CN108900769B - 图像处理方法、装置、移动终端及计算机可读存储介质 - Google Patents

图像处理方法、装置、移动终端及计算机可读存储介质 Download PDF

Info

Publication number
CN108900769B
CN108900769B CN201810779736.1A CN201810779736A CN108900769B CN 108900769 B CN108900769 B CN 108900769B CN 201810779736 A CN201810779736 A CN 201810779736A CN 108900769 B CN108900769 B CN 108900769B
Authority
CN
China
Prior art keywords
image
preview image
background
facial expression
expression information
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.)
Active
Application number
CN201810779736.1A
Other languages
English (en)
Other versions
CN108900769A (zh
Inventor
陈岩
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.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp 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 Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201810779736.1A priority Critical patent/CN108900769B/zh
Publication of CN108900769A publication Critical patent/CN108900769A/zh
Priority to PCT/CN2019/089941 priority patent/WO2020015470A1/zh
Application granted granted Critical
Publication of CN108900769B publication Critical patent/CN108900769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
    • 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
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V40/174—Facial expression recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/61—Control of cameras or camera modules based on recognised objects
    • H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种图像处理方法和装置、移动终端、计算机可读存储介质。所述方法包括：获取待处理的预览图像；识别所述预览图像的场景；所述场景包括背景类别和前景目标；当所述前景目标为人像时，检测所述人像的面部表情信息；根据所述面部表情信息和所述背景类别调节所述预览图像中背景图像的特征参数，使得处理后的图像中人物图像和背景图像协调。

Description

图像处理方法、装置、移动终端及计算机可读存储介质
技术领域
本申请涉及计算机应用领域，特别是涉及一种图像处理方法、装置、移动 终端及计算机可读存储介质。
背景技术
随着移动终端的不断发展，尤其是智能手机设备的出现，几乎所有的移动 终端设备都具有拍摄功能。但是，人们在拍摄照片时，背景图像通常较为固定， 而人物的表情却非常丰富，当人物表情变化时，背景图像无法做出相应的变化， 使得人物图像和背景图像不协调，图像观赏性低。
发明内容
本申请实施例提供一种图像处理方法、装置、移动终端及计算机可读存储 介质，可以协调人物图像和背景图像。
一种图像处理方法，包括：
获取待处理的预览图像；
识别所述预览图像的场景；所述场景包括背景类别和前景目标；
当所述前景目标为人像时，检测所述人像的面部表情信息；
根据所述面部表情信息和所述背景类别调节所述预览图像中背景图像的特 征参数。
一种图像处理装置，包括：
获取模块，用于获取待处理的预览图像；
识别模块，用于识别所述预览图像的场景；所述场景包括背景类别和前景 目标；
检测模块，用于当所述前景目标为人像时，检测所述人像的面部表情信息；
调节模块，用于根据所述面部表情信息和所述背景类别调节所述预览图像 中背景图像的特征参数。
一种移动终端，包括存储器及处理器，所述存储器中储存有计算机程序， 所述计算机程序被所述处理器执行时，使得所述处理器执行所述的图像处理方 法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处 理器执行时实现所述的图像处理方法的步骤。
本申请实施例中图像处理方法、装置、移动终端及计算机可读存储介质， 通过获取待处理的预览图像；识别所述预览图像的场景；所述场景包括背景类 别和前景目标；当所述前景目标为人像时，检测所述人像的面部表情信息；根 据所述面部表情信息和背景类别调节所述预览图像中背景图像的特征参数，使 得处理后的图像中人物图像和背景图像协调。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中图像处理方法的流程图；
图2为一个实施例中神经网络的架构示意图；
图3为一个实施例中拍摄场景的类别示意图；
图4为一个实施例的基于神经网络对预览图像的场景进行识别的方法的流 程图；
图5为另一个实施例中神经网络的架构示意图；
图6为另一个实施例基于神经网络对预览图像的场景进行识别的方法的流 程图；
图7为一个实施例中预览图像中前景目标的边界框示意图；
图8为一个实施例中检测人像的面部表情信息的方法的流程图；
图9为另一个实施例中检测人像的面部表情信息的方法的流程图；
图10为一个实施例中调节预览图像中背景图像的特征参数的方法的流程 图；
图11为一个实施例中图像处理装置的结构框图；
图12A为一个实施例中移动终端的内部结构示意图；
图12B为一个实施例中服务器的内部结构示意图；
