CN108470328A - 用于处理图像的方法和装置 - Google Patents
用于处理图像的方法和装置 Download PDFInfo
- Publication number
- CN108470328A CN108470328A CN201810265515.2A CN201810265515A CN108470328A CN 108470328 A CN108470328 A CN 108470328A CN 201810265515 A CN201810265515 A CN 201810265515A CN 108470328 A CN108470328 A CN 108470328A
- Authority
- CN
- China
- Prior art keywords
- human face
- dimension human
- angle
- posture
- face image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012937 correction Methods 0.000 claims abstract description 233
- 230000001815 facial effect Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 125
- 238000012545 processing Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 230000036544 posture Effects 0.000 abstract description 127
- 230000006870 function Effects 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 6
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000729 antidote Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 229940075522 antidotes Drugs 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了用于处理图像的方法和装置。该方法的一具体实施方式包括:获取目标人脸的二维人脸图像;将二维人脸图像输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息,其中,矫正模型用于表征二维人脸图像和姿态矫正信息的对应关系,姿态矫正信息用于表示目标人脸相对于二维人脸图像的拍摄设备偏转的角度;基于姿态矫正信息,对二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。该实施方式有助于得到目标人脸图像包含的目标人脸的其它姿态的图像。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于处理图像的方法和装置。
背景技术
目前的人脸姿态确定方法,分为基于二维人脸图像的姿态确定方法和基于三维人脸的姿态确定方法两大类。其中,二维人脸图像是平面图像,但实际上人脸本身是三维的,二维人脸平面图像只是三维人脸在一个平面上的投影。
发明内容
本申请实施例提出了用于处理图像的方法和装置。
第一方面,本申请实施例提供了一种用于处理图像的方法,该方法包括:获取目标人脸的二维人脸图像;将二维人脸图像输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息,其中,矫正模型用于表征二维人脸图像和姿态矫正信息的对应关系,姿态矫正信息用于表示目标人脸相对于二维人脸图像的拍摄设备偏转的角度;基于姿态矫正信息,对二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
在一些实施例中,矫正模型通过如下步骤训练得到:获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的姿态矫正信息作为输出,训练得到矫正模型。
在一些实施例中,矫正模型包括第一方向矫正模型、第二方向矫正模型和第三方向矫正模型,其中,第一方向矫正模型用于表征二维人脸图像与第一角度值的对应关系,第二方向矫正模型用于表征二维人脸图像与第二角度值的对应关系,第三方向矫正模型用于表征二维人脸图像与第三角度值的对应关系,第一角度值是目标人脸相对于三轴坐标系的第一轴偏转的角度的值,第二角度值是目标人脸相对于三轴坐标系的第二轴偏转的角度的值,第三角度值是目标人脸相对于三轴坐标系的第三轴偏转的角度的值,其中,姿态矫正信息包括三个角度值:第一角度值、第二角度值和第三角度值。
在一些实施例中,矫正模型通过如下步骤训练得到:获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第一角度值作为输出,训练得到第一方向矫正模型;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第二角度值作为输出,训练得到第二方向矫正模型;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第三角度值作为输出,训练得到第三方向矫正模型;生成包括第一方向矫正模型、第二方向矫正模型和第三方向矫正模型的矫正模型。
在一些实施例中,训练样本通过以下步骤生成:以拍摄设备相对于人脸的目标位置为起点,通过将拍摄设备相对于人脸偏转预设的角度,得到预设的角度下的人脸图像;将预设的角度下的人脸图像作为二维人脸图像,将预设的角度作为姿态矫正信息,生成训练样本。
第二方面,本申请实施例提供了一种用于处理图像的装置,该装置包括:获取单元,配置用于获取目标人脸的二维人脸图像;姿态矫正信息生成单元,配置用于将二维人脸图像输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息,其中,矫正模型用于表征二维人脸图像和姿态矫正信息的对应关系,姿态矫正信息用于表示目标人脸相对于二维人脸图像的拍摄设备偏转的角度;图像处理单元,配置用于基于姿态矫正信息,对二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
