随着近年来三维计算机图形学的快速发展,三维面部表情迁移技术得到了众多学者的关注。目前,该技术已广泛应用于计算机动画、影视特效、虚拟交互、远程网络会议等领域。三维面部表情迁移技术可以有效地避免动画师为新模型制作表情动画序列的繁琐工作,提高现有表情动画的复用率和新动画的合成效率,为高真实感表情动画的合成提供了新的途径和方式。一个好的三维面部表情迁移技术必须满足三个主要指标:表情迁移过程不需要人工干预;目标模型的面部表情真实自然,且具有丰富的细节信息;表情迁移实时性高。这些指标直接影响该技术在相关实际项目和工程中的应用。现有的大多数面部表情迁移方法和流程在上述三个指标的实现中仍然存在着一些缺陷和问题,因此,本文提出了个性细节特征保持的三维面部表情迁移方法,以实现高效、鲁棒、高真实感的自动表情迁移。本文具体工作和创新点如下:1、提出基于改进联合学习的三维面部表情迁移方法。由于联合学习使用的无监督回归降维方法存在时间复杂度较高问题,为提高表情子空间的学习效率,本文引入有参无监督回归降维方法来求解映射函数,为进一步缩短表情合成前的联合训练时间,本文将联合学习方法的投影过程进行改进,将梯度下降法替换为高斯牛顿法,高斯牛顿法收敛速度更快。与传统的表情迁移方法相比,本文提出的表情迁移方法不仅减少了迁移过程中的人工干预,而且保证了表情迁移的实时性。2、提出基于细节特征提取和多尺度重建的三维表情迁移方法,能够很好地重建表情模型的个性化细节特征。1)细节特征提取。利用拉普拉斯光顺算法将网格模型上的皱纹等个性细节特征提取出来,从而将面部表情的改变分解为粗尺度的全局变形和细尺度的细节运动。2)多尺度重建。粗尺度的全局变形表示由面部肌肉运动引起的全局变形,细尺度的细节运动表示由局部皮肤变形引起的如皱纹、褶皱等精细的表情细节特征变化。本文使用基于改进联合学习的三维面部表情迁移方法来迁移粗尺度的全局变形,从而将源模型的面部表情迁移给目标模型,同时提出一个新的几何向量映射策略用于重建目标模型的细尺度细节运动。在细尺度的细节运动重建阶段,本文提出基于法向约束和位移约束的目标函数来求解用于重建细节的几何向量。对粗尺度全局变形迁移后的目标模型进行细节运动重建,有利于恢复目标模型的个性细节特征,使生成的表情模型更真实自然。本文提出了基于改进联合学习的三维面部表情迁移方法以及基于细节特征提取和多尺度重建的三维表情迁移方法,减少了表情迁移过程中的人工干预,提高了表情迁移的速度,高精度地重建了目标模型的个性细节特征,使生成的表情真实自然。探索表情的抽象化表征形式,进一步提高迁移方法在面对表情极端变形情况时的处理能力,是本研究未来的工作方向。