图13为一个实施例中图像处理电路的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅 仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中图像处理方法的流程图。如图1所示，一种图像处理方 法，包括步骤102至步骤108。
步骤102：获取待处理的预览图像。
本实施例中，待处理的图像可以为连续多帧预览图像，连续多帧预览图像 可以是连续两帧及两帧以上的预览图像。连续多帧预览图像可以是指计算机设 备的摄像头在预设时间内采集的多帧预览图像。例如，计算机设备的摄像头在 0.1秒内采集了3帧预览图像，则可以将这3帧预览图像作为连续多帧预览图像。
步骤104：识别预览图像的场景。其中，该场景包括背景类别和前景目标。
本实施例中，基于神经网络识别预览图像的场景。应当理解地，神经网络 可以为卷积神经网络(Convolutional Neural Network，CNN)，CNN是指在传 统的多层神经网络的基础上发展起来的一种针对图像分类和识别的一种神经网 络模型，相对与传统的多层神经网络，CNN引入了卷积算法和池化算法。其中， 卷积算法是指将局部区域内的数据进行加权叠加的一种数学算法，池化算法是 指将局部区域内的数据进行采样处理的一种数学算法。
具体而言，CNN模型由卷积层与池化层交替组成，如图2所示，输入层210输 入预览图像，卷积层220对输入层的图像的各个局部区域进行图像特征提取，池 化层230对卷积层的图像特征进行采样以降低维数，然后再以若干层全连接层 240对图像特征进行连接，以最后一层隐藏层250的输出值为最终提取的特征。 根据最终提取的特征对场景信息进行识别，其中场景信息包括了背景类别信息 和前景目标类别信息。
在一个实施例中，在卷积神经网络的最后一层隐藏层250后配置softmax分 析器，通过softmax分析器对上述最终提取的特征进行分析，可以得到图像中的 背景对应的类别的概率和前景目标对应类别的概率。
需要说明的是，在采用神经网络对预览图像的背景类别和前景目标进行识 别之前，需要对神经网络进行训练，其训练过程包括：
首先，可将包含有至少一个背景训练目标(包括：风景、海滩、雪景、蓝 天、绿地、夜景、黑暗、背光、日出/日落、室内、烟火、聚光灯等)和前景训 练目标(包括主体对象：人像、婴儿、猫、狗、美食等)的训练图像输入到神 经网络中，神经网络根据背景训练目标和前景训练目标进行特征提取，通过SIFT (Scale-invariant feature transform)特征、方向梯度直方图(Histogram of Oriented Gradient，HOG)特征等提取特征，再通过SSD(SingleShot MultiBox Detector)、VGG(Visual Geometry Group)等目标检测算法，对背景训练目标 进行检测得到第一预测置信度，对前景训练目标进行检测得到第二预测置信度。 第一预测置信度为采用该神经网络预测出的该训练图像中背景区域某一像素点 属于该背景训练目标的置信度。第二预测置信度为采用该神经网络预测出的该 训练图像中前景区域某一像素点属于该前景训练目标的置信度。训练图像中可 以预先标注背景训练目标和前景训练目标，得到第一真实置信度和第二真实置 信度。该第一真实置信度表示在该训练图像中预先标注的该像素点属于该背景 训练目标的置信度。第二真实置信度表示在该训练图像中预先标注的该像素点 属于该前景训练目标的置信度。针对图像中的每个像素点，真实置信度可以表 示为1(或正值)和0(或负值)，分别用以表示该像素点属于训练目标和不属于训练目标。
其次，求取第一预测置信度与第一真实置信度之间的差异得到第一损失函 数，求其第二预测置信度与第二真实置信度之间的差异得到第二损失函数。第 一损失函数和第二损失函数均可采用对数函数、双曲线函数、绝对值函数等。
最后，将所述第一损失函数和第二损失函数进行加权求和得到目标损失函 数，并根据所述目标损失函数调节所述神经网络的参数，对所述神经网络进行 训练。
在一实施例中，如图3所示，训练图像的拍摄场景可包括背景区域的类别、 前景目标和其他。背景区域的类别可包括风景、海滩、雪景、蓝天、绿地、夜 景、黑暗、背光、日出/日落、室内、烟火、聚光灯等。前景目标可为人像、婴 儿、猫、狗、美食等。其他可为文本文档、微距等。
步骤106：当前景目标为人像时，检测人像的面部表情信息。
具体而言，前景目标包括人像、婴儿、猫、狗、美食等。当检测到预览图 像中的前景目标为人像时，采用神经网络提取人像的人脸特征点，根据人脸特 征点获取对应的面部表情信息。其中，人脸特征点可以为面部器官的轮廓形状 或者面部特定区域的面部动作特征(例如面部特定区域的人脸肌肉运动特征)。
应当理解地，面部表情信息可以是开心情感信息，也可以是悲伤情感信息 或者平静情感信息，由于人脸面部表情变化的多样性，在此不做具体限定。在 一实施例中，计算机设备的数据库中预先存储有人脸特征点与面部表情信息的 对应关系，查询该数据库即可得到面部表情信息。
一实施例中，采用面部行为编码系统检测人像的面部表情信息。具体而言， 面部行为编码系统(Facial Action Coding System，FACS)是根据人脸的解剖学 特点，将人脸划分成若干既相互独立又相互联系的运动单元(Action Unit，AU)， 并分析了这些运动单元的运动特征及其所控制的主要区域以及与之相关的表情 信息。FACS将许多现实生活中人类的表情进行了分类，并定义了7个主要的情 绪表情，满足在不同的文化环境下所表达意义不变的特性，该7个情绪表情分别 是快乐(Happiness)、悲伤(Sadness)、愤怒(Anger)、恐惧(Fear)、惊讶 (Surprise)、厌恶(Disgust)、轻蔑(Contempt)。FACS是一种基于解剖学的 系统，可以用于描述上述每种情绪对应的面部运动。例如，FACS包括多个运动 单元(Action Unit，AU)，每个AU描述一组面部肌肉，多个AU一起共同组成一 个特定的面部运动，通过检测该面部运动可以获取该面部运动对应的面部表情 信息。
步骤108：根据面部表情信息和背景类别调节预览图像中背景图像的特征参 数。
本实施例中，调节预览图像中背景图像的特征参数的方式可以包括很多种， 例如，可以调节背景图像的字幕，也可以调节背景图像的色调，还可以调节背 景图像的亮度或者调节背景图像的动画等。根据不同的面部表情可以对背景图 像进行相应的调节，使得背景图像与人物图像中的面部表情协调。
上述图像处理方法，通过获取待处理的预览图像；识别所述预览图像的场 景，所述场景包括背景类别和前景目标；当所述前景目标为人像时，检测所述 人像的面部表情信息；根据所述面部表情信息和所述背景类别调节所述预览图 像中背景图像的特征参数，使得处理后的图像中人物图像和背景图像协调，从 而使图像更具有观赏性。
