CN109241930B - 用于处理眉部图像的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于处理眉部图像的方法和装置。该方法的一具体实施方式包括：获取待处理的眉部图像；将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息，其中，输出结果信息用于表示眉部图像中的像素点显示的内容是眉毛的概率；根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像，从而实现了对眉部图像中每个像素点显示的内容是眉毛的概率判断。该实施方式实现了对眉部图像像素级别的、具有针对性的处理。

Description

用于处理眉部图像的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于处理眉部图像的方法和装置。

背景技术

在对人脸图像中的眉毛部分进行美化等特效处理时，通常是先推测出眉毛所在的图像区域，然后直接使用预先设置的眉毛图像对这部分的图像区域进行替换。

发明内容

本申请实施例提出了用于处理眉部图像的方法和装置。

第一方面，本申请实施例提供了一种用于处理眉部图像的方法，该方法包括：获取待处理的眉部图像；将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息，其中，输出结果信息用于表示眉部图像中的像素点显示的内容是眉毛的概率；根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像。

在一些实施例中，根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像，包括：获取目标眉部替换图像；根据眉部图像的尺寸，调整目标眉部替换图像的尺寸，使得调整后的目标眉部替换图像的尺寸与眉部图像的尺寸相匹配；用调整后的目标眉部替换图像覆盖眉部图像，得到调整后的眉部图像；针对调整后的眉部图像中的像素点，根据调整前的眉部图像中的、对应于该像素点的像素点对应的概率，设置该像素点的透明度，得到处理后的图像，其中，概率与透明度成正比。

在一些实施例中，根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像，包括：针对眉部图像中的像素点，对该像素点执行预设的、与该像素点对应的概率对应的处理操作。

在一些实施例中，在获取待处理的眉部图像之前，还包括：获取人脸图像；以及获取待处理的眉部图像，包括：确定人脸图像中显示眉毛的图像区域，以及将确定的图像区域确定为眉部图像。

在一些实施例中，在得到处理后的眉部图像之后，还包括：用处理后的眉部图像覆盖人脸图像中显示眉毛的图像区域，得到处理后的人脸图像。

在一些实施例中，眉毛检测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括眉部图像和用于表示眉部图像中的像素点显示的内容是否是眉毛的标注信息；确定初始化的眉毛检测模型，其中，初始化的眉毛检测模型包括用于输出眉部图像中的像素点显示的内容是眉毛的概率的目标层；利用机器学习的方法，将训练样本集合中的训练样本中的眉部图像作为初始化的眉毛检测模型的输入，将与输入的眉部图像对应的标注信息作为初始化的眉毛检测模型的期望输出，训练得到眉毛检测模型。

第二方面，本申请实施例提供了一种用于处理眉部图像的装置，该装置包括：眉部图像获取单元，被配置成获取待处理的眉部图像；输出结果信息获取单元，被配置成将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息，其中，输出结果信息用于表示眉部图像中的像素点显示的内容是眉毛的概率；处理单元，被配置成根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像。

在一些实施例中，上述处理单元，进一步被配置成：获取目标眉部替换图像；根据眉部图像的尺寸，调整目标眉部替换图像的尺寸，使得调整后的目标眉部替换图像的尺寸与眉部图像的尺寸相匹配；用调整后的目标眉部替换图像覆盖眉部图像，得到调整后的眉部图像；针对调整后的眉部图像中的像素点，根据调整前的眉部图像中的、对应于该像素点的像素点对应的概率，设置该像素点的透明度，得到处理后的图像，其中，概率与透明度成正比。

在一些实施例中，上述处理单元，进一步被配置成：针对眉部图像中的像素点，对该像素点执行预设的、与该像素点对应的概率对应的处理操作。

在一些实施例中，上述用于处理眉部图像的装置还包括：人脸图像获取单元，被配置成获取人脸图像；上述眉部图像获取单元，进一步被配置成：确定人脸图像中显示眉毛的图像区域，以及将确定的图像区域确定为眉部图像。

在一些实施例中，上述处理单元进一步被配置成：用处理后的眉部图像覆盖人脸图像中显示眉毛的图像区域，得到处理后的人脸图像。

在一些实施例中，眉毛检测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括眉部图像和用于表示眉部图像中的像素点显示的内容是否是眉毛的标注信息；确定初始化的眉毛检测模型，其中，初始化的眉毛检测模型包括用于输出眉部图像中的像素点显示的内容是眉毛的概率的目标层；利用机器学习的方法，将训练样本集合中的训练样本中的眉部图像作为初始化的眉毛检测模型的输入，将与输入的眉部图像对应的标注信息作为初始化的眉毛检测模型的期望输出，训练得到眉毛检测模型。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：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眉部图像的方法和装置，通过获取待处理的眉部图像；将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息，其中，输出结果信息用于表示眉部图像中的像素点显示的内容是眉毛的概率；根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像，从而实现了对眉部图像中每个像素点显示的内容是眉毛的概率判断，进而能够根据每个像素点对应的概率，对眉部图像进行处理，使得能够对眉部图像实现像素级别的、具有针对性的处理。

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是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于处理眉部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眉部图像的方法的又一个实施例的流程图；

图4是根据本申请的用于处理眉部图像的方法的又一个实施例的流程图；

图5是根据本申请实施例的用于处理眉部图像的方法的一个应用场景的示意图；

图6是根据本申请的用于处理眉部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电子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眉部图像的方法或用于处理眉部图像的装置的实施例的示例性架构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上可以安装有各种客户端应用，例如拍摄类应用、图像处理类应用等。

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，可以是具有支持图像存储和图像传输的各种电子设备，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的多个软件或软件模块)，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发送的眉部图像进行处理的图像处理服务器。进一步地，图像处理服务器还可以将处理后的眉部图像发送至终端设备。

需要说明的是，上述眉部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眉部图像并进行处理，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眉部图像的方法一般由服务器105执行，相应地，用于处理眉部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眉部图像进行处理，此时，用于处理眉部图像的方法也可以由终端设备101、102、103执行，相应地，用于处理眉部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。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，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。

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，其示出了根据本申请的用于处理眉部图像的方法的一个实施例的流程200。该用于处理眉部图像的方法包括以下步骤：

步骤201，获取待处理的眉部图像。

在本实施例中，用于处理眉部图像的方法的执行主体(如图1中的服务器105)可以首先从本地或其它存储设备(如图1中的终端设备101、102、103)获取待处理的眉部图像。其中，眉部图像可以指显示有眉毛部分的图像。

步骤202，将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息。

在本实施例中，输出结果信息可以用于表示眉部图像中的像素点显示的内容是眉毛的概率。眉毛检测模型可以包括输入层、一个或多个中间层、输出层。目标层可以指能够输出眉部图像中的各个像素点显示的内容是眉毛的概率的那一层。具体地，目标层可以是其中一个中间层，也可以是输出层。

其中，目标层为眉毛检测模型的一个中间层时，眉毛检测模型可以用于表征眉部图像与指示眉部图像中的像素点显示的内容是否是眉毛的指示信息的对应关系。

可选地，眉毛检测模型可以包括特征提取部分和像素点显示内容确定网络。其中，特征提取部分可以用于提取眉部图像的特征。具体地，特征提取部分可以是卷积神经网络等。像素点显示内容确定网络可以用于根据眉部图像的特征确定眉部图像中的各个像素点显示的内容是否是眉毛。具体地，像素点显示内容确定网络可以包括用于输出表示眉部图像中的各个像素点显示的内容是眉毛的概率的输出结果信息的中间层。

此时，眉毛检测模型可以通过如下步骤训练得到：

步骤1)，确定特征提取部分。

例如，可以获取现有的用于提取图像特征的卷积神经网络作为特征提取部分。

步骤2)，训练得到像素点显示内容确定网络。具体可以如下述步骤21)、步骤22)和步骤23)所示：

步骤21)，获取初始化的像素点显示内容确定网络。

初始化的像素点显示内容确定网络可以包括卷积层、池化层、全连接层、输出层等。具体地，可以利用现有的各种神经网络API(Application Programming Interface，应用程序编程接口)，根据实际的应用需求(如需要包括哪些层、每层的层数、卷积核的大小等)构造初始化的像素点显示内容确定网络。

步骤22)，获取大量训练样本。

其中，每个训练样本包括预先采集的眉部图像的特征以及指示眉部图像中的像素点显示的内容是否是眉毛的指示信息。

步骤23)，利用训练样本和初始化的像素点显示内容确定网络训练得到眉毛检测模型。

具体地，可以将每个训练样本中的眉部图像的特征作为初始化的像素点显示内容确定网络的输入，将与输入的特征对应的指示信息作为初始化的像素点显示内容确定网络的期望输出，基于预设的损失函数，训练得到眉毛检测模型。

具体地，损失函数可以用来表示初始化的像素点显示内容确定网络的实际输出与训练样本中的指示信息之间的差异程度。然后，可以基于损失函数，采用反向传播的方法调整初始化的像素点显示内容确定网络的参数，并在满足预设的训练结束条件的情况下，结束训练，获得训练完成的初始化的像素点显示内容确定网络。

预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值小于预设差异阈值等。

步骤3)，将上述确定的特征提取部分和训练完成的初始化的像素点显示内容确定网络组合得到上述眉毛检测模型。

可选地，上述眉毛检测模型还可以通过如下步骤训练得到：

步骤1)，获取训练样本集合。

其中，训练样本包括眉部图像和用于表示眉部图像的像素点显示的内容是否是眉毛的标注信息。

步骤2)，确定初始化的眉毛检测模型。

初始化的眉毛检测模型包括用于输出眉部图像中的像素点显示的内容是眉毛的概率的中间层。初始化的眉毛检测模型的输出层可以根据上述中间层输出的眉部图像中的各个像素点对应的概率，输出用于指示各个像素点显示的内容是否是眉毛的指示信息。例如，将对应的概率大于预设的概率阈值的像素点输出指示该像素点显示的内容是眉毛的指示信息，将对应的概率小于预设的概率阈值的像素点输出指示该像素点显示的内容不是眉毛的指示信息。

初始化的眉毛检测模型可以是各种类型的未经训练的或未训练完成的人工神经网络，例如深度学习模型。初始化的像素点显示内容确定网络也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。例如，初始化的像素点显示内容确定网络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得到的模型。

作为示例，可以获取现有的一些开源的、基于语义分割的卷积神经网络作为初始化的眉毛检测模型。

步骤3)训练初始化的眉毛检测模型得到眉毛检测模型。

具体地，可以利用机器学习的方法，将训练样本集合中的训练样本中的眉部图像作为初始化的眉毛检测模型的输入，将与输入的眉部图像对应的标注信息作为初始化的眉毛检测模型的期望输出，训练得到眉毛检测模型。

例如，可以基于预设的损失函数，训练得到眉毛检测模型。其中，损失函数可以用来表示初始化的眉毛检测模型的实际输出与训练样本中的标注信息之间的差异程度。然后，可以基于损失函数，采用反向传播的方法调整初始化的眉毛检测模型的参数，并在满足预设的训练结束条件的情况下，结束训练。训练完成的初始化的眉毛检测模型即可以作为上述眉毛检测模型。

其中，预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值小于预设差异阈值等。

其中，目标层为眉毛检测模型的输出层时，眉毛检测模型可以是用于表征眉部图像与指示眉部图像中的像素点显示的内容是眉毛的概率的输出结果信息的对应关系。

此时，眉毛检测模型可以是存储有大量单个像素点图像与对应的、像素点显示的内容是眉毛的概率的对应关系的对应关系表。实践中，可以预先采集大量的眉部图像，并从采集的眉部图像中提取各个像素点图像，由人工进行标注对应的概率。

具体地，在获取到待处理的眉部图像时，针对待处理的眉部图像中的像素点，可以将该像素点图像与上述对应关系表中的像素点图像一一比较，将与该像素点图像的相似度最高的像素点图像对应的概率作为该像素点显示的内容是眉毛的概率，从而得到待处理的眉部图像对应的输出结果信息。

可选地，眉毛检测模型还可以通过如下步骤训练得到：

步骤1)，获取训练样本集合。

其中，训练样本包括眉部图像和用于表示眉部图像中的像素点显示的内容是眉毛的概率。

步骤2)，确定初始化的眉毛检测模型。

初始化的眉毛检测模型可以是各种类型的未经训练的或未训练完成的人工神经网络，例如深度学习模型。初始化的像素点显示内容确定网络也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。例如，初始化的像素点显示内容确定网络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得到的模型。

步骤3)训练初始化的眉毛检测模型得到眉毛检测模型。

具体地，可以利用机器学习的方法，将训练样本集合中的训练样本中的眉部图像作为初始化的眉毛检测模型的输入，将与输入的眉部图像对应的概率作为初始化的眉毛检测模型的期望输出，训练得到眉毛检测模型。

例如，可以基于预设的损失函数，训练得到眉毛检测模型。其中，损失函数可以用来表示初始化的眉毛检测模型的实际输出与训练样本中的标注信息之间的差异程度。然后，可以基于损失函数，采用反向传播的方法调整初始化的眉毛检测模型的参数，并在满足预设的训练结束条件的情况下，结束训练。训练完成的初始化的眉毛检测模型即可以作为上述眉毛检测模型。

其中，预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值小于预设差异阈值等。

步骤203，根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像。

在本实施例中，可以基于输出结果信息，对眉部图像进行处理。具体地，可以根据实际的用户需求，执行不同的处理操作，以得到符合用户需求的、处理后的眉部图像。

例如，在对眉毛进行处理时，可以使得处理后的各个像素点显示的内容的效果与各个像素点对应的概率成正比或者反比。具体地，例如，想要对眉毛进行加黑处理，那么可以根据各个像素点对应的概率分别进行不同程度的加黑处理，使得像素点对应的概率越大，加黑程度越深。

又例如，可以将概率划分为若干个概率区间，对每个区间进行颜色均值化处理。具体地，以0到0.5(包含0和0.5)、0.5到1(包含1且不包含0.5)两个概率区间为示例，可以统计所有对应的概率在0到0.5之间的像素点的颜色的平均值，可以记为第一平均值，然后将这些像素点的颜色取值统一调整为上述第一平均值。对应地，可以统计所有对应的概率在0.5到1之间的像素点的颜色的平均值，可以记为第二平均值，然后，可以将这些像素点的颜色取值统一调整为上述第二平均值。

可选地，针对眉部图像中的像素点，还可以对该像素点执行预设的、与该像素点对应的概率对应的处理操作。举例来说，可以预先设置不同的概率对应的处理操作。具体的，例如，可以预先设置对于对应的概率在0.7到1(包括0.7和1)之间的像素点，将这些像素点的颜色取值统一调整为这些像素点的颜色的平均值。对于对应的概率在0.4到0.7(包括0.4且不包括0.7)之间的像素点，可以将这些像素点中对应的概率最大的像素点的颜色取值的平均值作为目标值，并将这些像素点的颜色取值统一调整为目标值。对于对应的概率在0到0.4(包括0且不包括0.4)之间的像素点，可以保留这些像素点的颜色取值不变。

本申请的上述实施例提供的方法通过对待处理的眉部图像中的各个像素点显示的内容是眉毛的概率先进行判断，进而根据各个像素点对应的概率对眉部图像进行处理，以得到处理后的眉部图像，使得能够对眉部图像实现像素粒度的、富有针对性的处理，有助于提升处理效果的精细程度。

进一步参考图3，其示出了用于处理眉部图像的方法的又一个实施例的流程300。该用于处理眉部图像的方法的流程300，包括以下步骤：

步骤301，获取待处理的眉部图像。

步骤302，将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息。

上述步骤301和302的具体的执行过程可参考图2对应实施例中的步骤201和202的相关说明，在此不再赘述。

步骤303，获取目标眉部替换图像。

在本实施例中，上述执行主体可以从本地或其他存储设备获取目标眉部替换图像。其中，眉部替换图像可以是任意的眉部图像。目标眉部替换图像可以是由相关技术人员预先设置的眉部图像。目标眉部替换图像也可以是根据具有的应用场景确定的眉部图像。例如，根据上述待处理的眉部图像的属性信息(如尺寸或各像素点的平均色调等)确定眉部替换图像。目标眉部替换图像也可以是用户指定的眉部图像。例如，上述执行主体可以向用户提供多个眉部替换图像，并将用户选择的眉部替换图像确定为目标眉部替换图像。

步骤304，根据眉部图像的尺寸，调整目标眉部替换图像的尺寸，使得调整后的目标眉部替换图像的尺寸与眉部图像的尺寸相匹配。

在本实施例中，可以根据具体的应用需求来调整目标眉部替换图像的尺寸。其中，调整后的目标眉部替换图像的尺寸和眉部图像的尺寸之间的匹配关系可以对应于具体的应用需求来设置。例如，想要替换与眉部图像相同尺寸的图像，那么，可以调整目标眉部替换图像的尺寸与眉部图像的尺寸相同。又例如，想要加粗等效果的眉部图像，那么，可以调整目标眉部替换图像的尺寸为眉部图像的尺寸的一定倍数。

步骤305，用调整后的目标眉部替换图像覆盖眉部图像，得到调整后的眉部图像。

在本实施例中，上述执行主体可以直接将调整后的目标眉部替换图像覆盖于眉部图像之上，作为调整后的眉部图像。例如，可以分别确定眉部图像和调整后的目标眉部替换图像的几何中心和过几何中心的标准线。然后，可以将眉部图像和调整后的目标眉部替换图像的几何中心和标准线进行对齐，从而使得调整后的目标眉部替换图像覆盖于眉部图像之上。

步骤306，针对调整后的眉部图像中的像素点，根据调整前的眉部图像中的、对应于该像素点的像素点对应的概率，设置该像素点的透明度，得到处理后的图像，其中，概率与透明度成正比。

在本实施例中，在得到调整后的眉部图像之后，可以进一步设置调整后的眉部图像中的各个像素点的透明度，使得各个像素点的透明度与各个像素点对应在眉部图像中的像素点所对应的概率成正比。

其中，根据调整后的眉部图像的尺寸和调整前的眉部图像的尺寸的具体情况，两个眉部图像中的像素点可以有不同方式的对应关系。例如，在调整后的眉部图像的尺寸与调整前的眉部图像的尺寸相同时，那么，那么眉部图像中的像素点可以按照一定顺序一一对应。

又例如，在调整后的眉部图像的尺寸与调整前的眉部图像的尺寸具有一定的倍数关系时，可以由相关技术人员指定具体的对应关系。例如，在调整后的眉部图像的尺寸大于调整前的眉部图像的尺寸时，对于调整后的眉部图像中的一个像素点，可以对应于调整前的眉部图像中的多个像素点，并根据对应的多个像素点对应的概率来设置调整后的眉部图像中的该像素点的透明度。

可选地，对于调整后的眉部图像中的像素点，可以设置该像素点的透明度与该像素点对应的概率相同。

可选地，也可以预设不同的概率区间，针对不同的概率区间设置不同的透明度。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于处理眉部图像的方法的流程300突出了根据输出结果信息，对眉部图像进行处理的步骤。由此，本实施例描述的方案可以对目标眉部替换图像的尺寸进行调整，并利用调整后的目标眉部替换图像来覆盖眉部图像以得到调整后的眉部图像，同时对于对应于不同概率的像素点设置不同的透明度，使得处理后的眉部图像中各个像素点的透明度与各个像素点对应的概率成正比，从而能够实现对眉部图像中显示有眉毛的像素点进行处理，对于显示有眉毛的概率较小的像素点，设置较低的透明度能够保留原本的非眉毛的信息，从而有助于提升眉部图像处理的准确度和处理后的眉部图像中显示的眉毛的自然度，避免眉部图像中的非眉毛区域也被覆盖的现象。

进一步参考图4，其示出了用于处理眉部图像的方法的又一个实施例的流程400。该用于处理眉部图像的方法的流程400，包括以下步骤：

步骤401，获取人脸图像。

在本实施例中，上述执行主体可以从本地或其他存储设备获取人脸图像。人脸图像可以为显示有全部或部分人脸的图像。

步骤402，确定人脸图像中显示眉毛的图像区域，以及将确定的图像区域确定为眉部图像。

在本实施例中，可以利用现有的一些人脸图像分析方法(如基于关键点的人脸图像分析方法、基于深度学习的人脸图像分析方法等)，确定出人脸图像中显示眉毛的图像区域作为眉部图像。

步骤403，将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息。

本步骤403的具体的执行过程可参考图2对应实施例中的步骤和202的相关说明，在此不再赘述。

步骤404，获取目标眉部替换图像。

步骤405，根据眉部图像的尺寸，调整目标眉部替换图像的尺寸，使得调整后的目标眉部替换图像的尺寸与眉部图像的尺寸相匹配。

步骤406，用调整后的目标眉部替换图像覆盖眉部图像，得到调整后的眉部图像。

步骤407，针对调整后的眉部图像中的像素点，根据调整前的眉部图像中的、对应于该像素点的像素点对应的概率，设置该像素点的透明度，得到处理后的图像，其中，概率与透明度成正比。

上述步骤404-407的具体的执行过程可参考图3对应实施例中的步骤和303-306的相关说明，在此不再赘述。

步骤408，用处理后的眉部图像覆盖人脸图像中显示眉毛的图像区域，得到处理后的人脸图像。

在本实施例中，可以进一步的将得到的处理后的眉部图像覆盖于人脸图像中显示眉毛的图像区域，从而得到处理后的人脸图像，以实现对人脸图像中显示的眉毛进行处理。

继续参见图5，图5是根据本实施例的用于处理眉部图像的方法的应用场景的一个示意图。在图5的应用场景中，对于人脸图像501，可以先利用基于关键点的人脸分析方法从人脸图像501中定位出眉部区域，得到眉部图像5021和5022，分别对应于左侧眉毛和右侧眉毛。

以左侧眉毛为示例，将左侧眉毛对应的眉部图像5021输入至眉毛检测模型503。从图中可以看出，眉毛检测模型包括多个卷积层、目标层和输出层，其中，目标层可以用于输出眉部图像5021中的各个像素点显示的内容是眉毛的概率。因此，可以获取目标层输出的概率集合5041。

以眉部图像5021包含N个像素点为示例，概率集合5041可以按照一定的顺序一一对应于眉部图像5021包含的N个像素点。例如，按照眉部图像5021从左至右且从上到下的顺序，第一个像素点对应的概率为P11，第二个像素点对应的概率为P12，依次类推，第N个像素点对应的概率为P1N。

类似地，将右侧眉毛对应的眉部图像5022输入至眉毛检测模型503，获取对应的概率集合5042。以眉部图像5022包含N个像素点为示例，概率集合5042可以按照一定的顺序一一对应于眉部图像5022包含的N个像素点。例如，按照眉部图像5022从左至右且从上到下的顺序，第一个像素点对应的概率为P21，第二个像素点对应的概率为P22，依次类推，第N个像素点对应的概率为P2N。

之后，可以获取和眉部图像5021和5022的尺寸相同的眉部替换图像5051和5052，分别对应于左侧眉毛和右侧眉毛。将眉部替换图像5051和5052分别覆盖于眉部图像5021和5022，并根据概率集合5041和5042设置上方的眉部替换图像5051和5052中的各个像素点的透明度，得到处理后的眉部图像5061和5062。如图中所示，左侧眉毛有部分被头发遮挡，因此，这部分像素点对应的概率也较低，从而可以设置这部分的像素点的透明度低一些，从而使得眉部替换图像5051只替换眉部图像5021中显示有眉毛的像素点，而对被头发遮挡的像素点并不会被眉部替换图像中对应的像素点替换。

之后，可以将处理后的眉部图像5061和5062覆盖于人脸图像501中定位出的眉部区域，以得到处理后的人脸图像507。

从图4中可以看出，与图2和图3对应的实施例相比，本实施例中的用于处理眉部图像的方法的流程400还可以先定位出人脸图像中显示眉毛的图像区域，然后将处理后的眉毛图像覆盖于显示眉毛的图像区域，以得到处理后的人脸图像。由此，本实施例描述的方案可以对人脸图像中显示的眉毛进行有效处理。

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眉部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，本实施例提供的用于处理眉部图像的装置600包括眉部图像获取单元601、输出结果信息获取单元602和处理单元603。其中，眉部图像获取单元601被配置成获取待处理的眉部图像；输出结果信息获取单元602被配置成将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息，其中，输出结果信息用于表示眉部图像中的像素点显示的内容是眉毛的概率；处理单元603被配置成根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像。

在本实施例中，用于处理眉部图像的装置600中：眉部图像获取单元601、输出结果信息获取单元602和处理单元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和步骤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，上述处理单元603进一步被配置成：获取目标眉部替换图像；根据眉部图像的尺寸，调整目标眉部替换图像的尺寸，使得调整后的目标眉部替换图像的尺寸与眉部图像的尺寸相匹配；用调整后的目标眉部替换图像覆盖眉部图像，得到调整后的眉部图像；针对调整后的眉部图像中的像素点，根据调整前的眉部图像中的、对应于该像素点的像素点对应的概率，设置该像素点的透明度，得到处理后的图像，其中，概率与透明度成正比。

在本实施例的一些可选的实现方式中，上述处理单元603进一步被配置成：针对眉部图像中的像素点，对该像素点执行预设的、与该像素点对应的概率对应的处理操作。

在本实施例的一些可选的实现方式中，上述用于处理眉部图像的装置600还包括：人脸图像获取单元(图中未示出)被配置成获取人脸图像；上述眉部图像获取单元601进一步被配置成：确定人脸图像中显示眉毛的图像区域，以及将确定的图像区域确定为眉部图像。

在本实施例的一些可选的实现方式中，上述处理单元603进一步被配置成：用处理后的眉部图像覆盖人脸图像中显示眉毛的图像区域，得到处理后的人脸图像。

在本实施例的一些可选的实现方式中，上述眉毛检测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括眉部图像和用于表示眉部图像中的像素点显示的内容是否是眉毛的标注信息；确定初始化的眉毛检测模型，其中，初始化的眉毛检测模型包括用于输出眉部图像中的像素点显示的内容是眉毛的概率的目标层；利用机器学习的方法，将训练样本集合中的训练样本中的眉部图像作为初始化的眉毛检测模型的输入，将与输入的眉部图像对应的标注信息作为初始化的眉毛检测模型的期望输出，训练得到眉毛检测模型。

本申请的上述实施例提供的装置，通过眉部图像获取单元获取待处理的眉部图像；输出结果信息获取单元将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息，其中，输出结果信息用于表示眉部图像中的像素点显示的内容是眉毛的概率；处理单元根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像，从而实现了对眉部图像中每个像素点显示的内容是眉毛的概率判断，进而能够根据每个像素点对应的概率，对眉部图像进行处理，使得能够对眉部图像实现像素级别的、具有针对性的处理。

下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子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，包括眉部图像获取单元、输出结果信息获取单元和处理单元。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，眉部图像获取单元还可以被描述为“获取待处理的眉部图像的单元”。

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电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：获取待处理的眉部图像；将眉部图像输入至预先训练的眉毛检测模型，获取眉毛检测模型的目标层的输出结果信息，其中，输出结果信息用于表示眉部图像中的像素点显示的内容是眉毛的概率；根据输出结果信息，对眉部图像进行处理，得到处理后的眉部图像。

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)

1.一种用于处理眉部图像的方法，包括：

获取待处理的眉部图像；

将所述眉部图像输入至预先训练的眉毛检测模型，获取所述眉毛检测模型的目标层的输出结果信息，其中，所述输出结果信息用于表示所述眉部图像中的像素点显示的内容是眉毛的概率；

根据所述输出结果信息，对所述眉部图像进行处理，得到处理后的眉部图像；

其中，所述根据所述输出结果信息，对所述眉部图像进行处理，得到处理后的眉部图像，包括：获取目标眉部替换图像；根据所述眉部图像的尺寸，调整所述目标眉部替换图像的尺寸，使得调整后的目标眉部替换图像的尺寸与所述眉部图像的尺寸相匹配；用调整后的目标眉部替换图像覆盖所述眉部图像，得到调整后的眉部图像；针对所述调整后的眉部图像中的像素点，根据调整前的眉部图像中的、对应于该像素点的像素点对应的概率，设置该像素点的透明度，得到处理后的图像，其中，概率与透明度成正比。

2.根据权利要求1所述的方法，其中，所述根据所述输出结果信息，对所述眉部图像进行处理，得到处理后的眉部图像，包括：

针对所述眉部图像中的像素点，对该像素点执行预设的、与该像素点对应的概率对应的处理操作。

3.根据权利要求1所述的方法，其中，在所述获取待处理的眉部图像之前，还包括：

获取人脸图像；以及

所述获取待处理的眉部图像，包括：

确定所述人脸图像中显示眉毛的图像区域，以及将确定的图像区域确定为所述眉部图像。

4.根据权利要求3所述的方法，其中，在所述得到处理后的眉部图像之后，还包括：

用所述处理后的眉部图像覆盖所述人脸图像中显示眉毛的图像区域，得到处理后的人脸图像。

5.根据权利要求1-4之一所述的方法，其中，所述眉毛检测模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括眉部图像和用于表示眉部图像中的像素点显示的内容是否是眉毛的标注信息；

确定初始化的眉毛检测模型，其中，所述初始化的眉毛检测模型包括用于输出眉部图像中的像素点显示的内容是眉毛的概率的目标层；

利用机器学习的方法，将所述训练样本集合中的训练样本中的眉部图像作为初始化的眉毛检测模型的输入，将与输入的眉部图像对应的标注信息作为初始化的眉毛检测模型的期望输出，训练得到所述眉毛检测模型。

6.一种用于处理眉部图像的装置，包括：

眉部图像获取单元，被配置成获取待处理的眉部图像；

输出结果信息获取单元，被配置成将所述眉部图像输入至预先训练的眉毛检测模型，获取所述眉毛检测模型的目标层的输出结果信息，其中，所述输出结果信息用于表示所述眉部图像中的像素点显示的内容是眉毛的概率；

处理单元，被配置成根据所述输出结果信息，对所述眉部图像进行处理，得到处理后的眉部图像；

其中，所述处理单元，进一步被配置成：

获取目标眉部替换图像；

根据所述眉部图像的尺寸，调整所述目标眉部替换图像的尺寸，使得调整后的目标眉部替换图像的尺寸与所述眉部图像的尺寸相匹配；

用调整后的目标眉部替换图像覆盖所述眉部图像，得到调整后的眉部图像；

针对所述调整后的眉部图像中的像素点，根据调整前的眉部图像中的、对应于该像素点的像素点对应的概率，设置该像素点的透明度，得到处理后的图像，其中，概率与透明度成正比。

7.根据权利要求6所述的装置，其中，所述处理单元，进一步被配置成：

针对所述眉部图像中的像素点，对该像素点执行预设的、与该像素点对应的概率对应的处理操作。

8.根据权利要求6所述的装置，其中，所述装置还包括：

人脸图像获取单元，被配置成获取人脸图像；

所述眉部图像获取单元，进一步被配置成：

确定所述人脸图像中显示眉毛的图像区域，以及将确定的图像区域确定为所述眉部图像。

9.根据权利要求8所述的装置，其中，所述处理单元进一步被配置成：

用所述处理后的眉部图像覆盖所述人脸图像中显示眉毛的图像区域，得到处理后的人脸图像。

10.根据权利要求6-9之一所述的装置，其中，所述眉毛检测模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括眉部图像和用于表示眉部图像中的像素点显示的内容是否是眉毛的标注信息；

确定初始化的眉毛检测模型，其中，所述初始化的眉毛检测模型包括用于输出眉部图像中的像素点显示的内容是眉毛的概率的目标层；

利用机器学习的方法，将所述训练样本集合中的训练样本中的眉部图像作为初始化的眉毛检测模型的输入，将与输入的眉部图像对应的标注信息作为初始化的眉毛检测模型的期望输出，训练得到所述眉毛检测模型。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

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。

Images