在一些实施例中,矫正模型通过如下步骤训练得到:获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的姿态矫正信息作为输出,训练得到矫正模型。
在一些实施例中,矫正模型包括第一方向矫正模型、第二方向矫正模型和第三方向矫正模型,其中,第一方向矫正模型用于表征二维人脸图像与第一角度值的对应关系,第二方向矫正模型用于表征二维人脸图像与第二角度值的对应关系,第三方向矫正模型用于表征二维人脸图像与第三角度值的对应关系,第一角度值是目标人脸相对于三轴坐标系的第一轴偏转的角度的值,第二角度值是目标人脸相对于三轴坐标系的第二轴偏转的角度的值,第三角度值是目标人脸相对于三轴坐标系的第三轴偏转的角度的值,其中,姿态矫正信息包括三个角度值:第一角度值、第二角度值和第三角度值。
在一些实施例中,矫正模型通过如下步骤训练得到:获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第一角度值作为输出,训练得到第一方向矫正模型;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第二角度值作为输出,训练得到第二方向矫正模型;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第三角度值作为输出,训练得到第三方向矫正模型;生成包括第一方向矫正模型、第二方向矫正模型和第三方向矫正模型的矫正模型。
在一些实施例中,训练样本通过以下步骤生成:以拍摄设备相对于人脸的目标位置为起点,通过将拍摄设备相对于人脸偏转预设的角度,得到预设的角度下的人脸图像;将预设的角度下的人脸图像作为二维人脸图像,将预设的角度作为姿态矫正信息,生成训练样本。
第三方面,本申请实施例提供了一种设备,该设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于处理图像的方法和装置,通过将目标人脸的二维人脸图像输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息,然后根据得到的姿态矫正信息对二维图像进行处理,从而得到姿态矫正后的二维人脸图像,实现了基于二维人脸图像得到二维人脸图像包含的目标人脸的姿态矫正信息,并且有助于得到目标人脸图像包含的目标人脸的其它姿态的图像。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是本申请的用于处理图像的方法的一个实施例的流程图;
图3是根据本申请的用于处理图像的方法的姿态矫正信息的示例性示意图;
图4是根据本申请的用于处理图像的方法的一个应用场景的示意图;
图5是本申请的用于处理图像的方法的又一个实施例的流程图;
图6是根据本申请的用于处理图像的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理图像的方法或用于处理图像的装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有摄像头,或者安装有各种客户端应用,例如图像处理类应用、摄影摄像类应用应用、搜索类应用、浏览器类应用、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持图像处理的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103上传的二维人脸图像进行图像处理的图像处理服务器。图像处理服务器可以对接收到的二维人脸图像进行分析等处理,并将处理结果(如优化图像)反馈给终端设备。
需要说明的是,上述二维人脸图像也可以直接存储在服务器105的本地,服务器105可以直接提取本地所存储的人脸图像并进行处理,此时,可以不存在终端设备101、102、103和网络104。
需要说明的是,本申请实施例所提供的用于处理图像的方法一般由服务器105执行,相应地,用于处理图像的装置一般设置于服务器105中。
还需要指出的是,终端设备101、102、103中也可以安装有图像处理类应用,终端设备101、102、103也可以基于图像处理类应用对人脸图像进行处理,此时,用于处理图像的方法也可以由终端设备101、102、103执行,相应地,用于处理图像的装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100可以不存在服务器105和网络104。
需要指出的是,服务器105可以是单一服务器,也可以由多个服务器或多个服务器集群构成。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于处理图像的方法的一个实施例的流程200。该用于处理图像的方法包括以下步骤:
步骤201,获取目标人脸的二维人脸图像。
在本实施例中,用于处理图像的方法的执行主体(如图1所示的服务器105)可以首先通过有线连接方式或无线连接方式从终端设备中获取目标人脸的二维人脸图像。其中,该终端设备可以为照相机、具有拍摄功能的手机、电脑等。用户可以利用终端设备对目标人脸进行图像拍摄,并将拍摄的图像保存至终端设备中。上述终端设备上可以包括各种应用,例如图像处理类应用、摄影摄像类应用应用、搜索类应用、浏览器类应用、社交平台软件等。用户可以通过上述各种应用下载图像,并将下载的图像保存至终端设备。需要说明的是,上述目标人脸图像可以直接存储在上述执行主体的本地,此时,上述执行主体可以直接从本地获取目标人脸图像,当上述执行主体通过本地获取图像时,网络可被省略。需要说明的是,二维人脸图像可以是各种类型的图像,例如二值图像、彩色图像、伪彩色图像、红外图像等。