在一实施例中，场景包括背景类别和前景目标，如图4所示，识别预览图 像的场景的方法，包括步骤402至步骤410。：
步骤402：采用神经网络的基础网络对预览图像进行特征提取，得到特征数 据。
步骤404：将特征数据输入到神经网络的分类网络对预览图像的背景进行分 类检测，输出第一置信度图。其中，第一置信度图中的每个像素点表示预览图 像中每个像素点属于背景检测目标的置信度。
步骤406：将特征数据输入到神经网络的目标检测网络对预览图像的前景目 标进行检测，输出第二置信度图。其中，第二置信度图中的每个像素点表示预 览图像中每个像素点属于前景检测目标的置信度。
步骤408：根据第一置信度图和第二置信度图进行加权得到预览图像的最终 置信度图。
步骤410：根据最终置信度图确定预览图像的背景类别和前景目标类别。
本实施例中，如图5所示，神经网络包括基础网络510、分类网络520和目 标检测网络530。其中，利用基础网络510提取预览图像的特征数据；再将特征 数据分别输入至分类网络520和目标检测网络530，通过分类网络520对预览图 像的背景进行分类检测，得到待第一置信度图，以及通过目标检测网络530对 预览图像的前景进行目标检测，得第二置信度图；根据第一置信度图和第二置 信度图进行加权得到预览图像的最终置信度图；根据最终置信度图确定预览图 像的背景类别和前景目标类别。
需要说明的是，在统计学中，一个概率样本的置信区间是对这个样本的某 个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在 测量结果的周围的程度。置信度是被测量参数的测量值的可信程度。
在一实施例中，如图6所示，识别预览图像的场景的方法，还包括步骤602 至步骤606。
步骤602：采用神经网络的目标检测网络对预览图像的前景目标位置进行检 测，输出边界框检测图。其中，边界框检测图包含预览图像中各像素点的对应 向量，所述对应向量表示对应的像素点与对应检测边界框的位置关系，所述检 测边界框为采用神经网络在预览图像中检测到的前景目标的边界框。
步骤604：根据第一置信度图、第二置信度图和边界框检测图进行加权得到 预览图像的最终置信度图。
步骤606：根据最终置信度图确定预览图像的背景类别、前景目标类别和前 景目标位置。
具体而言，参见图7，该边界框检测图包含该边界框中每个像素点的对应向 量，该对应向量表示其对应的像素点与对应的边界框位置关系。其中，边界框 检测图中的对应像素点的向量确定第一四维向量和第二四维向量。该第一四维 向量为x＝(x1,x2,x3,x4),该第一四维向量中的元素为该像素点至前景目标的边 界框图的上、下、左、右边界的距离；该第二四维向量为x’＝ (x1’,x2’,x3’,x4’)，该第二四维向量中的元素分别为该像素点至与该像素 点对应的预览图像的边界框检测图的上、下、左、右边界的距离。可以理解地， 通过检测边界框检测图中所有像素点对应的第二四维向量，即可确定前景目标 位置。在一实施例中，神经网络的目标检测网络对预览图像的前景目标进行检 测，输出第二置信度图和边界框检测图，根据第一置信度图、第二置信度图和 边界框检测进行加权可得到预览图像的最终置信度图；根据最终置信度图可确 定预览图像的背景类别、前景目标类别和前景目标位置。进一步地，前景目标 的边界框检测图的面积为X＝(x1+x2)*(x3+x4)。需要说明的是，本实施例中的边界 框检测图为矩形框图，在其它实施例中，边界框检测图以为任意形状的框图， 在此不做具体限定。
在一实施例中，待处理的预览图像为连续多帧的预览图像，如图8所示， 当前景目标为人像时，检测该人像的面部表情信息的方法，包括步骤802至步 骤806。
步骤802：获取连续多帧预览图像中人像的面部运动数据。
步骤804：基于面部行为编码系统将面部运动数据与预设特征数据进行匹 配。
步骤806：当面部运动数据与预设特征数据一致时，获取特征数据对应的预 设面部表情，并将该预设面部表情作为人像的面部表情信息。
本实施例中，基于图5所示的神经网络可以检测前景目标的类别，当前景 目标为人像时，利用神经网络的目标检测网络530检测该人像的面部运动情况， 并获取面部运动数据。应当理解地，该面部运动数据可分解为2个状态数据和1 个过程数据：开始状态、结束状态和偏移过程，该2个状态数据和1个过程数 据分别对应不同帧的预览图像：开始帧、结束帧和偏移帧(偏移帧指的是开始 帧与结束帧之间的所有帧)。具体而言，神经网络对开始帧、偏移帧和结束帧的 预览图像按照帧时序进行检测，获取开始帧、偏移帧和结束帧所组成的预览图 像中的面部运动数据。
进一步地，将不同帧(开始帧、偏移帧和结束帧)所组成的面部运动数据 与FACS定义的预设特征数据进行匹配。其中，FACS定义了多个运动单元的预设 特征数据，并且通过不同运动单元之间的组合可以描述不同的面部表情信息。 例如，运动单元AU1指：拉动中部的眉毛向上；对应的面部表情描述为：悲伤。 运动单元AU4指：将眉毛压低并使眉毛聚拢；对应的面部表情描述为：碰到生 理上或心理上阻隔。将AU1和AU4组合在一起，以1秒至2秒的速度快速出现， 这个时候，这个组合对应的面部表情描述为：失望。在其他实施例中，根据面 部器官的不同区域及不同的运动方式还可以定义其他运动单元，在此不做具体 限定。
应当理解地，每个运动单元包括了多个帧的预设特征数据，该预设特征数 据对应于特定区域的面部运动数据。需要说明的是，特定区域除了眉毛区域， 还包括面部其他器官的区域，在此不做具体限定。当面部运动数据(包括不同 帧的面部运动数据)与运动单元的预设特征数据(包括不同帧的面部运动数据) 一致时，获取预设特征数据对应的预设面部表情(例如AU1+AU4对应的失望)， 并将该预设面部表情作为人像的面部表情信息。
在一实施例中，如图9所示，检测人像的面部表情信息，还包括步骤902 至步骤906。
步骤902：确定预览图像中的人脸区域。
步骤904：获取与人脸区域对应的深度信息。
步骤906：根据人脸区域和对应的深度信息确定面部表情。
本实施例中，预览图像为深度图像(Depth map)，深度图像为一种普遍的 三维场景信息表达方式。深度图像中的每个像素点的灰度值可用于表征场景中 某一点距离摄像机的远近。此外，深度图像可由摄像机中设置的被动测距传感 或主动深度传感获取，在此不做具体限定。例如，通过摄像机对目标场景发射 连续的近红外脉冲，然后用传感器接收由前景目标反射回的光脉冲，通过比较 发射光脉冲与经过前景目标反射的光脉冲的相位差，可以推算得到光脉冲之间 的传输延迟进而得到前景目标相对于发射器的距离，最终得到一幅深度图像。 当前景目标为人像时，基于神经网络中的目标检测网络530检测人脸区域。具 体而言，参见图7，人脸区域可通过目标检测网络530输出的以人脸为检测目标 的边界框检测图获取。
