CN106056562A - 一种人脸图像处理方法、装置及电子设备 - Google Patents

一种人脸图像处理方法、装置及电子设备 Download PDF

Info

Publication number
CN106056562A
CN106056562A CN201610339674.3A CN201610339674A CN106056562A CN 106056562 A CN106056562 A CN 106056562A CN 201610339674 A CN201610339674 A CN 201610339674A CN 106056562 A CN106056562 A CN 106056562A
Authority
CN
China
Prior art keywords
face characteristic
image
facial image
face
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610339674.3A
Other languages
English (en)
Other versions
CN106056562B (zh
Inventor
李正龙
张丽杰
张敬宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201610339674.3A priority Critical patent/CN106056562B/zh
Publication of CN106056562A publication Critical patent/CN106056562A/zh
Priority to PCT/CN2017/081618 priority patent/WO2017198040A1/en
Priority to US15/565,754 priority patent/US10621415B2/en
Application granted granted Critical
Publication of CN106056562B publication Critical patent/CN106056562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种人脸图像处理方法、装置及电子设备，涉及图像处理技术，用以能够根据低分辨率的人脸图像获得效果较好的高分辨率的人脸图像。本发明的人脸图像处理方法包括：获取待处理人脸图像；获取所述待处理人脸图像中的人脸特征部分图像；对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像；将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。本发明主要用于人脸图像处理技术中。

