CN109325996B - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN109325996B CN109325996B CN201811107371.4A CN201811107371A CN109325996B CN 109325996 B CN109325996 B CN 109325996B CN 201811107371 A CN201811107371 A CN 201811107371A CN 109325996 B CN109325996 B CN 109325996B
- Authority
- CN
- China
- Prior art keywords
- coordinates
- face key
- target
- frame
- key points
- 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
- 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
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:对目标视频的帧中的人脸对象进行三维重建,确定帧中人脸对象的人脸关键点的三维信息,其中,三维信息包括坐标和深度值;逐一将该目标视频中的帧作为目标帧,执行如下步骤:基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标;基于该候选坐标,对下一帧中的人脸关键点的坐标进行更新;将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。该实施方式提高了视频中的人脸对象的三维重建结果的稳定性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
随着视频应用的普及,各种人脸特效功能也得到了广泛的应用。三维人脸重建作为一种有效的人脸表述的技术,有广泛的应用前景。三维人脸重建,是通过给定二维人脸图像的像素信息来回归人脸关键点的三维信息(例如三维网格信息(3D mesh)、三维坐标等)的过程。
相关的方式通常是直接利用二维图像和标注(三维坐标)进行有监督的模型训练,利用训练后的模型所输出的各人脸关键点的三维信息,以实现人脸重建。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:对目标视频的帧中的人脸对象进行三维重建,确定帧中的人脸对象的人脸关键点的三维信息,其中,三维信息包括坐标和深度值;逐一将目标视频中的帧作为目标帧,执行如下步骤:基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标;基于候选坐标,对下一帧中的人脸关键点的坐标进行更新;将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。
在一些实施例中,基于候选坐标,对下一帧中的人脸关键点的坐标进行更新,包括:将下一帧中的人脸关键点的坐标替换为候选坐标,以对下一帧中的人脸关键点的坐标进行更新。
在一些实施例中,基于候选坐标,对下一帧中的人脸关键点的坐标进行更新,包括:确定候选坐标与目标帧中的人脸关键点的坐标的第一坐标差值;确定下一帧中的人脸关键点的坐标与目标帧中的人脸关键点的坐标的第二坐标差值;基于目标帧中的人脸关键点的坐标、第一坐标差值和第二坐标差值,对下一帧中的人脸关键点的坐标进行更新。
在一些实施例中,基于目标帧中的人脸关键点的坐标、第一坐标差值和第二坐标差值,对下一帧中的人脸关键点的坐标进行更新,包括:将第一预设系数与第一坐标差值中的横坐标差值的乘积作为第一数值,将第二预设系数与第二坐标差值中的横坐标差值的乘积作为第二数值,将当前帧中的人脸关键点的坐标中的横坐标、第一数值、第二数值的和确定为下一帧中的人脸关键点的目标横坐标;将第一预设系数与第一坐标差值中的纵坐标差值的乘积作为第三数值,将第二预设系数与第二坐标差值中的纵坐标差值的乘积作为第四数值,将当前帧中的人脸关键点的坐标中的纵坐标、第三数值、第四数值的和确定为下一帧中的人脸关键点的目标纵坐标;将下一帧中的人脸关键点的坐标更新为由目标横坐标和目标纵坐标所构成的坐标。
在一些实施例中,对目标视频的帧中的人脸对象进行三维重建,确定该帧中人脸对象的人脸关键点的三维信息,包括:对于目标视频中的帧,将该帧输入至预先训练的映射图生成模型,生成与所输入的帧对应的目标映射图,其中,映射图生成模型用于表征图像与映射图的对应关系;对于目标映射图中的点,将该点的像素值作为深度值,基于该点在目标映射图中的坐标和该点对应的深度值,确定该点对应的三维坐标;基于所确定的三维坐标,对帧中的人脸对象进行三维重建。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:确定单元,被配置成对目标视频的帧中的人脸对象进行三维重建,确定帧中的人脸对象的人脸关键点的三维信息,其中,三维信息包括坐标和深度值;生成单元,被配置成逐一将目标视频中的帧作为目标帧,执行如下步骤:基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标;基于候选坐标,对下一帧中的人脸关键点的坐标进行更新;将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。
在一些实施例中,生成单元,进一步被配置成:将下一帧中的人脸关键点的坐标替换为候选坐标,以对下一帧中的人脸关键点的坐标进行更新。
在一些实施例中,生成单元,进一步被配置成:确定候选坐标与目标帧中的人脸关键点的坐标的第一坐标差值;确定下一帧中的人脸关键点的坐标与目标帧中的人脸关键点的坐标的第二坐标差值;基于目标帧中的人脸关键点的坐标、第一坐标差值和第二坐标差值,对下一帧中的人脸关键点的坐标进行更新。
在一些实施例中,生成单元,进一步被配置成:将第一预设系数与第一坐标差值中的横坐标差值的乘积作为第一数值,将第二预设系数与第二坐标差值中的横坐标差值的乘积作为第二数值,将当前帧中的人脸关键点的坐标中的横坐标、第一数值、第二数值的和确定为下一帧中的人脸关键点的目标横坐标;将第一预设系数与第一坐标差值中的纵坐标差值的乘积作为第三数值,将第二预设系数与第二坐标差值中的纵坐标差值的乘积作为第四数值,将当前帧中的人脸关键点的坐标中的纵坐标、第三数值、第四数值的和确定为下一帧中的人脸关键点的目标纵坐标;将下一帧中的人脸关键点的坐标更新为由目标横坐标和目标纵坐标所构成的坐标。
在一些实施例中,确定单元,包括:输入模块,被配置成对于目标视频中的帧,将该帧输入至预先训练的映射图生成模型,生成与所输入的帧对应的目标映射图,其中,映射图生成模型用于表征图像与映射图的对应关系;确定模块,被配置成对于目标映射图中的点,将该点的像素值作为深度值,基于该点在目标映射图中的坐标和该点对应的深度值,确定该点对应的三维坐标;重建模块,被配置成基于所确定的三维坐标,对帧中的人脸对象进行三维重建。
第三方面,本申请实施例提供了一种电子设备,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上述第一方面中任一实施例的方法。
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,该程序被处理器执行时实现如上述第一方面中任一实施例的方法。
本申请实施例提供的用于生成信息的方法和装置,通过对目标视频的帧中的人脸对象进行三维重建,从而可以确定出帧中的人脸对象的人脸关键点的三维信息。其中,三维信息包括可以坐标和深度值。而后可以逐一将目标视频中的帧作为目标帧,基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标。从而,可以基于候选坐标,对下一帧中的人脸关键点的坐标进行更新。最后,可以将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。由此,利用了光流算法对三维重建后所得到的人脸关键点的三维信息进行更新,提高了视频中的人脸对象的三维重建结果的稳定性。
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生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6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生成模型的方法或用于生成模型的装置的示例性系统架构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。
用户可以使用终端设备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上可以安装有各种通讯客户端应用,例如三维重建类工具、视频播放类应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、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网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、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。
终端设备101、102、103可以对目标视频的帧中的人脸对象进行三维重建,确定帧中的人脸对象的人脸关键点的三维信息。其中,三维信息可以包括坐标和深度值。终端设备101、102、103也可以对三维信息进行分析等处理,根据处理结果(例如候选坐标)三维信息进行更新。
服务器105可以是提供各种服务的服务器,例如用于对终端设备101、102、103上传的视频进行存储、管理或者分析的处理服务器。
需要说明的是,服务器105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。
需要说明的是,本申请实施例所提供的用于生成信息的方法一般由终端设备101、102、103执行,相应地,用于生成信息的装置一般设置于终端设备101、102、103中。
需要指出的是,在终端设备101、102、103可以实现服务器105的相关功能的情况下,系统架构100中可以不设置服务器105。
还需要指出的是,服务器105也可以对其所存储的视频或者终端设备101、102、103所上传的视频中的帧进行三维重建等处理,并更新人脸关键点的三维坐标,以将处理结果返回给终端设备101、102、103。此时,本申请实施例所提供的用于生成信息的方法也可以由服务器105执行,相应地,用于生成信息的装置也可以设置于服务器105中。
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生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,对目标视频的帧中的人脸对象进行三维重建,确定帧中的人脸对象的人脸关键点的三维信息。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的终端设备101、102、103)可以进行视频的录制或播放。其所播放的视频可以是预先存储在本地的视频;也可以是通过有线连接或者无线连接方式,从服务器(例如图1所示的服务器105)中获取的视频。此处,当进行视频的录制时,上述执行主体可以安装或连接有图像采集装置(例如摄像头)。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例中,上述执行主体可以对目标视频的帧中的人脸对象进行三维重建,确定帧中的人脸对象的人脸关键点的三维信息。其中,上述目标视频可以是当前正在播放的视频,也可以是用户正在录制的视频。此处不作限定。这里,三维信息可以包括人脸关键点的坐标和深度值。实践中,人脸关键点可以是人脸中的关键的点(例如具有语义信息的点,或者影响脸部轮廓或者五官形状的点等)。人脸关键检测结果中可以包括鼻尖位置的坐标,嘴角位置的坐标等。
此处,上述执行主体可以利用现有的各种三维重建方式或者现有的三维重建工具对目标视频的帧中的人脸对象进行三维重建。作为示例,上述执行主体中可以预先存储有用于确定图像中的人脸对象中的人脸关键点的三维信息的模型。上述执行主体可以将目标视频中的帧逐一输入至该模型,得到该模型输出的三维信息。上述模型可以是通过有监督训练方法训练得到的。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下的步骤确定三维信息:
第一步,对于目标视频中的帧,可以将该帧输入至预先训练的映射图生成模型,生成与所输入的帧对应的目标映射图。其中,上述映射图生成模型用于表征图像与映射图的对应关系。作为示例,映射图生成模型可以是用于表征图像与映射图的对应关系的对应关系表。
此处,可选的,映射图生成模型可以通过如下步骤生成:
首先,可以获取样本集。其中,上述样本集中的样本可以包括二维人脸图像、二维人脸图像中的人脸关键点的坐标、人脸关键点的深度值。
接着,对于样本集中的样本,可以基于该样本中的人脸关键点的坐标,确定该样本中的人脸关键点在待构建的映射图中的映射位置,将该样本中的人脸关键点的深度值作为待构建的映射图中上述映射位置的像素值,构建与该样本中的人脸图像对应的映射图。具体地,可以按照如下方式确定人脸关键点在待构建的映射图中的映射位置:首先,可以确定该样本中的人脸关键点的横坐标最大值和纵坐标最大值。之后,对于该样本中的人脸关键点,可以将该人脸关键点的横坐标与上述横坐标最大值的比值作为第一比值,将该人脸关键点的纵坐标与上述纵坐标最大值的比值确定为第二比值;将上述第一比值与待构建的映射图的长度的乘积进行取整,得到第一数值,将该第二比值与待构建的映射图的高度的乘积进行取整,得到第二数值;将上述第一数值、上述第二数值分别作为横坐标、纵坐标,以构建目标坐标;将上述目标坐标所指示的上述映射图的位置确定为该人脸关键点的映射位置。
接着,可以利用机器学习方法,将样本集中的样本的二维人脸图像作为输入,将与所输入的二维人脸图像对应的映射图作为输出,训练得到映射图生成模型。
需要说明的是,也可以使用其他方式确定人脸关键点在待构建的映射图中的映射位置。作为示例,可以利用UV映射的原理确定出该人脸关键点在待构建的映射图中的映射位置的坐标。实践中,UV(U-VEEZ)是二维纹理坐标。UV用于定义二维纹理坐标系,称为“UV纹理空间”。UV纹理空间使用字母U和V来指示二维空间中的轴。在三维建模中,UV映射可以将纹理信息转换为平面信息。此时,所映射出的UV坐标可以用于指示待构建的映射图中的映射位置。所映射出的UV坐标可以作为待构建的映射图中的映射位置的坐标。
在通过上述第一步得到与所输入的帧对应的目标映射图之后,上述执行主体可以继续执行如下步骤:
第二步,对于上述目标映射图中的点,可以将该点的像素值作为深度值,基于该点在上述目标映射图中的坐标和该点对应的深度值,确定该点对应的三维坐标。
可以理解的是,由于在训练映射图生成模型时,可以基于人脸关键点的坐标,确定该人脸关键点在待构建的映射图中的映射位置。因而,此处,对于目标映射图中的某个点,可以采用逆向过程,确定该点对应的二维人脸图像的映射位置。此处不再赘述。
第三步,可以基于所确定的三维坐标,对帧中的人脸对象进行三维重建。
步骤202,逐一将目标视频中的帧作为目标帧,基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标。
在本实施例中,上述执行主体可以逐一将目标视频中的帧作为目标帧,基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标。
实践中,光流(Optical flow)是关于视域中的物体运动检测中的概念。用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动。光流算法(Optical FlowMethod)是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息的一种方法。光流算法在样型识别、计算机视觉以及其他影像处理领域中非常有用,可用于运动检测、物件切割、碰撞时间与物体膨胀的计算、运动补偿编码,或者通过物体表面与边缘进行立体的测量等等。在已知某一帧中的人脸关键点的坐标后,可以利用光流算法预测出在下一帧中的人脸关键点的坐标,并作为候选坐标。
在本实施例中,上述执行主体可以使用各种现有的光流算法。例如基于梯度的方法、基于匹配的方法、基于能量的方法、基于相位的方法等。实践中,可以利用各种光流计算工具或图像处理工具中的用于进行光流计算的接口(例如OpenCV中的calcOpticalFlowPyrLK、CalcOpticalFlowBM等)来执行操作。
在确定目标帧的下一帧中的人脸关键点的候选坐标后,上述执行主体可以继续执行步骤203和步骤204的操作。
步骤203,基于候选坐标,对下一帧中的人脸关键点的坐标进行更新。
在本实施例中,上述执行主体可以基于步骤202所确定的候选坐标,对目标帧的下一帧中的人脸关键点的坐标进行更新。
在本实施例的一些可选的实现方式中,上述执行主体可以将下一帧中的人脸关键点的坐标直接替换为上述候选坐标,以对下一帧中的人脸关键点的坐标进行更新。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤对下一帧中的人脸关键点的坐标进行更新:
第一步,可以确定上述候选坐标与目标帧中的人脸关键点的坐标的第一坐标差值。其中,第二坐标差值可以包括横坐标差值和纵坐标差值。此处,横坐标差值为候选坐标中的横坐标与目标帧中的人脸关键点的坐标中的横坐标的差值。纵坐标差值为候选坐标中的纵坐标与目标帧中的人脸关键点的坐标中的纵坐标的差值。
第二步,可以确定下一帧中的人脸关键点的坐标与目标帧中的人脸关键点的坐标的第二坐标差值。其中,第二坐标差值也可以包括横坐标差值和纵坐标差值。此处的横坐标差值为下一帧中的人脸关键点的坐标中的横坐标与目标帧中的人脸关键点的坐标中的横坐标的差值。此处的纵坐标差值为下一帧中的人脸关键点的坐标中的纵坐标与目标帧中的人脸关键点的坐标中的纵坐标的差值。
第三步,可以基于目标帧中的人脸关键点的坐标、上述第一坐标差值和上述第二坐标差值,对下一帧中的人脸关键点的坐标进行更新。此处,可以利用各种方式进行下一帧中的人脸关键点的坐标的更新。
作为示例,可以首先确定第一坐标差值和上述第二坐标差值的平均坐标差值(包括平均横坐标差值和平均纵坐标差值)。而后,可以将目标帧中的人脸关键点的坐标与该平均坐标差值相加。即,将人脸关键点的横坐标与平均横坐标差值的和作为新的横坐标。将人脸关键点的纵坐标与平均纵坐标差值的和作为新的纵坐标。进而将下一帧中的人脸关键点的坐标替换成新的横坐标和新的纵坐标。
作为又一示例,可以首先将第一预设系数与上述第一坐标差值中的横坐标差值的乘积作为第一数值,将第二预设系数与上述第二坐标差值中的横坐标差值的乘积作为第二数值,将当前帧中的人脸关键点的坐标中的横坐标、上述第一数值、上述第二数值的和确定为下一帧中的人脸关键点的目标横坐标。之后,可以将上述第一预设系数与上述第一坐标差值中的纵坐标差值的乘积作为第三数值,将上述第二预设系数与上述第二坐标差值中的纵坐标差值的乘积作为第四数值,将当前帧中的人脸关键点的坐标中的纵坐标、上述第三数值、上述第四数值的和确定为下一帧中的人脸关键点的目标纵坐标。最后,可以将下一帧中的人脸关键点的坐标更新为由上述目标横坐标和上述目标纵坐标所构成的坐标。此处,第一预设系数与第二预设系数可以是技术人员基于大量数据统计和分析所预先设置的数值,此处不作限定。例如,第一预设系数为可以为1,第二预设系数可以为0.1或者0.2等较小的数值。再例如,第一预设系数为0.9,第二预设系数为0.1。
可以理解的是,人脸关键点可以有多个。每一个人脸关键点可以带有标识,用于指示和唯一确定该人脸关键点的语义(例如鼻子、嘴角等)。针对不同的人脸关键点,可以确定出不同的第一坐标差值和第二坐标差值,进而对各人脸关键点的坐标进行更新。
步骤204,将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。
在本实施例中,上述执行主体可以将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,用户使用终端设备301的自拍模式录制目标视频。终端设备可以首先对目标视频的帧中的人脸对象进行三维重建,确定帧中的人脸对象(用户人脸)的人脸关键点的三维信息。其中,三维信息包括坐标和深度值。
而后,终端设备301可以基于目标视频中的首帧(第一帧)中的人脸关键点的坐标302,利用光流算法确定第二帧中的人脸关键点的候选坐标303。接着,可以基于上述候选坐标303,对第二帧中的人脸关键点的坐标进行更新,得到更新后的第二帧中的人脸关键点的坐标304。最后,可以将更新后的第二帧中的人脸关键点的坐标304与第二帧中的人脸关键点的深度值汇总为第二帧中的人脸关键点的三维信息。
之后,终端设备301可以基于更新后的目标视频中的第二帧中的人脸关键点的坐标304,利用同样的方式对第三帧中的人脸关键点的坐标进行更新。
以此类推。从而得到目标视频中的各帧的人脸关键点的三维信息。
本申请的上述实施例提供的方法,通过对目标视频的帧中的人脸对象进行三维重建,从而可以确定出帧中的人脸对象的人脸关键点的三维信息。其中,三维信息包括可以坐标和深度值。而后可以逐一将上述目标视频中的帧作为目标帧,基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标。从而,可以基于上述候选坐标,对下一帧中的人脸关键点的坐标进行更新。最后,可以将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。由此,利用了光流算法对三维重建后所得到的人脸关键点的三维信息进行修正,提高了视频中的人脸对象的三维重建结果的稳定性和平滑性。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,对于目标视频中的帧,将该帧输入至预先训练的映射图生成模型,生成与所输入的帧对应的目标映射图。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的终端设备101、102、103)对于目标视频中的帧,可以将该帧输入至预先训练的映射图生成模型,生成与所输入的帧对应的目标映射图。
在本实施例中,映射图生成模型可以通过如下步骤生成:
第一步,可以获取样本集。其中,上述样本集中的样本可以包括二维人脸图像、二维人脸图像中的人脸关键点的坐标、人脸关键点的深度值。
第二步,对于样本集中的样本,可以基于该样本中的人脸关键点的坐标,确定该样本中的人脸关键点在待构建的映射图中的映射位置,将该样本中的人脸关键点的深度值作为待构建的映射图中上述映射位置的像素值,构建与该样本中的人脸图像对应的映射图。
具体地,可以按照如下方式确定人脸关键点在待构建的映射图中的映射位置:首先,可以确定该样本中的人脸关键点的横坐标最大值和纵坐标最大值。之后,对于该样本中的人脸关键点,可以将该人脸关键点的横坐标与上述横坐标最大值的比值作为第一比值,将该人脸关键点的纵坐标与上述纵坐标最大值的比值确定为第二比值;将上述第一比值与待构建的映射图的长度的乘积进行取整,得到第一值,将上述第二比值与待构建的映射图的高度的乘积进行取整,得到第二值;将上述第一值、上述第二值分别作为横坐标、纵坐标,以构建目标坐标;将上述目标坐标所指示的上述映射图的位置确定为该人脸关键点的映射位置。
第三步,可以利用机器学习方法,将样本集中的样本的二维人脸图像作为输入,将与所输入的二维人脸图像对应的映射图作为输出,训练得到映射图生成模型。
步骤402,对于目标映射图中的点,将该点的像素值作为深度值,基于该点在目标映射图中的坐标和该点对应的深度值,确定该点对应的三维坐标。
在本实施例中,对于上述目标映射图中的点,上述执行主体可以将该点的像素值作为深度值,基于该点在上述目标映射图中的坐标和该点对应的深度值,确定该点对应的三维坐标。具体地,对于目标映射图中的某个点,上述执行主体可以首先确定该点对应的二维人脸图像的映射位置。而后,可以将该点的像素值作为该映射位置对应的深度值。最后,可以将该映射位置的坐标(可以表示为(x,y))与该深度值(可以表示为z)构成该点对应的三维坐标(可以表示为(x,y,z))。
可以理解的是,由于在训练映射图生成模型时,可以基于人脸关键点的坐标,确定该人脸关键点在待构建的映射图中的映射位置。因而,此处,对于目标映射图中的某个点,可以采用逆向过程,确定该点对应的二维人脸图像的映射位置。具体可以按照如下步骤执行:
第一步,可以利用各种人脸关键点检测方法确定目标人脸图像中的人脸关键点的横坐标最大值和纵坐标最大值。需要说明的是,目标人脸图像也可以是对人脸关键点检测后的人脸关键点最小外接矩形。此时,横坐标最大值可以是目标人脸图像的长度。纵坐标最大值可以是目标人脸图像的高度。
第二步,对于目标映射图中的某个点,可以将该点的横坐标与目标映射图的长度的比值作为第三比值,将该点的纵坐标与目标映射图的高度的比值作为第四比值。
第三步,可以将上述第三比值与第一步所确定的横坐标最大值的乘积进行取整,得到第三值,将上述第四比值与第一步所确定的纵坐标最大值的乘积进行取整,得到第四值。
第四步,可以将上述第三值、上述第四值分别作为横坐标、纵坐标。
第五步,可以将第四步所构建的坐标所指示的位置确定为该点对应的二维人脸图像的映射位置。
步骤403,基于所确定的三维坐标,对帧中的人脸对象进行三维重建。
在本实施例中,上述执行主体可以基于所确定的三维坐标,对帧中的人脸对象进行三维重建。此处,可以利用各种现有的三维重建工具进行目标人脸的三维重建。三维重建工具可以根据三维坐标生成三维网格(mesh),而后进行渲染等操作。
步骤404,逐一将目标视频中的帧作为目标帧,基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标。
在本实施例中,上述执行主体可以逐一将目标视频中的帧作为目标帧,在已知目标帧中的人脸关键点的坐标的情况下,可以利用光流算法预测出目标帧的下一帧中的人脸关键点的坐标,并作为候选坐标。上述执行主体可以使用各种现有的光流算法来执行操作,此处不再赘述。
步骤405,确定候选坐标与目标帧中的人脸关键点的坐标的第一坐标差值。
在本实施例中,上述执行主体可以确定候选坐标与目标帧中的人脸关键点的坐标的第一坐标差值。其中,第一坐标差值可以包括横坐标差值和纵坐标差值。此处,横坐标差值可以为候选坐标中的横坐标与目标帧中的人脸关键点的坐标中的横坐标的差值。纵坐标差值可以为候选坐标中的纵坐标与目标帧中的人脸关键点的坐标中的纵坐标的差值。
步骤406,确定下一帧中的人脸关键点的坐标与目标帧中的人脸关键点的坐标的第二坐标差值。
在本实施例中,上述执行主体可以确定下一帧中的人脸关键点的坐标与目标帧中的人脸关键点的坐标的第二坐标差值。其中,第二坐标差值也可以包括横坐标差值和纵坐标差值。此处的横坐标差值为下一帧中的人脸关键点的坐标中的横坐标与目标帧中的人脸关键点的坐标中的横坐标的差值。纵坐标差值为下一帧中的人脸关键点的坐标中的纵坐标与目标帧中的人脸关键点的坐标中的纵坐标的差值。
步骤407,基于目标帧中的人脸关键点的坐标、第一坐标差值和第二坐标差值,对下一帧中的人脸关键点的坐标进行更新。
在本实施例中,上述执行主体可以按照如下步骤执行:
首先,可以将第一预设系数与上述第一坐标差值中的横坐标差值的乘积作为第一数值,将第二预设系数与上述第二坐标差值中的横坐标差值的乘积作为第二数值,将当前帧中的人脸关键点的坐标中的横坐标、上述第一数值、上述第二数值的和确定为下一帧中的人脸关键点的目标横坐标。
之后,可以将上述第一预设系数与上述第一坐标差值中的纵坐标差值的乘积作为第三数值,将上述第二预设系数与上述第二坐标差值中的纵坐标差值的乘积作为第四数值,将当前帧中的人脸关键点的坐标中的纵坐标、上述第三数值、上述第四数值的和确定为下一帧中的人脸关键点的目标纵坐标。
最后,可以将下一帧中的人脸关键点的坐标更新为由上述目标横坐标和上述目标纵坐标所构成的坐标。此处,第一预设系数与第二预设系数可以是技术人员基于大量数据统计和分析所预先设置的数值,此处不作限定。例如,第一预设系数为可以为1,第二预设系数可以为0.1或者0.2等较小的数值。再例如,第一预设系数为0.9,第二预设系数为0.1。
步骤408,将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。
在本实施例中,在本实施例中,上述执行主体可以将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了对利用映射图生成模型生成目标人脸图像的目标映射图,并基于所生成的目标映射图进行人脸对象的三维重建的步骤。由此,能准确快速地确定出人脸图像的映射图。同时,利用映射图中的点的映射确定三维坐标,减少了运算的数据量,提升了三维重建的效率。此外,同时考虑光流计算所确定出的候选坐标以及原始三维重建操作得到的坐标,可以提高视频中的人脸对象的三维重建结果的稳定性和平滑性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息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5所示,本实施例所述的用于生成信息的装置500包括:确定单元501,被配置成对目标视频的帧中的人脸对象进行三维重建,确定帧中的人脸对象的人脸关键点的三维信息,其中,三维信息包括坐标和深度值;生成单元502,被配置成逐一将上述目标视频中的帧作为目标帧,执行如下步骤:基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标;基于上述候选坐标,对下一帧中的人脸关键点的坐标进行更新;将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。
在本实施例的一些可选的实现方式中,上述生成单元502可以进一步被配置成:将下一帧中的人脸关键点的坐标替换为上述候选坐标,以对下一帧中的人脸关键点的坐标进行更新。
在本实施例的一些可选的实现方式中,上述生成单元502可以进一步被配置成:确定上述候选坐标与目标帧中的人脸关键点的坐标的第一坐标差值;确定下一帧中的人脸关键点的坐标与目标帧中的人脸关键点的坐标的第二坐标差值;基于目标帧中的人脸关键点的坐标、上述第一坐标差值和上述第二坐标差值,对下一帧中的人脸关键点的坐标进行更新。
在本实施例的一些可选的实现方式中,上述生成单元502可以进一步被配置成:将第一预设系数与上述第一坐标差值中的横坐标差值的乘积作为第一数值,将第二预设系数与上述第二坐标差值中的横坐标差值的乘积作为第二数值,将当前帧中的人脸关键点的坐标中的横坐标、上述第一数值、上述第二数值的和确定为下一帧中的人脸关键点的目标横坐标;将上述第一预设系数与上述第一坐标差值中的纵坐标差值的乘积作为第三数值,将上述第二预设系数与上述第二坐标差值中的纵坐标差值的乘积作为第四数值,将当前帧中的人脸关键点的坐标中的纵坐标、上述第三数值、上述第四数值的和确定为下一帧中的人脸关键点的目标纵坐标;将下一帧中的人脸关键点的坐标更新为由上述目标横坐标和上述目标纵坐标所构成的坐标。
在本实施例的一些可选的实现方式中,上述确定单元501可以包括输入模块和确定模块(图中未示出)。其中,上述输入模块可以被配置成对于目标视频中的帧,将该帧输入至预先训练的映射图生成模型,生成与所输入的帧对应的目标映射图,其中,上述映射图生成模型用于表征图像与映射图的对应关系。上述确定模块可以被配置成对于上述目标映射图中的点,将该点的像素值作为深度值,基于该点在上述目标映射图中的坐标和该点对应的深度值,确定该点对应的三维坐标;重建模块,被配置成基于所确定的三维坐标,对帧中的人脸对象进行三维重建。
本申请的上述实施例提供的装置,通过确定单元501对目标视频的帧中的人脸对象进行三维重建,从而可以确定出帧中的人脸对象的人脸关键点的三维信息。其中,三维信息包括可以坐标和深度值。而后生成单元502可以逐一将上述目标视频中的帧作为目标帧,基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标。从而,可以基于上述候选坐标,对下一帧中的人脸关键点的坐标进行更新。最后,可以将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。由此,利用了光流算法对三维重建后所得到的人脸关键点的三维信息进行修正,提高了视频中的人脸对象的三维重建结果的稳定性和平滑性。
下面参考图6,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600的结构示意图。图6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6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括触摸屏、触摸板等的输入部分606;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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,本申请所述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:一种处理器包括确定单元和生成单元。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,确定单元还可以被描述为“对目标视频的帧中的人脸对象进行三维重建,确定帧中人脸对象的人脸关键点的三维信息的单元”。
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:对目标视频的帧中的人脸对象进行三维重建,确定帧中人脸对象的人脸关键点的三维信息,其中,三维信息包括坐标和深度值;逐一将该目标视频中的帧作为目标帧,执行如下步骤:基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标;基于该候选坐标,对下一帧中的人脸关键点的坐标进行更新;将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息。
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 (8)
1.一种用于生成信息的方法,包括:
对目标视频的帧中的人脸对象进行三维重建,确定帧中的人脸对象的人脸关键点的三维信息,其中,三维信息包括坐标和深度值;
逐一将所述目标视频中的帧作为目标帧,执行如下步骤:基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标;基于所述候选坐标,对下一帧中的人脸关键点的坐标进行更新;将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息;
所述基于所述候选坐标,对下一帧中的人脸关键点的坐标进行更新,包括:
确定所述候选坐标与目标帧中的人脸关键点的坐标的第一坐标差值;
确定下一帧中的人脸关键点的坐标与目标帧中的人脸关键点的坐标的第二坐标差值;
基于目标帧中的人脸关键点的坐标、所述第一坐标差值和所述第二坐标差值,对下一帧中的人脸关键点的坐标进行更新;
所述对目标视频的帧中的人脸对象进行三维重建,确定该帧中人脸对象的人脸关键点的三维信息,包括:
对于目标视频中的帧,将该帧输入至预先训练的映射图生成模型,生成与所输入的帧对应的目标映射图,其中,所述映射图生成模型用于表征图像与映射图的对应关系;
对于所述目标映射图中的点,将该点的像素值作为深度值,基于该点在所述目标映射图中的坐标和该点对应的深度值,确定该点对应的三维坐标;
基于所确定的三维坐标,对帧中的人脸对象进行三维重建。
2.根据权利要求1所述的用于生成信息的方法,其中,所述基于所述候选坐标,对下一帧中的人脸关键点的坐标进行更新,包括:
将下一帧中的人脸关键点的坐标替换为所述候选坐标,以对下一帧中的人脸关键点的坐标进行更新。
3.根据权利要求1所述的用于生成信息的方法,其中,所述基于目标帧中的人脸关键点的坐标、所述第一坐标差值和所述第二坐标差值,对下一帧中的人脸关键点的坐标进行更新,包括:
将第一预设系数与所述第一坐标差值中的横坐标差值的乘积作为第一数值,将第二预设系数与所述第二坐标差值中的横坐标差值的乘积作为第二数值,将当前帧中的人脸关键点的坐标中的横坐标、所述第一数值、所述第二数值的和确定为下一帧中的人脸关键点的目标横坐标;
将所述第一预设系数与所述第一坐标差值中的纵坐标差值的乘积作为第三数值,将所述第二预设系数与所述第二坐标差值中的纵坐标差值的乘积作为第四数值,将当前帧中的人脸关键点的坐标中的纵坐标、所述第三数值、所述第四数值的和确定为下一帧中的人脸关键点的目标纵坐标;
将下一帧中的人脸关键点的坐标更新为由所述目标横坐标和所述目标纵坐标所构成的坐标。
4.一种用于生成信息的装置,包括:
确定单元,被配置成对目标视频的帧中的人脸对象进行三维重建,确定帧中的人脸对象的人脸关键点的三维信息,其中,三维信息包括坐标和深度值;
生成单元,被配置成逐一将所述目标视频中的帧作为目标帧,执行如下步骤:基于目标帧中的人脸关键点的坐标,利用光流算法确定目标帧的下一帧中的人脸关键点的候选坐标;基于所述候选坐标,对下一帧中的人脸关键点的坐标进行更新;将更新后的下一帧中的人脸关键点的坐标与下一帧中的人脸关键点的深度值汇总为下一帧中的人脸关键点的三维信息;
所述生成单元,进一步被配置成:
确定所述候选坐标与目标帧中的人脸关键点的坐标的第一坐标差值;
确定下一帧中的人脸关键点的坐标与目标帧中的人脸关键点的坐标的第二坐标差值;
基于目标帧中的人脸关键点的坐标、所述第一坐标差值和所述第二坐标差值,对下一帧中的人脸关键点的坐标进行更新;
所述确定单元,包括:
输入模块,被配置成对于目标视频中的帧,将该帧输入至预先训练的映射图生成模型,生成与所输入的帧对应的目标映射图,其中,所述映射图生成模型用于表征图像与映射图的对应关系;
确定模块,被配置成对于所述目标映射图中的点,将该点的像素值作为深度值,基于该点在所述目标映射图中的坐标和该点对应的深度值,确定该点对应的三维坐标;
重建模块,被配置成基于所确定的三维坐标,对帧中的人脸对象进行三维重建。
5.根据权利要求4所述的用于生成信息的装置,其中,所述生成单元,进一步被配置成:
将下一帧中的人脸关键点的坐标替换为所述候选坐标,以对下一帧中的人脸关键点的坐标进行更新。
6.根据权利要求4所述的用于生成信息的装置,其中,所述生成单元,进一步被配置成:
将第一预设系数与所述第一坐标差值中的横坐标差值的乘积作为第一数值,将第二预设系数与所述第二坐标差值中的横坐标差值的乘积作为第二数值,将当前帧中的人脸关键点的坐标中的横坐标、所述第一数值、所述第二数值的和确定为下一帧中的人脸关键点的目标横坐标;
将所述第一预设系数与所述第一坐标差值中的纵坐标差值的乘积作为第三数值,将所述第二预设系数与所述第二坐标差值中的纵坐标差值的乘积作为第四数值,将当前帧中的人脸关键点的坐标中的纵坐标、所述第三数值、所述第四数值的和确定为下一帧中的人脸关键点的目标纵坐标;
将下一帧中的人脸关键点的坐标更新为由所述目标横坐标和所述目标纵坐标所构成的坐标。
7.一种电子设备,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1-3中任一所述的方法。
8.一种计算机可读介质,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1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107371.4A CN109325996B (zh) | 2018-09-21 | 2018-09-21 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107371.4A CN109325996B (zh) | 2018-09-21 | 2018-09-21 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325996A CN109325996A (zh) | 2019-02-12 |
CN109325996B true CN109325996B (zh) | 2023-04-28 |
Family
ID=65265619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811107371.4A Active CN109325996B (zh) | 2018-09-21 | 2018-09-21 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325996B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197149B (zh) * | 2019-05-23 | 2021-05-18 | 北京达佳互联信息技术有限公司 | 耳部关键点检测方法、装置、存储介质及电子设备 |
CN110147776B (zh) * | 2019-05-24 | 2021-06-11 | 北京百度网讯科技有限公司 | 确定人脸关键点位置的方法和装置 |
CN112766215B (zh) * | 2021-01-29 | 2024-08-09 | 北京字跳网络技术有限公司 | 人脸图像处理方法、装置、电子设备及存储介质 |
CN114821717B (zh) * | 2022-04-20 | 2024-03-12 | 北京百度网讯科技有限公司 | 目标对象融合方法、装置、电子设备及存储介质 |
CN115239888B (zh) * | 2022-08-31 | 2023-09-12 | 北京百度网讯科技有限公司 | 用于重建三维人脸图像的方法、装置、电子设备和介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999942B (zh) * | 2012-12-13 | 2015-07-15 | 清华大学 | 三维人脸重建方法 |
KR102146398B1 (ko) * | 2015-07-14 | 2020-08-20 | 삼성전자주식회사 | 3차원 컨텐츠 생성 장치 및 그 3차원 컨텐츠 생성 방법 |
US10360718B2 (en) * | 2015-08-14 | 2019-07-23 | Samsung Electronics Co., Ltd. | Method and apparatus for constructing three dimensional model of object |
CN105427385B (zh) * | 2015-12-07 | 2018-03-27 | 华中科技大学 | 一种基于多层形变模型的高保真人脸三维重建方法 |
CN107590482A (zh) * | 2017-09-29 | 2018-01-16 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
-
2018
- 2018-09-21 CN CN201811107371.4A patent/CN109325996B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109325996A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325996B (zh) | 用于生成信息的方法和装置 | |
CN109214343B (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
CN108460338B (zh) | 人体姿态估计方法和装置、电子设备、存储介质、程序 | |
CN109308469B (zh) | 用于生成信息的方法和装置 | |
CN108895981B (zh) | 一种三维测量方法、装置、服务器和存储介质 | |
CN109272543B (zh) | 用于生成模型的方法和装置 | |
CN112528977A (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN110188719B (zh) | 目标跟踪方法和装置 | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
CN106846497B (zh) | 应用于终端的呈现三维地图的方法和装置 | |
CN112287820A (zh) | 人脸检测神经网络及训练方法、人脸检测方法、存储介质 | |
CN111754541A (zh) | 目标跟踪方法、装置、设备及可读存储介质 | |
CN111524216B (zh) | 生成三维人脸数据的方法和装置 | |
JP7273129B2 (ja) | 車線検出方法、装置、電子機器、記憶媒体及び車両 | |
CN112734910B (zh) | 基于rgb单图实时人脸三维图像重建方法、装置及电子设备 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN111680678A (zh) | 目标区域识别方法、装置、设备及可读存储介质 | |
CN111192312B (zh) | 基于深度学习的深度图像获取方法、装置、设备及介质 | |
CN111639147B (zh) | 一种地图压缩方法、系统及计算机可读存储介质 | |
CN114511661A (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
CN113610958A (zh) | 一种基于风格迁移的3d图像构建方法、装置及终端 | |
CN110827341A (zh) | 一种图片深度估计方法、装置和存储介质 | |
CN110110696B (zh) | 用于处理信息的方法和装置 | |
CN111292333B (zh) | 用于分割图像的方法和装置 | |
CN109816791B (zh) | 用于生成信息的方法和装置 |
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 |