一实施例中，深度信息的获取与深度图像的获取方式有关。例如，当摄像 机基于结构光(结构光是具有特定模式的光，其具有例如点、线、面等模式图 案)获取深度图像时，通过结构光的模式图案可以得到的深度图像中人脸区域 的位置以及形变程度，并利用三角原理计算即可得到人脸区域中各点的深度信 息。其中，这里的深度信息指人脸区域中各点的三维信息。
一实施例中，在根据人脸区域和对应的深度信息确定面部表情的过程中， 首先定位一些特征点，例如在五官以及五官之间例如脸颊等部分定位多个特征 点，这些特征点基本能够表征五官以及面部的变化。再通过图像卷积抽取特征 点的Gabor小波系数，以Gabor特征的匹配距离作为相似度的度量标准。提取 特征之后，表情识别可通过多层神经网络实现。此外，表情识别的还可通过基 于卷积神经网络的算法实现。
在一实施例中，根据面部表情信息和背景类别调节背景图像的特征参数， 包括：根据面部表情信息和背景类别调节背景图像的以下至少之一的特征参数， 例如，色调、亮度、色彩、对比度、曝光度、光效等。可以理解地，具体背景 类别包括室内，风景，强光，夜晚等场景，当计算机设备检测出前景目标为人 像，且识别出人像的面部表情，以及检测出前景目标所在场景(即背景类别) 时，根据人像的面部表情和场景种类(背景类别)，可对背景图像的色调、亮度、 色彩、对比度、光效等参数进行处理，使得背景图像与人像的面部表情协调。 例如，识别的面部表情为悲伤，背景图像为风景时，可将风景色调调节为冷色 调(比如暗灰色)并且降低对比度，以烘托悲伤的氛围。
一实施例中，如图10所示，根据面部表情信息和背景类别调节背景图像的 特征参数，包括步骤1002至步骤1006。
步骤1002：根据背景类别确定特征参数中的待调节特征参数。
步骤1004：根据面部表情信息确定待调节特征参数的调节模式。
步骤1006：根据调节模式调节待调节特征参数。
本实施例中，不同的背景类别具有其优选的待调节特征参数。例如，当背 景类别为风景时，优选的待调节特征参数设置为色调；当背景类别为强光或夜 晚时，优选的待调节特征参数设置为光效；当背景类别为室内时，优选的待调 节特征参数设置为色彩。可以理解地，根据背景类别的特点可以为不同的背景 设置至少一个优选的待调节特征参数。一实施例中，还可以根据用户的需求设 置不同背景类别的优选的待调节特征参数，在此不做具体限定。
当背景类别和其优选的待调节特征参数确定后，根据面部表情信息确定调 节模式，并根据调节模式调节待调节特征参数。例如，背景类别为强光，优选 的待调节特征参数为光效，此时若检测到面部表情信息为悲伤，则确定调节模 式为：添加冷色调(比如蓝色调)的光线效果。根据该调节模式改变待调节特 征参数(光效)，以烘托悲伤的氛围。在其他实施例中，还可以根据用户实际需 求设置调节模式，在此不做具体限定。
图11为一个实施例中图像处理装置的结构框图。如图11所示，一种图像 处理装置，包括获取模块1110、识别模块1120、确定模块1130和构图模块1140。 其中：
获取模块1110：用于获取待处理的预览图像。
识别模块1120：用于识别所述预览图像的场景；所述场景包括背景类别和 前景目标。
检测模块1130：用于当所述前景目标为人像时，检测所述人像的面部表情 信息。
调节模块1140：用于根据所述面部表情信息和所述背景类别调节所述预览 图像中背景图像的特征参数。
本申请实施例中，通过获取模块1110获取待处理的预览图像；识别模块1120 识别所述预览图像的场景；所述场景包括背景图像和前景目标；检测模块1130 当所述前景目标为人像时，检测所述人像的面部表情信息；调节模块1140根据 所述面部表情信息调节所述背景图像，使得处理后的图像中人物图像和背景图 像协调，从而提高图像的观赏性。
在一个实施例中，识别模块1120，还包括：
特征提取单元，用于采用神经网络的基础网络对所述预览图像进行特征提 取，得到特征数据。
分类单元：用于采用神经网络的分类网络对所述预览图像的背景进行分类 检测，输出第一置信度图；所述第一置信度图中的每个像素点表示所述预览图 像中每个像素点属于背景检测目标的置信度。
目标检测单元，用于采用神经网络的目标检测网络对所述预览图像的前景 目标进行检测，输出第二置信度图；所述第二置信度图中的每个像素点表示所 述预览图像中每个像素点属于前景检测目标的置信度。
计算单元：用于根据所述第一置信度图和所述第二置信度图进行加权得到 所述预览图像的最终置信度图。
第一确定单元，根据所述最终置信度图确定所述预览图像的背景类别和前 景目标类别。
在一个实施例中，目标检测单元，还包括：
目标位置检测子单元：用于采用神经网络的目标检测网络对所述预览图像 的前景目标位置进行检测，输出边界框检测图，所述边界框检测图包含所述预 览图像中各像素点的对应向量，所述对应向量表示对应的像素点与对应检测边 界框的位置关系，所述检测边界框为采用神经网络在所述待检测图像中检测到 的前景目标的边界框。
在一个实施例中，计算单元还用于根据所述第一置信度图、第二置信度图 和边界框检测图进行加权得到所述预览图像的最终置信度图。
在一个实施例中，第一确定单元还用于根据所述最终置信度图确定所述预 览图像的背景类别、前景目标类别和前景目标位置。
在一个实施例中，检测模块1130采用面部行为编码系统检测所述人像的面 部表情信息。
在一个实施例中，检测模块1130，还包括：
第一获取单元，用于所述连续多帧预览图像中人像的面部运动数据。
匹配单元，用于基于面部行为编码系统将所述面部运动数据与预设特征数 据进行匹配。
第二获取单元，用于当所述面部运动数据与所述预设特征数据一致时，获 取所述特征数据对应的预设面部表情，并将所述预设面部表情作为所述人像的 面部表情信息。
在一个实施例中，检测模块1130，还包括：
第二确定单元，用于确定所述预览图像中的人脸区域。
第二获取单元，用于获取与人脸区域对应的深度信息。
第三确定单元，用于根据人脸区域和对应的深度信息确定所述面部表情信 息。
在一实施例中，调节模块1140根据所述面部表情信息调节所述背景图像的 以下至少之一的信息：所述背景图像的色调、所述背景图像的亮度或者所述背 景图像的对比度。
在一实施例中，调节模块1140，还包括：
第四确定单元，用于根据所述背景类别确定所述特征参数中的待调节特征 参数。
第五确定单元，用于根据所述面部表情信息确定所述待调节特征参数的调 节模式。
调节单元，根据所述调节模式调节所述待调节特征参数。
应该理解的是，虽然图1、图4、图6、图8、图9、图10的流程图中的各 个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺 序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限 制，这些步骤可以以其它的顺序执行。而且，图1、图4、图6、图8、图9、图 10中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶 段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤 或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤 的子步骤或者阶段的至少一部分轮流或者交替地执行。
上述图像处理装置中各个模块的划分仅用于举例说明，在其他实施例中， 可将图像处理装置按照需要划分为不同的模块，以完成上述图像处理装置的全 部或部分功能。
本申请实施例还提供一种移动终端。该移动终端包括存储器及处理器，该 存储器中储存有计算机程序，该计算机程序被该处理器执行时，使得该处理器 执行该图像处理方法的步骤。
本申请实施例还提供一种计算机可读存储介质。一种计算机可读存储介质， 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该图像处理方法的 步骤。
图12A为一个实施例中移动终端的内部结构示意图。如图12A所示，该移动 终端包括通过系统总线连接的处理器、存储器和网络接口。其中，该处理器用 于提供计算和控制能力，支撑整个移动终端的运行。存储器用于存储数据、程 序等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以 实现本申请实施例中提供的适用于移动终端的无线网络通信方法。存储器可包 括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机 程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的 一种神经网络模型处理方法或图像处理方法。内存储器为非易失性存储介质中 的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或 无线网卡等，用于与外部的移动终端进行通信。该移动终端可以是手机、平板 电脑或者个人数字助理或穿戴式设备等。
图12B为一个实施例中服务器(或云端等)的内部结构示意图。如图12B所 示，该服务器包括通过系统总线连接的处理器、非易失性存储介质、内存储器 和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个移动终端的 运行。存储器用于存储数据、程序等，存储器上存储至少一个计算机程序，该 计算机程序可被处理器执行，以实现本申请实施例中提供的适用于移动终端的 无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存 储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用 于实现以下各个实施例所提供的一种神经网络处理方法或图像处理方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。 网络接口可以是以太网卡或无线网卡等，用于与外部的移动终端进行通信。服 务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域 技术人员可以理解，图12B中示出的结构，仅仅是与本申请方案相关的部分结构 的框图，并不构成对本申请方案所应用于其上的服务器的限定，具体的服务器 可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的 部件布置。
本申请实施例中提供的神经网络模型处理装置或图像处理装置中的各个模 块的实现可为计算机程序的形式。该计算机程序可在移动终端或服务器上运行。 该计算机程序构成的程序模块可存储在移动终端或服务器的存储器上。该计算 机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。
一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执 行神经网络模型处理方法或图像处理方法。
本申请实施例还提供一种移动终端。上述移动终端中包括图像处理电路， 图像处理电路可以利用硬件和/或软件组件实现，可包括定义ISP(Image Signal Processing，图像信号处理)管线的各种处理单元。图13为一个实施例中图像 处理电路的示意图。如图13所示，为便于说明，仅示出与本申请实施例相关的 图像处理技术的各个方面。
如图13所示，图像处理电路包括ISP处理器1340和控制逻辑器1350。成 像设备1310捕捉的图像数据首先由ISP处理器1340处理，ISP处理器1340对 图像数据进行分析以捕捉可用于确定和/或成像设备1310的一个或多个控制参 数的图像统计信息。成像设备1310可包括具有一个或多个透镜1312和图像传 感器1314的照相机。图像传感器1314可包括色彩滤镜阵列(如Bayer滤镜)， 图像传感器1314可获取用图像传感器1314的每个成像像素捕捉的光强度和波 长信息，并提供可由ISP处理器1340处理的一组原始图像数据。传感器1320 (如陀螺仪)可基于传感器1320接口类型把采集的图像处理的参数(如防抖参 数)提供给ISP处理器1340。传感器1320接口可以利用SMIA(Standard Mobile ImagingArchitecture，标准移动成像架构)接口、其它串行或并行照相机接 口或上述接口的组合。
此外，图像传感器1314也可将原始图像数据发送给传感器1320，传感器 1320可基于传感器1320接口类型把原始图像数据提供给ISP处理器1340，或 者传感器1320将原始图像数据存储到图像存储器1330中。
ISP处理器1340按多种格式逐个像素地处理原始图像数据。例如，每个图 像像素可具有8、10、12或14比特的位深度，ISP处理器1340可对原始图像数 据进行一个或多个图像处理操作、收集关于图像数据的统计信息。其中，图像 处理操作可按相同或不同的位深度精度进行。
ISP处理器1340还可从图像存储器1330接收图像数据。例如，传感器1320 接口将原始图像数据发送给图像存储器1330，图像存储器1330中的原始图像数 据再提供给ISP处理器1340以供处理。图像存储器1330可为存储器装置的一 部分、存储设备、或移动终端内的独立的专用存储器，并可包括DMA(Direct Memory Access，直接直接存储器存取)特征。