Description

一种人脸图像处理方法、装置及电子设备
技术领域
本发明涉及图像处理技术，尤其涉及一种人脸图像处理方法、装置及电子设备。
背景技术
现实生活中存在着大量的低分辨率人脸图像，如监控视频中的嫌疑人人脸图像、各种移动终端应用中的用户头像、影视剧中的演员人脸图像等等。
为了获得高分辨率的人脸图像，可以通过各种放大算法，如双线性插值、双三次插值，Lanczos，超分辨算法(super resolution)等对低分辨率人脸图像进行处理。但是，由于人脸结构性强以及现有的各种算法应用场景的限制，使得利用现有技术的人脸图像处理算法仍然无法从低清人脸图像获得图像效果较好的人脸图像。
发明内容
有鉴于此，本发明提供一种人脸图像处理方法、装置及电子设备，能够根据低分辨率的人脸图像获得效果较好的高分辨率的人脸图像。
为解决上述技术问题，本发明提供一种人脸图像处理方法，包括：
获取待处理人脸图像；
获取所述待处理人脸图像中的人脸特征部分图像；
对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像；
将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
优选的，所述获取所述待处理人脸图像中的人脸特征部分图像，包括：
利用深度卷积神经网络解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域；
对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域；
对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
优选的，所述对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像，包括：
获取预先训练好的深度神经网络；
将所述各人脸特征部分图像输入到所述深度神经网络，经所述深度神经网络的第一层、中间层和输出层处理后，将所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
优选的，在所述获取预先训练好的深度神经网络后，所述方法还包括：
利用噪声扰动信号对所述各人脸特征部分图像进行处理；
所述将所述各人脸特征部分图像输入到所述深度神经网络包括：
将经所述噪声扰动信号处理后的所述各人脸特征部分图像输入到所述深度神经网络。
优选的，在经所述深度神经网络中间层处理进行处理时，包括：
在所述深度神经网络的中间层中利用损失函数对所述中间层的输入图像进行处理。
优选的，所述将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像，包括：
将所述细节图像融合到所述待处理人脸图像中；
利用所述待处理人脸图像作为引导掩膜，并根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像。
第二方面，本发明提供一种人脸图像处理装置，包括：
第一获取单元，用于获取待处理人脸图像；
第二获取单元，用于获取所述待处理人脸图像中的人脸特征部分图像；
处理单元，用于对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像；
合成单元，用于将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
优选的，所述第二获取单元包括：
第一确定模块，用于利用深度卷积神经网络解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域；
第二确定模块，用于对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域；
标记模块，用于对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
优选的，所述处理单元包括：
获取模块，用于获取预先训练好的深度神经网络；
处理模块，用于将所述各人脸特征部分图像输入到所述深度神经网络，经所述深度神经网络的第一层、中间层和输出层处理后，将所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
优选的，所述处理单元还包括：
信号处理模块，用于利用噪声扰动信号对所述各人脸特征部分图像进行处理；
所述处理模块在将所述各人脸特征部分图像输入到所述深度神经网络时，具体用于将经所述噪声扰动信号处理后的所述各人脸特征部分图像输入到所述深度神经网络。
优选的，所述处理模块在经所述深度神经网络中间层处理进行处理时具体用于：在所述深度神经网络的中间层中利用损失函数对所述中间层的输入图像进行处理。
优选的，所述合成单元包括：
融合模块，用于将所述细节图像融合到所述待处理人脸图像中；
合成模块，用于利用所述待处理人脸图像作为引导掩膜，根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像。
第三方面，本发明提供了一种人脸图像处理装置，包括：
摄像头，用于获取待处理人脸图像；
处理器，用于获取所述待处理人脸图像中的人脸特征部分图像，对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像，将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
其中，所述处理器在获取所述待处理人脸图像中的人脸特征部分图像时，具体用于：
利用深度卷积神经网络解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域；
对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域；
对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
其中，所述处理器在对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像时，具体用于：
获取预先训练好的深度神经网络；
将所述各人脸特征部分图像输入到所述深度神经网络，经所述深度神经网络的第一层、中间层和输出层处理后，将所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
其中，所述处理器在对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像时，所述处理器还用于：
利用噪声扰动信号对所述各人脸特征部分图像进行处理；
将经所述噪声扰动信号处理后的所述各人脸特征部分图像输入到所述深度神经网络。
其中，所述处理器在经所述深度神经网络中间层处理进行处理时具体用于：在所述深度神经网络的中间层中利用损失函数对所述中间层的输入图像进行处理。
其中，所述处理器在将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像时，具体用于：
将所述细节图像融合到所述待处理人脸图像中；
利用所述待处理人脸图像作为引导掩膜，根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像。
第四方面，本发明实施例还提供了一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行以下步骤：
获取待处理人脸图像；
获取所述待处理人脸图像中的人脸特征部分图像；
对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像；
将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
本发明的上述技术方案的有益效果如下：
