CN109285135A - 人脸图像处理方法及装置 - Google Patents

人脸图像处理方法及装置 Download PDF

Info

Publication number
CN109285135A
CN109285135A CN201811471440.XA CN201811471440A CN109285135A CN 109285135 A CN109285135 A CN 109285135A CN 201811471440 A CN201811471440 A CN 201811471440A CN 109285135 A CN109285135 A CN 109285135A
Authority
CN
China
Prior art keywords
facial image
face
target facial
dimensional
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.)
Granted
Application number
CN201811471440.XA
Other languages
English (en)
Other versions
CN109285135B (zh
Inventor
何恕预
刘兴云
胡伟伦
张伟
李志阳
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.)
Xiamen Meitu Technology Co Ltd
Original Assignee
Xiamen Meitu Technology Co 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 Xiamen Meitu Technology Co Ltd filed Critical Xiamen Meitu Technology Co Ltd
Priority to CN201811471440.XA priority Critical patent/CN109285135B/zh
Publication of CN109285135A publication Critical patent/CN109285135A/zh
Application granted granted Critical
Publication of CN109285135B publication Critical patent/CN109285135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供人脸图像处理方法及装置，应用于电子设备，所述方法包括：获取待处理的第一目标人脸图像；确定人脸在所述第一目标人脸图像上的朝向；根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像。采用本申请提供的人脸图像处理方法，通过记忆用户在各个角度下对人脸图像的手动瘦脸操作，能够在用户对一张新的人脸图像进行处理时，根据当前人脸图像中用户的朝向，将对应朝向的手动瘦脸操作的操作记录作为自动瘦脸方案应用，解决了现有技术中手动瘦脸的复杂操作及自动瘦脸的单一性。

Description

人脸图像处理方法及装置
技术领域
本申请涉及图像处理领域，具体而言，涉及人脸图像处理方法及装置。
背景技术
现目前，用户在对拍摄的人像图片并用图像处理软件进行瘦脸处理时，可以选择手动瘦脸或者自动瘦脸的方案。手动瘦脸一般是基于图像液化的方法，每一次对人像图片的处理都需要花费用户大量时间。而采用自动瘦脸的方式来对人像图片进行处理相对简单快速，但是瘦脸后的图像仍会保持用户原有的脸部轮廓，无法对局部细节进行调整，不能针对不同的用户提供针对该用户的瘦脸方案。
有鉴于此，如何实现用户在对人像图片进行处理时，能够实现方便快捷、个性化及有针对性的处理方案，是目前需要解决的问题。
发明内容
本申请的目的在于提供一种人脸图像处理方法及装置。
第一方面，本申请提供一种人脸图像处理方法，应用于电子设备，所述方法包括：
获取待处理的第一目标人脸图像；
确定人脸在所述第一目标人脸图像上的朝向；
根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像。
可选地，在获取待处理的目标人脸图像之前，所述方法还包括：
记录用户对第二目标人脸图像的历史操作记录；
根据人脸在所述第二目标人脸图像上的朝向，得到针对不同朝向的第二目标人脸图像进行处理的历史操作记录。
可选地，所述根据人脸在所述第二目标人脸图像上的朝向，得到针对不同朝向的目标人脸图像进行处理的历史操作记录，包括：
记录针对不同朝向的第二目标人脸图像进行处理的次数；
在所述次数超过预设阈值时，将用户在该不同朝向的第二目标人脸图像的历史操作作为历史操作记录。
可选地，所述历史操作记录包括操作前后的脸部特征变化量，所述记录用户对第二目标人脸图像的历史操作记录，包括：
获取第二目标人脸图像的脸部特征，其中，所述脸部特征包括第二目标人脸图像中人脸的五官特征及脸部轮廓特征；
根据所述第二目标人脸图像的眼间距和三维人脸模型的眼间距之间比值，及三维人脸模型的人脸姿态矩阵，将所述第二目标人脸图像的脸部特征转换到对应的三维人脸模型中；
响应用户对所述第二目标人脸图像的修改操作；
将所述修改操作前后的变化量映射到三维人脸模型中，并记录所述修改操作前后的变化量。
可选地，所述将所述修改操作前后的变化量映射到三维人脸模型中，包括：
根据所述三维人脸模型的人脸姿态矩阵，将所述第二目标人脸图像的脸部特征标记在所述三维人脸模型的相应位置；
响应用户对所述第二目标人脸图像的修改操作，记录所述脸部特征在所述修改操作前后在所述第二目标人脸图像上的第一变换量；
将所述第一变换量映射到所述三维人脸模型，得到所述人脸特征在修改操作前后在所述三维人脸模型中的第二变换量；
根据所述第二变换量与第二目标人脸图像的脸部特征在所述三维人脸模型的对应位置，得到处理后的三维人脸模型。
可选地，所述根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像，包括：
获取所述第一目标人脸图像的脸部特征；
根据三维人脸模型的人脸姿态矩阵，得到所述第一目标人脸图像的脸部特征在所述三维人脸模型的对应位置；
根据所述对应位置与历史操作记录，通过分类算法和网格形变算法得到修改后的三维人脸模型；
根据所述修改后的三维人脸模型，计算得到所述修改后的第一目标人脸图像。
可选地，所述根据所述修改后的三维人脸模型，计算得到所述修改后的第一目标人脸图像，包括：
将所述三维人脸模型通过网格形变得到所述修改后的三维人脸模型；
将所述修改后的三维人脸模型通过所述三维投影矩阵映射为二维人脸图像，得到所述修改后的第一目标人脸图像。
第二方面，本申请提供一种人脸图像处理装置，应用于电子设备，所述装置包括：
获取模块，用于获取待处理的第一目标人脸图像；
确定模块，用于确定人脸在所述第一目标人脸图像上的朝向；
处理模块，用于根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像。
可选地，所述装置还包括：
记录模块，用于记录用户对第二目标人脸图像的历史操作记录；
还用于根据人脸在所述第二目标人脸图像上的朝向，得到针对不同朝向的第二目标人脸图像进行处理的历史操作记录。
可选地，所述记录模块具体用于：
记录针对不同朝向的第二目标人脸图像进行处理的次数；
在所述次数超过预设阈值时，将用户在该不同朝向的第二目标人脸图像的历史操作作为历史操作记录。
相比现有技术，本申请提供的有益效果包括：本申请提供一种人脸图像处理方法，应用于电子设备，所述方法包括：获取待处理的第一目标人脸图像；确定人脸在所述第一目标人脸图像上的朝向；根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像。采用本申请提供的人脸图像处理方法，通过记忆用户在各个角度下对人脸图像的手动瘦脸操作，能够在用户对一张新的人脸图像进行处理时，根据当前人脸图像中用户的朝向，将对应朝向下的手动瘦脸操作的操作记录作为自动瘦脸方案应用，解决了现有技术中手动瘦脸的复杂操作及自动瘦脸的单一性。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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为本申请实施例提供的电子设备的结构示意框图；
图2为本申请实施例提供的人脸图像处理方法的步骤流程示意框图；
图3为本申请实施例提供的人脸图像处理方法的其他步骤流程示意框图；
图4为图3中步骤S25的子步骤流程示意框图；
图5为本申请实施例提供的三维人脸模型示意图；
图6为图3中步骤S24的子步骤流程示意框图；
图7为图6中步骤S244的子步骤流程示意框图；
图8为图2中步骤S23的子步骤流程示意框图；
图9为图8中步骤S234的子步骤流程示意框图；
图10为本申请实施例提供的人脸图像处理装置的示意框图。
图标：100-电子设备；110-人脸图像处理装置；111-存储器；112-处理器；113-通信单元；1101-获取模块；1102-确定模块；1103-处理模块；1104-记录模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
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。
在本申请的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的具体实施方式进行详细说明。
请参照图1，图1为电子设备100的结构示意框图。所述电子设备100包括人脸图像处理装置110、存储器111、处理器112及通信单元113。
所述存储器111、处理器112及通信单元113的各元件相互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，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器111用于存储程序，所述处理器112在接收到执行指令后，执行所述程序。所述通信单元113用于通过网络建立所述电子设备100与其它设备(比如用户终端)之间的通信连接，并用于通过网络进行数据的接收和发送。比如，在本实施例中，电子设备100通过通信单元113与外部设备进行数据通信。
请参照图2，图2为本申请实施例提供的人脸图像处理方法的步骤流程示意框图。本申请提供一种人脸图像处理方法，应用于电子设备100，所述方法包括：
步骤S21，获取待处理的第一目标人脸图像。
步骤S22，确定人脸在所述第一目标人脸图像上的朝向。
步骤S23，根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像。
在本实施例中，对人脸图像的处理可以是对人脸图像的瘦脸处理。在其他实施例中，对人脸图像的处理还可以是放大处理或其他用户需求的处理操作。
请参照图3，图3为本申请实施例提供的人脸图像处理方法的其他步骤流程示意框图。在本实施例中，在获取待处理的目标人脸图像之前，所述方法还包括：
步骤S24，记录用户对第二目标人脸图像的历史操作记录。
步骤S25，根据人脸在所述第二目标人脸图像上的朝向，得到针对不同朝向的第二目标人脸图像进行处理的历史操作记录。
在本实施例中，第一目标人脸图像和第二目标人脸图像均为同一用户的人脸图像。其中，第一目标人脸图像可以是用户当前待处理的人脸图像，而第二目标人脸图像可以是历史处理过的人脸图像。
请参照图4，图4为图3中步骤S25的子步骤流程示意框图。在本实施例中，步骤S25可以包括子步骤S251和子步骤S252：
步骤S251，记录针对不同朝向的第二目标人脸图像进行处理的次数。
步骤S252，在所述次数超过预设阈值时，将用户在该不同朝向的第二目标人脸图像的历史操作作为历史操作记录。
在本实施例中，记录针对不同朝向的第二目标人脸图像进行处理的次数的阈值可以是20次，当某个朝向上的处理的次数超过20次时，可以认为在这个朝向上根据历史操作记录对图像进行处理时可靠的。应当理解的是，随着记录针对不同朝向的第二目标人脸图像进行处理的次数的增加，该朝向上的历史操作记录就越可靠。而当记录针对不同朝向的第二目标人脸图像进行处理的次数没有超过阈值时，可以采取设备默认的自动瘦脸方案对第一人目标脸图案进行处理。
请参照图5，图5为本申请实施例提供的三维人脸模型示意图。在本事实例中，可以根据人脸姿态将所述三维人脸模型分为多个朝向。根据所述多个朝向对处理后的三维人脸模型进行区域划分，得到并记录针对不同朝向的第二目标人脸图像进行处理的次数。比如，在本实施例中，可以以三维人脸模型的中心为原点建立坐标轴，使三维人脸模型绕其y轴进行转动，将三维人脸模型划分为7个朝向。比如，当三维人脸模型的转动角度在-15°到15°时，可以认定当前朝向为正脸。在其他实施例中，也可以根据三维人脸模型的x轴或者z轴，划分出其他朝向。
应当理解的是，在本实施例中，三维人脸重建模型可以通过三维形变模型(3DMM)求得。该方法是将人脸空间看作一个线性空间，根据预先采集的三维人脸数据建立人脸空间基底，用事先建立好的三维人脸数据的线性组合的投影逼近二维图片上的人脸。人脸空间基底包括三维平均脸、构成三维脸型模型的脸型基和构成三维表情模型的表情基，3DMM的基本公式表示如下：
式中，M表示最终拟合得到的三维人脸模型，Mmean表示三维平均脸，表示构成三维脸型模型的脸型基，si为脸型基系数，表示构成三维表情模型的表情基，ej为表情基系数，n和m则分别代表脸型基和表情基的个数。
应到理解的是，在本实施例中，当所述不同朝向的第二目标人脸图像进行处理的次数超过预设饱和值时，可以删除最早的处理记录。随着用户对第二目标人脸图像处理的次数的增加，对于处理的第二目标人脸图像时的修改操作的习惯也会改变，越接近的修改操作越有参考性，可以将预设饱和值设置为100次。当某个朝向上的处理次数超过100次时，可以将该朝向最早的历史操作记录删除，以使该朝向上的历史操作记录作为第一目标人脸图像的修改依据更为准确。
请参照图6，图6为图3中步骤S24的子步骤流程示意框图。在本实施例中，步骤S24可以包括子步骤S241、子步骤S242、子步骤S243及子步骤S244：
步骤S241，获取第二目标人脸图像的脸部特征，其中，所述脸部特征包括第二目标人脸图像中人脸的五官特征及脸部轮廓特征。
步骤S242，根据所述第二目标人脸图像的眼间距和三维人脸模型的眼间距之间比值，及三维人脸模型的人脸姿态矩阵，将所述第二目标人脸图像的脸部特征转换到对应的三维人脸模型中。
步骤S243，响应用户对所述第二目标人脸图像的修改操作。
步骤S244，将所述修改操作前后的变化量映射到三维人脸模型中，并记录所述修改操作前后的变化量。
在本实施例中，眼间距可以指左右眼内眼角点的距离。而第二目标人脸图像的眼间距与三维人脸模型的眼间距比值，可以用于衡量二维人脸图像与三维人脸的尺度差异。人脸姿态矩阵的初始参数可以是根据人脸空间基底的特征点预估的，其初始参数包括：相机位置、图像平面的旋转角度、直射光和环境光的各个分量、图像对比度等。根据提取到的人脸特征点、人脸空间基底和投影矩阵的初始参数，拟合出对应图像的三维人脸模型。即：根据具有相同定点数和拓扑结构的三维模型数据，通过最小化三维模型上的特征点投影后和二维特征点间的距离，求解得到三维模型线性组合的参数，由该参数拟合得到对应人脸图像的三维人脸模型和投影矩阵。公式如下：
Error＝MVP*M-P2d
式中，MVP表示人脸姿态矩阵(即三维模型的投影矩阵)，P2d表示由人脸特征点检测得到的，人脸图像的人脸特征点，M表示三维人脸模型。可以通过最小化Error求解得到三维人脸模型和人脸姿态矩阵。
请参照图7，图7为图6中步骤S244的子步骤流程示意框图。在本实施例中，步骤S244还包括子步骤S2441、子步骤S2442、子步骤S2443及子步骤S2444：
步骤S2441，根据所述三维人脸模型的人脸姿态矩阵，将所述第二目标人脸图像的脸部特征标记在所述三维人脸模型的相应位置。
步骤S2442，响应用户对所述第二目标人脸图像的修改操作，记录所述脸部特征在所述修改操作前后在所述第二目标人脸图像上的第一变换量。
步骤S2443，将所述第一变换量映射到所述三维人脸模型，得到所述人脸特征在修改操作前后在所述三维人脸模型中的第二变换量。
步骤S2444，根据所述第二变换量与第二目标人脸图像的脸部特征在所述三维人脸模型的对应位置，得到处理后的三维人脸模型。
在本事实例中，第二目标人脸图像的脸部特征标记在所述三维人脸模型的相应位置可以是指三维人脸模型上的网格顶点。三维人脸模型的姿态矩阵以及第二目标人脸图像与三维人脸模型间眼间距的比值，用户对第二目标人脸图像进行的第t次手动修改操作后得到修改后的第二目标人脸图像，将人脸特征在图像上的变化量映射至三维空间，转化为三维人脸模型上对应网格顶点在法线方向上的变化量。累加用户对第二目标人脸图像的每一步手动修改操作后人脸特征在三维人脸模型上对应网格顶点的变化量，直到用户完成对第二目标人脸图像的手动修改操作，得到用户对第二目标人脸图像的手动修改操作记录，即累加计算得到的人脸特征点对应三维网格顶点的变化量。将手动修改操作的整个过程作为历史操作记录存储。
其中，映射的公式：
式中d3D是指三维人脸模型网格顶点变化量，d2D是指二维人脸点的变化量，distEye3D是指三维人脸模型眼间距，distEye2D是指二维人脸图像眼间距。
请参照图8，图8为图2中步骤S23的子步骤流程示意框图。在本实施例中，步骤S23可以包括子步骤S231、子步骤S232、子步骤S233及子步骤S234：
步骤S231，获取所述第一目标人脸图像的脸部特征。
步骤S232，根据三维人脸模型的人脸姿态矩阵，得到所述第一目标人脸图像的脸部特征在所述三维人脸模型的对应位置。
步骤S233，根据所述对应位置与历史操作记录，通过分类算法和网格形变算法得到修改后的三维人脸模型。
步骤S234，根据所述修改后的三维人脸模型，计算得到所述修改后的第一目标人脸图像。
请参照图9，图9为图8中步骤S234的子步骤流程示意框图。在本实施例中，步骤S234可以包括子步骤S2341和子步骤S2342：
步骤S2341，将所述三维人脸模型通过网格形变得到所述修改后的三维人脸模型。
步骤S2342，将所述修改后的三维人脸模型通过所述三维投影矩阵映射为二维人脸图像，得到所述修改后的第一目标人脸图像。
在本实施例中，当历史操作记录大于设置的阈值，可以对所有历史操作记录行K-means聚类(硬聚类算法)，取聚类结果中最大簇的质心作为自动瘦脸的应用方案，计算得到人脸特征对应在三维人脸模型的网格顶点的变化量，对三维人脸模型进行网格形变，将形变后的网格顶点投影至第一目标人脸图像上，得到第一目标人脸图像自动修改后的结果。
请参照图10，图10为本申请实施例提供的人脸图像处理装置110的示意框图。所述装置包括：
获取模块1101，用于获取待处理的第一目标人脸图像；
确定模块1102，用于确定人脸在所述第一目标人脸图像上的朝向；
处理模块1103，用于根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像。
进一步地，所述装置还包括：
记录模块1104，用于记录用户对第二目标人脸图像的历史操作记录；
还用于根据人脸在所述第二目标人脸图像上的朝向，得到针对不同朝向的第二目标人脸图像进行处理的历史操作记录。
进一步地，所述记录模块1104具体用于：
记录针对不同朝向的第二目标人脸图像进行处理的次数；
在所述次数超过预设阈值时，将用户在该不同朝向的第二目标人脸图像的历史操作作为历史操作记录。
综上所述，本申请提供一种人脸图像处理方法及装置，应用于电子设备，所述方法包括：获取待处理的第一目标人脸图像；确定人脸在所述第一目标人脸图像上的朝向；根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像。采用本申请提供的人脸图像处理方法，通过记忆用户在各个角度下对人脸图像的手动瘦脸操作，能够在用户对一张新的人脸图像进行处理时，根据当前人脸图像中用户的朝向，将对应朝向的手动瘦脸操作的操作记录作为自动瘦脸方案应用，解决了现有技术中手动瘦脸的复杂操作及自动瘦脸的单一性。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人脸图像处理方法，其特征在于，应用于电子设备，所述方法包括：
获取待处理的第一目标人脸图像；
确定人脸在所述第一目标人脸图像上的朝向；
根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像。
2.根据权利要求1所述的方法，其特征在于，在获取待处理的目标人脸图像之前，所述方法还包括：
记录用户对第二目标人脸图像的历史操作记录；
根据人脸在所述第二目标人脸图像上的朝向，得到针对不同朝向的第二目标人脸图像进行处理的历史操作记录。
3.根据权利要求2所述的方法，其特征在于，所述根据人脸在所述第二目标人脸图像上的朝向，得到针对不同朝向的目标人脸图像进行处理的历史操作记录，包括：
记录针对不同朝向的第二目标人脸图像进行处理的次数；
在所述次数超过预设阈值时，将用户在该不同朝向的第二目标人脸图像的历史操作作为历史操作记录。
4.根据权利要求2所述的方法，其特征在于，所述历史操作记录包括操作前后的脸部特征变化量，所述记录用户对第二目标人脸图像的历史操作记录，包括：
获取第二目标人脸图像的脸部特征，其中，所述脸部特征包括第二目标人脸图像中人脸的五官特征及脸部轮廓特征；
根据所述第二目标人脸图像的眼间距和三维人脸模型的眼间距之间比值，及三维人脸模型的人脸姿态矩阵，将所述第二目标人脸图像的脸部特征转换到对应的三维人脸模型中；
响应用户对所述第二目标人脸图像的修改操作；
将所述修改操作前后的变化量映射到三维人脸模型中，并记录所述修改操作前后的变化量。
5.根据权利要求4所述的方法，其特征在于，所述将所述修改操作前后的变化量映射到三维人脸模型中，包括：
根据所述三维人脸模型的人脸姿态矩阵，将所述第二目标人脸图像的脸部特征标记在所述三维人脸模型的相应位置；
响应用户对所述第二目标人脸图像的修改操作，记录所述脸部特征在所述修改操作前后在所述第二目标人脸图像上的第一变换量；
将所述第一变换量映射到所述三维人脸模型，得到所述人脸特征在修改操作前后在所述三维人脸模型中的第二变换量；
根据所述第二变换量与第二目标人脸图像的脸部特征在所述三维人脸模型的对应位置，得到处理后的三维人脸模型。
6.根据权利要求1所述的方法，其特征在于，所述根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像，包括：
获取所述第一目标人脸图像的脸部特征；
根据三维人脸模型的人脸姿态矩阵，得到所述第一目标人脸图像的脸部特征在所述三维人脸模型的对应位置；
根据所述对应位置与历史操作记录，通过分类算法和网格形变算法得到修改后的三维人脸模型；
根据所述修改后的三维人脸模型，计算得到所述修改后的第一目标人脸图像。
7.根据权利要求6所述的方法，其特征在于，所述根据所述修改后的三维人脸模型，计算得到所述修改后的第一目标人脸图像，包括：
将所述三维人脸模型通过网格形变得到所述修改后的三维人脸模型；
将所述修改后的三维人脸模型通过所述三维投影矩阵映射为二维人脸图像，得到所述修改后的第一目标人脸图像。
8.一种人脸图像处理装置，其特征在于，应用于电子设备，所述装置包括：
获取模块，用于获取待处理的第一目标人脸图像；
确定模块，用于确定人脸在所述第一目标人脸图像上的朝向；
处理模块，用于根据该朝向上用户处理人脸图像的历史操作记录，对所述第一目标人脸图像进行处理，得到处理后的第一目标人脸图像。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
记录模块，用于记录用户对第二目标人脸图像的历史操作记录；
还用于根据人脸在所述第二目标人脸图像上的朝向，得到针对不同朝向的第二目标人脸图像进行处理的历史操作记录。
10.根据权利要求9所述的装置，其特征在于，所述记录模块具体用于：
记录针对不同朝向的第二目标人脸图像进行处理的次数；
在所述次数超过预设阈值时，将用户在该不同朝向的第二目标人脸图像的历史操作作为历史操作记录。
CN201811471440.XA 2018-12-04 2018-12-04 人脸图像处理方法及装置 Active CN109285135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811471440.XA CN109285135B (zh) 2018-12-04 2018-12-04 人脸图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811471440.XA CN109285135B (zh) 2018-12-04 2018-12-04 人脸图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN109285135A true CN109285135A (zh) 2019-01-29
CN109285135B CN109285135B (zh) 2021-06-04

Family

ID=65174155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811471440.XA Active CN109285135B (zh) 2018-12-04 2018-12-04 人脸图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN109285135B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660076A (zh) * 2019-09-26 2020-01-07 北京紫睛科技有限公司 一种人脸交换方法
CN111932672A (zh) * 2020-09-14 2020-11-13 江苏原力数字科技股份有限公司 一种基于机器学习自动生成超写实3d面部模型的方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030065589A1 (en) * 2001-10-01 2003-04-03 Daniella Giacchetti Body image templates with pre-applied beauty products
CN103605975A (zh) * 2013-11-28 2014-02-26 小米科技有限责任公司 一种图像处理的方法、装置及终端设备
CN104715236A (zh) * 2015-03-06 2015-06-17 广东欧珀移动通信有限公司 一种美颜拍照方法及装置
CN104966267A (zh) * 2015-07-02 2015-10-07 广东欧珀移动通信有限公司 一种美颜用户图像的方法及装置
CN105763829A (zh) * 2014-12-18 2016-07-13 联想(北京)有限公司 一种图像处理方法及电子设备
CN107341762A (zh) * 2017-06-16 2017-11-10 广东欧珀移动通信有限公司 拍照处理方法、装置和终端设备
CN107424117A (zh) * 2017-07-17 2017-12-01 广东欧珀移动通信有限公司 图像美颜方法、装置、计算机可读存储介质和计算机设备
CN107862274A (zh) * 2017-10-31 2018-03-30 广东欧珀移动通信有限公司 美颜方法、装置、电子设备和计算机可读存储介质
CN107886484A (zh) * 2017-11-30 2018-04-06 广东欧珀移动通信有限公司 美颜方法、装置、计算机可读存储介质和电子设备
CN107995415A (zh) * 2017-11-09 2018-05-04 深圳市金立通信设备有限公司 一种图像处理方法、终端及计算机可读介质
CN108876731A (zh) * 2018-05-25 2018-11-23 北京小米移动软件有限公司 图片处理方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030065589A1 (en) * 2001-10-01 2003-04-03 Daniella Giacchetti Body image templates with pre-applied beauty products
CN103605975A (zh) * 2013-11-28 2014-02-26 小米科技有限责任公司 一种图像处理的方法、装置及终端设备
CN105763829A (zh) * 2014-12-18 2016-07-13 联想(北京)有限公司 一种图像处理方法及电子设备
CN104715236A (zh) * 2015-03-06 2015-06-17 广东欧珀移动通信有限公司 一种美颜拍照方法及装置
CN104966267A (zh) * 2015-07-02 2015-10-07 广东欧珀移动通信有限公司 一种美颜用户图像的方法及装置
CN107341762A (zh) * 2017-06-16 2017-11-10 广东欧珀移动通信有限公司 拍照处理方法、装置和终端设备
CN107424117A (zh) * 2017-07-17 2017-12-01 广东欧珀移动通信有限公司 图像美颜方法、装置、计算机可读存储介质和计算机设备
CN107862274A (zh) * 2017-10-31 2018-03-30 广东欧珀移动通信有限公司 美颜方法、装置、电子设备和计算机可读存储介质
CN107995415A (zh) * 2017-11-09 2018-05-04 深圳市金立通信设备有限公司 一种图像处理方法、终端及计算机可读介质
CN107886484A (zh) * 2017-11-30 2018-04-06 广东欧珀移动通信有限公司 美颜方法、装置、计算机可读存储介质和电子设备
CN108876731A (zh) * 2018-05-25 2018-11-23 北京小米移动软件有限公司 图片处理方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
谭承诚 等: "基于集成相关向量机的水质在线预测模型", 《计算机测量与控制》 *
钟怀兵 等: "一种带模型更新的GPR在线软测量方法", 《控制工程》 *
陈鹏展 等: "融合用户操作习惯的汽车天窗自动控制系统", 《测控技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660076A (zh) * 2019-09-26 2020-01-07 北京紫睛科技有限公司 一种人脸交换方法
CN111932672A (zh) * 2020-09-14 2020-11-13 江苏原力数字科技股份有限公司 一种基于机器学习自动生成超写实3d面部模型的方法

Also Published As

Publication number Publication date
CN109285135B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
WO2021174939A1 (zh) 人脸图像的获取方法与系统
Marco et al. Exact 3D boundary representation in finite element analysis based on Cartesian grids independent of the geometry
CN100559398C (zh) 自动的深度图像配准方法
CN109285215A (zh) 一种人体三维模型重建方法、装置和存储介质
CN108764048A (zh) 人脸关键点检测方法及装置
CN108898630A (zh) 一种三维重建方法、装置、设备和存储介质
CN108304075A (zh) 一种在增强现实设备进行人机交互的方法与设备
CN108335367A (zh) 一种用于终端展示的三维模型处理方法
CN110163087A (zh) 一种人脸姿态识别方法及系统
CN110648363A (zh) 相机姿态确定方法、装置、存储介质及电子设备
CN110246100A (zh) 一种基于角度感知块匹配的图像修复方法和系统
CN109285135A (zh) 人脸图像处理方法及装置
CN109448125A (zh) 一种三角网格模型的处理方法、处理终端及存储介质
US6570568B1 (en) System and method for the coordinated simplification of surface and wire-frame descriptions of a geometric model
CN111583381A (zh) 游戏资源图的渲染方法、装置及电子设备
CN108628442A (zh) 一种信息提示方法、装置以及电子设备
Daniels et al. Semi‐regular quadrilateral‐only remeshing from simplified base domains
CN112733641A (zh) 物体尺寸测量方法、装置、设备及存储介质
Luo et al. Construction of near optimal meshes for 3D curved domains with thin sections and singularities for p-version method
CN110751026B (zh) 视频处理方法及相关装置
CN106600691B (zh) 多路二维视频图像在三维地理空间中融合校正方法、系统
He et al. Improving the parameterization of approximate subdivision surfaces
CN110008387A (zh) 流场可视化实现方法、装置及电子设备
US10740968B2 (en) Patch-based surface relaxation
Zheng et al. A free‐form surface flattening algorithm that minimizes geometric deformation energy

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