当接收到来自图像传感器1314接口或来自传感器1320接口或来自图像存 储器1330的原始图像数据时，ISP处理器1340可进行一个或多个图像处理操作， 如时域滤波。处理后的图像数据可发送给图像存储器1330，以便在被显示之前 进行另外的处理。ISP处理器1340从图像存储器1330接收处理数据，并对所述 处理数据进行原始域中以及RGB和YCbCr颜色空间中的图像数据处理。ISP处理 器1340处理后的图像数据可输出给显示器1370，以供用户观看和/或由图形引 擎或GPU(Graphics Processing Unit，图形处理器)进一步处理。此外，ISP 处理器1340的输出还可发送给图像存储器1330，且显示器1370可从图像存储 器1330读取图像数据。在一个实施例中，图像存储器1330可被配置为实现一 个或多个帧缓冲器。此外，ISP处理器1340的输出可发送给编码器/解码器1360， 以便编码/解码图像数据。编码的图像数据可被保存，并在显示于显示器1370 设备上之前解压缩。编码器/解码器1360可由CPU或GPU或协处理器实现。
ISP处理器1340确定的统计数据可发送给控制逻辑器1350单元。例如，统 计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透 镜1312阴影校正等图像传感器1314统计信息。控制逻辑器1350可包括执行一 个或多个例程(如固件)的处理器和/或微控制器，一个或多个例程可根据接收的 统计数据，确定成像设备1310的控制参数及ISP处理器1340的控制参数。例 如，成像设备1310的控制参数可包括传感器1320控制参数(例如增益、曝光控 制的积分时间、防抖参数等)、照相机闪光控制参数、透镜1312控制参数(例如 聚焦或变焦用焦距)、或这些参数的组合。ISP控制参数可包括用于自动白平衡 和颜色调节(例如，在RGB处理期间)的增益水平和色彩校正矩阵，以及透镜1312 阴影校正参数。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非 易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、 可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。 易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为 说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、 同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、 同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直 接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域 的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和 改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附 权利要求为准。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取待处理的预览图像；
识别所述预览图像的场景；所述场景包括背景类别和前景目标；
当所述前景目标为人像时，检测所述人像的面部表情信息；
根据所述面部表情信息和所述背景类别调节所述预览图像中背景图像的特征参数；包括：
根据所述背景类别确定所述特征参数中的待调节特征参数；不同的背景类别对应不同的优选的待调节特征参数；
根据所述面部表情信息确定所述待调节特征参数的调节模式；
根据所述调节模式调节所述待调节特征参数。
2.根据权利要求1所述的方法，其特征在于，所述待处理的预览图像为连续多帧预览图像，所述检测所述人像的面部表情信息，包括：
获取所述连续多帧预览图像中人像的面部运动数据；
基于面部行为编码系统将所述面部运动数据与预设特征数据进行匹配；
当所述面部运动数据与所述预设特征数据一致时，获取所述特征数据对应的预设面部表情，并将所述预设面部表情作为所述人像的面部表情信息。
3.根据权利要求1所述的方法，其特征在于，所述检测所述人像的面部表情信息，还包括：
确定所述预览图像中的人脸区域；
获取与人脸区域对应的深度信息；
根据人脸区域和对应的深度信息确定所述面部表情信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述面部表情信息和所述背景类别调节所述预览图像中背景图像的特征参数，包括：
根据所述面部表情信息和背景类别调节所述预览图像中背景图像的以下至少之一的特征参数：色调、亮度、色彩、对比度、曝光度、光效。
5.根据权利要求1所述的方法，其特征在于，根据所述背景类别的特点为不同的背景设置至少一个优选的待调节特征参数。
6.根据权利要求1所述的方法，其特征在于，所述识别所述预览图像的场景的方法，包括：
采用神经网络的基础网络对预览图像进行特征提取，得到特征数据；
将所述特征数据输入到所述神经网络的分类网络对预览图像的背景进行分类检测，输出第一置信度图；所述第一置信度图中的每个像素点表示预览图像中每个像素点属于背景检测目标的置信度；
将所述特征数据输入到所述神经网络的目标检测网络对预览图像的前景目标进行检测，输出第二置信度图；所述第二置信度图中的每个像素点表示预览图像中每个像素点属于前景检测目标的置信度；
根据所述第一置信度图和所述第二置信度图进行加权得到预览图像的最终置信度图；
根据所述最终置信度图确定预览图像的背景类别和前景目标类别。
7.根据权利要求6所述的方法，其特征在于，所述识别所述预览图像的场景的方法，还包括：
采用神经网络的目标检测网络对预览图像的前景目标位置进行检测，输出边界框检测图，所述边界框检测图包含预览图像中各像素点的对应向量，所述对应向量表示对应的像素点与对应检测边界框的位置关系，所述检测边界框为采用神经网络在所述待检测图像中检测到的前景目标的边界框；
根据所述第一置信度图、第二置信度图和边界框检测图进行加权得到预览图像的最终置信度图；
根据所述最终置信度图确定预览图像的背景类别、前景目标类别和前景目标位置。
8.一种图像处理装置，包括：
获取模块，用于获取待处理的预览图像；
识别模块，用于识别所述预览图像的场景；所述场景包括背景类别和前景目标；
检测模块，用于当所述前景目标为人像时，检测所述人像的面部表情信息；
调节模块，用于根据所述面部表情信息和所述背景类别调节所述预览图像中背景图像的特征参数；
调节模块包括：
第四确定单元，用于根据所述背景类别确定所述特征参数中的待调节特征参数；不同的背景类别对应不同的优选待调节特征参数；
第五确定单元，用于根据所述面部表情信息确定所述待调节特征参数的调节模式；
调节单元，根据所述调节模式调节所述待调节特征参数。
9.一种移动终端，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的图像处理方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像处理方法的步骤。
CN201810779736.1A 2018-07-16 2018-07-16 图像处理方法、装置、移动终端及计算机可读存储介质 Active CN108900769B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810779736.1A CN108900769B (zh) 2018-07-16 2018-07-16 图像处理方法、装置、移动终端及计算机可读存储介质
PCT/CN2019/089941 WO2020015470A1 (zh) 2018-07-16 2019-06-04 图像处理方法、装置、移动终端及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810779736.1A CN108900769B (zh) 2018-07-16 2018-07-16 图像处理方法、装置、移动终端及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN108900769A CN108900769A (zh) 2018-11-27
CN108900769B true CN108900769B (zh) 2020-01-10

Family

ID=64349247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810779736.1A Active CN108900769B (zh) 2018-07-16 2018-07-16 图像处理方法、装置、移动终端及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN108900769B (zh)
WO (1) WO2020015470A1 (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900769B (zh) * 2018-07-16 2020-01-10 Oppo广东移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN109685741B (zh) * 2018-12-28 2020-12-11 北京旷视科技有限公司 一种图像处理方法、装置及计算机存储介质
CN110046576A (zh) * 2019-04-17 2019-07-23 内蒙古工业大学 一种训练识别面部表情的方法和装置
CN110473185B (zh) * 2019-08-07 2022-03-15 Oppo广东移动通信有限公司 图像处理方法和装置、电子设备、计算机可读存储介质
CN110991465B (zh) * 2019-11-15 2023-05-23 泰康保险集团股份有限公司 一种物体识别方法、装置、计算设备及存储介质
SG10202000965YA (en) * 2020-02-03 2020-03-30 Alipay Labs Singapore Pte Ltd Authentication System And Method
CN113256503B (zh) * 2020-02-13 2024-03-08 北京小米移动软件有限公司 图像优化方法及装置、移动终端及存储介质
CN111489322B (zh) * 2020-04-09 2023-05-26 广州光锥元信息科技有限公司 给静态图片加天空滤镜的方法及装置
CN111639653B (zh) * 2020-05-08 2023-10-10 浙江大华技术股份有限公司 一种误检图像确定方法、装置、设备和介质
CN111652930B (zh) * 2020-06-04 2024-02-27 上海媒智科技有限公司 一种图像目标检测方法、系统及设备
CN111754622B (zh) * 2020-07-13 2023-10-13 腾讯科技（深圳）有限公司 脸部三维图像生成方法及相关设备
CN114079725B (zh) * 2020-08-13 2023-02-07 华为技术有限公司 视频防抖方法、终端设备和计算机可读存储介质
CN112163988B (zh) * 2020-08-17 2022-12-13 中国人民解放军93114部队 红外图像的生成方法、装置、计算机设备和可读存储介质
CN112822542A (zh) * 2020-08-27 2021-05-18 腾讯科技（深圳）有限公司 视频合成方法、装置、计算机设备和存储介质
CN112084960B (zh) * 2020-09-11 2024-05-14 中国传媒大学 一种基于稀疏图的人脸表情识别方法
CN112163492B (zh) * 2020-09-21 2023-09-08 华南理工大学 一种长时跨场景优化的交通物体检测方法、系统及介质
CN112351195B (zh) * 2020-09-22 2022-09-30 北京迈格威科技有限公司 图像处理方法、装置和电子系统
CN112203122B (zh) * 2020-10-10 2024-01-26 腾讯科技（深圳）有限公司 基于人工智能的相似视频处理方法、装置及电子设备
CN113012189A (zh) * 2021-03-31 2021-06-22 影石创新科技股份有限公司 图像识别方法、装置、计算机设备和存储介质
CN113329173A (zh) * 2021-05-19 2021-08-31 Tcl通讯（宁波）有限公司 一种影像优化方法、装置、存储介质及终端设备
CN113408380B (zh) * 2021-06-07 2023-07-07 深圳小湃科技有限公司 视频图像调整方法、设备及存储介质
CN113553937A (zh) * 2021-07-19 2021-10-26 北京百度网讯科技有限公司 目标检测方法、装置、电子设备以及存储介质
CN113762107B (zh) * 2021-08-23 2024-05-07 海宁奕斯伟集成电路设计有限公司 对象状态评估方法、装置、电子设备及可读存储介质
CN114125286A (zh) * 2021-11-18 2022-03-01 维沃移动通信有限公司 拍摄方法及其装置
CN113989857B (zh) * 2021-12-27 2022-03-18 四川新网银行股份有限公司 一种基于深度学习的人像照片内容解析方法及系统
CN114399710A (zh) * 2022-01-06 2022-04-26 昇辉控股有限公司 一种基于图像分割的标识检测方法、系统及可读存储介质