在本发明实施例中，获取待处理人脸图像的人脸特征部分图像，对其进行细节增强处理后获得人脸特征部分图像对应的细节图像，并对待处理人脸图像和所述细节图像进行合成，从而获得目标人脸图像。由于在对人脸图像的处理过程中对人脸特征部分进行了细节增强处理并获得了人脸细节图像，因此，利用本发明实施例获得的目标人脸图像中人脸部分更为清晰，从而使得目标人脸图像的效果更好。
附图说明
图1为本发明实施例一的人脸图像处理方法的流程图；
图2为本发明实施例二的人脸图像处理方法的流程图；
图3为本发明实施例二中获得的各人脸特征部分所在区域的示意图；
图4为本发明实施例二中，在获得各人脸特征部分所在区域(图3)的基础上继续进行细分得到人脸细节特征的示意图；
图5为本发明实施例二中，在获得精确定位的各个脸部器官位置(图4)的基础上对各个器官进行像素精细提取的示意图；
图6为本发明实施例三的人脸图像处理装置的示意图；
图7为本发明实施例四的电子设备的示意图；
图8为本发明实施例五的人脸图像处理装置的示意图。
具体实施方式
下面将结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本发明实施例一的人脸图像处理方法包括：
步骤11、获取待处理人脸图像。
在本发明实施例中，可首先利用摄像头拍摄一幅或者多幅人脸图像，将其中的任意一幅或者多幅作为在此的待处理人脸图像。例如，在此的待处理图像可以是某个停车场的监控摄像头拍摄的人脸图像等。
如背景技术所描述的，在此实施例中获得的待处理图像通常是像素分辨率较低的图像。
步骤12、获取所述待处理人脸图像中的人脸特征部分图像。
人脸包括多个部位，比如眼睛，鼻子，嘴部等。在此，将该多个部位称为人脸特征部分。为了获得分辨率较高的人脸图像，在此实施例中首先需要确定各人脸特征部分所对应的图像。
具体的，在此步骤中可首先利用深度卷积神经网络(Deep Convolutional NeuralNetwork，Deep CNN)解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域。例如，将待处理图像作为深度卷积神经网络的输入，通过运行算法，确定出人脸的上部(眼睛所在的长条区域)、下部(嘴部区域)、中部(鼻子部分区域)。然后，再对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域。最后对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
步骤13、对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像。
在此步骤中，首先获取预先训练好的深度神经网络，然后将所述各人脸特征部分图像输入到所述深度神经网络，经所述深度神经网络的第一层、中间层和输出层处理后，将所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
步骤14、将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
在此步骤中，将所述细节图像融合到所述待处理人脸图像中，然后利用所述待处理人脸图像作为引导掩膜，并根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像。
由上可以看出，在本发明实施例中，获取待处理人脸图像的人脸特征部分图像，对其进行细节增强处理后获得人脸特征部分图像对应的细节图像，并对待处理人脸图像和所述细节图像进行合成，从而获得目标人脸图像。由于在对人脸图像的处理过程中对人脸特征部分进行了细节增强处理并获得了人脸细节图像，因此，利用本发明实施例获得的目标人脸图像中人脸部分更为清晰，从而使得目标人脸图像的效果更好。
图2所示为本发明实施例二的人脸图像处理方法的流程图。在图2所示的实施例中，利用深度神经网络这一技术，在大量学习人脸细节样本的技术上，将输入的人的正脸图像(以下称为人脸图像)进行处理，进而获得脸部细节得到极大增加的脸部细节图像。最后，将脸部细节图像和人脸图像进行融合获得最终的人脸图像。由于在最终获得的人脸图像中增加了人脸细节，因此，按照该方法获得的人脸图像的分辨率高于初始获得的人脸图像。
如图2所示，本发明实施例二的人脸图像处理方法包括：
步骤21、获取待处理人脸图像。
其中，所述待处理人脸图像可以为通过摄像头、手机等拍摄的人脸图像。
步骤22、获取所述待处理人脸图像中的人脸特征部分图像。
如前所述，在此步骤中，所述人脸特征指的是人脸上的重要部位，如眼睛，鼻子，嘴巴。在此步骤中，可按照如下过程获得人脸特征图像。
步骤221、利用深度卷积神经网络解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域。
在此步骤中，主要针对人脸图像中的上部(眼部区域)、中部(鼻子区域)、下部(嘴部区域)进行特征检测。
在待处理人脸图像图3的上部、中部、下部进行检测获得眼部区域、鼻子区域和嘴部区域。在利用深度卷积神经网络进行检测时，分类器可采用深度神经网络。
以检测嘴部区域为例，可采用一矩形滑动窗从所述图3所示的图像的中部向下部滑动。将滑动窗内的图像作为卷积神经网络的输入。当卷积神经网络的输出为1时，表示检测到嘴部区域；当卷积神经网络的输出为0时，表示未检测到嘴部区域。对图3所示的图片按照上述方式进行处理，获得图3对应眼部、鼻部和嘴部的检测窗口(图中眼部、鼻子、嘴部对应的矩形窗口)。
步骤222、对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域。
在步骤221的基础上对人脸图像进行精细检测，可精确定位人脸的特征部位，确定各人脸特征部分所在的细节区域。如图4所示在待处理图像上标识出了步骤221检测出的人脸特征部分所在区域。在步骤221已经检测出的眼部区域、鼻子区域和嘴部区域(即在图3的基础上)再次对眼睛、鼻子、嘴巴等特征部分进行检测，确定出各自对应的细分区域。
以检测嘴部区域为例，可采用一矩形滑动窗从所述图4所示的嘴部区域内滑动。其中，为了提高精确性，在本步骤中该矩形滑动窗的窗口大小小于步骤221中滑动窗的窗口大小。将滑动窗内的图像作为卷积神经网络的输入。当卷积神经网络的输出为1时，表示检测到嘴部；当卷积神经网络的输出为0时，表示未检测到嘴部。其中各特征部分所对应的细分区域如图4所示(眼部、鼻子、嘴部中对应的较小的矩形窗口)。
步骤223、对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
在此步骤中，采用图像分割算法在各个细分区域内对各像素进行逐一标记。其中该图像分割算法可为GraphCut算法，gbtree算法等。最终获得的人脸特征部分图像如图5所示。
步骤23、对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像。
在此步骤中，主要是将检测出来的人脸细节部分(眼部、鼻部、嘴部)，输入一个训练好的深度神经网络，得到包括更多细节的各特征部分对应的图像。
具体的，在此可首先获取预先训练好的深度神经网络。在该深度神经网络中，将步骤223中获得的各人脸特征部分图像作为输入。根据现有技术可知，深度神经网络可以包括第一层、多个隐藏的中间层和输出层。那么，在此，将步骤223中获得的各人脸特征部分图像作为第一层的输入。然后，第一层的输出经各中间层处理后传输到输出层。最后再经输出层处理完成最终的图像输出。至此，可所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
在上述过程中，为了在确保网络的鲁棒性的同时保证生成的细节图像不只是简单的重复，可在步骤223中获得的各人脸特征部分图像中增加噪声扰动信号，然后将增加了噪声扰动信号的各人脸特征部分图像输入到所述深度神经网络。
此外，为了使得抽取的人脸特征更加有利于不同器官细节之间的重建恢复以及使用一个网络即可满足对多种细节图像的恢复重建，在本发明实施例中，在卷积神经网络的中间层中增加一个监督信号。也即，在所述深度神经网络的中间层中利用损失函数对所述中间层的输入图像进行处理。然后，经该损失函数处理过的图像再作为各中间层的输出。
按照上述处理方式，对图5所示的图像进行处理，获得人脸各部位细节图像。
