三维人脸重建是计算机视觉领域的热门研究方向之一,在现实生活中有着广泛的应用,如人脸识别、游戏娱乐、影视动画等。本研究旨在从单张儿童人脸图像重建三维人脸模型,并将其融入基于卡通游戏的孤独症儿童干预系统之中,以缓解孤独症儿童在模仿、共情能力等方面的缺陷。构建具备高精度几何形状和光照一致性纹理的儿童三维人脸模型主要面临两大难题:1)数据缺失。由于高质量三维人脸扫描数据的获取成本高昂,当前缺少二维人脸和真实三维人脸的配对数据。此外,现有公共人脸数据集以成年人为主,缺少儿童人脸数据集,因此三维重建得不到具有儿童个性化风格的三维人脸模型。2)环境光照多样性。由于实际应用当中受不同环境光照的影响,重建的三维人脸模型的纹理色泽存在差异,融入到孤独症儿童干预系统中存在较大的违和感。为此,本文研究了基于半监督学习和颜色恒常性的儿童三维人脸重建算法,并将其应用于孤独症儿童教育干预系统。主要内容和贡献如下:1)针对数据缺失问题,本文提出了一种基于半监督学习的儿童三维人脸形状重建算法。对于监督学习部分,采用非对称欧几里得损失来约束训练;而对于自监督学习部分采用人脸特征点损失来约束训练。其中,监督学习训练采用公共的300WLP数据集,自监督学习训练采用自己收集的10万级规模的二维儿童人脸数据。两种学习方式在混合批次上联合训练神经网络,不断地对网络进行迭代调优。本文半监督学习的训练方式不仅可以重建出具有儿童个性化风格的三维人脸模型,并且能够提高神经网络模型的泛化能力。通过实验对比表明,本文方法能够重建出更具儿童个性化风格的三维人脸模型。2)针对环境光照多样性问题,本文提出了一种基于颜色恒常性的儿童三维人脸纹理重建算法。基于儿童三维人脸形状重建算法,在利用神经网络回归3DMM形状参数的同时回归相应的纹理参数,以重建儿童的三维人脸纹理。针对不同场景光源下对儿童人脸纹理颜色的影响,本文引入颜色恒常性算法,使得本文的网络模型能够从图像中消除环境光照的影响,获得原始场景图像,使得重建的儿童三维人脸更贴近真实人脸图像。实验结果表明,本文方法能够在不同光照环境下重建得到光照一致性的三维人脸纹理。3)基于上述两种算法,构建融入真实人物形象的儿童孤独症教育干预系统。通过三维人脸重建技术将孤独症儿童“映射”到虚拟情境中,孤独症儿童能够真正看到“我”参与到虚拟情境中之后,从而使他们产生“原来‘我’应该这样做”的刺激或心理暗示。通过这种方式来提高对孤独症儿童的教育干预效果,帮助其学习面部表情与成长。