CN109344752A - 用于处理嘴部图像的方法和装置 - Google Patents

用于处理嘴部图像的方法和装置 Download PDF

Info

Publication number
CN109344752A
CN109344752A CN201811102339.7A CN201811102339A CN109344752A CN 109344752 A CN109344752 A CN 109344752A CN 201811102339 A CN201811102339 A CN 201811102339A CN 109344752 A CN109344752 A CN 109344752A
Authority
CN
China
Prior art keywords
mouth
pixel
category
classification
mouth 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
CN201811102339.7A
Other languages
English (en)
Other versions
CN109344752B (zh
Inventor
王诗吟
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.)
Douyin Vision Co Ltd
Douyin Vision Beijing Co Ltd
Original Assignee
Beijing ByteDance Network 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201811102339.7A priority Critical patent/CN109344752B/zh
Priority to US16/981,084 priority patent/US11941529B2/en
Priority to PCT/CN2018/115971 priority patent/WO2020056902A1/zh
Publication of CN109344752A publication Critical patent/CN109344752A/zh
Application granted granted Critical
Publication of CN109344752B publication Critical patent/CN109344752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于处理嘴部图像的方法和装置。该方法的一具体实施方式包括：获取待处理的嘴部图像；将嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，输出结果信息用于表示嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别；根据输出结果信息，对嘴部图像进行处理，得到处理后的嘴部图像。该实施方式实现了对嘴部图像实现像素级别的处理。

Description

用于处理嘴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，具体涉及用于处理嘴部图像的方法和装置。
背景技术
对嘴部进行美化等一些特效处理时，通常是将相对于脸部图像的固定位置处认为是嘴部图像，进一步根据相对于嘴部图像中的位置来预测嘴唇、牙齿等部分，从而对嘴部的各个部分进行处理。
发明内容
本申请实施例提出了用于处理嘴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嘴部图像的方法，该方法包括：获取待处理的嘴部图像；将嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，输出结果信息用于表示嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别；根据输出结果信息，对嘴部图像进行处理，得到处理后的嘴部图像。
在一些实施例中，根据检测结果信息，对嘴部图像进行处理，得到处理后的嘴部图像，包括：响应于确定目标类别集合包括第一类别、第二类别、第三类别中的一项，对对应的概率大于目标概率阈值的像素点进行处理，得到处理后的嘴部图像。
在一些实施例中，目标类别集合包括第二类别；以及对对应的概率大于目标概率阈值的像素点进行处理，得到处理后的嘴部图像，包括：选取对应的概率大于目标概率阈值的像素点作为目标像素点，得到目标像素点集合；对目标像素点集合中的目标像素点进行处理，使得处理后的该目标像素点作为嘴部图像中的高光点。
在一些实施例中，根据检测结果信息，对嘴部图像进行处理，得到处理后的嘴部图像，包括：响应于确定目标类别集合包括第一类别、第二类别、第三类别中的至少两项，针对嘴部图像中的像素点，确定该像素点不属于目标类别集合中的类别的概率作为非目标概率；将该像素点对应的至少两个概率和非目标概率中的最大的概率对应的类别作为结果类别；对该像素点执行结果类别对应的处理操作。
在一些实施例中，针对嘴部图像中的像素点，该像素点对应的概率和非目标概率的总和为一。
在一些实施例中，嘴部检测模型通过如下步骤训练得到：获取初始类别检测模型，其中，初始类别检测模型包括初始嘴部检测模型和与初始嘴部检测模型连接的初始分类模型，其中，初始分类模型将初始嘴部检测模型的输出作为输入，以及将表示嘴部图像中的像素点显示的内容所属的类别的类别信息作为输出；获取训练样本集合，其中，训练样本包括嘴部图像和用于表示嘴部图像中的像素点显示的内容所属的类别的类别信息；利用机器学习的方法，将训练样本集合中的训练样本中的嘴部图像作为初始类别检测模型的输入，将与输入的嘴部图像对应的类别信息作为初始类别检测模型的期望输出，训练得到训练完成的初始类别检测模型；将训练完成的初始类别检测模型包括的、训练完成的初始嘴部检测模型确定为嘴部检测模型。
第二方面，本申请实施例提供了一种用于处理嘴部图像的装置，该装置包括：获取单元，被配置成获取待处理的嘴部图像；检测单元，被配置成将嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，输出结果信息用于表示嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别；处理单元，被配置成根据输出结果信息，对嘴部图像进行处理，得到处理后的嘴部图像。
在一些实施例中，处理单元进一步被配置成：响应于确定目标类别集合包括第一类别、第二类别、第三类别中的一项，对对应的概率大于目标概率阈值的像素点进行处理，得到处理后的嘴部图像。
在一些实施例中，目标类别集合包括第二类别；以及处理单元进一步被配置成：选取对应的概率大于目标概率阈值的像素点作为目标像素点，得到目标像素点集合；对目标像素点集合中的目标像素点进行处理，使得处理后的该目标像素点作为嘴部图像中的高光点。
在一些实施例中，处理单元进一步被配置成：响应于确定目标类别集合包括第一类别、第二类别、第三类别中的至少两项，针对嘴部图像中的像素点，确定该像素点不属于目标类别集合中的类别的概率作为非目标概率；将该像素点对应的至少两个概率和非目标概率中的最大的概率对应的类别作为结果类别；对该像素点执行结果类别对应的处理操作。
在一些实施例中，针对嘴部图像中的像素点，该像素点对应的概率和非目标概率的总和为一。
在一些实施例中，嘴部检测模型通过如下步骤训练得到：获取初始类别检测模型，其中，初始类别检测模型包括初始嘴部检测模型和与初始嘴部检测模型连接的初始分类模型，其中，初始分类模型将初始嘴部检测模型的输出作为输入，以及将表示嘴部图像中的像素点显示的内容所属的类别的类别信息作为输出；获取训练样本集合，其中，训练样本包括嘴部图像和用于表示嘴部图像中的像素点显示的内容所属的类别的类别信息；利用机器学习的方法，将训练样本集合中的训练样本中的嘴部图像作为初始类别检测模型的输入，将与输入的嘴部图像对应的类别信息作为初始类别检测模型的期望输出，训练得到训练完成的初始类别检测模型；将训练完成的初始类别检测模型包括的、训练完成的初始嘴部检测模型确定为嘴部检测模型。
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嘴部图像的方法和装置，通过获取待处理的嘴部图像；将嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，输出结果信息用于表示嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别；根据输出结果信息，对嘴部图像进行处理，得到处理后的嘴部图像，从而实现了根据嘴部图像中的每个像素点对应属于各个类别的概率来对像素点显示的内容进行分类，使得能够对嘴部图像实现像素级别的处理，有助于提升处理的精细和准确度。
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嘴部图像的方法的一个实施例的流程图；
图3是根据本申请实施例的用于处理嘴部图像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处理嘴部图像的方法的又一个实施例的流程图；
图5是根据本申请的用于处理嘴部图像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处理嘴部图像的方法或用于处理嘴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发送的嘴部图像进行处理的图像处理服务器。进一步地，图像服务器还可以将处理后的嘴部图像发送至终端设备。
需要说明的是，上述嘴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嘴部图像并进行处理，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嘴部图像的方法一般由服务器105执行，相应地，用于处理嘴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嘴部图像进行处理，此时，用于处理嘴部图像的方法也可以由终端设备101、102、103执行，相应地，用于处理嘴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。
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嘴部图像的方法的一个实施例的流程200。该用于处理嘴部图像的方法包括以下步骤：
步骤201，获取待处理的嘴部图像。
在本实施例中，用于处理嘴部图像的执行主体(如图1所示的服务器105)可以首先利用有线连接方式或无线连接方式从本地或其它存储设备(如图1所示的终端设备101、102、103)获取待处理的嘴部图像。
其中，嘴部图像可以指显示有嘴部的图像。例如，嘴部图像可以包括人脸图像，也可以是指从人脸图像中提取出的嘴部图像。应当可以理解，嘴部图像中可以显示有嘴唇、牙齿等部分。
步骤202，将嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，输出结果信息用于表示嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率。
在本实施例中，目标类别集合可以是预先指定的一些类别的集合。目标类别集合中包含的类别的个数可以是任意的。例如，目标类别集合可以包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别。其中，嘴部光照可以用于表示嘴部的光照情况。例如由于光照方向的不同而产生的高光部分和阴影部分等。
其中，嘴部检测模型的输出结果信息可以是概率集合，包括每个像素点对应的概率。其中，每个像素点可以对应一个概率集合。当目标类别集合中只包含一种类别时，每个像素点即对应一个概率。当目标类别集合中包含两种类别时，每个像素点即对应两个概率。依次类推，当目标类别集合中包含N种类别时，每个像素点即对应N个概率。
可选地，嘴部检测模型可以通过如下步骤训练得到：
步骤一，获取训练样本集，其中，每个训练样本可以包括嘴部图像和嘴部图像中的各个像素点显示的内容属于目标类别集合中的类别的概率。
在本步骤中，可以根据各个像素点的颜色取值来标注各个像素点对应的概率。例如，可以预设颜色取值与对应于各个类别的概率的对应关系。
步骤二，确定初始化的嘴部检测模型。
初始化的嘴部检测模型可以是未经训练或未训练完成的各种人工神经网络，也可以是对各种人工神经网络进行组合所得到的模型。初始化的嘴部检测模型还可以是技术人员设计搭建的网络模型。
例如，可以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)来搭建初始化的嘴部检测模型。
步骤三，利用训练样本集训练初始化的嘴部检测模型以得到上述嘴部检测模型。
具体地，可以将每个训练样本中的嘴部图像作为初始化的嘴部检测模型的输入，将与输入的嘴部图像中的各个像素点对应的概率作为嘴部检测的期望输出，基于预设的损失函数，训练得到上述嘴部检测模型。
其中，损失函数可以用来表示初始化的嘴部检测模型的实际输出与训练样本中的各个像素点对应的概率之间的差异程度。具体地，可以根据损失函数的值，利用反向传播的方法来调整初始化的嘴部检测模型各层的参数。在确定满足预设的训练结束条件时，可以结束训练，并将训练完成的初始化的嘴部检测模型确定为上述嘴部检测模型。
训练结束条件可以预先进行设置。例如，训练结束条件可以是训练时间超过预设时长，也可以是训练次数超过预设次数，还可以是连续多次损失函数的值小于预设的差异阈值等。
可选地，嘴部检测模型还可以通过如下步骤训练得到：
步骤一，获取初始类别检测模型。其中，初始类别检测模型包括初始嘴部检测模型和与初始嘴部检测模型连接的初始分类模型。
初始嘴部检测模型可以以嘴部图像作为输入，以嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率作为输出。初始分类模型可以以初始嘴部检测模型的输出作为输入，将表示嘴部图像中的像素点显示的内容所属的类别的类别信息作为输出。
其中，初始嘴部检测模型可以是是未经训练或未训练完成的各种人工神经网络，也可以是对各种人工神经网络进行组合所得到的模型。初始化的嘴部检测模型还可以是技术人员设计搭建的网络模型。例如，可以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)来搭建初始化的嘴部检测模型。初始分类模型可以是一个分类器，用于对输入的信息进行分类。
步骤二，获取训练样本集合。其中，训练样本可以包括嘴部图像和用于表示嘴部图像中的像素点显示的内容所属的类别的类别信息。
在本步骤中，可以先定位出目标类别集合中的各个类别对应的图像区域，然后由人工进行标注每个区域中的像素点对应的类别，从而标注各个像素点对应的类别信息。例如，以表示牙齿的第一类别为示例，可以先粗略定位出牙齿所在的图像区域(例如可以根据像素点对应的颜色取值来确定)，然后可以由人工按照从该图像区域的边缘开始往该图像区域的集合中心的方向对各个像素点进行标注。当标注到非第一类别的像素点，可以更新一次新的图像区域，并对新的图像区域的边缘上的未被标注的像素点进行标注，以此循环，直到新的图像区域的边缘所覆盖的像素点均对应于第一类别，则将该图像区域所包含的所有像素点都可以标注为第一类别。
步骤三，利用机器学习的方法，将训练样本集合中的训练样本中的嘴部图像作为初始类别检测模型的输入，将与输入的嘴部图像对应的类别信息作为初始类别检测模型的期望输出，训练得到训练完成的初始类别检测模型。
在本步骤中，可以利用训练样本整体训练初始类别检测模型，以得到训练完成的初始类别检测模型。
步骤四，将训练完成的初始类别检测模型包括的、训练完成的初始嘴部检测模型确定为嘴部检测模型。
步骤203，根据输出结果信息，对嘴部图像进行处理，得到处理后的嘴部图像。
在本实施例中，可以以输出结果信息为依据，根据实际的应用需求对嘴部图像进行不同的处理。例如，可以预先设置各个类别对应的处理操作与概率的对应关系。此时，可以根据各个像素点对应的概率执行对应的处理操作。
可选地，在目标类别集合包括第一类别、第二类别、第三类别中的一项时，可以对对应的概率大于目标概率阈值的像素点进行处理，得到处理后的嘴部图像。其中，目标概率阈值可以由技术人员预先进行设置，也可以根据得到的各个像素点对应的概率来进行设置。
以用于表示嘴部光照的第二类别作为示例，可以先选取对应的概率大于目标概率阈值的像素点作为目标像素点，从而得到目标像素点集合。然后，可以对目标像素点集合中的目标像素点进行处理，使得处理后的各个目标像素点作为嘴部图像中的高光点。例如，可以将目标像素点的颜色设置为预设的高光色。可选地，高光色的亮度还可以与各个目标像素点的对应的概率成正比。
继续参见图3，图3是根据本实施例的用于处理嘴部图像的方法的应用场景的一个示意图。在图3的应用场景中，用于处理嘴部图像的执行主体(如图1所示的服务器105)可以首先从其它存储设备获取待处理的嘴部图像301，然后将嘴部图像301输入至预先训练的嘴部检测模型302，得到输出结果信息303。其中，输出结果信息303可以用于表示嘴部图像中的像素点显示的内容属于表示牙齿的第一类别的概率。具体地，如图中标号303所示，嘴部图像301中的每个像素点都对应一个概率，用以表示该像素点显示的内容属于牙齿的概率。以嘴部图像包括N个像素点为示例，按照从左到右且从上到下的顺序，第一个像素点对应的概率可以为P1，第二个像素点对应的概率可以为P2，以此类推，第N个像素点对应的概率可以为PN。
之后，可以将各个像素点对应的概率与预设的概率阈值304进行比较，选取出大于概率阈值304的概率对应的像素点作为目标像素点。如图中标号305所示，嘴部图像301中的第M个像素点到第K个像素点对应的概率大于概率阈值304。因此，可以将从第M个像素点到第K个像素点之间的像素点作为目标像素点。
之后，可以将目标像素点的颜色调为白色，从而得到处理后的嘴部图像306。
本申请的上述实施例提供的方法通过对待处理的嘴部图像中的各个像素点显示的内容属于各个类别的概率进行判断，从而根据判断结果对各个像素点进行处理，以得到处理后的嘴部图像，使得能够对嘴部图像实现像素的级别的精细处理，有助于提升处理结果的准确度。
进一步参考图4，其示出了用于处理嘴部图像的方法的又一个实施例的流程400。该用于处理嘴部图像的方法的流程400，包括以下步骤：
步骤401，获取待处理的嘴部图像。
步骤402，将嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，输出结果信息用于表示嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别。
步骤403，响应于确定目标类别集合包括第一类别、第二类别、第三类别中的一项，对对应的概率大于目标概率阈值的像素点进行处理，得到处理后的嘴部图像。
上述步骤401、402和403的具体的执行过程可参考图2对应实施例中的步骤201、202和203的相关说明，在此不再赘述。
步骤404，响应于确定目标类别集合包括第一类别、第二类别、第三类别中的至少两项，针对嘴部图像中的像素点，确定该像素点不属于目标类别集合中的类别的概率作为非目标概率；将该像素点对应的至少两个概率和非目标概率中的最大的概率对应的类别作为结果类别；对该像素点执行结果类别对应的处理操作。
在本实施例中，当目标类别集合中包含的类别的数目为两个或两个以上时，可以先确定出各像素点对应的结果类别，然后对各像素点执行对应的结果类别所对应的处理操作。其中，一像素点对应的结果类别可以用于表示根据该像素点对应的各个概率确定出的该像素点显示的内容所属的类别。
具体地，以目标类别集合包括用于表示牙齿的第一类别，用于表示嘴部光照的第二类别和用于表示嘴唇的第三类别作为示例，嘴部图像中的各个像素点可以对应一个包括三个概率的概率集合。
之后，对于每个像素点，可以确定该像素点对应的非目标概率，其中，非目标概率可以表示除上述第一类别、第二类别和第三类别之外的其它类别。
可选地，针对嘴部图像中的像素点，该像素点对应的概率和非目标概率的总和为一。此时，针对各个像素点，可以将一减去该像素点对应的概率的总和作为非目标概率。
之后，对于每个像素点，可以将该像素点分别对应于第一类别、第二类别、第三类别的概率和非目标概率中的最大值对应的类别确定为该像素点对应的结果类别。例如，若该像素点对应的第一类别的概率最大，那么，可以认为该像素点显示的内容属于第一类别，即为牙齿部分。若该像素点对应的第二类别的概率最大，那么，可以认为该像素点显示的内容属于第二类别，即为嘴部光照部分。若该像素点对应的第三类别的概率最大，那么，可以认为该像素点显示的内容属于第三类别，即为嘴唇部分。若该像素点对应的非目标概率最大，那么，可以认为该像素点显示的内容属于其他类别，即除了目标类别集合中的各个类别之外的其它类别。
在确定了每个像素点对应的结果类别之后，可以进一步地对不同结果类别对应的像素点进行对应的处理。例如，对结果类别为第一类别的像素点，可以将这些像素点的颜色进行调白处理，对结果类别为第二类别的像素点，可以对这些像素点进行处理使得其成为嘴部图像中的高光点，对结果类别为第三类别的像素点，可以将这些像素点的颜色调整为红色，对结果类别为其它类别的像素点，可以保留这些像素点的颜色取值不变或者将这些像素点的颜色进行均值化处理。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于处理嘴部图像的方法的流程400突出了针对于目标类别集合中的类别的不同，可以具体对嘴部图像中的像素点执行不同的处理操作，有助于提升对嘴部图像的处理的灵活性和多样性。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于处理嘴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5所示，本实施例提供的用于处理嘴部图像的装置500包括获取单元501、检测单元502和处理单元503。其中，获取单元501被配置成获取待处理的嘴部图像；检测单元502被配置成将嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，输出结果信息用于表示嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别；处理单元503被配置成根据输出结果信息，对嘴部图像进行处理，得到处理后的嘴部图像。
在本实施例中，用于处理嘴部图像的装置500中：获取单元501、检测单元502和处理单元503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503进一步被配置成：响应于确定目标类别集合包括第一类别、第二类别、第三类别中的一项，对对应的概率大于目标概率阈值的像素点进行处理，得到处理后的嘴部图像。
在本实施例的一些可选的实现方式中，目标类别集合包括第二类别；以及上述处理单元503进一步被配置成：选取对应的概率大于目标概率阈值的像素点作为目标像素点，得到目标像素点集合；对目标像素点集合中的目标像素点进行处理，使得处理后的该目标像素点作为嘴部图像中的高光点。
在本实施例的一些可选的实现方式中，上述处理单元503进一步被配置成：响应于确定目标类别集合包括第一类别、第二类别、第三类别中的至少两项，针对嘴部图像中的像素点，确定该像素点不属于目标类别集合中的类别的概率作为非目标概率；将该像素点对应的至少两个概率和非目标概率中的最大的概率对应的类别作为结果类别；对该像素点执行结果类别对应的处理操作。
在本实施例的一些可选的实现方式中，针对嘴部图像中的像素点，该像素点对应的概率和非目标概率的总和为一。
在本实施例的一些可选的实现方式中，嘴部检测模型通过如下步骤训练得到：获取初始类别检测模型，其中，初始类别检测模型包括初始嘴部检测模型和与初始嘴部检测模型连接的初始分类模型，其中，初始分类模型将初始嘴部检测模型的输出作为输入，以及将表示嘴部图像中的像素点显示的内容所属的类别的类别信息作为输出；获取训练样本集合，其中，训练样本包括嘴部图像和用于表示嘴部图像中的像素点显示的内容所属的类别的类别信息；利用机器学习的方法，将训练样本集合中的训练样本中的嘴部图像作为初始类别检测模型的输入，将与输入的嘴部图像对应的类别信息作为初始类别检测模型的期望输出，训练得到训练完成的初始类别检测模型；将训练完成的初始类别检测模型包括的、训练完成的初始嘴部检测模型确定为嘴部检测模型。
本申请的上述实施例提供的装置，通过获取单元获取待处理的嘴部图像；检测单元将嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，输出结果信息用于表示嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别；处理单元根据输出结果信息，对嘴部图像进行处理，得到处理后的嘴部图像，从而实现了根据嘴部图像中的每个像素点对应属于各个类别的概率来对像素点显示的内容进行分类，使得能够对嘴部图像实现像素级别的处理，有助于提升处理的精细和准确度。
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：包括键盘、鼠标等的输入部分606；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，包括获取单元、检测单元和处理单元。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，获取单元还可以被描述为“获取待处理的嘴部图像的单元”。
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：获取待处理的嘴部图像；将嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，输出结果信息用于表示嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别；根据输出结果信息，对嘴部图像进行处理，得到处理后的嘴部图像。
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 (14)

1.一种用于处理嘴部图像的方法，包括：
获取待处理的嘴部图像；
将所述嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，所述输出结果信息用于表示所述嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，所述目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别；
根据所述输出结果信息，对所述嘴部图像进行处理，得到处理后的嘴部图像。
2.根据权利要求1所述的方法，其中，所述根据所述检测结果信息，对所述嘴部图像进行处理，得到处理后的嘴部图像，包括：
响应于确定所述目标类别集合包括所述第一类别、所述第二类别、所述第三类别中的一项，对对应的概率大于目标概率阈值的像素点进行处理，得到处理后的嘴部图像。
3.根据权利要求2所述的方法，其中，所述目标类别集合包括所述第二类别；以及
所述对对应的概率大于目标概率阈值的像素点进行处理，得到处理后的嘴部图像，包括：
选取对应的概率大于目标概率阈值的像素点作为目标像素点，得到目标像素点集合；
对所述目标像素点集合中的目标像素点进行处理，使得处理后的该目标像素点作为所述嘴部图像中的高光点。
4.根据权利要求1所述的方法，其中，所述根据所述检测结果信息，对所述嘴部图像进行处理，得到处理后的嘴部图像，包括：
响应于确定所述目标类别集合包括所述第一类别、所述第二类别、所述第三类别中的至少两项，针对所述嘴部图像中的像素点，确定该像素点不属于所述目标类别集合中的类别的概率作为非目标概率；将该像素点对应的至少两个概率和非目标概率中的最大的概率对应的类别作为结果类别；对该像素点执行所述结果类别对应的处理操作。
5.根据权利要求4所述的方法，其中，针对所述嘴部图像中的像素点，该像素点对应的概率和非目标概率的总和为一。
6.根据权利要求1-5之一所述的方法，其中，所述嘴部检测模型通过如下步骤训练得到：
获取初始类别检测模型，其中，初始类别检测模型包括初始嘴部检测模型和与初始嘴部检测模型连接的初始分类模型，其中，初始分类模型将初始嘴部检测模型的输出作为输入，以及将表示嘴部图像中的像素点显示的内容所属的类别的类别信息作为输出；
获取训练样本集合，其中，训练样本包括嘴部图像和用于表示嘴部图像中的像素点显示的内容所属的类别的类别信息；
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嘴部图像作为初始类别检测模型的输入，将与输入的嘴部图像对应的类别信息作为初始类别检测模型的期望输出，训练得到训练完成的初始类别检测模型；
将训练完成的初始类别检测模型包括的、训练完成的初始嘴部检测模型确定为所述嘴部检测模型。
7.一种用于处理嘴部图像的装置，包括：
获取单元，被配置成获取待处理的嘴部图像；
检测单元，被配置成将所述嘴部图像输入至预先训练的嘴部检测模型，得到输出结果信息，其中，所述输出结果信息用于表示所述嘴部图像中的像素点显示的内容属于目标类别集合中的类别的概率，所述目标类别集合包括以下至少一项：用于表示牙齿的第一类别、用于表示嘴部光照的第二类别、用于表示嘴唇的第三类别；
处理单元，被配置成根据所述输出结果信息，对所述嘴部图像进行处理，得到处理后的嘴部图像。
8.根据权利要求7所述的装置，其中，所述处理单元进一步被配置成：
响应于确定所述目标类别集合包括所述第一类别、所述第二类别、所述第三类别中的一项，对对应的概率大于目标概率阈值的像素点进行处理，得到处理后的嘴部图像。
9.根据权利要求8所述的装置，其中，所述目标类别集合包括所述第二类别；以及
所述处理单元进一步被配置成：
选取对应的概率大于目标概率阈值的像素点作为目标像素点，得到目标像素点集合；
对所述目标像素点集合中的目标像素点进行处理，使得处理后的该目标像素点作为所述嘴部图像中的高光点。
10.根据权利要求7所述的装置，其中，所述处理单元进一步被配置成：
响应于确定所述目标类别集合包括所述第一类别、所述第二类别、所述第三类别中的至少两项，针对所述嘴部图像中的像素点，确定该像素点不属于所述目标类别集合中的类别的概率作为非目标概率；将该像素点对应的至少两个概率和非目标概率中的最大的概率对应的类别作为结果类别；对该像素点执行所述结果类别对应的处理操作。
11.根据权利要求10所述的装置，其中，针对所述嘴部图像中的像素点，该像素点对应的概率和非目标概率的总和为一。
12.根据权利要求7-11之一所述的装置，其中，所述嘴部检测模型通过如下步骤训练得到：
获取初始类别检测模型，其中，初始类别检测模型包括初始嘴部检测模型和与初始嘴部检测模型连接的初始分类模型，其中，初始分类模型将初始嘴部检测模型的输出作为输入，以及将表示嘴部图像中的像素点显示的内容所属的类别的类别信息作为输出；
获取训练样本集合，其中，训练样本包括嘴部图像和用于表示嘴部图像中的像素点显示的内容所属的类别的类别信息；
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嘴部图像作为初始类别检测模型的输入，将与输入的嘴部图像对应的类别信息作为初始类别检测模型的期望输出，训练得到训练完成的初始类别检测模型；
将训练完成的初始类别检测模型包括的、训练完成的初始嘴部检测模型确定为所述嘴部检测模型。
13.一种电子设备，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1-6中任一所述的方法。
14.一种计算机可读介质，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1-6中任一所述的方法。
CN201811102339.7A 2018-09-20 2018-09-20 用于处理嘴部图像的方法和装置 Active CN109344752B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811102339.7A CN109344752B (zh) 2018-09-20 2018-09-20 用于处理嘴部图像的方法和装置
US16/981,084 US11941529B2 (en) 2018-09-20 2018-11-16 Method and apparatus for processing mouth image
PCT/CN2018/115971 WO2020056902A1 (zh) 2018-09-20 2018-11-16 用于处理嘴部图像的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811102339.7A CN109344752B (zh) 2018-09-20 2018-09-20 用于处理嘴部图像的方法和装置

Publications (2)

Publication Number Publication Date
CN109344752A true CN109344752A (zh) 2019-02-15
CN109344752B CN109344752B (zh) 2019-12-10

Family

ID=65306285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811102339.7A Active CN109344752B (zh) 2018-09-20 2018-09-20 用于处理嘴部图像的方法和装置

Country Status (3)

Country Link
US (1) US11941529B2 (zh)
CN (1) CN109344752B (zh)
WO (1) WO2020056902A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349161A (zh) * 2019-07-10 2019-10-18 北京字节跳动网络技术有限公司 图像分割方法、装置、电子设备、及存储介质
CN111160411A (zh) * 2019-12-11 2020-05-15 东软集团股份有限公司 分类模型训练方法、图像处理方法、装置、介质及设备
CN112070034A (zh) * 2020-09-10 2020-12-11 北京字节跳动网络技术有限公司 图像识别方法、装置、电子设备和计算机可读介质
CN112101258A (zh) * 2020-09-21 2020-12-18 北京字节跳动网络技术有限公司 图像处理方法、装置、电子设备和计算机可读介质
CN114120420A (zh) * 2021-12-01 2022-03-01 北京百度网讯科技有限公司 图像检测方法和装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749678A (zh) * 2021-01-22 2021-05-04 北京百度网讯科技有限公司 模型训练、矿产预测方法、装置、设备以及存储介质
CN113095146A (zh) * 2021-03-16 2021-07-09 深圳市雄帝科技股份有限公司 基于深度学习的嘴部状态分类方法、装置、设备和介质
CN113409288B (zh) * 2021-06-29 2023-06-27 北京百度网讯科技有限公司 一种图像清晰度的检测方法、装置、设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100284616A1 (en) * 2008-02-01 2010-11-11 Dan Dalton Teeth locating and whitening in a digital image
CN104346620A (zh) * 2013-07-25 2015-02-11 佳能株式会社 对输入图像中的像素分类的方法和装置及图像处理系统
CN106296617A (zh) * 2016-08-22 2017-01-04 腾讯科技（深圳）有限公司 人脸图像的处理方法及装置
CN106446800A (zh) * 2016-08-31 2017-02-22 北京云图微动科技有限公司 牙齿识别方法、装置及系统
CN107123083A (zh) * 2017-05-02 2017-09-01 中国科学技术大学 人脸编辑方法
CN107256376A (zh) * 2017-03-22 2017-10-17 武汉布偶猫科技有限公司 一种基于序贯主分量分析的人脸高光区处理方法
CN107679490A (zh) * 2017-09-29 2018-02-09 百度在线网络技术（北京）有限公司 用于检测图像质量的方法和装置
CN107729819A (zh) * 2017-09-22 2018-02-23 华中科技大学 一种基于稀疏全卷积神经网络的人脸标注方法
CN108491825A (zh) * 2018-03-30 2018-09-04 百度在线网络技术（北京）有限公司 信息生成方法和装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7133560B2 (en) 2002-07-09 2006-11-07 Lee Shih-Jong J Generating processing sequences for image-based decision systems
US8014590B2 (en) 2005-12-07 2011-09-06 Drvision Technologies Llc Method of directed pattern enhancement for flexible recognition
US20070297675A1 (en) * 2006-06-26 2007-12-27 Shih-Jong J. Lee Method of directed feature development for image pattern recognition
CN101706872A (zh) * 2009-11-26 2010-05-12 上海交通大学 通用的开放式人脸识别系统
JP4831259B1 (ja) * 2011-03-10 2011-12-07 オムロン株式会社 画像処理装置、画像処理方法、および制御プログラム
JP6458570B2 (ja) * 2015-03-12 2019-01-30 オムロン株式会社 画像処理装置および画像処理方法
CN105320945A (zh) * 2015-10-30 2016-02-10 小米科技有限责任公司 图像分类的方法及装置
CN107644209A (zh) * 2017-09-21 2018-01-30 百度在线网络技术（北京）有限公司 人脸检测方法和装置
US10997727B2 (en) * 2017-11-07 2021-05-04 Align Technology, Inc. Deep learning for tooth detection and evaluation

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100284616A1 (en) * 2008-02-01 2010-11-11 Dan Dalton Teeth locating and whitening in a digital image
CN104346620A (zh) * 2013-07-25 2015-02-11 佳能株式会社 对输入图像中的像素分类的方法和装置及图像处理系统
CN106296617A (zh) * 2016-08-22 2017-01-04 腾讯科技（深圳）有限公司 人脸图像的处理方法及装置
CN106446800A (zh) * 2016-08-31 2017-02-22 北京云图微动科技有限公司 牙齿识别方法、装置及系统
CN107256376A (zh) * 2017-03-22 2017-10-17 武汉布偶猫科技有限公司 一种基于序贯主分量分析的人脸高光区处理方法
CN107123083A (zh) * 2017-05-02 2017-09-01 中国科学技术大学 人脸编辑方法
CN107729819A (zh) * 2017-09-22 2018-02-23 华中科技大学 一种基于稀疏全卷积神经网络的人脸标注方法
CN107679490A (zh) * 2017-09-29 2018-02-09 百度在线网络技术（北京）有限公司 用于检测图像质量的方法和装置
CN108491825A (zh) * 2018-03-30 2018-09-04 百度在线网络技术（北京）有限公司 信息生成方法和装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349161A (zh) * 2019-07-10 2019-10-18 北京字节跳动网络技术有限公司 图像分割方法、装置、电子设备、及存储介质
CN111160411A (zh) * 2019-12-11 2020-05-15 东软集团股份有限公司 分类模型训练方法、图像处理方法、装置、介质及设备
CN111160411B (zh) * 2019-12-11 2023-09-29 东软集团股份有限公司 分类模型训练方法、图像处理方法、装置、介质及设备
CN112070034A (zh) * 2020-09-10 2020-12-11 北京字节跳动网络技术有限公司 图像识别方法、装置、电子设备和计算机可读介质
WO2022052889A1 (zh) * 2020-09-10 2022-03-17 北京字节跳动网络技术有限公司 图像识别方法、装置、电子设备和计算机可读介质
CN112101258A (zh) * 2020-09-21 2020-12-18 北京字节跳动网络技术有限公司 图像处理方法、装置、电子设备和计算机可读介质
CN114120420A (zh) * 2021-12-01 2022-03-01 北京百度网讯科技有限公司 图像检测方法和装置
CN114120420B (zh) * 2021-12-01 2024-02-13 北京百度网讯科技有限公司 图像检测方法和装置

Also Published As

Publication number Publication date
US20200410213A1 (en) 2020-12-31
WO2020056902A1 (zh) 2020-03-26
US11941529B2 (en) 2024-03-26
CN109344752B (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN109344752A (zh) 用于处理嘴部图像的方法和装置
CN108133201B (zh) 人脸属性识别方法和装置
CN108898185A (zh) 用于生成图像识别模型的方法和装置
CN110175555A (zh) 人脸图像聚类方法和装置
CN109308681A (zh) 图像处理方法和装置
CN109191514A (zh) 用于生成深度检测模型的方法和装置
CN108830235A (zh) 用于生成信息的方法和装置
CN108171212A (zh) 用于检测目标的方法和装置
CN108388878A (zh) 用于识别人脸的方法和装置
CN108509892A (zh) 用于生成近红外图像的方法和装置
CN108491809A (zh) 用于生成近红外图像生成模型的方法和装置
CN108491823A (zh) 用于生成人眼识别模型的方法和装置
CN108960110A (zh) 用于生成信息的方法和装置
CN108960316A (zh) 用于生成模型的方法和装置
CN108986169A (zh) 用于处理图像的方法和装置
CN108280413A (zh) 人脸识别方法和装置
CN109344762A (zh) 图像处理方法和装置
CN109389640A (zh) 图像处理方法和装置
CN109255337A (zh) 人脸关键点检测方法和装置
CN109472264A (zh) 用于生成物体检测模型的方法和装置
CN108876858A (zh) 用于处理图像的方法和装置
CN110163096A (zh) 人物识别方法、装置、电子设备和计算机可读介质
CN109377508A (zh) 图像处理方法和装置
CN109241934A (zh) 用于生成信息的方法和装置
CN109871791A (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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: Tiktok vision (Beijing) Co.,Ltd.