù)據(jù)去評(píng)價(jià)一個(gè)人是否長(zhǎng)得五官比例協(xié)調(diào)，我們卻很難說(shuō)出來(lái)，也就是你為什么覺(jué)得某個(gè)人長(zhǎng)得漂亮？是因?yàn)樗劬Υ?#xff0c;嘴巴小，還是她五官位置符合江湖傳說(shuō)中的黃金比例呢？我今天要講的這篇paper的創(chuàng)新點(diǎn)就是回答了這些問(wèn)題，通過(guò)這篇paper的算法，你可以找一堆非常漂亮的美女作為訓(xùn)練數(shù)據(jù)庫(kù)，然后用于評(píng)價(jià)一個(gè)輸入的照片的五官位置是否長(zhǎng)得比例協(xié)調(diào)，也就是實(shí)現(xiàn)一個(gè)最簡(jiǎn)單的長(zhǎng)相評(píng)分系統(tǒng)，當(dāng)然這個(gè)評(píng)分功能不涉及皮膚紋理等，只是用于評(píng)價(jià)一個(gè)人五官位置、大小比例是否協(xié)調(diào)。

? 這篇paper還有一個(gè)可能的工程應(yīng)用點(diǎn)，如果你的訓(xùn)練數(shù)據(jù)足夠perfect的話，那么你可以實(shí)現(xiàn)這樣的一個(gè)App功能：智能整容算法。也就是用戶輸入一張照片，我們可以根據(jù)paper的算法，預(yù)測(cè)五官的正確位置，以這些正確位置為控制頂點(diǎn)，利用圖像變形算法，實(shí)現(xiàn)五官的自動(dòng)整容，當(dāng)然這個(gè)最后整容效果的好壞，很依賴于訓(xùn)練數(shù)據(jù)，正面照片實(shí)現(xiàn)估計(jì)會(huì)比較簡(jiǎn)單，但是實(shí)現(xiàn)各種角度的照片的整容，那就……

?不過(guò)因?yàn)閜aper的五官位置調(diào)整算法，給我的感覺(jué)不咋地，所以具體是否經(jīng)過(guò)整容后，真的變得漂亮，實(shí)在很難判斷……。還有學(xué)習(xí)這篇paper的意義：通過(guò)學(xué)習(xí)這篇paper，我們可以推測(cè)騰訊的天天P圖的人臉整形、眼睛放大、嘴巴微笑等算法有可能用了《移動(dòng)最小二乘的變形》算法實(shí)現(xiàn)的，還有天天p圖的頭發(fā)識(shí)別，有可能是采用了本文的頭發(fā)識(shí)別方法，也就是借助于模板發(fā)型進(jìn)行頭發(fā)區(qū)域的識(shí)別。

? ? OK,回到本篇博文的主題，《基于數(shù)據(jù)驅(qū)動(dòng)的卡通動(dòng)畫生成》是由騰訊優(yōu)圖團(tuán)隊(duì)發(fā)表的一篇paper，英文名為：《Data-Driven?Face?Cartoon?Stylization 》，是2014年Siggraph Asia 上的一篇paper，其實(shí)現(xiàn)了人像卡通動(dòng)畫的生成：

? ?也就是用戶輸入一張圖片，然后根據(jù)算法，它會(huì)自動(dòng)生成用戶對(duì)應(yīng)的卡通動(dòng)畫圖。看起來(lái)是不是高大上的樣子，看了paper的效果圖是不是感覺(jué)很牛逼的樣子，然而其實(shí)我這篇paper算法的魯棒性很差，這篇文章能夠被Siggraph Asia錄用，唯一的亮點(diǎn)是因?yàn)樗岢鰜?lái)了一個(gè)五官位置、比例自動(dòng)調(diào)整算法，利用SVM算法進(jìn)行五官比例、位置等數(shù)據(jù)擬合。

? ?這個(gè)功能好像曾經(jīng)在世界杯期間，被應(yīng)用于“天天p圖”的世界杯互動(dòng)功能中，當(dāng)然估計(jì)是因?yàn)轸敯粜詥?wèn)題，所以……。整個(gè)過(guò)程的算法除了發(fā)型識(shí)別、單眼皮雙眼皮識(shí)別、性別識(shí)別這三個(gè)算法沒(méi)有去做，其他的都驗(yàn)證了，算法的魯棒性確實(shí)很差，心塞啊，OK，接著我們就講解一些paper的算法實(shí)現(xiàn)。

? ?這篇paper，分為三個(gè)步驟：1、創(chuàng)建訓(xùn)練數(shù)據(jù)，也就是卡通動(dòng)畫的五官庫(kù)。2、用戶輸入一張照片，進(jìn)行最近鄰相似搜索。3、五官位置擺放，比例算法等。下面是我根據(jù)paper講解過(guò)程進(jìn)行翻譯講解。

一、卡通動(dòng)畫各個(gè)器官庫(kù)的創(chuàng)建方法

?

器官庫(kù)

這一步工作量非常大，如果你要搞這樣的一個(gè)項(xiàng)目，單單這一步就要就要耗費(fèi)很多人力物力了，因?yàn)樗囆g(shù)家要繪制一個(gè)五官庫(kù)，相當(dāng)不容易啊，不是一兩天可以搞定的事。庫(kù)的具體創(chuàng)建方法如下：

(1)從網(wǎng)上下載足夠多的人臉庫(kù)

(2)從步驟1中的人臉庫(kù)挑選300張男性、220張女性的照片，當(dāng)然這520張照片要具有代表性(每張照片的五官長(zhǎng)相，照片表情等盡量不一樣)，使得數(shù)據(jù)分布合理。這520張照片用符號(hào)P表示。

(3)通過(guò)對(duì)P的每張照片器官進(jìn)行分解，構(gòu)建人臉五官庫(kù)Fr(Fr是可以重組成完整的一幅P中照片的)。

?

(4)挑選Fr中，具有代表性的：20個(gè)臉型、30個(gè)眉毛、30個(gè)眼睛、16個(gè)鼻子、30個(gè)嘴巴、75中類型的頭發(fā)。注意各個(gè)器官男性、女性要分開(kāi)，即男的20個(gè)臉型、女的20個(gè)臉型……。

(5)藝術(shù)家對(duì)(4)中挑選得到的五官圖片進(jìn)行繪制，結(jié)果庫(kù)符號(hào)記為Fc。需要注意，藝術(shù)家繪制時(shí)，眼睛要分為單眼皮和雙眼皮進(jìn)行繪制。

(6)繪制完了以后，我們?cè)偈謩?dòng)用這些卡通五官庫(kù)組合成人臉。組合出P中每張照片的卡通動(dòng)畫圖。通過(guò)這一步，Fr中的，每個(gè)器官都將找到Fc中最為相似的卡通器官圖片。(通過(guò)這一步創(chuàng)建的P對(duì)應(yīng)的卡通動(dòng)畫圖，也將用于后續(xù)作為訓(xùn)練數(shù)據(jù)，后續(xù)講到訓(xùn)練算法的時(shí)候，會(huì)進(jìn)行詳細(xì)講解)。其實(shí)前面的繪制五官卡通圖都是小事，這一步人工組合出P中照片的卡通圖，才是最不容易的事。

上面Fr、P、Fc的代號(hào)需要記清楚，后面直接用代號(hào)表示這三部分。

二、算法實(shí)現(xiàn)部分

? ? 現(xiàn)在假設(shè)用戶輸入一張人臉照片，算法總的過(guò)程就是先通過(guò)特征點(diǎn)檢測(cè)出88個(gè)人臉特征點(diǎn)，然后對(duì)各個(gè)器官進(jìn)行分解，接著：

? ? (1)根據(jù)分解的各個(gè)器官在Fr庫(kù)(真實(shí)的五官庫(kù))中，尋找最相似的器官。然后因?yàn)?/span>Fr(真實(shí)圖片的五官庫(kù))中的每個(gè)圖都有對(duì)應(yīng)的Fc(卡通五官圖庫(kù))，據(jù)此我們就可以得到用戶輸入照片五官的對(duì)應(yīng)卡通圖Fc。

? ? (2)根據(jù)尋找到的最相似的五官卡通圖，進(jìn)行組裝。

? ? 上面黑色字體部分，就是文獻(xiàn)的創(chuàng)新點(diǎn)，也就是回答了如下兩個(gè)問(wèn)題：如何尋找最相似的器官(不僅僅用特征點(diǎn)進(jìn)行查找)？如何進(jìn)行五官重組(重組起來(lái)，使得卡通動(dòng)畫漂亮，五官協(xié)調(diào))？接著我將對(duì)這兩個(gè)問(wèn)題進(jìn)行詳細(xì)講解。

1、五官自動(dòng)重組算法實(shí)現(xiàn):

? ? 這里我根據(jù)文獻(xiàn)的講解順序，先回答第一個(gè)問(wèn)題：如何進(jìn)行五官重組(使得重組后卡通動(dòng)畫漂亮，五官比例位置協(xié)調(diào))？當(dāng)然這一步的是需要先找到用戶輸入照片的對(duì)應(yīng)最相似的五官。

A、訓(xùn)練數(shù)據(jù)獲取。

? ? 五官重組需要用到機(jī)器學(xué)習(xí)的算法，因此需要訓(xùn)練數(shù)據(jù)，同時(shí)訓(xùn)練數(shù)據(jù)必須是五官協(xié)調(diào)的，漂亮的模型。創(chuàng)建方法：根據(jù)1中卡通圖庫(kù)創(chuàng)建過(guò)程中，我們可以獲得人臉庫(kù)P的每個(gè)人臉對(duì)應(yīng)的卡通圖庫(kù)Pc，然后我們請(qǐng)藝術(shù)師對(duì)Pc的五官位置、比例進(jìn)行調(diào)整，使得Pc中的每張圖片都更加漂亮，因?yàn)槲覀儗⒂闷恋目ㄍ▓D進(jìn)行訓(xùn)練。

B、特征提取。

? ? 對(duì)于每張訓(xùn)練數(shù)據(jù)卡通圖，我們假設(shè)圖片五官都是對(duì)稱的，我們創(chuàng)建如下圖所示的坐標(biāo)系：

?

坐標(biāo)系的原點(diǎn)：兩個(gè)眼睛位置的中點(diǎn)O；坐標(biāo)系的Y軸：O點(diǎn)與鼻子的中心的連線的方向。根據(jù)創(chuàng)建的坐標(biāo)系，我們定義一個(gè)十三維的特征向量X=(x1,x2,……,x13)，其中：

(x1，x2，x3)=(左眉毛位置的x坐標(biāo),左眉毛位置的y坐標(biāo),眉毛的長(zhǎng)度)；

(x4，x5，x6)=(左眼睛位置的x坐標(biāo)，左眼睛位置的y坐標(biāo)，左眼睛的長(zhǎng)度)；

(x7，x8)=(鼻子位置的y坐標(biāo)，鼻子的寬度)；

(x9，x10)=(嘴巴位置的y坐標(biāo)，嘴巴的寬度)；

(x11，x12)=(臉頰位置的y坐標(biāo)，臉頰的寬度)；（圖中淺藍(lán)色的線）

(x13)=(下巴位置的y坐標(biāo))；(人臉特征點(diǎn)的最下點(diǎn))

? ? ?因此根據(jù)P的卡通圖，我們可以得到如下訓(xùn)練數(shù)據(jù)：，其中X為卡通圖的特征，Z為卡通圖的風(fēng)格數(shù)據(jù)。在paper中，卡通圖庫(kù)包含如下三種形式的風(fēng)格：

?

C、學(xué)習(xí)自動(dòng)進(jìn)行五官比例、位置等調(diào)整。

? ? ? 采用ε-SVR算法(參考文獻(xiàn)：Libsvm:?a?library?for?support?vector?machines)進(jìn)行訓(xùn)練學(xué)習(xí)。我的簡(jiǎn)單理解就是算法通過(guò)SVM算法，進(jìn)行五官位置比例的預(yù)測(cè)擬合。因?yàn)槲覀円骞僮詣?dòng)重組，使得重組后的模型更美觀。因此我們可以通過(guò)輸入訓(xùn)練數(shù)據(jù)，得到相關(guān)的擬合函數(shù)的參數(shù)。然后當(dāng)我們輸入一個(gè)新的模型后，我們就可以進(jìn)行擬合預(yù)測(cè)出新模型。

? ? ? 這一步具體算法的實(shí)現(xiàn)參考paper中的：Adjustment?of?facial?compositions。給定大于零的參數(shù)C>0、ε>0，ε-SVR歸結(jié)為求解如下最小優(yōu)化問(wèn)題：

?

W就是我們需要通過(guò)訓(xùn)練數(shù)據(jù)，得到的參數(shù)。Φ(xi)表示映射變換函數(shù)。公式(1)的拉格朗日對(duì)偶問(wèn)題為：

?

Paper中，徑向基函數(shù)K選擇高斯核函數(shù)，即：

?

通過(guò)求得上面的拉格朗日乘子，ɑ、ɑ*，我們就可以進(jìn)行預(yù)測(cè)了，ε-SVR的預(yù)測(cè)公式如下：

?

到這里算法的第一部分就翻譯結(jié)束了。具體的器官自動(dòng)組合的細(xì)節(jié)，在paper的倒數(shù)第二段還有講解。通過(guò)公式(3)，我們可以預(yù)測(cè)每個(gè)器官的合適位置和合適大小比例。

個(gè)人總結(jié)：上面的公式是不是看起來(lái)好深?yuàn)W的樣子，最優(yōu)化問(wèn)題，其實(shí)如果你已經(jīng)非常了解SVM算法，上面那些公式根本不用看，也不用自己寫代碼實(shí)習(xí)，因?yàn)榍蠼釹VM，直接用libsvm庫(kù)就好了，十分鐘搞定的事，而文獻(xiàn)作者提到了，他也是直接調(diào)用了libsvm庫(kù)的，因此甚至你不需要懂上面的一坨公式，你只需要網(wǎng)上下載libsvm，看看怎么調(diào)用，怎么傳入?yún)?shù)就可以實(shí)現(xiàn)這一步的。為了測(cè)試這一步，我先簡(jiǎn)單隨便找了50張明星美女照片，作為訓(xùn)練數(shù)據(jù)，然后輸入一張用戶照片，進(jìn)行五官位置預(yù)測(cè)。訓(xùn)練數(shù)據(jù)：

訓(xùn)練數(shù)據(jù)

因?yàn)橛?xùn)練數(shù)據(jù)比較少，將就一下，并且有的訓(xùn)練數(shù)據(jù)也不一定是漂亮的，我是看著順眼的，然后訓(xùn)練數(shù)據(jù)也就那幾個(gè)明星的圖片。因?yàn)槲覀冎皇怯糜诔醪降臏y(cè)試，看一下SVM算法是否真的能夠通過(guò)訓(xùn)練數(shù)據(jù)學(xué)習(xí)出：美麗特征。看一下效果：

聲明：測(cè)試圖片是網(wǎng)上下載，如有侵權(quán)請(qǐng)聯(lián)系作者刪除之。

上面的測(cè)試圖片中，藍(lán)色的點(diǎn)是原來(lái)的人臉特征點(diǎn)，我只顯示了一些五官的關(guān)鍵點(diǎn)，如眼睛、眉毛、嘴巴的中心位置，還有下巴的最下點(diǎn)。然后紅色的點(diǎn)代表新的五官位置，可以看到，這張圖片預(yù)測(cè)后的新五官的位置是貌似很不錯(cuò)的樣子。下巴、嘴巴、鼻子都需要稍微下移進(jìn)行整容才能比較漂亮一些，當(dāng)然五官的大小也可以預(yù)測(cè)，我這邊為了方便，所以才沒(méi)有顯示新的五官大小。這個(gè)需要用圖像變形算法，進(jìn)行五官位置整容，比較懶，所以就懶得弄變形算法了。在測(cè)試一張本來(lái)就長(zhǎng)得很漂亮的人,如果五官的位置發(fā)生比較大的偏移

可以看到對(duì)于長(zhǎng)得五官比例協(xié)調(diào)的人臉來(lái)說(shuō)，其五官位置的偏移基本上非常小。

2、尋找最相似的器官。

? ? 在開(kāi)始看這篇paper前，可能我們會(huì)想直接用各個(gè)器官的識(shí)別檢測(cè)到的特征點(diǎn)，直接進(jìn)行計(jì)算兩圖片特征點(diǎn)間的歐式距離就可以了，然而通過(guò)特征點(diǎn)計(jì)算相似度首先要識(shí)別足夠多的特征點(diǎn)才行。通過(guò)這篇paper我們可以學(xué)到一些圖片相似搜索的簡(jiǎn)單算法。

具體的算法實(shí)現(xiàn)如下：

A、眼睛和鼻子。

? ? 文獻(xiàn)中使用了HOG描述算子(參考文獻(xiàn)：Histograms?of?oriented?gradients?for?human?detection)，作為這兩個(gè)部位的特征。眼睛部位：眼睛部位的圖片統(tǒng)一歸一化到62*100大小的圖片，然后進(jìn)行計(jì)算HOG特征。這樣就可以計(jì)算兩找眼睛圖片的特征向量間的歐式距離。鼻子部位：統(tǒng)一歸一化到71*200大小的圖片。HOG算子直接調(diào)用Opencv庫(kù)就好了，所以這一步也不需要我們自己去寫代碼。

B、眉毛部位。

? ? 首先眉毛統(tǒng)一歸一化到66*200大小的圖片；因?yàn)槊济推つw可以說(shuō)是混合在一起的，所以paper接著用高斯模糊對(duì)其進(jìn)行預(yù)處理；然后把66*200的圖像劃分成6*20個(gè)塊，最后統(tǒng)計(jì)每個(gè)塊的顏色信息總和xi；最后以(x1，x2……x120)作為特征向量，計(jì)算特征向量間的歐式距離，這個(gè)思想是圖像相似搜索給我最簡(jiǎn)單的方法了，在好幾篇paper中遇到這個(gè)算法，然而效果當(dāng)然不咋地，因?yàn)閳D片搜索領(lǐng)域，現(xiàn)在即便是百度識(shí)圖，給我的感覺(jué)效果也一般般。

C、臉龐和嘴巴。

? ? 這兩個(gè)部位是直接用人臉識(shí)別到的特征點(diǎn)作為特征向量，進(jìn)行計(jì)算相似度的。需要注意的一個(gè)小細(xì)節(jié)：在計(jì)算臉龐相似度時(shí)，由于圖片大小、旋轉(zhuǎn)角度不一樣，因此一開(kāi)始我的思路是用相似變換的方法，求解相似變換矩陣，然后在對(duì)根據(jù)相似變換結(jié)果計(jì)算歐式距離；然而文獻(xiàn)中不是用這種方法，它是以固定臉龐的其中兩個(gè)頂點(diǎn)，計(jì)算變換矩陣，最后進(jìn)行變換。這種小細(xì)節(jié)不知道是不是效果比較好，不然一般人的思路，應(yīng)該是用相似變換的方法。我驗(yàn)證之后，感覺(jué)效果還不如直接進(jìn)行放射變換，這一步也可以直接用opencv庫(kù)的函數(shù)就好了。

D、發(fā)型識(shí)別。

發(fā)型識(shí)別

? ? 我們知道，前面我們創(chuàng)建的卡通動(dòng)畫的發(fā)型，包含75種發(fā)型。對(duì)于發(fā)型的相似度計(jì)算，paper也是以HOG算子作為特征，計(jì)算歐式距離。具體它分為兩個(gè)步驟：局部匹配、全局匹配。發(fā)型識(shí)別的細(xì)節(jié)比較多，這里只講大體的流程。

? ??第一步過(guò)程，得到K近鄰發(fā)型。這一步跟上面眉毛部位的計(jì)算方法類似：首先就是對(duì)卡通圖和真實(shí)圖進(jìn)行閾值分割，得到二值化圖像，并進(jìn)行圖像大小歸一化，具體歸一化的圖片大小文章沒(méi)有具體詳細(xì)說(shuō)明；最后對(duì)歸一化圖像進(jìn)行分塊，統(tǒng)計(jì)每個(gè)塊的顏色信息總和xi，并以(x1，x2……xn)作為特征向量，計(jì)算特征向量間的歐式距離。這樣我們可以得到k近鄰發(fā)型，。

? ???第二步過(guò)程，這一步就是要從k近鄰中，尋找最接近的發(fā)型了。這一步的計(jì)算方法與眼睛的計(jì)算方法類似，也是通過(guò)計(jì)算HOG特征，作為特征向量，并計(jì)算歐式距離。這樣我們就可以從這K個(gè)近鄰中找到最相似的發(fā)型了。

E、性別識(shí)別。

? ? 文獻(xiàn)參考《Evaluation?of?gender?classification?methods?with?automatically?detected?and?aligned?faces》的方法，總的過(guò)程，是通過(guò)SVM訓(xùn)練一個(gè)分類器，然后進(jìn)行男女性別的分類判別。

F、眼鏡檢測(cè)。

? ? 對(duì)于是否戴眼鏡，paper首先在眼鏡的中間位置取一塊區(qū)域，然后對(duì)把這一塊區(qū)域轉(zhuǎn)換成灰度圖像，最后計(jì)算垂直方向上的梯度值。

根據(jù)梯度值，得到上下梯度值最大的像素集A、B(圖中紅色的像素點(diǎn))，然后統(tǒng)計(jì)A、B的方差：

?

最后根據(jù)sum?of?var(A)、var(B)的大小，進(jìn)行閾值判斷其是否戴眼鏡。根據(jù)文獻(xiàn)的最后幾句話：The?glass?color?is?obtained?from?the?region?between?two?set?of?pixels。好像也可以通過(guò)A、B的顏色信息，進(jìn)行判斷眼鏡邊框的顏色

?

判斷是否戴眼鏡

G、雙眼皮檢測(cè)。

? ? 判斷一個(gè)眼鏡是否有雙眼皮，這篇paper給出了貌似很簡(jiǎn)單的算法，可惜這一步我看不懂。paper只是說(shuō)了，根據(jù)邊緣檢測(cè)算子Candy算子得到梯度圖像，然后根據(jù)判斷眼鏡的上半部分，是否有兩個(gè)pulsers(if?two?pulses?are?detected?on?the?left-top?part?of?its?gradient?image)，判斷是否雙眼皮。

? ? ? 到了這里可以說(shuō)從卡通五官庫(kù)中，挑選最相似的卡通器官算法已經(jīng)結(jié)束了，接著需要補(bǔ)充后續(xù)的細(xì)節(jié)。補(bǔ)充細(xì)節(jié)：

1、五官組合。這一步前面已經(jīng)講了大體的算法過(guò)程，通過(guò)支持向量機(jī)預(yù)測(cè)擬合算法，可以預(yù)測(cè)出每個(gè)器官的大小及其位置，然后文獻(xiàn)直接用ɑ融合進(jìn)行圖片合成。

2、圖像變形。對(duì)于某些器官，我們很難在庫(kù)里找到相似的模型，文章發(fā)現(xiàn)，臉型和眼睛部位是否相似，非常重要，因此文獻(xiàn)只對(duì)眼睛和臉龐進(jìn)行變形，變形算法采用移動(dòng)最小二乘的方法。這一步的相關(guān)細(xì)節(jié)也很多，寫到這里已經(jīng)沒(méi)有力氣了，就這樣吧，寫了這么多好累。

總結(jié)與心得：

1、識(shí)別方面。這篇paper給出了很多算法，比如眼鏡判別、雙眼皮判別、各個(gè)五官相似度判別、發(fā)型識(shí)別，對(duì)于我這種菜鳥(niǎo)感覺(jué)看起來(lái)相當(dāng)爽、學(xué)到了好多。雖然有的算法，估計(jì)效果不好，但是至少讓我看到除了用深度學(xué)習(xí)的方法，我們還是有其它的路可以走的。如果不用深度學(xué)習(xí)，這些方法值得一試，當(dāng)然算法效果精度，很差，魯棒性也很差。

2、如何通過(guò)機(jī)器學(xué)習(xí)的方法判斷一個(gè)人的五官大小、位置是否協(xié)調(diào)？是這篇paper的主要思想，其實(shí)通過(guò)SVM算法，進(jìn)行預(yù)測(cè)擬合的。這個(gè)思路是很新穎，只能說(shuō)是一個(gè)很不錯(cuò)的想法，然而要進(jìn)行工程應(yīng)用，要對(duì)一個(gè)用戶輸入照片進(jìn)行自動(dòng)五官整容，還很難達(dá)到商用的地步。

? ? ? 最后還要說(shuō)一下，別看paper的那幾張圖效果那么好，那是因?yàn)閜aper估計(jì)是測(cè)試圖片就是庫(kù)里面已有的圖片，所以相似性搜索看起來(lái)才會(huì)那么牛逼

**********************作者：hjimce ? 時(shí)間：2015.8.1 ?聯(lián)系QQ：1393852684 ? 地址：http://blog.csdn.net/hjimce?轉(zhuǎn)載請(qǐng)保留本行信息********************??

總結(jié)

以上是生活随笔為你收集整理的图像处理（二十一）基于数据驱动的人脸卡通动画生成-Siggraph Asia 2014的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。