技術(shù)特征：

1.一種3D人像食品打印方法，其特征在于，包括以下步驟：

(1)用戶將輸入的人臉源圖像由RGB圖像轉(zhuǎn)換為灰度圖；

(2)利用face++API，對(duì)人臉特征區(qū)域的83個(gè)人臉特征點(diǎn)進(jìn)行標(biāo)識(shí)，獲得83個(gè)涵蓋臉部輪廓，包括眉毛、眼睛、鼻子、嘴巴輪廓的特征點(diǎn)；

(3)將灰度圖進(jìn)行預(yù)處理，加強(qiáng)face++人臉關(guān)鍵點(diǎn)插值后得到的臉部輪廓的灰度值；

(4)利用邊緣切向流構(gòu)造算法，構(gòu)造人臉圖像的平滑方向場(chǎng)；

(5)利用沿著方向流場(chǎng)的高斯差分算法，進(jìn)行基于方向場(chǎng)流向的各向異性高斯濾波，最后根據(jù)預(yù)設(shè)的閾值進(jìn)行二值化，從而得到人臉圖像的輪廓；

(6)對(duì)步驟(5)得到的二值圖像進(jìn)行避開face++標(biāo)記的人臉關(guān)鍵點(diǎn)的八連通深度遍歷搜索，刪除像素點(diǎn)低于300的連通線段，從而簡(jiǎn)化圖像；

(7)將步驟(6)得到的各個(gè)離散的連通線條抽象為一個(gè)點(diǎn)，進(jìn)而將一筆畫問(wèn)題轉(zhuǎn)換為圖論問(wèn)題，利用普里姆算法將距離最近的連通區(qū)域兩兩相連，將所有線條連成一體；

(8)采用侵蝕算法，對(duì)步驟(7)得到的一筆畫路徑進(jìn)行簡(jiǎn)化，通過(guò)依次遍歷所有像素點(diǎn)，得到最終的3D打印路徑。

2.如權(quán)利要求1所述的3D人像食品打印算法，其特征在于，在步驟(1)中所述將輸入的人臉源圖像由RGB圖像轉(zhuǎn)換為灰度圖，具體方法為：

Gray＝R*0.299+G*0.587+B*0.114。

3.如權(quán)利要求1所述的3D人像食品打印方法，其特征在于，在步驟(2)中所述對(duì)人臉特征區(qū)域的83個(gè)人臉特征點(diǎn)進(jìn)行標(biāo)識(shí)，具體方法為：

(2-1)找到人臉的位置并在這個(gè)基礎(chǔ)上定位人臉關(guān)鍵點(diǎn)如眼睛中心或嘴角的位置；

(2-2)把人臉通過(guò)縮放、旋轉(zhuǎn)、拉伸等圖像變化變到一個(gè)比較標(biāo)準(zhǔn)的大小位置；

(2-3)加入人臉光學(xué)校正模塊，通過(guò)濾波方法去除對(duì)光照更加敏感的面部特征；

(2-4)從人臉區(qū)域提取包括局部二值模式、方向梯度直方圖、Gabor濾波的各種特征；

(2-5)根據(jù)人臉上關(guān)鍵特征的分布，將人臉劃分成以下五個(gè)特征區(qū)域：臉部輪廓特征區(qū)域、眉毛特征區(qū)域、眼睛特征區(qū)域、鼻子特征區(qū)域、嘴唇特征區(qū)域和臉頰特征區(qū)域；

(2-6)對(duì)人臉的五個(gè)特征區(qū)域的各特征點(diǎn)進(jìn)行標(biāo)識(shí)。

4.如權(quán)利要求3所述的3D人像食品打印方法，其特征在于，所述人臉特征點(diǎn)的生成順序?yàn)椋旱谝粋€(gè)點(diǎn)為下巴；接著是九個(gè)由上到下的左側(cè)臉部輪廓關(guān)鍵點(diǎn)和九個(gè)由上到下的右側(cè)臉部輪廓關(guān)鍵點(diǎn)；眉毛特征區(qū)域由左右各八個(gè)特征點(diǎn)組成；眼睛特征區(qū)域由中心一個(gè)特征點(diǎn)和周圍十個(gè)個(gè)特征點(diǎn)組成；鼻子特征區(qū)域由八個(gè)特點(diǎn)組成；其余的特征點(diǎn)描述嘴巴特征區(qū)域。

5.如權(quán)利要求1所述的3D人像食品打印方法，其特征在于，步驟(4)中所述邊切向流算法的濾波核函數(shù)如下：

$t^{new}\left(x\right)=\frac{1}{k}\underset{y\∈\mathrm{\Ω}\left(x\right)}{\Σ}\mathrm{\φ}(x,y)t^{cur}\left(y\right)w_s(x,y)w_m(x,y)w_d(x,y)$

其中：

$w_s(x,y)=\left\{\begin{array}{cc}1& if\left|\right|x-y\left|\right|\<r\\ 0& otherwise\end{array}\right.$

$w_m(x,y)=\frac{1}{2}(1+\tanh \[\mathrm{\η}\·(\hat{g}\left(y\right)-\hat{g}\left(x\right))\])$

w_d(x,y)＝|t^cur(x)·t^cur(y)|

x表示當(dāng)前點(diǎn)，y表示x鄰域中某個(gè)點(diǎn)；k表示向量歸一化系數(shù)；Ω(x)表示以x為中心的3*3鄰域；φ(x,y)∈{1,-1}；

t^new表示新的經(jīng)過(guò)光順的切向量(梯度的垂直方向)；

t^cur表示當(dāng)前的切向量，初值是由Sobel算子計(jì)算的切向量逆時(shí)針旋轉(zhuǎn)90度獲得的；

w_s(x,y)表示空間距離權(quán)值，用于確定函數(shù)作用范圍，當(dāng)y像素點(diǎn)位于x像素點(diǎn)半徑r范圍內(nèi)的時(shí)候，為1；

w_m(x,y)表示控制梯度值之差的影響，y與x的梯度值相差越大，這一權(quán)值也越高；

w_d(x,y)表示控制方向的影響，梯度向量越趨近于平行這一權(quán)值越大，越趨近于垂直則越?。?/p>

r代表函數(shù)作用的有效半徑；

η是一個(gè)定值；

表示y點(diǎn)的經(jīng)過(guò)歸一化的梯度值；

表示x點(diǎn)經(jīng)過(guò)歸一化的梯度值。

6.如權(quán)利要求1所述的3D人像食品打印方法，其特征在于，步驟(5)中所述的基于方向場(chǎng)流向的各向異性高斯濾波得到人臉圖像的輪廓的具體方法如下：

首先對(duì)于每一個(gè)像素點(diǎn)，沿著圖像變化最劇烈的方向，即梯度方向，施加一維的DoG：

$F\left(s\right)={\∫}_{-T}^{T}I\left(l_s\right(t\left)\right)f\left(t\right)dt$

$f\left(t\right)=G_{{\mathrm{\σ}}_c}\left(t\right)-\mathrm{\ρ}\·G_{{\mathrm{\σ}}_s}\left(t\right)$

其中：

T表示高斯卷積核橫向的長(zhǎng)度，方向?yàn)樘荻确较颍?/p>

I表示當(dāng)前點(diǎn)的灰度值；

I(l_s(t))表示在橫向直線上，系數(shù)為t的時(shí)候的位置上的灰度值；

ρ是一個(gè)定值；

曲線S代表方向場(chǎng)的流向，為了得到更連續(xù)的線條，需要沿著S再進(jìn)行一次高斯卷積：

$H\left(x\right)={\∫}_{-S}^S{G}_{{\mathrm{\σ}}_m}\left(s\right)F\left(s\right)ds$

其中：S表示高斯卷積核的縱向長(zhǎng)度，方向沿著流場(chǎng)的切線方向；

最后，再根據(jù)設(shè)定的閾值τ對(duì)圖像進(jìn)行二值化，就得到了最后的結(jié)果：

$\tilde{H}\left(x\right)=\left\{\begin{array}{cc}0& \begin{array}{cc}if& H\left(x\right)\<0and1+\tanh \left(H\right(x\left)\right)\<\mathrm{\τ}\end{array}\\ 1& otherwise\end{array}\right.$

表示二值化的結(jié)果，對(duì)于上一步求得的H(x)，根據(jù)τ進(jìn)行二值化。

7.如權(quán)利要求1所述的3D人像食品打印方法，其特征在于，步驟(6)中所述的簡(jiǎn)化圖像具體方法如下：

(6-1)通過(guò)邊緣切向流與沿著流場(chǎng)的高斯差分算法得到二值圖，預(yù)先標(biāo)記含有Face++人臉關(guān)鍵點(diǎn)的連通線條；

(6-2)對(duì)其二值圖中每一個(gè)像素點(diǎn)避開標(biāo)記的人臉關(guān)鍵點(diǎn)線條采取八連通深度搜索遍歷，統(tǒng)計(jì)每一個(gè)連通線條的像素點(diǎn)的個(gè)數(shù)，并設(shè)置閾值；

(6-3)刪除像素點(diǎn)數(shù)低于300并且不通過(guò)特征點(diǎn)的連通線條，從而簡(jiǎn)化圖片。

8.如權(quán)利要求1所述的3D人像食品打印方法，其特征在于，步驟(7)中所述的將所有線條連成一體的方法如下：

(7-1)采取八連通深度搜索遍歷對(duì)連通域進(jìn)行標(biāo)記，將各個(gè)離散的連通線條抽象為一個(gè)點(diǎn)，進(jìn)而將問(wèn)題抽象為一個(gè)圖論問(wèn)題；

(7-2)依次枚舉兩兩連通域間的最短距離，并記錄達(dá)到最短距離時(shí)對(duì)應(yīng)的兩點(diǎn)坐標(biāo)；

(7-3)最小生成樹普里姆算法進(jìn)行距離最近的兩個(gè)連通域互連，達(dá)到互連邊的權(quán)值之和最小。