实践中,通过对目标人脸拍摄或者从第三方下载图像之后,还可以先对图像进行一些处理,使得其中的人脸更加清晰,可识别性更高。可选的,可以对图像进行降噪处理。具体地,可以利用各种现有的如NL-Means(Non-Local means,非局部平均)或BM3D(Block-matching and 3D filtering,3维块匹配滤波)等降噪算法对图像进行噪声去除。可选的,可以对图像进行图像增强处理。具体地,可以利用现有的各种如中值滤波、二维维纳滤波或高斯低通滤波等图像增强算法对图像进行增强。可选的,还可以对图像进行光照预处理。具体地,可以利用各种现有的如直方图均衡化、灰度校正、相对梯度、对数边缘图等光照预处理算法对图像进行处理。然后,可以将经过处理后的图像作为目标人脸的二维人脸图像。
步骤202,将二维人脸图像输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息。
在本实施例中,上述执行主体(如图1所示的服务器105)可以将上述步骤201获取的目标人脸的二维人脸图像输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息。其中,矫正模型用于表征二维人脸图像和姿态矫正信息的对应关系,姿态矫正信息用于表示目标人脸相对于拍摄设备的偏转的角度。一般地,作为示例,目标人脸相对于拍摄设备可以包括三种角度:俯仰角(pitch)、偏航角(yaw)、翻滚角(roll)。上述三种角度分别代表上下翻转、左右翻转、平面内偏转的角度。具体地,如图3所示,可以选择拍摄设备302的显示屏的几何中心点作为原点,建立三轴坐标系。其中,Y轴可以是通过原点且与地面垂直的数轴,X轴可以是通过原点且与地面平行的数轴。目标人脸301可以平行于X-Y平面。在图3中,Z轴的负方向可以为目标人脸的正脸所对的方向。那么,上述俯仰角可以为目标人脸301相对于拍摄设备302绕X轴旋转的角度。上述偏航角可以为目标人脸301相对于拍摄设备302绕Y轴旋转的角度。上述翻滚角可以为目标人脸相对于拍摄设备302301绕Z轴旋转的角度。需要说明的是,姿态矫正信息还可以为其中的任意一种角度的角度值,或者还可以为其中任意两种角度的角度值。姿态矫正信息也可以是由技术人员指定一个或多个方向上目标人脸相对于拍摄设备的偏转的角度。
在本实施例的一些可选的实现方式中,可以首先获取多个训练样本。其中,每个训练样本包括一个预设姿态的二维人脸图像和该二维人脸图像对应的姿态矫正信息。上述矫正模型可以是预先利用机器学习方法,基于多个训练样本对初始化矫正模型进行训练后所得到的模型。其中,初始化矫正模型可以是未经训练的深度学习模型(Deep NeuralNetwork,DNN)或未训练完成的深度学习模型。初始化矫正模型的各层可以设置有初始参数,参数在训练过程中可以被不断地调整。初始化矫正模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型,例如,初始化矫正模型可以是未经训练的卷积神经网络,也可以是未经训练的循环神经网络,还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。
在本实施例的一些可选的实现方式中,上述矫正模型可以通过如下步骤训练得到:
第一步,获取多个训练样本。其中,每个训练样本包括预设姿态的二维人脸图像和与该二维人脸图像对应的姿态矫正信息。其中,姿态矫正信息包括俯仰角、偏航角和翻滚角三个角度值。可选的,每个训练样本可以通过如下方法生成:以拍摄设备相对于人脸的目标位置为起点,通过将拍摄设备相对于人脸偏转预设的角度,得到在该预设的角度下的人脸图像。然后可以将得到的人脸图像作为二维人脸图像,将上述预设的角度的角度值作为姿态矫正信息,生成一个训练样本。需要说明的是,在生成训练样本的过程中,对于每个训练样本,可以设置不同的角度,从而得到不同的姿态矫正信息。例如,可以设置拍摄设备正对于人脸的位置为起点。其中,可以认为当人脸的鼻尖和拍摄设备的显示屏的几何中心点的连线垂直与人脸所在平面,并且垂直与拍摄设备的显示屏时,拍摄设备正对于人脸。然后,可以控制拍摄设备相对于人脸偏转(10°、-25°、-30°),即俯仰角为10°,偏航角为-25°,翻滚角为-30°。接着,将拍摄设备在偏转上述角度之后所在的位置处拍摄人脸得到的图像作为二维人脸图像,将上述角度作为该图像的姿态矫正信息,生成一个训练样本。可选地,每个训练样本可以通过如下方法生成:利用现有技术中人脸姿态估计算法(如基于特征点的人脸姿态估计或基于多视图的人脸姿态估计算法等)来获取一个二维人脸图像的俯仰角、偏航角和翻滚角的角度值。然后将该二维人脸图像,以及计算出的俯仰角、偏航角和翻滚角的角度值生成一个训练样本。需要说明的是,在实际中,可以由技术人员指定三轴坐标系中各个轴的正向,或者也可以按照右手法则确定各个轴的正向。
第二步,获取初始化矫正模型,然后将上述获取的训练样本中的二维人脸图像作为输入,基于模型的输出和预设的损失函数来对初始化矫正模型进行训练,得到上述矫正模型。其中,上述损失函数的值可以用来表征模型输出的姿态矫正信息与输入的二维人脸图像对应的姿态矫正信息的差异程度。损失函数越小,表示差异越小。在训练过程中,可以使用模型输出的姿态矫正信息包括的三个角度值和输入的二维人脸图像对应的姿态矫正信息包括的三个角度值的差的平方和作为损失函数。然后,可以在确定前后两次或多次的损失函数的值均小于一定阈值时,训练完成。将训练完成后的初始化模型作为上述矫正模型。
步骤203,基于姿态矫正信息,对二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
在本实施例中,可以基于上述步骤202中得到的姿态矫正信息,利用现有的一些姿态矫正方法(如基于正弦变换、仿射变换的人脸姿态矫正方法等)对二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
继续参见图4,图4是根据本实施例的用于处理图像的方法的应用场景的一个示意图。在图4的应用场景中,首先,获取包含目标人脸的二维人脸图像401。然后将二维人脸图像401输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息,即二维人脸图像401相对于拍摄设备403的偏转的角度(0°、90°、0°)。也就是相当于二维人脸图像401包含的目标人脸绕Y轴旋转了90°,而在X和Z方向上没有偏转。然后,可以基于仿射变换的人脸姿态矫正方法对二维人脸图像401进行处理,得到姿态矫正后的二维人脸图像402。