步骤24、将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
在此步骤中，首先将所述细节图像融合到所述待处理人脸图像中。具体的，在此将重建恢复细节的人脸部分图像(眼部、鼻部、嘴部)取代原来的不清晰图像部分。对于初始的人脸图像，在增加完细节之后，在细节图像和初始图像的各个过渡区域可能会存在不自然的边界。因此，在本发明实施例中，可利用所述待处理人脸图像作为引导掩膜(GuidedMask)，并根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像，从而进一步的保证获得的人脸图像的效果。
由上可以看出，在本发明实施例中，获取待处理人脸图像的人脸特征部分图像，对其进行细节增强处理后获得人脸特征部分图像对应的细节图像，并对待处理人脸图像和所述细节图像进行合成，从而获得目标人脸图像。由于在对人脸图像的处理过程中对人脸特征部分进行了细节增强处理并获得了人脸细节图像，因此，利用本发明实施例获得的目标人脸图像中人脸部分更为清晰，从而使得目标人脸图像的效果更好。
如图6所示，本发明实施例三的人脸图像处理装置包括：
第一获取单元41，用于获取待处理人脸图像；第二获取单元42，用于获取所述待处理人脸图像中的人脸特征部分图像；处理单元43，用于对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像；合成单元44，用于将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
其中，所述第二获取单元42可包括：第一确定模块，用于利用深度卷积神经网络解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域；第二确定模块，用于对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域；标记模块，用于对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
其中，所述处理单元43包括：获取模块，用于获取预先训练好的深度神经网络；处理模块，用于将所述各人脸特征部分图像输入到所述深度神经网络，经所述深度神经网络的第一层、中间层和输出层处理后，将所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
为了在确保网络的鲁棒性的同时保证生成的细节图像不只是简单的重复，所述处理单元43还包括：信号处理模块，用于利用噪声扰动信号对所述各人脸特征部分图像进行处理。此时，所述处理模块在将所述各人脸特征部分图像输入到所述深度神经网络时，具体用于将经所述噪声扰动信号处理后的所述各人脸特征部分图像输入到所述深度神经网络。
在上述过程中，所述处理模块在经所述深度神经网络中间层处理进行处理时具体用于：在所述深度神经网络的中间层中利用损失函数对所述中间层的输入图像进行处理。
其中，所述合成单元44可包括：融合模块，用于将所述细节图像融合到所述待处理人脸图像中；合成模块，用于利用所述待处理人脸图像作为引导掩膜，根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像。
本发明所述装置的工作原理可参照前述方法实施例的描述。
由上可以看出，在本发明实施例中，获取待处理人脸图像的人脸特征部分图像，对其进行细节增强处理后获得人脸特征部分图像对应的细节图像，并对待处理人脸图像和所述细节图像进行合成，从而获得目标人脸图像。由于在对人脸图像的处理过程中对人脸特征部分进行了细节增强处理并获得了人脸细节图像，因此，利用本发明实施例获得的目标人脸图像中人脸部分更为清晰，从而使得目标人脸图像的效果更好。
本发明实施例四还提供了一种电子设备，可以实现本发明图1-2所示实施例的流程。如图7所示，上述电子设备可以包括：壳体61、处理器62、存储器63、电路板64和电源电路65，其中，电路板64安置在壳体61围成的空间内部，处理器62和存储器63设置在电路板64上；电源电路65，用于为上述电子设备的各个电路或器件供电；存储器63用于存储可执行程序代码；处理器62通过读取存储器63中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行以下步骤：
获取待处理人脸图像；获取所述待处理人脸图像中的人脸特征部分图像；对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像；将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
由上可以看出，在本发明实施例中，获取待处理人脸图像的人脸特征部分图像，对其进行细节增强处理后获得人脸特征部分图像对应的细节图像，并对待处理人脸图像和所述细节图像进行合成，从而获得目标人脸图像。由于在对人脸图像的处理过程中对人脸特征部分进行了细节增强处理并获得了人脸细节图像，因此，利用本发明实施例获得的目标人脸图像中人脸部分更为清晰，从而使得目标人脸图像的效果更好。
如图8所示，本发明实施例五的一种人脸图像处理装置，包括：
摄像头71，用于获取待处理人脸图像；
处理器72，用于获取所述待处理人脸图像中的人脸特征部分图像，对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像，将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
在具体应用中，所述处理器72在获取所述待处理人脸图像中的人脸特征部分图像时，具体用于：利用深度卷积神经网络解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域；对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域；对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
在具体应用中，所述处理器72在对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像时，具体用于：获取预先训练好的深度神经网络；将所述各人脸特征部分图像输入到所述深度神经网络，经所述深度神经网络的第一层、中间层和输出层处理后，将所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
在具体应用中，所述处理器72在对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像时，所述处理器还用于：
利用噪声扰动信号对所述各人脸特征部分图像进行处理；将经所述噪声扰动信号处理后的所述各人脸特征部分图像输入到所述深度神经网络。
在具体应用中，所述处理器72在经所述深度神经网络中间层处理进行处理时具体用于：在所述深度神经网络的中间层中利用损失函数对所述中间层的输入图像进行处理。
在具体应用中，所述处理器72在将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像时，具体用于：
将所述细节图像融合到所述待处理人脸图像中；利用所述待处理人脸图像作为引导掩膜，根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像。
本发明所述装置的工作原理可参照前述方法实施例的描述。
由上可以看出，在本发明实施例中，获取待处理人脸图像的人脸特征部分图像，对其进行细节增强处理后获得人脸特征部分图像对应的细节图像，并对待处理人脸图像和所述细节图像进行合成，从而获得目标人脸图像。由于在对人脸图像的处理过程中对人脸特征部分进行了细节增强处理并获得了人脸细节图像，因此，利用本发明实施例获得的目标人脸图像中人脸部分更为清晰，从而使得目标人脸图像的效果更好。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (19)

1.一种人脸图像处理方法，其特征在于，包括：
获取待处理人脸图像；
获取所述待处理人脸图像中的人脸特征部分图像；
对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像；
将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
2.根据权利要求1所述的方法，其特征在于，所述获取所述待处理人脸图像中的人脸特征部分图像，包括：
利用深度卷积神经网络解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域；
对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域；
对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像，包括：
获取预先训练好的深度神经网络；
将所述各人脸特征部分图像输入到所述深度神经网络，经所述深度神经网络的第一层、中间层和输出层处理后，将所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
4.根据权利要求3所述的方法，其特征在于，在所述获取预先训练好的深度神经网络后，所述方法还包括：
利用噪声扰动信号对所述各人脸特征部分图像进行处理；
所述将所述各人脸特征部分图像输入到所述深度神经网络包括：
将经所述噪声扰动信号处理后的所述各人脸特征部分图像输入到所述深度神经网络。
5.根据权利要求3或4所述的方法，其特征在于，在经所述深度神经网络中间层处理进行处理时，包括：
在所述深度神经网络的中间层中利用损失函数对所述中间层的输入图像进行处理。
6.根据权利要求1-4任一所述的方法，其特征在于，所述将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像，包括：
将所述细节图像融合到所述待处理人脸图像中；
利用所述待处理人脸图像作为引导掩膜，并根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像。
7.一种人脸图像处理装置，其特征在于，包括：
第一获取单元，用于获取待处理人脸图像；
第二获取单元，用于获取所述待处理人脸图像中的人脸特征部分图像；
处理单元，用于对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像；
合成单元，用于将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
8.根据权利要求7所述的装置，其特征在于，所述第二获取单元包括：
第一确定模块，用于利用深度卷积神经网络解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域；
第二确定模块，用于对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域；
标记模块，用于对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
9.根据权利要求8所述的装置，其特征在于，所述处理单元包括：
获取模块，用于获取预先训练好的深度神经网络；
处理模块，用于将所述各人脸特征部分图像输入到所述深度神经网络，经所述深度神经网络的第一层、中间层和输出层处理后，将所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
10.根据权利要求9所述的装置，其特征在于，所述处理单元还包括：
信号处理模块，用于利用噪声扰动信号对所述各人脸特征部分图像进行处理；
所述处理模块在将所述各人脸特征部分图像输入到所述深度神经网络时，具体用于将经所述噪声扰动信号处理后的所述各人脸特征部分图像输入到所述深度神经网络。
11.根据权利要求9或10所述的装置，其特征在于，所述处理模块在经所述深度神经网络中间层处理进行处理时具体用于：在所述深度神经网络的中间层中利用损失函数对所述中间层的输入图像进行处理。
12.根据权利要求7-10任一所述的装置，其特征在于，所述合成单元包括：
融合模块，用于将所述细节图像融合到所述待处理人脸图像中；
合成模块，用于利用所述待处理人脸图像作为引导掩膜，根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像。
13.一种人脸图像处理装置，其特征在于，包括：
摄像头，用于获取待处理人脸图像；
处理器，用于获取所述待处理人脸图像中的人脸特征部分图像，对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像，将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
14.根据权利要求13所述的装置，其特征在于，所述处理器在获取所述待处理人脸图像中的人脸特征部分图像时，具体用于：
利用深度卷积神经网络解析所述待处理人脸图像，确定所述待处理人脸图像中各人脸特征部分所在区域；
对所述各人脸特征部分所在区域进行细分，确定所述各人脸特征部分所在的细分区域；
对所述各人脸特征部分所在的细分区域内的各像素进行标记，获取各人脸特征部分图像。
15.根据权利要求13所述的装置，其特征在于，所述处理器在对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像时，具体用于：
获取预先训练好的深度神经网络；
将所述各人脸特征部分图像输入到所述深度神经网络，经所述深度神经网络的第一层、中间层和输出层处理后，将所述深度神经网络的输出层输出的处理结果作为所述各人脸特征部分图像对应的细节图像。
16.根据权利要求15所述的装置，其特征在于，所述处理器在对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像时，所述处理器还用于：
利用噪声扰动信号对所述各人脸特征部分图像进行处理；
将经所述噪声扰动信号处理后的所述各人脸特征部分图像输入到所述深度神经网络。
17.根据权利要求15或16所述的装置，其特征在于，所述处理器在经所述深度神经网络中间层处理进行处理时具体用于：在所述深度神经网络的中间层中利用损失函数对所述中间层的输入图像进行处理。
18.根据权利要求13-16任一所述的装置，其特征在于，所述处理器在将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像时，具体用于：
将所述细节图像融合到所述待处理人脸图像中；
利用所述待处理人脸图像作为引导掩膜，根据所述引导掩膜对所述待处理图像和所述细节图像的过渡区域进行平滑滤波，获得目标人脸图像。
19.一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行以下步骤：
获取待处理人脸图像；
获取所述待处理人脸图像中的人脸特征部分图像；
对所述人脸特征部分图像进行细节增强处理，获得所述人脸特征部分图像对应的细节图像；
将所述待处理人脸图像和所述细节图像进行合成，获得目标人脸图像。
CN201610339674.3A 2016-05-19 2016-05-19 一种人脸图像处理方法、装置及电子设备 Active CN106056562B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610339674.3A CN106056562B (zh) 2016-05-19 2016-05-19 一种人脸图像处理方法、装置及电子设备
PCT/CN2017/081618 WO2017198040A1 (en) 2016-05-19 2017-04-24 Facial image processing apparatus, facial image processing method, and non-transitory computer-readable storage medium
US15/565,754 US10621415B2 (en) 2016-05-19 2017-04-24 Facial image processing apparatus, facial image processing method, and non-transitory computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610339674.3A CN106056562B (zh) 2016-05-19 2016-05-19 一种人脸图像处理方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN106056562A true CN106056562A (zh) 2016-10-26
CN106056562B CN106056562B (zh) 2019-05-28

Family

ID=57176556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610339674.3A Active CN106056562B (zh) 2016-05-19 2016-05-19 一种人脸图像处理方法、装置及电子设备

Country Status (3)

Country Link
US (1) US10621415B2 (zh)
CN (1) CN106056562B (zh)
WO (1) WO2017198040A1 (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780658A (zh) * 2016-11-16 2017-05-31 北京旷视科技有限公司 人脸特征添加方法、装置及设备
WO2017198040A1 (en) * 2016-05-19 2017-11-23 Boe Technology Group Co., Ltd. Facial image processing apparatus, facial image processing method, and non-transitory computer-readable storage medium
CN107464261A (zh) * 2017-07-07 2017-12-12 广州市百果园网络科技有限公司 一种图像数据标定训练方法及其设备、存储介质、服务器
CN107833328A (zh) * 2017-11-20 2018-03-23 北京奇虎科技有限公司 基于人脸识别的门禁验证方法及装置、计算设备
CN107861621A (zh) * 2017-11-27 2018-03-30 郑素娟 一种避免对产妇眼部造成伤害的方法
CN107895358A (zh) * 2017-12-25 2018-04-10 科大讯飞股份有限公司 人脸图像的增强方法及系统
WO2018121523A1 (en) * 2016-12-28 2018-07-05 Zhejiang Dahua Technology Co., Ltd. Methods, systems, and media for evaluating images
CN108304816A (zh) * 2018-02-09 2018-07-20 北京京东金融科技控股有限公司 身份识别方法、装置、存储介质及电子设备
CN108737750A (zh) * 2018-06-07 2018-11-02 北京旷视科技有限公司 图像处理方法、装置及电子设备
CN108961156A (zh) * 2018-07-26 2018-12-07 北京小米移动软件有限公司 人脸图像处理的方法及装置
CN109218695A (zh) * 2017-06-30 2019-01-15 中国电信股份有限公司 视频图像增强方法、装置、分析系统及存储介质
WO2019105399A1 (en) * 2017-11-29 2019-06-06 Zhejiang Dahua Technology Co., Ltd. Systems and methods for super-resolusion image reconstruction
CN109858364A (zh) * 2018-12-28 2019-06-07 维沃移动通信有限公司 一种人脸图像的处理方法和移动终端
CN110084775A (zh) * 2019-05-09 2019-08-02 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110378854A (zh) * 2019-07-17 2019-10-25 上海商汤智能科技有限公司 机器人图像增强方法及装置
CN110796015A (zh) * 2019-09-27 2020-02-14 深圳市大拿科技有限公司 一种远程监控方法及其装置
CN110956599A (zh) * 2019-11-20 2020-04-03 腾讯科技（深圳）有限公司 图片处理方法和装置、存储介质及电子装置
CN111738122A (zh) * 2020-06-12 2020-10-02 Oppo广东移动通信有限公司 图像处理的方法及相关装置
US10832034B2 (en) 2016-11-16 2020-11-10 Beijing Kuangshi Technology Co., Ltd. Facial image generating method, facial image generating apparatus, and facial image generating device
CN112712470A (zh) * 2019-10-25 2021-04-27 华为技术有限公司 一种图像增强方法及装置
CN113744130A (zh) * 2020-05-29 2021-12-03 武汉Tcl集团工业研究院有限公司 一种人脸图像生成方法、存储介质及终端设备
CN115428435A (zh) * 2021-01-29 2022-12-02 富士胶片株式会社 信息处理装置、摄像装置、信息处理方法及程序

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592776B2 (en) * 2017-02-08 2020-03-17 Adobe Inc. Generating multimodal image edits for a digital image
CN108229278B (zh) 2017-04-14 2020-11-17 深圳市商汤科技有限公司 人脸图像处理方法、装置和电子设备
CN108229279B (zh) * 2017-04-14 2020-06-02 深圳市商汤科技有限公司 人脸图像处理方法、装置和电子设备
JP6774137B2 (ja) * 2017-06-30 2020-10-21 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド Ｉｄ写真の真正性を検証するためのシステムおよび方法
CN108230331A (zh) * 2017-09-30 2018-06-29 深圳市商汤科技有限公司 图像处理方法和装置、电子设备、计算机存储介质
US11030722B2 (en) * 2017-10-04 2021-06-08 Fotonation Limited System and method for estimating optimal parameters
CN110909578A (zh) * 2018-09-18 2020-03-24 中国移动通信有限公司研究院 一种低分辨率图像识别方法、装置和存储介质
US11049310B2 (en) * 2019-01-18 2021-06-29 Snap Inc. Photorealistic real-time portrait animation
US11454976B1 (en) 2019-06-06 2022-09-27 Zoox, Inc. Optimizing data levels for processing,transmission, or storage
US11354914B1 (en) * 2019-06-06 2022-06-07 Zoox, Inc. Optimizing data levels for processing, transmission, or storage based on location information
US11157768B1 (en) * 2019-06-06 2021-10-26 Zoox, Inc. Training a machine learning model for optimizing data levels for processing, transmission, or storage
US20210201008A1 (en) * 2019-12-31 2021-07-01 L'oreal High-resolution and hyperspectral imaging of skin
CN111311488B (zh) * 2020-01-15 2022-03-29 广西师范大学 一种基于深度学习的高效超分辨率重建方法
US11792438B2 (en) * 2020-10-02 2023-10-17 Lemon Inc. Using neural network filtering in video coding
US11330196B2 (en) 2020-10-12 2022-05-10 Microsoft Technology Licensing, Llc Estimating illumination in an environment based on an image of a reference object
US11714881B2 (en) 2021-05-27 2023-08-01 Microsoft Technology Licensing, Llc Image processing for stream of input images with enforced identity penalty

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261677A (zh) * 2007-10-18 2008-09-10 周春光 人脸和虹膜混合识别的新方法——特征提取层融合
CN101639937A (zh) * 2009-09-03 2010-02-03 复旦大学 一种基于人工神经网络的超分辨率方法
CN102902966A (zh) * 2012-10-12 2013-01-30 大连理工大学 一种基于深度信赖网络的超分辨率人脸识别方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7039222B2 (en) 2003-02-28 2006-05-02 Eastman Kodak Company Method and system for enhancing portrait images that are processed in a batch mode
CN101527786B (zh) 2009-03-31 2011-06-01 西安交通大学 一种增强网络视频中视觉重要区域清晰度的方法
KR20110065997A (ko) * 2009-12-10 2011-06-16 삼성전자주식회사 영상처리장치 및 영상처리방법
US20140176548A1 (en) * 2012-12-21 2014-06-26 Nvidia Corporation Facial image enhancement for video communication
CA2934514C (en) * 2013-12-19 2021-04-06 Avigilon Fortress Corporation System and method for identifying faces in unconstrained media
WO2015192316A1 (en) * 2014-06-17 2015-12-23 Beijing Kuangshi Technology Co., Ltd. Face hallucination using convolutional neural networks
GB2532075A (en) * 2014-11-10 2016-05-11 Lego As System and method for toy recognition and detection based on convolutional neural networks
US9767533B2 (en) * 2015-02-16 2017-09-19 Adobe Systems Incorporated Image resolution enhancement based on data from related images
CN104778659A (zh) * 2015-04-15 2015-07-15 杭州电子科技大学 基于深度学习的单帧图像超分辨率重建方法
CN105096279A (zh) * 2015-09-23 2015-11-25 成都融创智谷科技有限公司 一种基于卷积神经网络的数字图像处理方法
US10648924B2 (en) * 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US9836820B2 (en) * 2016-03-03 2017-12-05 Mitsubishi Electric Research Laboratories, Inc. Image upsampling using global and local constraints
US10043058B2 (en) * 2016-03-09 2018-08-07 International Business Machines Corporation Face detection, representation, and recognition
CN106056562B (zh) * 2016-05-19 2019-05-28 京东方科技集团股份有限公司 一种人脸图像处理方法、装置及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261677A (zh) * 2007-10-18 2008-09-10 周春光 人脸和虹膜混合识别的新方法——特征提取层融合
CN101639937A (zh) * 2009-09-03 2010-02-03 复旦大学 一种基于人工神经网络的超分辨率方法
CN102902966A (zh) * 2012-10-12 2013-01-30 大连理工大学 一种基于深度信赖网络的超分辨率人脸识别方法

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017198040A1 (en) * 2016-05-19 2017-11-23 Boe Technology Group Co., Ltd. Facial image processing apparatus, facial image processing method, and non-transitory computer-readable storage medium
US10580182B2 (en) 2016-11-16 2020-03-03 Beijing Kuangshi Technology Co., Ltd. Facial feature adding method, facial feature adding apparatus, and facial feature adding device
US10832034B2 (en) 2016-11-16 2020-11-10 Beijing Kuangshi Technology Co., Ltd. Facial image generating method, facial image generating apparatus, and facial image generating device
CN106780658B (zh) * 2016-11-16 2021-03-09 北京旷视科技有限公司 人脸特征添加方法、装置及设备
CN106780658A (zh) * 2016-11-16 2017-05-31 北京旷视科技有限公司 人脸特征添加方法、装置及设备
WO2018121523A1 (en) * 2016-12-28 2018-07-05 Zhejiang Dahua Technology Co., Ltd. Methods, systems, and media for evaluating images
CN109218695A (zh) * 2017-06-30 2019-01-15 中国电信股份有限公司 视频图像增强方法、装置、分析系统及存储介质
CN107464261A (zh) * 2017-07-07 2017-12-12 广州市百果园网络科技有限公司 一种图像数据标定训练方法及其设备、存储介质、服务器
CN107833328A (zh) * 2017-11-20 2018-03-23 北京奇虎科技有限公司 基于人脸识别的门禁验证方法及装置、计算设备
CN107833328B (zh) * 2017-11-20 2020-07-07 北京奇虎科技有限公司 基于人脸识别的门禁验证方法及装置、计算设备
CN107861621A (zh) * 2017-11-27 2018-03-30 郑素娟 一种避免对产妇眼部造成伤害的方法
WO2019105399A1 (en) * 2017-11-29 2019-06-06 Zhejiang Dahua Technology Co., Ltd. Systems and methods for super-resolusion image reconstruction
CN107895358A (zh) * 2017-12-25 2018-04-10 科大讯飞股份有限公司 人脸图像的增强方法及系统
CN108304816A (zh) * 2018-02-09 2018-07-20 北京京东金融科技控股有限公司 身份识别方法、装置、存储介质及电子设备
CN108304816B (zh) * 2018-02-09 2020-09-01 京东数字科技控股有限公司 身份识别方法、装置、存储介质及电子设备
CN108737750A (zh) * 2018-06-07 2018-11-02 北京旷视科技有限公司 图像处理方法、装置及电子设备
US10949952B2 (en) 2018-06-07 2021-03-16 Beijing Kuangshi Technology Co., Ltd. Performing detail enhancement on a target in a denoised image
CN108961156B (zh) * 2018-07-26 2023-03-14 北京小米移动软件有限公司 人脸图像处理的方法及装置
CN108961156A (zh) * 2018-07-26 2018-12-07 北京小米移动软件有限公司 人脸图像处理的方法及装置
CN109858364A (zh) * 2018-12-28 2019-06-07 维沃移动通信有限公司 一种人脸图像的处理方法和移动终端
CN110084775A (zh) * 2019-05-09 2019-08-02 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110084775B (zh) * 2019-05-09 2021-11-26 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110378854A (zh) * 2019-07-17 2019-10-25 上海商汤智能科技有限公司 机器人图像增强方法及装置
CN110378854B (zh) * 2019-07-17 2021-10-26 上海商汤智能科技有限公司 机器人图像增强方法及装置
CN110796015A (zh) * 2019-09-27 2020-02-14 深圳市大拿科技有限公司 一种远程监控方法及其装置
CN110796015B (zh) * 2019-09-27 2023-04-18 深圳市海雀科技有限公司 一种远程监控方法及其装置
CN112712470A (zh) * 2019-10-25 2021-04-27 华为技术有限公司 一种图像增强方法及装置
CN110956599A (zh) * 2019-11-20 2020-04-03 腾讯科技（深圳）有限公司 图片处理方法和装置、存储介质及电子装置
CN113744130A (zh) * 2020-05-29 2021-12-03 武汉Tcl集团工业研究院有限公司 一种人脸图像生成方法、存储介质及终端设备
CN113744130B (zh) * 2020-05-29 2023-12-26 武汉Tcl集团工业研究院有限公司 一种人脸图像生成方法、存储介质及终端设备
CN111738122A (zh) * 2020-06-12 2020-10-02 Oppo广东移动通信有限公司 图像处理的方法及相关装置
CN111738122B (zh) * 2020-06-12 2023-08-22 Oppo广东移动通信有限公司 图像处理的方法及相关装置
CN115428435A (zh) * 2021-01-29 2022-12-02 富士胶片株式会社 信息处理装置、摄像装置、信息处理方法及程序

Also Published As

Publication number Publication date
CN106056562B (zh) 2019-05-28
US20180204051A1 (en) 2018-07-19
WO2017198040A1 (en) 2017-11-23
US10621415B2 (en) 2020-04-14

Similar Documents

Publication Publication Date Title
CN106056562A (zh) 一种人脸图像处理方法、装置及电子设备
US10297076B2 (en) Apparatus and method for generating 3D face model using mobile device
Gallo et al. Artifact-free high dynamic range imaging
KR101840563B1 (ko) 신경망을 이용한 3차원 얼굴 복원 방법 및 장치
CN105323425B (zh) 融合图像系统中的场景运动校正
US8103134B2 (en) Method and a handheld device for capturing motion
JP2008535116A (ja) ３次元レンダリング用の方法及び装置
Pu et al. Robust high dynamic range (hdr) imaging with complex motion and parallax
CN111899268A (zh) 图像分割方法及装置、电子设备和存储介质
CN114863037B (zh) 基于单手机的人体三维建模数据采集与重建方法及系统
CN106791273A (zh) 一种结合帧间信息的视频盲复原方法
CN111784596A (zh) 基于生成对抗神经网络的通用内窥镜图像增强方法及装置
KR101995411B1 (ko) 신체 모델 생성 장치 및 방법
CN116563916A (zh) 基于注意力融合的循环人脸超分辨率方法及系统
EP3796644A1 (en) A method for capturing and rendering a video stream
Yan et al. A lightweight network for high dynamic range imaging
CN117173232A (zh) 深度图像的获取方法、装置及设备
CN110430416B (zh) 自由视点图像生成方法和装置
CN107403448A (zh) 代价函数生成方法和代价函数生成装置
Wang et al. Exposure fusion using a relative generative adversarial network
JP2019139517A (ja) 学習装置、推定装置、学習方法、推定方法及びコンピュータプログラム
Liang et al. Video2Cartoon: A system for converting broadcast soccer video into 3D cartoon animation
JP4750758B2 (ja) 注目領域抽出方法、注目領域抽出装置、コンピュータプログラム、及び、記録媒体
Ahmad et al. 3D reconstruction of gastrointestinal regions using shape-from-focus
KR101188476B1 (ko) 촬영 거리 계산 및 피사체의 수평 거리 보정 장치 및 방법

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant