CN109271706B - 发型生成方法及装置 - Google Patents
发型生成方法及装置 Download PDFInfo
- Publication number
- CN109271706B CN109271706B CN201811078856.5A CN201811078856A CN109271706B CN 109271706 B CN109271706 B CN 109271706B CN 201811078856 A CN201811078856 A CN 201811078856A CN 109271706 B CN109271706 B CN 109271706B
- Authority
- CN
- China
- Prior art keywords
- hair
- hair style
- matching
- effective
- picture
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
Abstract
本发明实施例涉及图像处理技术领域,具体而言,涉及一种发型生成方法及装置。该方法应用于预存有图库的服务端,图库中包括有多张发型图片,该方法包括:获得人像图片的头发区域中的多个有效角点以及各个有效角点对应的特征描述子,利用图库筛选出与图库匹配成功的特征描述子,针对与图库匹配成功的每个特征描述子,获取该特征描述子对应的有效角点在该特征描述子对应的发型图片中的第一区域块以及该有效角点在头发区域中的第二区域块,将第一区域块覆盖至第二区域块,以获得初始发型生成图片,采用深度神经网络对初始发型生成图片进行融合,以获得最终发型生成图片。采用该方法及装置能够准确、灵活地生成与用户形象适配的卡通发型。
Description
技术领域
本发明实施例涉及图像处理技术领域,具体而言,涉及一种发型生成方法及装置。
背景技术
随着科学技术的发展,图像美化软件的功能越来越强大,用户不仅可以通过图像美化软件生成与自己形象匹配的实际发型,还可以通过图像美化软件生成与自己形象匹配的卡通发型,但是现有技术难以准确、灵活地生成与用户形象适配的卡通发型。
发明内容
有鉴于此,本发明提供了一种发型生成方法及装置,能够准确、灵活地生成与用户形象适配的卡通发型。
为实现上述目的,本发明实施例提供了一种发型生成方法,应用于服务端,所述服务端预存有图库,所述图库中包括有多张发型图片,所述方法包括:
获取人像图片中的头发区域,获取所述头发区域中的多个有效角点,计算各所述有效角点的特征描述子,其中,所述特征描述子包括有效角点处的发丝走向、有效角点与所述人像图片中人像中心点的距离和夹角;
将各所述特征描述子与所述图库中的每张发型图片进行匹配,筛选出与所述图库匹配成功的特征描述子,其中,与所述图库匹配成功的特征描述子对应所述图库中的一张发型图片;
针对与所述图库匹配成功的每个特征描述子,获取该特征描述子对应的有效角点在该特征描述子对应的发型图片中的第一区域块,获取该有效角点在所述头发区域中的第二区域块,将所述第一区域块覆盖至所述第二区域块,以获得包含有多个第一区域块的初始发型生成图片;
将所述初始发型生成图片输入深度神经网络,采用所述深度神经网络对所述初始发型生成图片中的多个第一区域块进行融合,以获得最终发型生成图片。
可选地,获取所述头发区域中的多个有效角点的步骤,包括:
获取所述头发区域中的多个角点;
计算各所述角点的响应度函数值,将各所述响应度函数值按从大到小的顺序进行排序;
从完成排序的多个响应度函数值中筛选出排序靠前的预设数量的响应度函数值;
获取筛选出的各响应度函数值对应的角点作为有效角点。
可选地,计算各所述有效角点的特征描述子的步骤,包括:
针对每个有效角点,获得该有效角点对应的结构张量,根据所述结构张量计算该有效角点处的发丝走向;
计算该有效角点与所述人像中心点的距离;
计算该有效角点与所述人像中心点的夹角;
将所述发丝走向、所述距离和所述夹角进行合并,获得该有效角点的特征描述子。
可选地,所述方法还包括:
获得修改所述预设数量的第一修改指令;
根据所述第一修改指令对所述预设数量进行修改。
可选地,将各所述特征描述子与所述图库中的每张发型图片进行匹配,筛选出与所述图库匹配成功的特征描述子的步骤,包括:
针对每个特征描述子,将该特征描述子与所述图库中的每张发型图片的特征描述子进行匹配,获得匹配结果,其中,各所述匹配结果为匹配成功或匹配失败,匹配成功的匹配结果中包括匹配率;
统计匹配成功的匹配结果的数量,判断所述数量是否大于预设值,若所述数量大于所述预设值,获得最高匹配率和次高匹配率,计算所述次高匹配率与所述最高匹配率的比值,判断所述比值是否大于预设比值,若所述比值大于所述预设比值,判定该特征描述子与所述图库匹配成功;其中,该特征描述子与所述最高匹配率对应的发型图片对应。
可选地,所述方法还包括:
获得修改所述预设比值的第二修改指令;
根据所述第二修改指令对所述预设比值进行修改。
可选地,获取该有效角点在所述头发区域中的第二区域块的步骤,包括:
针对所述头发区域中的每个像素,计算该像素与该有效角点的距离,计算该像素与其他有效角点的距离;其中,所述其他有效角点的特征描述子与所述图库匹配成功;
判断该像素与该有效角点的距离是否小于该像素与其他有效角点的距离,若小于,将该像素作为第二区域块。
本发明实施例还提供了一种发型生成装置,应用于服务端,所述服务端预存有图库,所述图库中包括有多张发型图片,所述装置包括:
获取模块,用于获取人像图片中的头发区域,获取所述头发区域中的多个有效角点,计算各所述有效角点的特征描述子,其中,所述特征描述子包括有效角点处的发丝走向、有效角点与所述人像图片中人像中心点的距离和夹角;
匹配模块,用于将各所述特征描述子与所述图库中的每张发型图片进行匹配,筛选出与所述图库匹配成功的特征描述子,其中,与所述图库匹配成功的特征描述子对应所述图库中的一张发型图片;
拼接模块,用于针对与所述图库匹配成功的每个特征描述子,获取该特征描述子对应的有效角点在该特征描述子对应的发型图片中的第一区域块,获取该有效角点在所述头发区域中的第二区域块,将所述第一区域块覆盖至所述第二区域块,以获得包含有多个第一区域块的初始发型生成图片;
融合模块,用于将所述初始发型生成图片输入深度神经网络,采用所述深度神经网络对所述初始发型生成图片中的多个第一区域块进行融合,以获得最终发型生成图片。
可选地,所述获取模块通过以下方式计算各所述有效角点的特征描述子:
针对每个有效角点,获得该有效角点对应的结构张量,根据所述结构张量计算该有效角点处的发丝走向;
计算该有效角点与所述人像中心点的距离;
计算该有效角点与所述人像中心点的夹角;
将所述发丝走向、所述距离和所述夹角进行合并,获得该有效角点的特征描述子。
可选地,所述匹配模块通过以下方式将各所述特征描述子与所述图库中的每张发型图片进行匹配,筛选出与所述图库匹配成功的特征描述子:
针对每个特征描述子,将该特征描述子与所述图库中的每张发型图片的特征描述子进行匹配,获得匹配结果,其中,各所述匹配结果为匹配成功或匹配失败,匹配成功的匹配结果中包括匹配率;
统计匹配成功的匹配结果的数量,判断所述数量是否大于预设值,若所述数量大于所述预设值,获得最高匹配率和次高匹配率,计算所述次高匹配率与所述最高匹配率的比值,判断所述比值是否大于预设比值,若所述比值大于所述预设比值,判定该特征描述子与所述图库匹配成功;其中,该特征描述子与所述最高匹配率对应的发型图片对应
本发明实施例还提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的发型生成方法。
本发明实施例还提供了一种计算机可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在电子设备执行上述的发型生成方法。
本发明实施例提供的发型生成方法及装置,能够获取人像图片头发区域中的有效角点以及有效角点的特征描述子,通过图库对这些特征描述子进行匹配,根据筛选出的特征描述子获取符合要求的有效角点,从图库中获取符合要求的每个有效角点的第一区域块,从头发区域中获取符合要求的每个有效角点的第二区域块,将第一区域块覆盖至第二区域块,以实现分块匹配,获得“碎块化”的初始发型生成图片。由于符合要求的每个有效角点均对应图库中的一张发型图片,因此这种分块匹配能够提供高发型生成的准确性,又由于符合要求的每个有效角点对应的发型图片可能不同,因此能够提高发型生成的灵活性,能够通过有限的发型图片实现多样化的组合。采用深度神经网络对初始发型生成图片进行融合获得最终发型生成图片,以实现分块融合。通过分块匹配以及分块融合,能够准确、灵活地生成与用户形象适配的发型。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例所提供的一种电子设备10的方框示意图。
图2为本发明实施例所提供的一种发型生成方法的流程图。
图3为一实施方式中图2所示的步骤S21包括的子步骤的示意图。
图4为本发明实施例所提供的一种发型生成装置20的模块框图。
图标:10-电子设备;11-存储器;12-处理器;13-网络模块;20-发型生成装置;21-获取模块;22-匹配模块;23-拼接模块;24-融合模块。
具体实施方式
发明人经调查发现,由于头发的细节非常丰富,形态变化情况复杂,目前生成与用户形象对应的卡通发型比较困难。例如,若采用分类匹配的方式,很难以有限的类别概括千奇百怪的发型情况,若采用用户3D信息生成头发,又需要消耗大量计算资源去完成,对设备的要求极高。因此,现有技术难以准确、灵活地生成与用户形象适配的卡通发型。
以上现有技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案,都应该是发明人在本发明过程中对本发明做出的贡献。
基于上述研究,本发明实施例提供了一种发型生成方法及装置,采用分块匹配和分块融合的方法能够准确、灵活地生成与用户形象适配的卡通发型。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1示出了本发明实施例所提供的一种电子设备10的方框示意图。本发明实施例中的电子设备10可以为具有数据存储、传输、处理功能的服务端,如图1所示,电子设备10包括:存储器11、处理器12、网络模块13和发型生成装置20。
存储器11、处理器12和网络模块13之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有发型生成装置20,所述发型生成装置20包括至少一个可以软件或固件(firmware)的形式储存于所述存储器11中的软件功能模块,所述处理器12通过运行存储在存储器11内的软件程序以及模块,例如本发明实施例中的发型生成装置20,从而执行各种功能应用以及数据处理,即实现本发明实施例中的发型生成方法。
其中,所述存储器11可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器11用于存储程序,所述处理器12在接收到执行指令后,执行所述程序。
所述处理器12可能是一种集成电路芯片,具有数据的处理能力。上述的处理器12可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
网络模块13用于通过网络建立电子设备10与其他通信终端设备之间的通信连接,实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
可以理解,图1所示的结构仅为示意,电子设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还提供一种计算机可读存储介质,所述可读存储介质包括计算机程序。所述计算机程序运行时控制所述可读存储介质所在电子设备10执行下面的发型生成方法。
在本实施例中,该方法应用于服务端,该服务端预存有图库,该图库中包括多张发型图片,可以理解,发型图片的数量根据实际情况以及服务端对应的电子设备的处理性能而定,若电子设备处理性能高,发型图片的数量可以设置的相对较多,若电子设备的处理性能低,发型图片的数量可以设置的相对较少。
图2示出了本发明实施例所提供的一种发型生成方法的流程图。所述方法有关的流程所定义的方法步骤应用于电子设备10,可以由所述处理器12实现。下面将对图2所示的具体流程进行详细阐述:
步骤S21,获取人像图片中的头发区域,获取头发区域中的多个有效角点,计算各有效角点的特征描述子。
首先,获得一张人像图片Image,识别出人像图片Image中的头发区域H。
进一步地,头发区域H中存在多个角点,角点是十分常见的局部特征之一,指图像中灰度变化剧烈的点或者图像中轮廓边界的相交点,角点反应了图像中的关键信息,对图像的理解和分析有重要作用。因此,要实现发型生成,需要获得头发区域H中的多个角点,要实现发型的准确生成,还需要筛选出有效角点。
请结合参阅图3,本实施例中,通过步骤S211、步骤S212、步骤S213和步骤S214列举了获得头发区域中的多个有效角点的其中一种实现方式:
步骤S211,获得头发区域的多个角点。
首先获得头发区域H的多个(所有)角点,其中,角点为Harris角点。
步骤S212,计算各角点的响应度函数值,将各响应度函数值进行排序。
其中,响应度函数值按照从大到小的顺序进行排序,响应度函数值大的排序靠前。
步骤S213,从完成排序的多个响应度函数值中筛选出排序靠前的预设数量的响应度函数值。
在本实施例中,预设数量可以选128。可以理解,预设数量可以根据实际情况进行修改,具体地,服务端可以获取用于修改预设数量的第一修改指令,根据第一修改指令对预设数量进行修改。
步骤S214,获取筛选出的各响应度函数值对应的角点作为有效角点。
以上步骤可以总结为:获取响应度函数值最大的128个角点。
例如,头发区域H的角点有200个,经过筛选后,获得128个有效角点,可以理解,预先进行角点筛选,能够筛选出最能反映人像图片Image特征的有效角点,对这些有效角点进行处理,能够生成更加生动的发型。
在本实施例中,有效角点可以为Hpi,其中,i为128以内的正整数。
进一步地,计算Hpi的特征描述子Fpi,Fpi包括对应Hpi处的发丝走向Hdirei、以及对应Hpi与人像图片Image的人像中心点的距离di和θi,即Fpi=[Hdirei,di,θi]。具体地,可以通过有Hpi的结构张量计算Hdirei,还可以计算出有Hpi与人像图片Image的人像中心点的距离di和θi。
步骤S22,筛选出与图库匹配的特征描述子。
采用ransac算法将Fpi与图库中的每一张发型图片的特征描述子进行匹配,获得匹配结果,例如,图库中存在20张发型图片,Fp1与20张发型图片分别进行匹配,获得20种匹配结果,其中,匹配结果包括匹配成功和匹配失败,匹配成功的匹配结果中还包括匹配率。
进一步地,判断Fp1是否与图库匹配,需要经过两轮判定:
第一轮判定:判断匹配成功的结果数量是否大于预设值,其中,预设值为2,当匹配成功的结果数量大于2,才会进行第二轮判断,否则,判定该特征描述子Fp1与图库不匹配。
第二轮判定:获取最高匹配率和次高匹配率,计算次高匹配率与最高匹配率的比值,判断比值是否大于预设比值,若比值大于预设比值,判定该特征描述子Fp1与图库匹配成功。
其中,预设比值可以选为2.5。可选地,服务端还可以获得用于修改预设比值的第二修改指令,根据第二修改指令对预设比值进行修改。
又例如,假设Fp1的20种匹配结果有15个匹配成功且次高匹配率与最高匹配率的比值大于2.5,则判定Fp1与图库匹配成功,进一步地,获取15个匹配成功的结果种匹配率最高的发型图片,假设为发型图片C4,可以理解,Fp1与C4对应。
通过步骤S22可以筛选出与图库匹配的多个特征描述子以及与每个特征描述子最匹配的发型图片。为之后的“分块匹配”提供准确的数据基础。
步骤S23,对头发区域进行分块匹配和拼接,获得初始发型生成图片。
可以理解,通过步骤S22的筛选,可能会滤除一些不符合要求的特征描述子及其对应的角点,假设经过步骤S22的筛选还剩下100个有效角点,这些有效角点对应的特征描述子为Hfpj,其中,j为100以内的正整数。
进一步地,获取Hfpj对应的有效角点在Hfpj对应的头发图片中的第一区域块,继续以步骤S22的例子Fp1、C4为例,可以将Hfp1视为Fp1(即假设Fp101~Fp128与图库不匹配)。可以理解,Hfp1与C4对应,获取Hfp1在C4中的第一区域块,获取Hfp1在Image中的第二区域块,采用第一区域块覆盖第二区域块,如此设置,头发区域H中的Hfp1对应的有效角点对应的第二区域块均被对应的第一区域块覆盖,进而拼接生成一张“碎块化”的初始发型生成图片Htemp。
经过上述筛选之后,与图库匹配的特征描述子还剩下100个,相应地,头发区域H中剩余的有效角点还剩下100个,剩下的每个有效角点对应有一区域块,该区域块以有效角点为中心,区域块中布满像素,这些像素到达该有效角点的距离相比于到达其他有效角点的距离最近。可以理解,每个角点在对应的发型图片中的区域块为第一区域块,在人像图片Image中的区域块为第二区域块,第一区域块和第二区域块本质上相同,只是对应的图片不同。
下面以具体示例对区域块进行详细说明:选取头发区域H中的任意一个像素x,计算该像素到100个有效角点的距离,对这些距离进行比较,发现像素x到达第24个有效角点的距离最近,因此,判定像素x在第24个有效角点的区域块内,将像素x作为第24个有效角点的区域块的一部分。
步骤S24,将初始发型生成图片输入深度神经网络,采用深度神经网络对初始发型生成图片进行融合,以获得最终发型生成图片。
其中,深度神经网络选用HNN,其中HNN表示HairNeuralNetwork,是在本实例中简易描述一个卷积神经网络的符号,H表示该深度神经网络用于卡通发型生成,可以理解,HNN的本质仍是卷积神经网络。
进一步地,HNN是一个类似ResNet50结构的生成网络。采用HNN能够将初始发型生成图片Htemp中的第一区域块进行分块融合,以获得走势基本一致的最终发型生成图片Hout。应当理解,最终发型生成图片Hout中的发型可以是实际发型,也可以是卡通发型。
可以理解,该方法通过对头发区域H进行分块匹配和分块融合,能够利用有限的头发图片生成不同的发型组合,提供高了发型生成的灵活性,无需庞大的发型图片数据库,减少了对设备要求。且前期对有效角点以及特征描述子的筛选能够保证生成的发型图片与用户形象最大程度的适配,提供高了发型生成的准确性,且大部分计算可以并行完成,计算效率高。
应当理解,本实施例示例中的具体数字仅用于对本方案进行直观、简洁的说明,并不是对本方案的限定。
在上述基础上,如图4所示,本发明实施例提供了一种发型生成装置20,所述发型生成装置20包括:获取模块21、匹配模块22、拼接模块23和融合模块24。
获取模块21,用于获取人像图片中的头发区域,获取所述头发区域中的多个有效角点,计算各所述有效角点的特征描述子,其中,所述特征描述子包括有效角点处的发丝走向、有效角点与所述人像图片中人像中心点的距离和夹角。
由于获取模块21和图2中步骤S21的实现原理类似,因此在此不作更多说明。
匹配模块22,用于将各所述特征描述子与所述图库中的每张发型图片进行匹配,筛选出与所述图库匹配成功的特征描述子,其中,与所述图库匹配成功的特征描述子对应所述图库中的一张发型图片。
由于匹配模块22和图2中步骤S22的实现原理类似,因此在此不作更多说明。
拼接模块23,用于针对与所述图库匹配成功的每个特征描述子,获取该特征描述子对应的有效角点在该特征描述子对应的发型图片中的第一区域块,获取该有效角点在所述头发区域中的第二区域块,将所述第一区域块覆盖至所述第二区域块,以获得包含有多个第一区域块的初始发型生成图片。
由于拼接模块23和图2中步骤S23的实现原理类似,因此在此不作更多说明。
融合模块24,用于将所述初始发型生成图片输入深度神经网络,采用所述深度神经网络对所述初始发型生成图片中的多个第一区域块进行融合,以获得最终发型生成图片。
由于融合模块24和图2中步骤S24的实现原理类似,因此在此不作更多说明。
综上,本发明实施例所提供的发型生成方法及装置,采用“分块匹配”和“分块融合”能够准确、灵活地生成与用户形象适配的卡通发型。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备10,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种发型生成方法,其特征在于,应用于服务端,所述服务端预存有图库,所述图库中包括有多张发型图片,所述方法包括:
获取人像图片中的头发区域,获取所述头发区域中的多个有效角点,计算各所述有效角点的特征描述子,其中,所述特征描述子包括有效角点处的发丝走向、有效角点与所述人像图片中人像中心点的距离和夹角;
将各所述特征描述子与所述图库中的每张发型图片进行匹配,筛选出与所述图库匹配成功的特征描述子,其中,与所述图库匹配成功的特征描述子对应所述图库中的一张发型图片;
针对与所述图库匹配成功的每个特征描述子,获取该特征描述子对应的有效角点在该特征描述子对应的发型图片中的第一区域块,获取该有效角点在所述头发区域中的第二区域块,将所述第一区域块覆盖至所述第二区域块,以获得包含有多个第一区域块的初始发型生成图片;
将所述初始发型生成图片输入深度神经网络,采用所述深度神经网络对所述初始发型生成图片中的多个第一区域块进行融合,以获得最终发型生成图片;
其中,获取所述头发区域中的多个有效角点的步骤,包括:
获取所述头发区域中的多个角点;
计算各所述角点的响应度函数值,将各所述响应度函数值按从大到小的顺序进行排序;
从完成排序的多个响应度函数值中筛选出排序靠前的预设数量的响应度函数值;
获取筛选出的各响应度函数值对应的角点作为有效角点;
其中,计算各所述有效角点的特征描述子的步骤,包括:
针对每个有效角点,获得该有效角点对应的结构张量,根据所述结构张量计算该有效角点处的发丝走向;
计算该有效角点与所述人像中心点的距离;
计算该有效角点与所述人像中心点的夹角;
将所述发丝走向、所述距离和所述夹角进行合并,获得该有效角点的特征描述子。
2.根据权利要求1所述的发型生成方法,其特征在于,所述方法还包括:
获得修改所述预设数量的第一修改指令;
根据所述第一修改指令对所述预设数量进行修改。
3.根据权利要求1所述的发型生成方法,其特征在于,将各所述特征描述子与所述图库中的每张发型图片进行匹配,筛选出与所述图库匹配成功的特征描述子的步骤,包括:
针对每个特征描述子,将该特征描述子与所述图库中的每张发型图片的特征描述子进行匹配,获得匹配结果,其中,各所述匹配结果为匹配成功或匹配失败,匹配成功的匹配结果中包括匹配率;
统计匹配成功的匹配结果的数量,判断所述数量是否大于预设值,若所述数量大于所述预设值,获得最高匹配率和次高匹配率,计算所述次高匹配率与所述最高匹配率的比值,判断所述比值是否大于预设比值,若所述比值大于所述预设比值,判定该特征描述子与所述图库匹配成功;其中,该特征描述子与所述最高匹配率对应的发型图片对应。
4.根据权利要求3所述的发型生成方法,其特征在于,所述方法还包括:
获得修改所述预设比值的第二修改指令;
根据所述第二修改指令对所述预设比值进行修改。
5.根据权利要求1所述的发型生成方法,其特征在于,获取该有效角点在所述头发区域中的第二区域块的步骤,包括:
针对所述头发区域中的每个像素,计算该像素与该有效角点的距离,计算该像素与其他有效角点的距离;其中,所述其他有效角点的特征描述子与所述图库匹配成功;
判断该像素与该有效角点的距离是否小于该像素与其他有效角点的距离,若小于,将该像素作为第二区域块。
6.一种发型生成装置,其特征在于,应用于服务端,所述服务端预存有图库,所述图库中包括有多张发型图片,所述装置包括:
获取模块,用于获取人像图片中的头发区域,获取所述头发区域中的多个有效角点,计算各所述有效角点的特征描述子,其中,所述特征描述子包括有效角点处的发丝走向、有效角点与所述人像图片中人像中心点的距离和夹角;
匹配模块,用于将各所述特征描述子与所述图库中的每张发型图片进行匹配,筛选出与所述图库匹配成功的特征描述子,其中,与所述图库匹配成功的特征描述子对应所述图库中的一张发型图片;
拼接模块,用于针对与所述图库匹配成功的每个特征描述子,获取该特征描述子对应的有效角点在该特征描述子对应的发型图片中的第一区域块,获取该有效角点在所述头发区域中的第二区域块,将所述第一区域块覆盖至所述第二区域块,以获得包含有多个第一区域块的初始发型生成图片;
融合模块,用于将所述初始发型生成图片输入深度神经网络,采用所述深度神经网络对所述初始发型生成图片中的多个第一区域块进行融合,以获得最终发型生成图片;
其中,所述获取模块通过以下方式获取所述头发区域中的多个有效角点;
获取所述头发区域中的多个角点;计算各所述角点的响应度函数值,将各所述响应度函数值按从大到小的顺序进行排序;从完成排序的多个响应度函数值中筛选出排序靠前的预设数量的响应度函数值;获取筛选出的各响应度函数值对应的角点作为有效角点;
其中,所述获取模块通过以下方式计算各所述有效角点的特征描述子:
针对每个有效角点,获得该有效角点对应的结构张量,根据所述结构张量计算该有效角点处的发丝走向;
计算该有效角点与所述人像中心点的距离;
计算该有效角点与所述人像中心点的夹角;
将所述发丝走向、所述距离和所述夹角进行合并,获得该有效角点的特征描述子。
7.根据权利要求6所述的发型生成装置,其特征在于,所述匹配模块通过以下方式将各所述特征描述子与所述图库中的每张发型图片进行匹配,筛选出与所述图库匹配成功的特征描述子:
针对每个特征描述子,将该特征描述子与所述图库中的每张发型图片的特征描述子进行匹配,获得匹配结果,其中,各所述匹配结果为匹配成功或匹配失败,匹配成功的匹配结果中包括匹配率;
统计匹配成功的匹配结果的数量,判断所述数量是否大于预设值,若所述数量大于所述预设值,获得最高匹配率和次高匹配率,计算所述次高匹配率与所述最高匹配率的比值,判断所述比值是否大于预设比值,若所述比值大于所述预设比值,判定该特征描述子与所述图库匹配成功;其中,该特征描述子与所述最高匹配率对应的发型图片对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811078856.5A CN109271706B (zh) | 2018-09-14 | 2018-09-14 | 发型生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811078856.5A CN109271706B (zh) | 2018-09-14 | 2018-09-14 | 发型生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109271706A CN109271706A (zh) | 2019-01-25 |
CN109271706B true CN109271706B (zh) | 2022-08-26 |
Family
ID=65188700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811078856.5A Active CN109271706B (zh) | 2018-09-14 | 2018-09-14 | 发型生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271706B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934895B (zh) * | 2019-03-18 | 2020-12-22 | 北京海益同展信息科技有限公司 | 图像局部特征迁移方法与装置 |
CN114187633B (zh) * | 2021-12-07 | 2023-06-16 | 北京百度网讯科技有限公司 | 图像处理方法及装置、图像生成模型的训练方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218838A (zh) * | 2013-05-11 | 2013-07-24 | 苏州华漫信息服务有限公司 | 一种用于人脸卡通化的自动头发绘制方法 |
WO2017181332A1 (zh) * | 2016-04-19 | 2017-10-26 | 浙江大学 | 一种基于单幅图像的全自动三维头发建模方法 |
CN107341839A (zh) * | 2017-07-07 | 2017-11-10 | 成都东软学院 | 一种证件图像处理方法、装置及设备 |
CN107808136A (zh) * | 2017-10-31 | 2018-03-16 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、可读存储介质和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005321986A (ja) * | 2004-05-07 | 2005-11-17 | Pioneer Electronic Corp | ヘアスタイル提案システム、ヘアスタイル提案方法、及びコンピュータプログラム |
-
2018
- 2018-09-14 CN CN201811078856.5A patent/CN109271706B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218838A (zh) * | 2013-05-11 | 2013-07-24 | 苏州华漫信息服务有限公司 | 一种用于人脸卡通化的自动头发绘制方法 |
WO2017181332A1 (zh) * | 2016-04-19 | 2017-10-26 | 浙江大学 | 一种基于单幅图像的全自动三维头发建模方法 |
CN107341839A (zh) * | 2017-07-07 | 2017-11-10 | 成都东软学院 | 一种证件图像处理方法、装置及设备 |
CN107808136A (zh) * | 2017-10-31 | 2018-03-16 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、可读存储介质和计算机设备 |
Non-Patent Citations (2)
Title |
---|
基于人像字典集的卡通自动生成方法;孙晶晶等;《系统仿真学报》;20150408(第04期);全文 * |
用于个性化人脸动漫生成的自动头发提取方法;沈晔湖等;《计算机辅助设计与图形学学报》;20101115(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109271706A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100407111B1 (ko) | 얼굴 영상의 형태 정보에 기반한 합성 얼굴 영상 생성장치 및 그 방법 | |
CN106709404B (zh) | 图像处理装置及图像处理方法 | |
US20170213110A1 (en) | Multi-stage image classification | |
US9367762B2 (en) | Image processing device and method, and computer readable medium | |
JP2020515983A (ja) | 対象人物の検索方法および装置、機器、プログラム製品ならびに媒体 | |
CN107766349B (zh) | 一种生成文本的方法、装置、设备及客户端 | |
CN109117760A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
US20150302587A1 (en) | Image processing device, image processing method, program, and information recording medium | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
CN109271706B (zh) | 发型生成方法及装置 | |
CN110858316A (zh) | 对时间序列图像数据进行分类 | |
CN108763350B (zh) | 文本数据处理方法、装置、存储介质及终端 | |
KR20200101481A (ko) | 전자 장치 및 그의 필체 보정 방법 | |
CN111080665B (zh) | 图像边框识别方法、装置、设备和计算机存储介质 | |
CN111160251A (zh) | 一种活体识别方法及装置 | |
KR20180111242A (ko) | 채색 가능한 콘텐트를 제공하는 전자 장치 및 그 방법 | |
CN110431838B (zh) | 提供人脸识别摄像机的动态内容的方法及系统 | |
CN110659631A (zh) | 车牌识别方法和终端设备 | |
CN111274145A (zh) | 关系结构图生成方法、装置、计算机设备及存储介质 | |
CN111913644B (zh) | 一种白板的线条绘制方法及装置、可读存储介质 | |
CN109685015A (zh) | 图像的处理方法、装置、电子设备和计算机存储介质 | |
CN111507142A (zh) | 人脸表情图像处理方法、装置和电子设备 | |
CN111476060A (zh) | 人脸清晰度分析方法、装置、计算机设备及存储介质 | |
CN112714299B (zh) | 一种图像展示方法及装置 | |
CN111292247A (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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |