BFM使用

使用版本：2009
数据说明网址：https://faces.dmi.unibas.ch/bfm/index.php?nav=1-1-0&id=details
数据下载网址：https://faces.dmi.unibas.ch/bfm/index.php?nav=1-2&id=downloads

使用Matlab导入01_MorphableModel.mat

load('解压目录1_MorphableModel.mat')

160470=53490*3，即形状（Shape）(S=(x_1, y_1, z_1, ..., x_n, y_n, z_n))
包含内容：

• segbin：猜是segment binary，用热点法标注属于面部哪一部分。
  
• shapeEV：形状方差；
• shapeMU（160470*1）：平均形状；
• shapePC：形状的主成分；
• texEV：纹理方差；
• texMU：平均纹理
• texPC：纹理的主成分；

新建一个Matlab脚本，输入如下代码：

shape = reshape(shapeMU, 3, 53490)
shape = shape.'
x = shape(:, 1)
y = shape(:, 2)
z = shape(:, 3)
scatter3(x,y,z, 1, 'filled');

该代码将原本一行的形状向量转换为n*3的矩阵，然后将其在三维坐标系下画出来，我们可以看到显示如图人脸。

官方提供的landmark对应关系格式如下（Farkas_face05.fp）：

# Feature Points
# Filename: /net/faces/projects/model200/fps/new_farkas/face05_farkas.fp
# Format: (vertex_nr) (x y z) (x y) (name)
19963 -88262.2 36394.8 -4947.64 0 0 sa
20205 -71257.4 -20598.4 13258.3 0 0 sba
21629 -77516 30127.9 12058.9 0 0 pra
...

因此我们通过一个python脚本读取其中的三维点信息并保存到mat矩阵当中：

import scipy.io as scio
file = open("Farkas_face05.fp")
landmarks = []
while True:
    line = file.readline()
        if not line:
            break
        if line[0] < '0' or line[0] > '9':
            continue
        args = line.split()
        coord = [float(args[1]), float(args[2]), float(args[3])]    
        landmarks.append(coord)
scio.savemat('landmarks.mat', {'landmarks': landmarks})

随后从Matlab中读取这个mat文件，并进行打印：

scatter3(x,y,z,2, 'filled');
hold on;
for i = 1:70
    scatter3(landmarks(i,1), landmarks(i,2), landmarks(i,3),10, 'r');
end

显示效果图如下

因为我们最终想通过与dlib提供的68个点进行拟合，因此不能使用这种方法得到的特征点。
这边找到了Github上有人提供的68个特征点在BFM上的对应关系：https://github.com/anilbas/BFMLandmarks
我们将其中的Landmarks68_BFM.anl文件内的68个下标导入Matlab然后更新代码：

% tmp存储了Landmarks68_BFM.anl中的68个下标
scatter3(x,y,z,2, 'filled');
hold on;
for i = 1:68
    scatter3(x(tmp(i)), y(tmp(i)), z(tmp(i)),10, 'r');
end

显示结果如下：

这便是我们想要得到的68个点，最后我们把这68个点的坐标导出到本地：

landmarks = zeros(68,3);
for i = 1:68
    landmarks(i, :) = [x(tmp(i)), y(tmp(i)), z(tmp(i))];
end
save landmarks landmarks

这样我们就可以在后续的代码中通过导入landmarks.mat来获取标准脸的68位特征点坐标了。