本申请的上述实施例提供的用于处理图像的方法通过获取目标人脸的二维人脸图像,然后将二维人脸图像输入至预先训练的矫正模型,得到二维图像相对于拍摄设备的偏转的角度,从而有助于得到二维人脸图像包含的目标人脸的其它姿态的图像。
进一步参考图5,其示出了用于处理图像的方法的又一个实施例的流程500。该用于处理图像的方法的流程500,包括以下步骤:
步骤501,获取目标人脸的二维人脸图像。
在本实施例中,用于处理图像的方法的执行主体(如图1所示的服务器105)可以首先通过有线连接方式或无线连接方式从终端设备中获取目标人脸的二维人脸图像。具体的执行过程可参考图2对应实施例中的步骤201的相关说明,在此不再赘述。
步骤502,将二维人脸图像输入至预先训练的包含第一方向矫正模型、第二方向矫正模型和第三方向矫正模型的矫正模型,得到二维人脸图像对应的包含第一角度值、第二角度值和第三角度值的姿态矫正信息。
在本实施例中,上述执行主体(如图1所示的服务器105)可以将上述步骤501获取的目标人脸的二维人脸图像输入至预先训练的包含第一方向矫正模型、第二方向矫正模型和第三方向矫正模型的矫正模型,得到二维人脸图像对应的姿态矫正信息。其中,第一方向矫正模型用于表征二维人脸图像与第一角度值的对应关系,第二方向矫正模型用于表征二维人脸图像与第二角度值的对应关系,第三方向矫正模型用于表征二维人脸图像与第三角度值的对应关系。第一角度值(如图3中的俯仰角)是目标人脸相对于三轴坐标系的第一轴(如图3中的X轴)偏转的角度的值,第二角度值(如图3中的偏航角)是目标人脸相对于三轴坐标系的第二轴(如图3中的Y轴)偏转的角度的值,第三角度值(如图3中的翻滚角)是目标人脸相对于三轴坐标系的第三轴(如图3中的Z轴)偏转的角度的值。其中,姿态矫正信息包括三个角度值:第一角度值、第二角度值和第三角度值。
在本实施例的一些可选的实现方式中,可以首先获取多个训练样本。其中,每个训练样本包括一个预设姿态的二维人脸图像和该二维人脸图像对应的包含三个角度值的姿态矫正信息。上述第一方向矫正模型、第二方向矫正模型和第三方向矫正模型可以是预先利用机器学习方法,基于多个训练样本分别对初始化的第一方向矫正模型、初始化的第二方向矫正模型和初始化的第三方向矫正模型进行训练后所得到的模型。其中,初始化的第一方向矫正模型、初始化的第二方向矫正模型和初始化的第三方向矫正模型可以是未经训练的深度学习模型(Deep Neural Network,DNN)或未训练完成的深度学习模型。初始化的第一方向矫正模型、初始化的第二方向矫正模型和初始化的第三方向矫正模型的各层可以设置有初始参数,参数在训练过程中可以被不断地调整。初始化的第一方向矫正模型、初始化的第二方向矫正模型和初始化的第三方向矫正模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型,例如,初始化的第一方向矫正模型、初始化的第二方向矫正模型和初始化的第三方向矫正模型可以是未经训练的卷积神经网络,也可以是未经训练的循环神经网络,还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。需要说明的是上述初始化的第一方向矫正模型、初始化的第二方向矫正模型以及初始化的第三方向矫正模型可以相同,也可以不同。上述矫正模型可以通过如下步骤训练得到:
第一步,获取多个训练样本。其中,每个训练样本包括预设姿态的二维人脸图像和与该二维人脸图像对应的姿态矫正信息。其中,姿态矫正信息包括俯仰角、偏航角和翻滚角三个角度值。具体的训练样本的获取方法可以可参考图2对应实施例中的步骤202的相关说明,在此不再赘述,在此不再赘述。
第二步,获取初始化的第一方向矫正模型,然后将上述获取的训练样本中的二维人脸图像作为输入,基于模型的输出和预设的损失函数来对初始化的第一方向矫正模型进行训练。其中,上述损失函数的值可以用来表征模型输出的俯仰角的角度值,与输入的二维人脸图像对应的俯仰角的角度值的差异程度。损失函数越小,表示差异越小。在训练过程中,可以使用模型输出的俯仰角的角度值和输入的二维人脸图像对应的俯仰角的角度值的差的平方和作为损失函数。然后,可以在确定前后两次或多次的损失函数的值均小于一定阈值时,训练完成。将训练完成后的初始化的第一方向矫正模型作为第一方向矫正模型。
第三步,获取初始化的第二方向矫正模型,然后将上述获取的训练样本中的二维人脸图像作为输入,基于模型的输出和预设的损失函数来对初始化的第二方向矫正模型进行训练。其中,上述损失函数的值可以用来表征模型输出的偏航角的角度值,与输入的二维人脸图像对应的偏航角的角度值的差异程度。损失函数越小,表示差异越小。在训练过程中,可以使用模型输出的偏航角的角度值和输入的二维人脸图像对应的偏航角的角度值的差的平方和作为损失函数。然后,可以在确定前后两次或多次的损失函数的值均小于一定阈值时,训练完成。将训练完成后的初始化的第二方向矫正模型作为第二方向矫正模型。
第四步,获取初始化的第三方向矫正模型,然后将上述获取的训练样本中的二维人脸图像作为输入,基于模型的输出和预设的损失函数来对初始化的第三方向矫正模型进行训练。其中,上述损失函数的值可以用来表征模型输出的翻滚角的角度值,与输入的二维人脸图像对应的翻滚角的角度值的差异程度。损失函数越小,表示差异越小。在训练过程中,可以使用模型输出的翻滚角的角度值和输入的二维人脸图像对应的翻滚角的角度值的差的平方和作为损失函数。然后,可以在确定前后两次或多次的损失函数的值均小于一定阈值时,训练完成。将训练完成后的初始化的第三方向矫正模型作为第三方向矫正模型。
第五步,将上述步骤中训练得到第一方向矫正模型、第二方向矫正模型和第三方向矫正模型生成上述矫正模型。实践中,可以将目标人脸的二维人脸图像分别输入第一方向矫正模型,第二方向矫正模型和第三方向矫正模型,得到对应的目标人脸相对于三轴坐标系的各轴偏转的角度值。
需要说明的是,上述训练得到的第一方向矫正模型、第二方向矫正模型和第三方向矫正,每一个也可以单独作为矫正模型。此时,矫正模型具体用于表征二维人脸图像与俯仰角或偏航角或翻滚角的对应关系。同样地,也可以将上述训练得到的第一方向矫正模型、第二方向矫正模型和第三方向矫正模型中的任意两个的组合作为矫正模型。那么,此时,矫正模型具体用于表征二维人脸图像与俯仰角和偏航角、或俯仰角和翻滚角、或偏航角和翻滚角的对应关系。
步骤503,基于第一角度值、第二角度值和第三角度值,对二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
在实践中,可以基于上述步骤502中得到的包含第一角度值、第二角度值和第三角度值姿态矫正信息,利用现有的一些矫正方法(如基于正弦变换、仿射变换的人脸姿态矫正方法等)对二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了用于处理图像的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于处理图像的装置600包括获取单元601、姿态矫正信息生成单元602和图像处理单元603。其中,获取单元601,配置用于获取目标人脸的二维人脸图像;姿态矫正信息生成单元602,配置用于将二维人脸图像输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息,其中,矫正模型用于表征二维人脸图像和姿态矫正信息的对应关系,姿态矫正信息用于表示目标人脸相对于拍摄设备的偏转的角度;图像处理单元603,配置用于基于姿态矫正信息,对二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
在本实施例中,用于处理图像的装置600中:获取单元601、姿态矫正信息生成单元602和图像处理单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202以及步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述矫正模型通过如下步骤训练得到:获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的姿态矫正信息作为输出,训练得到矫正模型。
在本实施例的一些可选的实现方式中,矫正模型包括第一方向矫正模型、第二方向矫正模型和第三方向矫正模型,其中,第一方向矫正模型用于表征二维人脸图像与第一角度值的对应关系,第二方向矫正模型用于表征二维人脸图像与第二角度值的对应关系,第三方向矫正模型用于表征二维人脸图像与第三角度值的对应关系,第一角度值是目标人脸相对于三轴坐标系的第一轴偏转的角度的值,第二角度值是目标人脸相对于三轴坐标系的第二轴偏转的角度的值,第三角度值是目标人脸相对于三轴坐标系的第三轴偏转的角度的值,其中,姿态矫正信息包括三个角度值:第一角度值、第二角度值和第三角度值。
在本实施例的一些可选的实现方式中,矫正模型通过如下步骤训练得到:获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第一角度值作为输出,训练得到第一方向矫正模型;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第二角度值作为输出,训练得到第二方向矫正模型;利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第三角度值作为输出,训练得到第三方向矫正模型;将第一方向矫正模型、第二方向矫正模型和第三方向矫正模型生成矫正模型。
在本实施例的一些可选的实现方式中,训练样本通过以下步骤生成:以拍摄设备相对于人脸的目标位置为起点,通过将拍摄设备相对于人脸偏转预设的角度,得到预设的角度下的人脸图像;将预设的角度下的人脸图像作为二维人脸图像,将预设的角度作为姿态矫正信息,生成训练样本。
本申请的上述实施例提供的装置,通过获取单元601获取目标人脸的二维人脸图像。然后,姿态矫正信息生成单元602将二维人脸图像输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息,其中,姿态矫正信息用于表示目标人脸相对于拍摄设备的偏转的角度。然后,图像处理单元603基于得到姿态矫正信息,对二维人脸图像进行处理,从而实现了基于二维人脸图像得到二维人脸图像包含的目标人脸的姿态矫正信息,并且有助于得到目标人脸图像包含的目标人脸的其它姿态的图像。
下面参考图7,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统700的结构示意图。图7示出的设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元、姿态矫正信息生成单元和图像处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“用于获取目标人脸的二维人脸图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取目标人脸的二维人脸图像;将二维人脸图像输入至预先训练的矫正模型,得到二维人脸图像对应的姿态矫正信息,其中,矫正模型用于表征二维人脸图像和姿态矫正信息的对应关系,姿态矫正信息用于表示目标人脸相对于二维人脸图像的拍摄设备偏转的角度;基于姿态矫正信息,对二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于处理图像的方法,包括:
获取目标人脸的二维人脸图像;
将所述二维人脸图像输入至预先训练的矫正模型,得到所述二维人脸图像对应的姿态矫正信息,其中,所述矫正模型用于表征二维人脸图像和姿态矫正信息的对应关系,姿态矫正信息用于表示所述目标人脸相对于所述二维人脸图像的拍摄设备偏转的角度;
基于所述姿态矫正信息,对所述二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
2.根据权利要求1所述的方法,其中,所述矫正模型通过如下步骤训练得到:
获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;
利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的姿态矫正信息作为输出,训练得到所述矫正模型。
3.根据权利要求1所述的方法,其中,所述矫正模型包括第一方向矫正模型、第二方向矫正模型和第三方向矫正模型,其中,所述第一方向矫正模型用于表征所述二维人脸图像与第一角度值的对应关系,所述第二方向矫正模型用于表征所述二维人脸图像与第二角度值的对应关系,所述第三方向矫正模型用于表征所述二维人脸图像与第三角度值的对应关系,所述第一角度值是所述目标人脸相对于三轴坐标系的第一轴偏转的角度的值,所述第二角度值是所述目标人脸相对于三轴坐标系的第二轴偏转的角度的值,所述第三角度值是所述目标人脸相对于三轴坐标系的第三轴偏转的角度的值,其中,所述姿态矫正信息包括三个角度值:所述第一角度值、所述第二角度值和所述第三角度值。
4.根据权利要求3所述的方法,其中,所述矫正模型通过如下步骤训练得到:
获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;
利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第一角度值作为输出,训练得到所述第一方向矫正模型;
利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第二角度值作为输出,训练得到所述第二方向矫正模型;
利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第三角度值作为输出,训练得到所述第三方向矫正模型;
生成包括所述第一方向矫正模型、所述第二方向矫正模型和所述第三方向矫正模型的矫正模型。
5.根据权利要求2所述的方法,其中,所述训练样本通过以下步骤生成:
以拍摄设备相对于人脸的目标位置为起点,通过将所述拍摄设备相对于人脸偏转预设的角度,得到所述预设的角度下的人脸图像;
将所述预设的角度下的人脸图像作为二维人脸图像,将所述预设的角度作为姿态矫正信息,生成训练样本。
6.一种用于处理图像的装置,其中,所述装置包括:
获取单元,配置用于获取目标人脸的二维人脸图像;
姿态矫正信息生成单元,配置用于将所述二维人脸图像输入至预先训练的矫正模型,得到所述二维人脸图像对应的姿态矫正信息,其中,所述矫正模型用于表征二维人脸图像和姿态矫正信息的对应关系,姿态矫正信息用于表示所述目标人脸相对于所述二维人脸图像的拍摄设备偏转的角度;
图像处理单元,配置用于基于所述姿态矫正信息,对所述二维人脸图像进行处理,得到姿态矫正后的二维人脸图像。
7.根据权利要求6所述的装置,其中,所述矫正模型通过如下步骤训练得到:
获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;
利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的姿态矫正信息作为输出,训练得到所述矫正模型。
8.根据权利要求7所述的装置,其中,所述矫正模型包括第一方向矫正模型、第二方向矫正模型和第三方向矫正模型,其中,所述第一方向矫正模型用于表征所述二维人脸图像与第一角度值的对应关系,所述第二方向矫正模型用于表征所述二维人脸图像与第二角度值的对应关系,所述第三方向矫正模型用于表征所述二维人脸图像与第三角度值的对应关系,所述第一角度值是所述目标人脸相对于三轴坐标系的第一轴偏转的角度的值,所述第二角度值是所述目标人脸相对于三轴坐标系的第二轴偏转的角度的值,所述第三角度值是所述目标人脸相对于三轴坐标系的第三轴偏转的角度的值,其中,所述姿态矫正信息包括三个角度值:所述第一角度值、所述第二角度值和所述第三角度值。
9.根据权利要求8所述的装置,其中,所述矫正模型通过如下步骤训练得到:
获取多个训练样本,训练样本包括预设姿态的二维人脸图像和与预设姿态的二维人脸图像对应的姿态矫正信息;
利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第一角度值作为输出,训练得到所述第一方向矫正模型;
利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第二角度值作为输出,训练得到所述第二方向矫正模型;
利用机器学习的方法,将每个训练样本中的预设姿态的二维人脸图像作为输入,将与输入的预设姿态的二维人脸图像对应的第三角度值作为输出,训练得到所述第三方向矫正模型;
生成包括所述第一方向矫正模型、所述第二方向矫正模型和所述第三方向矫正模型的矫正模型。
10.根据权利要求7所述的装置,其中,所述训练样本通过以下步骤生成:
以拍摄设备相对于人脸的目标位置为起点,通过将所述拍摄设备相对于人脸偏转预设的角度,得到所述预设的角度下的人脸图像;
将所述预设的角度下的人脸图像作为二维人脸图像,将所述预设的角度作为姿态矫正信息,生成训练样本。
11.一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265515.2A CN108470328A (zh) | 2018-03-28 | 2018-03-28 | 用于处理图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265515.2A CN108470328A (zh) | 2018-03-28 | 2018-03-28 | 用于处理图像的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108470328A true CN108470328A (zh) | 2018-08-31 |
Family
ID=63264921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810265515.2A Pending CN108470328A (zh) | 2018-03-28 | 2018-03-28 | 用于处理图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470328A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993713A (zh) * | 2019-04-04 | 2019-07-09 | 百度在线网络技术(北京)有限公司 | 车载平视显示系统图像畸变矫正方法和装置 |
CN109993137A (zh) * | 2019-04-09 | 2019-07-09 | 安徽大学 | 一种基于卷积神经网络的快速人脸矫正方法 |
CN110543853A (zh) * | 2019-09-04 | 2019-12-06 | 上海观安信息技术股份有限公司 | 基于图像处理技术实现人脸识别处理的方法 |
CN111046707A (zh) * | 2018-10-15 | 2020-04-21 | 天津大学青岛海洋技术研究院 | 一种基于面部特征的任意姿态正脸还原网络 |
CN111127368A (zh) * | 2019-12-27 | 2020-05-08 | 维沃移动通信有限公司 | 一种图像矫正方法及电子设备 |
CN111158563A (zh) * | 2019-12-11 | 2020-05-15 | 青岛海信移动通信技术股份有限公司 | 电子终端及图片矫正方法 |
CN111243014A (zh) * | 2020-01-16 | 2020-06-05 | 北京新氧科技有限公司 | 人脸检测处理方法、装置及设备 |
CN111353336A (zh) * | 2018-12-21 | 2020-06-30 | 华为技术有限公司 | 图像处理方法、装置及设备 |
CN111415301A (zh) * | 2019-01-07 | 2020-07-14 | 珠海金山办公软件有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
WO2020199906A1 (zh) * | 2019-03-29 | 2020-10-08 | 广州市百果园信息技术有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
CN111985280A (zh) * | 2019-05-24 | 2020-11-24 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN111986097A (zh) * | 2019-05-24 | 2020-11-24 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN112070681A (zh) * | 2019-05-24 | 2020-12-11 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN112766023A (zh) * | 2019-11-04 | 2021-05-07 | 北京地平线机器人技术研发有限公司 | 目标对象的姿态确定方法、装置、介质及设备 |
CN114359522A (zh) * | 2021-12-23 | 2022-04-15 | 阿依瓦(北京)技术有限公司 | Ar模型放置方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005316888A (ja) * | 2004-04-30 | 2005-11-10 | Japan Science & Technology Agency | 顔認識システム |
CN103218609A (zh) * | 2013-04-25 | 2013-07-24 | 中国科学院自动化研究所 | 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置 |
CN105405104A (zh) * | 2015-09-24 | 2016-03-16 | 华为技术有限公司 | 一种人脸图像校正的方法及装置 |
CN105678241A (zh) * | 2015-12-30 | 2016-06-15 | 四川川大智胜软件股份有限公司 | 一种级联的二维图像人脸姿态估计方法 |
CN105844276A (zh) * | 2015-01-15 | 2016-08-10 | 北京三星通信技术研究有限公司 | 人脸姿态校正方法和装置 |
CN107169397A (zh) * | 2016-03-07 | 2017-09-15 | 佳能株式会社 | 特征点检测方法及装置、图像处理系统和监视系统 |
-
2018
- 2018-03-28 CN CN201810265515.2A patent/CN108470328A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005316888A (ja) * | 2004-04-30 | 2005-11-10 | Japan Science & Technology Agency | 顔認識システム |
CN103218609A (zh) * | 2013-04-25 | 2013-07-24 | 中国科学院自动化研究所 | 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置 |
CN105844276A (zh) * | 2015-01-15 | 2016-08-10 | 北京三星通信技术研究有限公司 | 人脸姿态校正方法和装置 |
CN105405104A (zh) * | 2015-09-24 | 2016-03-16 | 华为技术有限公司 | 一种人脸图像校正的方法及装置 |
CN105678241A (zh) * | 2015-12-30 | 2016-06-15 | 四川川大智胜软件股份有限公司 | 一种级联的二维图像人脸姿态估计方法 |
CN107169397A (zh) * | 2016-03-07 | 2017-09-15 | 佳能株式会社 | 特征点检测方法及装置、图像处理系统和监视系统 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046707A (zh) * | 2018-10-15 | 2020-04-21 | 天津大学青岛海洋技术研究院 | 一种基于面部特征的任意姿态正脸还原网络 |
CN111353336A (zh) * | 2018-12-21 | 2020-06-30 | 华为技术有限公司 | 图像处理方法、装置及设备 |
CN111353336B (zh) * | 2018-12-21 | 2024-04-12 | 华为技术有限公司 | 图像处理方法、装置及设备 |
CN111415301A (zh) * | 2019-01-07 | 2020-07-14 | 珠海金山办公软件有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN111415301B (zh) * | 2019-01-07 | 2024-03-12 | 珠海金山办公软件有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
WO2020199906A1 (zh) * | 2019-03-29 | 2020-10-08 | 广州市百果园信息技术有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
CN109993713A (zh) * | 2019-04-04 | 2019-07-09 | 百度在线网络技术(北京)有限公司 | 车载平视显示系统图像畸变矫正方法和装置 |
CN109993137A (zh) * | 2019-04-09 | 2019-07-09 | 安徽大学 | 一种基于卷积神经网络的快速人脸矫正方法 |
CN111985280A (zh) * | 2019-05-24 | 2020-11-24 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN111986097A (zh) * | 2019-05-24 | 2020-11-24 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN112070681A (zh) * | 2019-05-24 | 2020-12-11 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN112070681B (zh) * | 2019-05-24 | 2024-02-13 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN111986097B (zh) * | 2019-05-24 | 2024-02-09 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN111985280B (zh) * | 2019-05-24 | 2023-12-29 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN110543853A (zh) * | 2019-09-04 | 2019-12-06 | 上海观安信息技术股份有限公司 | 基于图像处理技术实现人脸识别处理的方法 |
CN112766023B (zh) * | 2019-11-04 | 2024-01-19 | 北京地平线机器人技术研发有限公司 | 目标对象的姿态确定方法、装置、介质及设备 |
CN112766023A (zh) * | 2019-11-04 | 2021-05-07 | 北京地平线机器人技术研发有限公司 | 目标对象的姿态确定方法、装置、介质及设备 |
CN111158563A (zh) * | 2019-12-11 | 2020-05-15 | 青岛海信移动通信技术股份有限公司 | 电子终端及图片矫正方法 |
CN111127368A (zh) * | 2019-12-27 | 2020-05-08 | 维沃移动通信有限公司 | 一种图像矫正方法及电子设备 |
CN111243014B (zh) * | 2020-01-16 | 2023-11-28 | 北京新氧科技有限公司 | 人脸检测处理方法、装置及设备 |
CN111243014A (zh) * | 2020-01-16 | 2020-06-05 | 北京新氧科技有限公司 | 人脸检测处理方法、装置及设备 |
CN114359522A (zh) * | 2021-12-23 | 2022-04-15 | 阿依瓦(北京)技术有限公司 | Ar模型放置方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108470328A (zh) | 用于处理图像的方法和装置 | |
CN108363995B (zh) | 用于生成数据的方法和装置 | |
CN111368685B (zh) | 关键点的识别方法、装置、可读介质和电子设备 | |
CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN109191514A (zh) | 用于生成深度检测模型的方法和装置 | |
CN108985257A (zh) | 用于生成信息的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN109858445A (zh) | 用于生成模型的方法和装置 | |
CN106910210A (zh) | 用于生成图像信息的方法和装置 | |
CN110348419B (zh) | 用于拍照的方法和装置 | |
CN111369428B (zh) | 虚拟头像生成方法和装置 | |
CN108492364A (zh) | 用于生成图像生成模型的方法和装置 | |
CN108491809A (zh) | 用于生成近红外图像生成模型的方法和装置 | |
CN108986169A (zh) | 用于处理图像的方法和装置 | |
CN108491823A (zh) | 用于生成人眼识别模型的方法和装置 | |
CN110648289B (zh) | 图像的加噪处理方法及装置 | |
CN108510454A (zh) | 用于生成深度图像的方法和装置 | |
CN109344762A (zh) | 图像处理方法和装置 | |
CN108509892A (zh) | 用于生成近红外图像的方法和装置 | |
CN108062544A (zh) | 用于人脸活体检测的方法和装置 | |
CN107622252A (zh) | 信息生成方法和装置 | |
CN108446658A (zh) | 用于识别人脸图像的方法和装置 | |
CN108170282A (zh) | 用于控制三维场景的方法和装置 | |
CN109241934A (zh) | 用于生成信息的方法和装置 | |
CN109377508A (zh) | 图像处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |