本发明涉及一种遗体遗容修复方法，特别是一种基于3d打印技术精准修复遗体面部残缺的方法。
背景技术：
技术实现要素：
本发明的目的是克服现有技术的缺陷，提供一种基于3d打印技术精准修复遗体面部残缺的方法。
本发明的目的是这样实现的：一种基于3d打印技术精准修复遗体面部残缺的方法，其特征在于：利用逝者生前一张正面照片或对逝者残缺面部进行三维扫描获得数据，使用计算机三维建模软件生成逝者面部三维模型并导入3d打印机打印出面部模型，以3d打印模型为模具制作硅胶、雕塑泥材质的修复材料，或直接利用3d打印的面具作为修复材料，再对修复材料上色、固色和修整，与遗体相衔接，实现高还原度的遗体面部残缺修复。
本发明的目的还可以这样实现：具体步骤是：
1)建立逝者面部三维模型：对于需要全头重塑的遗体，根据逝者生前的平面照片，使用三维建模软件工具，建立逝者面部三维模型；对于逝者面部部分残缺的遗体，在对遗体进行初步处理后，先用三维扫描仪将面部现状进行扫描，将扫描得到的三维模型与前述根据逝者生前的平面照片建立的三维模型进行合并对比，获得需要修复部分的三维模型；然后根据逝者生前身体尺寸记录或家属描述确定具体模型尺寸；部分修复的应结合遗体面部现状确定逝者面部模型的具体尺寸。
2)制作硅胶模型或阴阳模具的三维模型：以逝者面部三维模型为基础，增加厚度、阴阳模外壳、基底部分，制作出用于3d打印机直接打印的硅胶模型或阴阳模具文件；
用3d打印机分别打印出硅胶模型或阴阳模具，打印出的硅胶模型或阴阳模具进行物理、化学抛光；
3)硅胶面皮的制作：
喷涂脱胶制剂：将抛光好的阴阳模具内部均匀喷涂脱胶制剂，保证硅胶面皮的顺畅脱膜；
硅胶材料准备：根据阴阳模具大小及厚度，取适量硅胶，根据遗体肤色进行硅胶调色；放入抽真空设备中去除硅胶中的气泡；
灌注硅胶：在10分钟内将硅胶灌入，防止脱胶剂挥发失效；在阴模内灌入适量硅胶，然后将阳模与阴模扣好，放入压延设备，保证阴阳模具的位置不发生改变；待硅胶固化后，分开阴阳模具，取出硅胶面皮；
化妆预处理：将硅胶面皮表面进行固色、修整预处理，使得着色、形态更自然；
4)修复材料与遗体衔接：在3d打印的面具或硅胶面皮等修复材料上进行上色、化妆，将制作的面具、面皮或人头整体或人头残缺部分模型与遗体相衔接处理好接缝使其过渡自然，再进行整体调整。
所述的三维建模软件工具是遗容修复专用三维建模软件“遗体面部数字建模系统”或是通用软件zbrush、3dmax。
用于全面部修复，制作面部硅胶阳模的三维模型文件时，应等厚差2-5mm向内缩小面部三维模型尺寸；若用于部分缺损的修复，应根据遗体面部扫描数据制作阳模。并在阴阳模基底处制作有定位作用的相互咬合的方扣。
选用经济性实用性较好的fdm打印机，pla材料，打印层厚为0.01-0.25mm。
本发明借助计算机图形学和3d打印技术制作出人脸轮廓模型，并可用硅胶等多种材料作为遗容修复的主要材料，保证了遗体面部特征有较高的还原度，修复后外观真实，是一种高效、创新的遗体修复方法。
具体实施方式
一、设备及材料
3d打印机，三维扫描仪，抛光机，抽真空机，硅胶，脱胶剂，粘合剂，美容化妆工具等。
二、基本工艺流程
首先依托于计算机图形学，还原出较为逼真的三维人像模型，再利用3d打印技术制作出模型或模具，在此基础上制作出的修复材料直接用于遗容修复。修复材料有3d打印面具、硅胶面皮、雕塑泥等。
通常有全头重塑以及部分修复两种情况：对于头部被严重损害的遗体，采用3d打印完整的面部轮廓模型，进行全头重塑；对于机械或病理造成了面部部分缺失的情况，则进行部分修复。
基于3d打印的模型制作、硅胶面皮的制作、遗容修复应用等步骤。
三、基于3d打印的模型制作
1)建立逝者的三维人像模型。根据逝者的平面照片建立逝者的三维人像模型。可使用遗容修复专用三维建模软件“遗体面部数字建模系统”或是zbrush、或是3dmax等三维建模软件工具。对于部分残缺的遗体，对遗体进行初步处理后，先用三维扫描仪将面部现状进行扫描(如手持式arteceva3d扫描仪)，得到的三维模型与新建三维模型进行合并对比。
2)人像模型的尺寸确定。全面部修复根据身高、体重、家属描述等确定尺寸；部分修复应结合面部现状确定尺寸。
3)直接利用3d打印的面具作为修复材料，将模型厚度设定为3mm左右，用3d打印机打印出直接用于修复的面具；
4)以硅胶面皮作为修复材料，需制作硅胶模型阴阳模的三维模型文件。以三维人像模型为阴模基础，若全面部修复，则可等厚差2-5mm向内缩小人像模型制作硅胶阳模；若部分修复，则根据遗体面部数据扫描数据制作阳模。增加阴阳模外壳、基底部分，并在模型基底处制作有定位作用的相互咬合的方扣。
5)可选用经济性实用性较好的fdm打印机，pla材料，打印精度0.1mm可满足使用要求。打印出的模型进行物理、化学抛光，阴模的人像部分为抛光的重点，确保鼻、眼、唇等部位没有明显打印分层痕迹。
四、硅胶面皮的制作及遗容修复应用
1)喷涂脱胶制剂。将抛光好的磨具内部均匀喷涂脱胶制剂，保证硅胶面皮的顺畅脱膜。最好在10分钟内将硅胶灌入，防止脱胶剂挥发失效。
2)硅胶材料准备。根据模型大小及厚度，取适量硅胶，根据遗体肤色进行硅胶调色。若硅胶中有气泡，需先放入抽真空设备中去除气泡。
3)灌注硅胶。在阴模内灌入适量硅胶，然后将阳模与阴模扣好，放入压延设备，保证阴阳模具的位置不发生改变。
4)硅胶面皮制作完成。待硅胶固化后，分开阴阳模具，取出硅胶面皮。
5)化妆预处理。将面具、硅胶面皮等修复材料表面进行固色、修整等预处理，使得着色、形态更自然。
6)全面部修复。直接在面具、硅胶面皮等修复材料上进行人像上色、化妆等，将制作出的人脸或人头，与遗体相衔接。
7)部分修复。将制作好的硅胶面皮与遗体面部保留部分相衔接，处理好接缝使其过渡自然，再进行整体调整。
上述建立逝者的三维人像模型的基本方法是：预先基于三维人脸数据库建立三维人脸统计模型，并且基于二维人脸数据库采用sdm算法训练得到二维人脸特征点参数模型；基于单张正面照进行人脸重建时，首先使用二维图片特征点参数模型提取人脸特征点；然后，根据三维人脸统计模型，使用学习因子自适应梯度下降法对能量函数进行迭代优化，得到统计模型参数化向量，根据参数化向量进行人脸合成，即得到二维人脸图片对应的三维人脸模型。
使用人脸的正面照片，识别并标定人脸照片上的特征点，基于这组特征点匹配三维人脸模型空间的最优解，并最终生成三维人脸模型。
所述的使用二维图片特征点参数模型提取人脸特征点是使用sdm算法快速准确检测并识别人脸照片上的特征点。
所述的使用学习因子自适应梯度下降法对能量函数进行迭代优化，得到统计模型参数化向量是指在迭代优化能量函数的过程中所使用的梯度下降法是经过改良的，学习因子自适应的优化方法。
上述建立逝者的三维人像模型的基本方法的具体技术路线是：
1)通过建立人脸、人头的2d和3d数据库，得到人脸、人头的参数模型和统计模型；
2)基于人脸的参数模型来识别人脸图像特征点；
3)基于人脸统计模型来完成基于图像的人脸重建；
4)基于人头统计模型来完成人头的修复，并利用人头左右对称和人头先验知识，辅之以镜像、局部修饰等修复操作。
上述建立逝者的三维人像模型的基本方法的具体步骤是：
1、总体设计
本方法基于正面图像的人脸重建技术，采用的基于3d人脸扫描数据库的统计模型和参数优化相结合的方法，其整体设计如下：
(1)基于3d人脸扫描数据库，生成一组特征对齐的、并且拓扑结构一致的3d人脸网格模型，采用形状统计分析方法，建立3d人脸的统计模型(基于pca的概率模型来表示人头部形状的统计变化)；
(2)对给定的一张人脸正面照片，自动提取一组人脸特征点，用此组特征点对统计模型的形状参数和投影矩阵参数进行优化，得到给定照片的最优3d人脸模型。
2、建立人脸数据库
本项目采用bjut-3d人脸数据库来建立3d人脸的统计模型。bjut-3d大型中国人脸数据库中目前包含了500张中国人三维人脸，男女人脸各占一半，其数据是用cyberware公司3030rgb/ps激光扫描仪获得。扫描时人脸保持中性表情，且不戴眼镜和饰物。扫描光源使用的是扫描仪自带光源，该光源可以模拟环境光的光照环境。
3、数据预处理
由于扫描仪在扫描人脸时由于各种原因不能得到完美的三维人脸数据，因此在做成三维数据库之前对获得的数据进行预处理是完全有必要的。其步骤主要包括数据平滑，移除毛刺，填补空洞(缺失的数据)以及校正坐标(都统一到人体头部解剖学坐标系下)和三维裁剪等，最后得到坐标对齐的规范化的3d人脸模型。
4、特征对齐的同构网格生成
形状的统计分析要求3d数据库中的所有人脸3d数据库中的所有人脸都能用一个形状向量和一个纹理向量来表示。这需要对3d人脸进行特征标注(识别)，进行特征对齐并生成同质的人脸三角网格。特征对齐的同构网格模型是指一组网格拓扑结构一致、特征点对齐的三角网格模型。
每个人脸生成特征对齐的同质三角网格后，每个人脸都能用一个形状向量和一个纹理向量来表示分别如下：
si＝(x1,y1,z1,x2,...,xn,yn,zn)t
ti＝(r1,g1,b1,r2,...,rn,gn,bn)t
其中1≤i≤m，m为人脸数，n为每个三维人脸的点数。形状向量si中的元素人脸上各点的坐标值x,y,z，而纹理向量ti为各点的rgb颜色值。
5、人脸统计模型建立
在所有m训练样本(人脸)都确立生成了特征对齐的同构网格模型后，就可以建立人脸统计模型。根据m各人脸模型的形状向量和纹理向量，利用主成分分析法(principlecomponentanalysis,pca)可提取出形状特征向量和纹理特征向量。
bjut-3d人脸数据库使用了200个人脸(100个男性和100个女性)作为样本(即m＝200)。使用pca分析得到的统计模型包括了平均形状向量和平均纹理向量，以及它们对应的特征向量。
pca分别应用到由m个样本人脸组成的一系列的形状向量si和纹理向量ti中去，i＝1,...,m。对于形状，定义一个数据矩阵l＝(l1,l2,...,lm)：
其中s为形状向量的平均值，c为其协方差矩阵：
根据协方差矩阵c一系列的形状特征向量s1,s2,...，同理可以得到一系列的纹理特征向量t1,t2,...，特征向量组成一组正交基，即：
改变形状和纹理系数αi和βi，就能得到不同的三维人脸，这些人脸有可能是原数据库中不存在的。
6、人脸特征参数模型建立和人脸特征检测
本技术使用sdm算法实现人脸特征点检测，该过程分为训练和检测两步：
(1)sdm模型训练
sdm需要从训练集中得到rk和bk。训练时，人脸图片集为{ii}，每张图片手工标定的特征点为x≠。每张图片的初始特征点为x0，这样人脸特征点定位就变成了一个线性回归问题，回归问题的目标是从x0到x≠迭代的步长，这个回归问题的输入特征就是在x0处的sift特征φ0。这样，套用线性回归问题就可以得到目标函数：
这样就从训练集中得到了r0和b0。这里是得到了第一次迭代的系数r0和b0，相同的方法可以得到第k次迭代的系数rk和bk
这样，就可以从训练集中得到每次迭代的参数rk和bk。
(2)sdm人脸检测
d(x)∈rp≠1表示图片中的p个特征点坐标，h是每个特征点处的非线性特征提取函数，本文使用的特征是sift特征，也就是每个特征点要提取128维的sift特征，所以h(d(x))∈128*1。由人工标定的最优解为x≠，在x≠处提取的sift特征可以记为φ≠＝h(d(x))。由此，人脸特征点检测可以看做，求使得下列函数最小的δx：
f(x0+δx)＝||h(d(x0+δx))-φ≠||2
这里需要做的是，得到一系列的方向和步长δx,将特征点从初值x0收敛到最优解x≠。这里通过使用sdm算法不断迭代公式xk＝xk-1+rk-1φk-1+bk-1并最终得到最优解，公式中的rk和bk就是上一步训练得到的。
7、生成人脸
经过上面的特征点标定后，便可以开始通过这组特征点的约束来调整人脸统计模型参数化向量，并生成真实的三维人脸模型。设上面得到的三维统计模型为smm，r个特征点集为{pi}，为了得到尽量符合图片中人脸的三维模型，只需要让统计模型中的对应点经过参数为的相机投影变换后落在二维平面上的点尽量符合特征点集{pi}即可。下面将讨论如何调整优化统计模型的参数化向量以达到该目的。
为了得到三维统计模型顶点在二维平面上的位置，需要相机参数和模型参数化向量这两个参数的初始值由操作员估计并手动输入，于是二维图像可表示为
为了衡量经过向量参数化后的统计模型与实际图片对应真实人脸的差距，定义一个衡量该差距的偏差函数e＝||iinput-imod||2,该公式表示以输入图像特征点集和渲染图像特征点集的欧式距离平方和来衡量生成的人脸模型与真实人脸模型的差距，偏差越小，效果越好。为了求取偏差函数极小值采用梯度下降法调整参数化向量这里假设相机参数是被正确估计了的，所以保持不变。
以上优化过程中的λ是逼近因子，它反映了优化过程的逼近速率，值越大，速率越大，一般由经验得出。但是如果该值太小会导致优化过程漫长，还容易陷入局部极值。如果该值选择较大则无法得到更精确的模型，还可能导致偏差函数不收敛。为了避免以上情况出现，需要动态调整逼近因子。这里使用以下策略：
(1)初始时刻由经验得出一个较大的逼近因子λinit；
(2)如果在迭代的过程中梯度方向发生变化就缩小λ‘＝kλ，其中k是每次缩小的比例，一般取0.7～0.8即可。