CN116546310B (zh) * 2023-07-05 2023-09-15 北京电子科技学院 基于人工智能的摄影辅助方法、装置、设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106303250A (zh) * 2016-08-26 2017-01-04 维沃移动通信有限公司 一种图像处理方法及移动终端
CN106506975A (zh) * 2016-12-29 2017-03-15 深圳市金立通信设备有限公司 一种拍摄方法及终端

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5148989B2 (ja) * 2007-12-27 2013-02-20 イーストマン コダック カンパニー 撮像装置
US8947501B2 (en) * 2011-03-31 2015-02-03 Fotonation Limited Scene enhancements in off-center peripheral regions for nonlinear lens geometries
CN102289664B (zh) * 2011-07-29 2013-05-08 北京航空航天大学 基于统计形状理论的非线性面部运动流形学习方法
JP2013223146A (ja) * 2012-04-17 2013-10-28 Sharp Corp 画像処理装置、画像形成装置及び画像処理方法
CN103679189B (zh) * 2012-09-14 2017-02-01 华为技术有限公司 场景识别的方法和装置
CN105931178A (zh) * 2016-04-15 2016-09-07 乐视控股（北京）有限公司 一种图像处理方法及装置
CN107563390A (zh) * 2017-08-29 2018-01-09 苏州智萃电子科技有限公司 一种图像识别方法及系统
CN107680034A (zh) * 2017-09-11 2018-02-09 广东欧珀移动通信有限公司 图像处理方法和装置、电子装置和计算机可读存储介质
CN107818313B (zh) * 2017-11-20 2019-05-14 腾讯科技（深圳）有限公司 活体识别方法、装置和存储介质
CN108900769B (zh) * 2018-07-16 2020-01-10 Oppo广东移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106303250A (zh) * 2016-08-26 2017-01-04 维沃移动通信有限公司 一种图像处理方法及移动终端
CN106506975A (zh) * 2016-12-29 2017-03-15 深圳市金立通信设备有限公司 一种拍摄方法及终端

Also Published As

Publication number Publication date
CN108900769A (zh) 2018-11-27
WO2020015470A1 (zh) 2020-01-23

Similar Documents

Publication Publication Date Title
CN108900769B (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN108764370B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN108777815B (zh) 视频处理方法和装置、电子设备、计算机可读存储介质
CN108810413B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
US10896323B2 (en) Method and device for image processing, computer readable storage medium, and electronic device
US10990825B2 (en) Image processing method, electronic device and computer readable storage medium
CN108810418B (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN108764208B (zh) 图像处理方法和装置、存储介质、电子设备
CN108984657B (zh) 图像推荐方法和装置、终端、可读存储介质
CN108805103B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN108961302B (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN108875619B (zh) 视频处理方法和装置、电子设备、计算机可读存储介质
CN110248096B (zh) 对焦方法和装置、电子设备、计算机可读存储介质
CN110572573B (zh) 对焦方法和装置、电子设备、计算机可读存储介质
WO2019233266A1 (zh) 图像处理方法、计算机可读存储介质和电子设备
CN108765033B (zh) 广告信息推送方法和装置、存储介质、电子设备
CN108897786B (zh) 应用程序的推荐方法、装置、存储介质及移动终端
CN108959462B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN109712177B (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN111028137A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN108848306B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN115035581A (zh) 面部表情识别方法、终端设备及存储介质
US11605220B2 (en) Systems and methods for video surveillance
US20160140748A1 (en) Automated animation for presentation of images
CN108898163B (zh) 信息处理方法和装置、电子设备、计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant