CN107730448A - 基于图像处理的美颜方法及装置 - Google Patents

Abstract

本公开是关于一种基于图像处理的美颜方法及装置。该方法包括：识别原始人脸图像中的人脸特征信息；根据所述人脸特征信息，得到所述原始人脸图像对应的二值图；将所述原始人脸图像转换至LAB空间，得到所述原始人脸图像对应的L通道图像；根据所述L通道图像，对所述二值图进行滤波，得到第一滤波输出图；根据所述第一滤波输出图，对所述原始人脸图像进行滤波，得到第二滤波输出图；将所述第二滤波输出图与所述原始人脸图像进行融合，得到所述原始人脸图像对应的美颜结果图。本公开结合滤波方法与人脸特征信息的检测，有效提高了美颜效果，且无需采用高反差保留方法，避免引入杂质。

Description

基于图像处理的美颜方法及装置

技术领域

本公开涉及图像处理技术领域，尤其涉及基于图像处理的美颜方法及装置。

背景技术

相关技术中，基于图像处理的美颜方法先采用保边滤波方法进行滤波，再采用高反差保留方法进行细节保留。采用保边滤波方法的目的是在进行滤波时，保留边缘细节部分。然而，在采用保边滤波方法的过程中，脸上的杂质也会被当成细节保留下来。因此，大部分保边滤波方法存在无法过滤高频杂质的缺点，导致美颜效果较差。在保边滤波处理后采用高反差保留方法找回一些细节，则存在容易引入杂质的问题。

发明内容

为克服相关技术中存在的问题，本公开提供一种基于图像处理的美颜方法及装置。

根据本公开实施例的第一方面，提供一种基于图像处理的美颜方法，包括：

识别原始人脸图像中的人脸特征信息；

根据所述人脸特征信息，得到所述原始人脸图像对应的二值图；

将所述原始人脸图像转换至LAB空间，得到所述原始人脸图像对应的L通道图像；

根据所述L通道图像，对所述二值图进行滤波，得到第一滤波输出图；

根据所述第一滤波输出图，对所述原始人脸图像进行滤波，得到第二滤波输出图；

将所述第二滤波输出图与所述原始人脸图像进行融合，得到所述原始人脸图像对应的美颜结果图。

在一种可能的实现方式中，根据所述L通道图像，对所述二值图进行滤波，得到第一滤波输出图，包括：

将所述L通道图像作为加权最小二乘法滤波的引导图，对所述二值图进行加权最小二乘法滤波，得到所述第一滤波输出图。

在一种可能的实现方式中，根据所述第一滤波输出图，对所述原始人脸图像进行滤波，得到第二滤波输出图，包括：

根据所述第一滤波输出图确定加权最小二乘法滤波的平滑控制参数，对所述原始人脸图像进行加权最小二乘法滤波，得到所述第二滤波输出图。

在一种可能的实现方式中，识别原始人脸图像中的人脸特征信息，包括：

通过卷积神经网络识别所述原始人脸图像中的人脸特征点；

通过肤色模型识别所述原始人脸图像中的脸部轮廓曲线。

在一种可能的实现方式中，在通过肤色模型识别所述原始人脸图像中的脸部轮廓曲线之前，所述方法还包括：

通过log曲线提高所述原始人脸图像的亮度。

在一种可能的实现方式中，根据所述人脸特征信息，得到所述原始人脸图像对应的二值图，包括：

根据所述人脸特征点和所述脸部轮廓曲线，对所述原始人脸图像中的五官以及脸部轮廓进行标记，得到所述原始人脸图像对应的二值图。

根据本公开实施例的第二方面，提供一种基于图像处理的美颜装置，包括：

识别模块，用于识别原始人脸图像中的人脸特征信息；

确定模块，用于根据所述人脸特征信息，得到所述原始人脸图像对应的二值图；

转换模块，用于将所述原始人脸图像转换至LAB空间，得到所述原始人脸图像对应的L通道图像；

第一滤波模块，用于根据所述L通道图像，对所述二值图进行滤波，得到第一滤波输出图；

第二滤波模块，用于根据所述第一滤波输出图，对所述原始人脸图像进行滤波，得到第二滤波输出图；

融合模块，用于将所述第二滤波输出图与所述原始人脸图像进行融合，得到所述原始人脸图像对应的美颜结果图。

在一种可能的实现方式中，所述第一滤波模块用于：

将所述L通道图像作为加权最小二乘法滤波的引导图，对所述二值图进行加权最小二乘法滤波，得到所述第一滤波输出图。

在一种可能的实现方式中，所述第二滤波模块用于：

根据所述第一滤波输出图确定加权最小二乘法滤波的平滑控制参数，对所述原始人脸图像进行加权最小二乘法滤波，得到所述第二滤波输出图。

在一种可能的实现方式中，所述识别模块包括：

第一识别子模块，用于通过卷积神经网络识别所述原始人脸图像中的人脸特征点；

第二识别子模块，用于通过肤色模型识别所述原始人脸图像中的脸部轮廓曲线。

在一种可能的实现方式中，所述装置还包括：

亮度提高模块，用于通过log曲线提高所述原始人脸图像的亮度。

在一种可能的实现方式中，所述确定模块用于：

根据所述人脸特征点和所述脸部轮廓曲线，对所述原始人脸图像中的五官以及脸部轮廓进行标记，得到所述原始人脸图像对应的二值图。

根据本公开实施例的第三方面，提供一种基于图像处理的美颜装置，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行上述方法。

本公开的实施例提供的技术方案可以包括以下有益效果：通过识别原始人脸图像中的人脸特征信息，根据人脸特征信息，得到原始人脸图像对应的二值图，将原始人脸图像转换至LAB空间，得到原始人脸图像对应的L通道图像，根据L通道图像，对二值图进行滤波，得到第一滤波输出图，根据第一滤波输出图，对原始人脸图像进行滤波，得到第二滤波输出图，并将第二滤波输出图与原始人脸图像进行融合，得到原始人脸图像对应的美颜结果图，由此根据人脸特征信息识别人脸中的不同区域得到二值图，对二值图进行滤波得到模糊化的第一滤波输出图，并根据该模糊化的第一滤波输出图对原始人脸图像进行滤波，从而根据人脸特征信息有效地实现了对人脸进行自适应性参数的保边滤波，结合滤波方法与人脸特征信息的检测，有效提高了美颜效果，且无需采用高反差保留方法，避免引入杂质。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种基于图像处理的美颜方法的流程图。

图2是根据一示例性实施例示出的一种基于图像处理的美颜方法中人脸特征点的检测结果图的示意图。

图3是根据一示例性实施例示出的一种基于图像处理的美颜方法中二值图的示意图。

图4是根据一示例性实施例示出的一种基于图像处理的美颜方法中第一滤波输出图的示意图。

图5是根据一示例性实施例示出的一种基于图像处理的美颜方法中第二滤波输出图的示意图。

图6a是根据一示例性实施例示出的一种基于图像处理的美颜方法中原始人脸图像的示意图。

图6b是根据一示例性实施例示出的一种基于图像处理的美颜方法中的美颜结果图示意图。

图7是根据一示例性实施例示出的一种基于图像处理的美颜方法步骤S11的一示例性的流程图。

图8是根据一示例性实施例示出的一种基于图像处理的美颜装置的框图。

图9是根据一示例性实施例示出的一种基于图像处理的美颜装置的一示例性的框图。

图10是根据一示例性实施例示出的一种用于图像处理的美颜的装置800的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种基于图像处理的美颜方法的流程图。该方法可以应用于终端设备中。如图1所示，该方法包括步骤S11至步骤S16。

在步骤S11中，识别原始人脸图像中的人脸特征信息。

其中，原始人脸图像中的人脸特征信息可以包括原始人脸图像中的人脸特征点。

图2是根据一示例性实施例示出的一种基于图像处理的美颜方法中人脸特征点的检测结果图的示意图。

在步骤S12中，根据人脸特征信息，得到原始人脸图像对应的二值图。

在一种可能的实现方式中，在二值图中，皮肤区域的像素值为第一预设值，非皮肤区域的像素值为第二预设值。例如，第一预设值为255，第二预设值为0。

图3是根据一示例性实施例示出的一种基于图像处理的美颜方法中二值图的示意图。

在步骤S13中，将原始人脸图像转换至LAB空间，得到原始人脸图像对应的L通道图像。

其中，LAB空间中的L表示亮度(Luminosity)，A表示从红色至绿色的范围，B表示从黄色至蓝色的范围。

在一种可能的实现方式中，可以先将原始人脸图像转换至XYZ，再由XYZ转换至LAB空间。

X＝r×0.4124+g×0.3576+b×0.1805；

Y＝r×0.2126+g×0.7152+b×0.0722；

Z＝r×0.0193+g×0.1192+b×0.9505；

其中，r表示原始人脸图像中R通道的值，g表示原始人脸图像中G通道的值，b表示原始人脸图像中B通道的值；

X′＝X/0.95047；

Y′＝Y；

Z′＝Z/1.08883；

若X′＞0.008856，则若X′≤0.008856，则X″＝7.787X′+0.137931；

若Y′＞0.008856，则若Y′≤0.008856，则Y″＝7.787Y′+0.137931；

若Z′＞0.008856，则若Z′≤0.008856，则Z″＝7.787Z′+0.137931；

若Y′＞0.008856，则L＝116Y″-16；若Y′≤0.008856，则L＝903.3Y″；

A＝500(X″-Y″)；

B＝200(Y″-Z″)。

在步骤S14中，根据L通道图像，对二值图进行滤波，得到第一滤波输出图。

在一种可能的实现方式中，根据L通道图像，对二值图进行滤波，得到第一滤波输出图，可以包括：将L通道图像作为加权最小二乘法(WLS，Weighted Least Squares)滤波的引导图，对二值图进行加权最小二乘法滤波，得到第一滤波输出图。

其中，加权最小二乘法滤波是基于全局优化的滤波方法。作为该实现方式的一个示例，可以计算出使以下公式中w的最小的u，并将使以下公式中w的最小的u作为第一滤波输出图：

其中，

u表示第一滤波输出图，g表示二值图，L表示引导图，p表示第p个像素，x表示像素的水平方向，y表示像素的竖直方向，λ表示平滑控制参数，α表示用于确定对引导图的梯度敏感程度的参数，ε为常数，ε用于防止零作为被除数。

通过加权最小二乘法滤波，可以让第一滤波输出图在主要的轮廓上与二值图接近，在细节纹理上与引导图接近。

图4是根据一示例性实施例示出的一种基于图像处理的美颜方法中第一滤波输出图的示意图。

在步骤S15中，根据第一滤波输出图，对原始人脸图像进行滤波，得到第二滤波输出图。

在一种可能的实现方式中，根据第一滤波输出图，对原始人脸图像进行滤波，得到第二滤波输出图，可以包括：根据第一滤波输出图确定加权最小二乘法滤波的平滑控制参数，对原始人脸图像进行加权最小二乘法滤波，得到第二滤波输出图。

作为该实现方式的一个示例，可以将第一滤波输出图中各个像素的像素值分别作为对原始人脸图像的相应像素进行加权最小二乘法滤波的平滑控制参数，由此对于原始人脸图像中不同的区域采用不同的平滑控制参数，实现了自适应磨皮，对于脸颊、额头等非脸部特征区域进行较大程度的磨皮，对于眼睛、眉毛、鼻子、嘴巴和脸部轮廓等脸部特征区域进行较小程度的磨皮，从而有利于去除脸颊、额头等非脸部特征区域的杂质，并保留眼睛、眉毛、鼻子、嘴巴和脸部轮廓等脸部特征区域的细节，很好地解决了人脸图像中的杂质容易被当成细节保留下来的问题。其中，若像素M在第一滤波输出图中的坐标与像素M’在原始人脸图像中的坐标相同，则像素M与像素M’为第一滤波输出图与原始人脸图像中的相应像素。

图5是根据一示例性实施例示出的一种基于图像处理的美颜方法中第二滤波输出图的示意图。

在步骤S16中，将第二滤波输出图与原始人脸图像进行融合，得到原始人脸图像对应的美颜结果图。

在一种可能的实现方式中，可以调节第二滤波输出图与原始人脸图像的透明度，并将调节透明度后的第二滤波输出图与原始人脸图像叠加，得到原始人脸图像对应的美颜结果图。

图6a是根据一示例性实施例示出的一种基于图像处理的美颜方法中原始人脸图像的示意图。

图6b是根据一示例性实施例示出的一种基于图像处理的美颜方法中的美颜结果图示意图。

本实施例通过识别原始人脸图像中的人脸特征信息，根据人脸特征信息，得到原始人脸图像对应的二值图，将原始人脸图像转换至LAB空间，得到原始人脸图像对应的L通道图像，根据L通道图像，对二值图进行滤波，得到第一滤波输出图，根据第一滤波输出图，对原始人脸图像进行滤波，得到第二滤波输出图，并将第二滤波输出图与原始人脸图像进行融合，得到原始人脸图像对应的美颜结果图，由此结合滤波方法与人脸特征信息的检测，有效提高了美颜效果，且无需采用高反差保留方法，避免引入杂质。

图7是根据一示例性实施例示出的一种基于图像处理的美颜方法步骤S11的一示例性的流程图。如图7所示，步骤S11可以包括步骤S111和步骤S112。

在步骤S111中，通过卷积神经网络识别原始人脸图像中的人脸特征点。

其中，原始人脸图像中的人脸特征点可以包括脸颊特征点、眼睛特征点、眉毛特征点、鼻子特征点和嘴巴特征点等中的一项或多项。

在步骤S112中，通过肤色模型识别原始人脸图像中的脸部轮廓曲线。

其中，原始人脸图像中的脸部轮廓曲线可以包括脸颊轮廓曲线和额头轮廓曲线。

在一种可能的实现方式中，在通过肤色模型识别原始人脸图像中的脸部轮廓曲线之前，该方法还包括：通过log曲线提高原始人脸图像的亮度。

其中，log曲线的公式如下：

r′＝log[r×(θ-1)+1]/logθ；

g′＝log[g×(θ-1)+1]/logθ；

b′＝log[b×(θ-1)+1]/logθ；

其中，r表示原始人脸图像中R通道的值，g表示原始人脸图像中G通道的值，b表示原始人脸图像中B通道的值，r′表示提高亮度后的R通道的值，g′表示提高亮度后的G通道的值，b′表示提高亮度后的B通道的值，θ表示提亮参数，θ用于控制提高亮度的程度。

该实现方式通过log曲线提高原始人脸图像的亮度，有助于提高后续通过肤色模型识别原始人脸图像中的脸部轮廓曲线的准确性。

在一种可能的实现方式中，根据人脸特征信息，得到原始人脸图像对应的二值图，包括：根据人脸特征点和脸部轮廓曲线，对原始人脸图像中的五官以及脸部轮廓进行标记，得到原始人脸图像对应的二值图。其中，原始人脸图像中的五官可以包括眼睛、眉毛、鼻子和嘴巴中的一项或多项。

本实施例根据人脸特征信息识别人脸中的不同区域得到二值图，对二值图进行滤波得到模糊化的第一滤波输出图，并根据该模糊化的第一滤波输出图对原始人脸图像进行滤波，从而根据人脸特征信息有效地实现了对人脸进行自适应性参数的保边滤波，结合滤波方法与人脸特征信息的检测，有效提高了美颜效果，且无需采用高反差保留方法，避免引入杂质

图8是根据一示例性实施例示出的一种基于图像处理的美颜装置的框图。参照图8，该装置包括识别模块81、确定模块82、转换模块83、第一滤波模块84、第二滤波模块85和融合模块86。

该识别模块81被配置为识别原始人脸图像中的人脸特征信息。

该确定模块82被配置为根据人脸特征信息，得到原始人脸图像对应的二值图。

该转换模块83被配置为将原始人脸图像转换至LAB空间，得到原始人脸图像对应的L通道图像。

该第一滤波模块84被配置为根据L通道图像，对二值图进行滤波，得到第一滤波输出图。

该第二滤波模块85被配置为根据第一滤波输出图，对原始人脸图像进行滤波，得到第二滤波输出图。

该融合模块86被配置为将第二滤波输出图与原始人脸图像进行融合，得到原始人脸图像对应的美颜结果图。

图9是根据一示例性实施例示出的一种基于图像处理的美颜装置的一示例性的框图。参照图9：

在一种可能的实现方式中，识别模块81包括第一识别子模块811和第二识别子模块812。

该第一识别子模块811被配置为通过卷积神经网络识别原始人脸图像中的人脸特征点。

该第二识别子模块812被配置为通过肤色模型识别原始人脸图像中的脸部轮廓曲线。

在一种可能的实现方式中，该装置还包括亮度提高模块87。

该亮度提高模块87被配置为通过log曲线提高原始人脸图像的亮度。

在一种可能的实现方式中，该确定模块82被配置为根据人脸特征点和脸部轮廓曲线，对原始人脸图像中的五官以及脸部轮廓进行标记，得到原始人脸图像对应的二值图。

在一种可能的实现方式中，该第一滤波模块84被配置为将L通道图像作为加权最小二乘法滤波的引导图，对二值图进行加权最小二乘法滤波，得到第一滤波输出图。

在一种可能的实现方式中，该第二滤波模块85被配置为根据第一滤波输出图确定加权最小二乘法滤波的平滑控制参数，对原始人脸图像进行加权最小二乘法滤波，得到第二滤波输出图。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本实施例通过识别原始人脸图像中的人脸特征信息，根据人脸特征信息，得到原始人脸图像对应的二值图，将原始人脸图像转换至LAB空间，得到原始人脸图像对应的L通道图像，根据L通道图像，对二值图进行滤波，得到第一滤波输出图，根据第一滤波输出图，对原始人脸图像进行滤波，得到第二滤波输出图，并将第二滤波输出图与原始人脸图像进行融合，得到原始人脸图像对应的美颜结果图，由此根据人脸特征信息识别人脸中的不同区域得到二值图，对二值图进行滤波得到模糊化的第一滤波输出图，并根据该模糊化的第一滤波输出图对原始人脸图像进行滤波，从而根据人脸特征信息有效地实现了对人脸进行自适应性参数的保边滤波，结合滤波方法与人脸特征信息的检测，有效提高了美颜效果，且无需采用高反差保留方法，避免引入杂质。

图10是根据一示例性实施例示出的一种用于图像处理的美颜的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图10，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

1.一种基于图像处理的美颜方法，其特征在于，包括：

识别原始人脸图像中的人脸特征信息；

根据所述人脸特征信息，得到所述原始人脸图像对应的二值图；

将所述原始人脸图像转换至LAB空间，得到所述原始人脸图像对应的L通道图像；

根据所述L通道图像，对所述二值图进行滤波，得到第一滤波输出图；

根据所述第一滤波输出图，对所述原始人脸图像进行滤波，得到第二滤波输出图；

将所述第二滤波输出图与所述原始人脸图像进行融合，得到所述原始人脸图像对应的美颜结果图。

2.根据权利要求1所述的方法，其特征在于，根据所述L通道图像，对所述二值图进行滤波，得到第一滤波输出图，包括：

将所述L通道图像作为加权最小二乘法滤波的引导图，对所述二值图进行加权最小二乘法滤波，得到所述第一滤波输出图。

3.根据权利要求1所述的方法，其特征在于，根据所述第一滤波输出图，对所述原始人脸图像进行滤波，得到第二滤波输出图，包括：

根据所述第一滤波输出图确定加权最小二乘法滤波的平滑控制参数，对所述原始人脸图像进行加权最小二乘法滤波，得到所述第二滤波输出图。

4.根据权利要求1所述的方法，其特征在于，识别原始人脸图像中的人脸特征信息，包括：

通过卷积神经网络识别所述原始人脸图像中的人脸特征点；

通过肤色模型识别所述原始人脸图像中的脸部轮廓曲线。

5.根据权利要求4所述的方法，其特征在于，在通过肤色模型识别所述原始人脸图像中的脸部轮廓曲线之前，所述方法还包括：

通过log曲线提高所述原始人脸图像的亮度。

6.根据权利要求4所述的方法，其特征在于，根据所述人脸特征信息，得到所述原始人脸图像对应的二值图，包括：

根据所述人脸特征点和所述脸部轮廓曲线，对所述原始人脸图像中的五官以及脸部轮廓进行标记，得到所述原始人脸图像对应的二值图。

7.一种基于图像处理的美颜装置，其特征在于，包括：

识别模块，用于识别原始人脸图像中的人脸特征信息；

确定模块，用于根据所述人脸特征信息，得到所述原始人脸图像对应的二值图；

转换模块，用于将所述原始人脸图像转换至LAB空间，得到所述原始人脸图像对应的L通道图像；

第一滤波模块，用于根据所述L通道图像，对所述二值图进行滤波，得到第一滤波输出图；

第二滤波模块，用于根据所述第一滤波输出图，对所述原始人脸图像进行滤波，得到第二滤波输出图；

融合模块，用于将所述第二滤波输出图与所述原始人脸图像进行融合，得到所述原始人脸图像对应的美颜结果图。

8.根据权利要求7所述的装置，其特征在于，所述第一滤波模块用于：

将所述L通道图像作为加权最小二乘法滤波的引导图，对所述二值图进行加权最小二乘法滤波，得到所述第一滤波输出图。

9.根据权利要求7所述的装置，其特征在于，所述第二滤波模块用于：

根据所述第一滤波输出图确定加权最小二乘法滤波的平滑控制参数，对所述原始人脸图像进行加权最小二乘法滤波，得到所述第二滤波输出图。

10.根据权利要求7所述的装置，其特征在于，所述识别模块包括：

第一识别子模块，用于通过卷积神经网络识别所述原始人脸图像中的人脸特征点；

第二识别子模块，用于通过肤色模型识别所述原始人脸图像中的脸部轮廓曲线。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

亮度提高模块，用于通过log曲线提高所述原始人脸图像的亮度。

12.根据权利要求10所述的装置，其特征在于，所述确定模块用于：

根据所述人脸特征点和所述脸部轮廓曲线，对所述原始人脸图像中的五官以及脸部轮廓进行标记，得到所述原始人脸图像对应的二值图。

13.一种基于图像处理的美颜装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1至6中任意一项所述的方法。

14.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行权利要求1至6中任意一项所述的方法。