CN109409382A - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN109409382A
CN109409382A CN201811108575.XA CN201811108575A CN109409382A CN 109409382 A CN109409382 A CN 109409382A CN 201811108575 A CN201811108575 A CN 201811108575A CN 109409382 A CN109409382 A CN 109409382A
Authority
CN
China
Prior art keywords
image
key point
information
point
target
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
CN201811108575.XA
Other languages
English (en)
Other versions
CN109409382B (zh
Inventor
李�诚
钱晨
吴文岩
曹凯迪
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201811108575.XA priority Critical patent/CN109409382B/zh
Publication of CN109409382A publication Critical patent/CN109409382A/zh
Application granted granted Critical
Publication of CN109409382B publication Critical patent/CN109409382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：对第一图像和第二图像进行关键点检测，获得第一图像中第一对象的第一关键点以及第二图像中第二对象的第二关键点；根据第一关键点及第二关键点，确定第二对象的目标关键点；根据目标关键点对第二图像进行调整，获得目标图像。根据本公开的实施例，可分别检测第一图像和第二图像中的第一关键点和第二关键点，并根据第一关键点和第二关键点来确定第二对象的目标关键点，可在将第一对象的姿态映射到第二对象时，确定了第二对象的目标结构信息，从而减少了结构信息的损失，并使第二对象的姿态更自然，减少图像因结构信息的差异而产生的失真。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在相关技术中，可将一幅图像中的对象A(例如人或动物)的表情或动作通过像素移动等方式映射给另一幅图像中的对象B，使对象B具有与对象A 相同的表情或动作，但在对象A和对象B的体型或脸型等结构的差异较大时，相关技术中的映射方法容易造成结构信息的丢失，使对象B的表情或动作扭曲变形，导致图像失真。
发明内容
本公开提出了一种图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种图像处理方法，包括：
分别对第一图像和第二图像进行关键点检测处理，获得所述第一图像中第一对象的第一关键点以及所述第二图像中第二对象的第二关键点，其中，所述第一关键点表征所述第一对象的姿态信息和第一结构信息，所述第二关键点表征所述第二对象的第二结构信息；
根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，其中，所述目标关键点表征所述第二对象的目标姿态信息和目标结构信息；
根据所述目标关键点对所述第二图像进行调整，获得目标图像。
根据本公开的实施例的图像处理方法，可分别检测第一图像和第二图像中的第一关键点和第二关键点，并根据第一关键点和第二关键点来确定第二对象的目标关键点，可在将第一对象的姿态映射到第二对象时，确定了第二对象的目标结构信息，从而减少了结构信息的损失，并使第二对象的姿态更自然，减少图像因结构信息的差异而产生的失真。
在一种可能的实现方式中，根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，包括：
根据所述第二结构信息对所述第一结构信息进行调整，获得所述第二对象的目标结构信息；
根据所述目标结构信息对所述姿态信息进行调整，获得所述第二对象的目标姿态信息；
根据所述目标姿态信息和所述目标结构信息，确定所述第二对象的目标关键点。
通过这种方式，根据第二结构信息对第一结构信息进行调整，获得目标结构信息，可减少结构信息的损失，避免图像因结构信息的差异而失真。根据目标结构信息对姿态信息进行调整，获得目标姿态信息，可调整由于结构信息的差异造成的姿态偏差，减少图像不自然的扭曲变形等现象。
在一种可能的实现方式中，根据所述目标关键点对所述第二图像进行调整，获得目标图像，包括：
根据所述目标关键点，确定所述第二对象的轮廓区域的位置；
根据所述第二对象的轮廓区域的位置，对所述第二图像进行调整，获得所述目标图像。
通过这种方式，根据目标关键点，确定第二对象的轮廓区域的位置，可准确地确定轮廓区域的位置，并减少调整中的误差。
在一种可能的实现方式中，分别对第一图像和第二图像进行关键点检测处理，获得所述第一图像中第一对象的第一关键点以及所述第二图像中第二对象的第二关键点，包括：
将所述第一图像和所述第二图像分别输入第一检测网络和第二检测网络中进行关键点检测处理，获得所述第一关键点和所述第二关键点。
在一种可能的实现方式中，根据所述目标关键点对所述第二图像进行调整，获得目标图像，包括：
将所述目标关键点和所述第二图像输入解码网络中处理，获得所述目标图像。
在一种可能的实现方式中，根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，包括：
将所述第一关键点和所述第二关键点输入结构转换网络中处理，获得所述目标关键点。
在一种可能的实现方式中，所述方法还包括：
通过包括所述第一图像和所述第二图像的图像集，训练所述第一检测网络、所述第二检测网络和所述解码网络。
在一种可能的实现方式中，所述方法还包括：
通过包括所述第一图像和所述第二图像的图像集，训练所述结构转换网络。
根据本公开的另一方面，提供了一种图像处理装置，包括：
检测模块，用于分别对第一图像和第二图像进行关键点检测处理，获得所述第一图像中第一对象的第一关键点以及所述第二图像中第二对象的第二关键点，其中，所述第一关键点表征所述第一对象的姿态信息和第一结构信息，所述第二关键点表征所述第二对象的第二结构信息；
确定模块，用于根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，其中，所述目标关键点表征所述第二对象的目标姿态信息和目标结构信息；
获得模块，用于根据所述目标关键点对所述第二图像进行调整，获得目标图像。
在一种可能的实现方式中，所述确定模块进一步用于：
根据所述第二结构信息对所述第一结构信息进行调整，获得所述第二对象的目标结构信息；
根据所述目标结构信息对所述姿态信息进行调整，获得所述第二对象的目标姿态信息；
根据所述目标姿态信息和所述目标结构信息，确定所述第二对象的目标关键点。
在一种可能的实现方式中，所述获得模块进一步用于：
根据所述目标关键点，确定所述第二对象的轮廓区域的位置；
根据所述第二对象的轮廓区域的位置，对所述第二图像进行调整，获得所述目标图像。
在一种可能的实现方式中，所述检测模块进一步用于：
将所述第一图像和所述第二图像分别输入第一检测网络和第二检测网络中进行关键点检测处理，获得所述第一关键点和所述第二关键点。
在一种可能的实现方式中，所述获得模块进一步用于：
将所述目标关键点和所述第二图像输入解码网络中处理，获得所述目标图像。
在一种可能的实现方式中，所述确定模块进一步用于：
将所述第一关键点和所述第二关键点输入结构转换网络中处理，获得所述目标关键点。
在一种可能的实现方式中，所述装置还包括：
第一训练模块，用于通过包括所述第一图像和所述第二图像的图像集，训练所述第一检测网络、所述第二检测网络和所述解码网络。
在一种可能的实现方式中，所述装置还包括：
第二训练模块，用于通过包括所述第一图像和所述第二图像的图像集，训练所述结构转换网络。
根据本公开的另一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述图像处理方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像处理方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图；
图2示出根据本公开实施例的图像处理方法的流程图；
图3示出根据本公开实施例的图像处理方法的流程图；
图4示出根据本公开实施例的图像处理方法的应用示意图；
图5示出根据本公开实施例的图像处理装置的框图；
图6示出根据本公开实施例的图像处理装置的框图；
图7示出根据本公开实施例的电子设备的框图；
图8示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述方法包括：
在步骤S11中，分别对第一图像和第二图像进行关键点检测处理，获得所述第一图像中第一对象的第一关键点以及所述第二图像中第二对象的第二关键点，其中，所述第一关键点表征所述第一对象的姿态信息和第一结构信息，所述第二关键点表征所述第二对象的第二结构信息；
在步骤S12中，根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，其中，所述目标关键点表征所述第二对象的目标姿态信息和目标结构信息；
在步骤S13中，根据所述目标关键点对所述第二图像进行调整，获得目标图像。
根据本公开的实施例的图像处理方法，可分别检测第一图像和第二图像中的第一关键点和第二关键点，并根据第一关键点和第二关键点来确定第二对象的目标关键点，可在将第一对象的姿态映射到第二对象时，确定了第二对象的目标结构信息，从而减少了结构信息的损失，并使第二对象的姿态更自然，减少图像因结构信息的差异而产生的失真。
在一种可能的实现方式中，所述图像处理方法可以由终端设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可由终端设备或图像采集设备(例如相机等)获取第一图像和第二图像，并将第一图像和第二图像发送至服务器，从而通过服务器执行所述方法。
在一种可能的实现方式中，在步骤S11中，可分别检测第一图像和第二图像中的关键点，获得第一图像中的第一对象的第一关键点和第二图像中的第二对象的第二关键点。在示例中，第一图像和第二图像可以是人的面部的图像，所述第一关键点和第二关键点可以是人脸关键点。在示例中，第一图像和第二图像中的至少一个可以是其他动物的面部的图像(例如，猫脸的图像或狗脸的图像)，在该图像中进行检测，可获得动物的面部的关键点，例如猫脸或狗脸上的关键点。在示例中，第一图像和第二图像可以是人类或其他动物的图像，所述第一关键点和第二关键点可以是人类或其他动物的身体轮廓内的关键点。所述第一关键点可用于表征第一对象的表情或动作等姿态信息(姿态信息)，以及第一对象的脸型或体型等结构信息(第一结构信息)。所述第二关键点可用于表征第二对象的脸型或体型等结构信息(第二结构信息)，也可用于表征第二对象的表情或动作等姿态信息。
在一种可能的实现方式中，分别对第一图像和第二图像进行关键点检测处理，获得所述第一图像中第一对象的第一关键点以及所述第二图像中第二对象的第二关键点，包括：将所述第一图像和所述第二图像分别输入第一检测网络和第二检测网络中进行关键点检测处理，获得所述第一关键点和所述第二关键点。
在一种可能的实现方式中，第一检测网络和第二检测网络分别是用于检测第一图像和第二图像中的关键点的神经网络，例如，卷积神经网络等神经网络。第一检测网络可对第一图像进行关键点检测处理，获得第一图像中的第一关键点，第二检测网络可对第二图像进行关键点检测处理，获得第二图像中的第二关键点。在示例中，第一检测网络和第二检测网络可以为相同或不同的神经网络。
本公开对获得第一图像和第二图像中的关键点的具体方式不做限制。
在一种可能的实现方式中，在步骤S12中，可根据第一关键点和第二关键点，获得可表征第二对象的目标姿态信息和目标结构信息的目标关键点，例如，可根据第二关键点，对第一关键点的第一结构信息和姿态信息进行调整，获得第二对象的目标姿态信息和目标结构信息，进而获得第二对象的目标关键点。
在一种可能的实现方式中，根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，包括：根据所述第二结构信息对所述第一结构信息进行调整，获得所述第二对象的目标结构信息；根据所述目标结构信息对所述姿态信息进行调整，获得所述第二对象的目标姿态信息；根据所述目标姿态信息和所述目标结构信息，确定所述第二对象的目标关键点。
通过这种方式，根据第二结构信息对第一结构信息进行调整，获得目标结构信息，可减少结构信息的损失，避免图像因结构信息的差异而失真。根据目标结构信息对姿态信息进行调整，获得目标姿态信息，可调整由于结构信息的差异造成的姿态偏差，减少图像不自然的扭曲变形等现象。
在一种可能的实现方式中，第一结构信息为第一图像中的第一对象的结构信息，可表征第一对象的脸型或体型等结构信息。第二结构信息为第二图像中的第二对象的结构信息，可表征第二对象的脸型或体型等结构信息。第一对象的第一结构信息和第二对象的第二结构信息可存在差异。在示例中，第一对象和第二对象分别是两个人的面部，第一对象和第二对象的脸型可存在差异，例如，第一对象的脸型偏胖，第二对象的脸型偏瘦等。在示例中，第一对象和第二对象分别为两个动物，第一对象和第二对象的体型可存在差异，例如，第一对象可以是一匹马，第二对象可以是一头牛，牛和马的体型存在差异。
在一种可能的实现方式中，可根据第二结构信息来调整第一结构信息，以减小或消除第一结构信息和第二结构信息之间的差异。在示例中，第一对象和第二对象分别是两个人的面部，第一对象的脸型偏胖，第二对象的脸型偏瘦，因此，第一关键点的第一结构信息(即，第一关键点所表征的脸型方面的信息)和第二关键点的第二结构信息(即，第二关键点所表征的脸型方面的信息)存在差异，可根据第二关键点所表征的脸型方面的信息，将第一关键点所表征的脸型方面的信息进行调整，在示例中，可对第一对象的第一关键点进行调整，例如，调整第一对象的外轮廓上的第一关键点之间的相对距离，以使第一对象的第一关键点所表征的脸型方面的信息与第二关键点所表征的脸型方面的信息一致，例如，将第一关键点所表征的脸型调瘦，以与第二关键点所表征的脸型一致。
在示例中，第一对象和第二对象分别是为两个动物，例如，第一对象可以是一匹马，第二对象可以是一头牛，牛和马的体型存在差异，因此，第一关键点的第一结构信息(即，第一关键点所表征的体型方面的信息)和第二关键点的第二结构信息(即，第二关键点所表征的体型方面的信息)具有差异，可根据第二关键点所表征的体型方面的信息，将第一关键点所表征的体型方面的信息进行调整，在示例中，可对第一对象的第一关键点进行调整，例如，调整第一对象的外轮廓上的第一关键点之间的相对距离，以使第一对象的第一关键点所表征的体型方面的信息与第二关键点所表征的体型方面的信息一致，例如，将第一关键点所表征的体型调胖，例如，将所述马的腹部和背部的关键点之间的距离调远，以使第一关键点表征的体型(例如，腹部的形状)调胖，并将马的腿部的关键点之间的距离调近，以使第一关键点表征的体型(例如，腿部的形状)调短，以与第二关键点所表征的体型一致。本公开对第一结构信息调整方式不做限制。
在一种可能的实现方式中，可根据目标结构信息调整姿态信息，获得第二对象的目标姿态信息。在示例中，姿态信息可表征第一对象的表情或动作等姿态，由于目标结构信息和第一结构信息存在差异，因此，在将第一结构信息被调整为目标结构信息后，姿态信息可能存在扭曲等变形，可根据调整后的目标结构信息对姿态信息进行调整，获得目标姿态信息。
在示例中，第一对象和第二对象分别是两个人的面部，第一对象的脸型偏胖，第二对象的脸型偏瘦，在调整第一关键点，以将第一结构信息(即，第一对象的脸型)调瘦后，可根据调瘦后的脸型来继续调整第一关键点，例如，可调整第一关键点，以修正第一关键点表征的姿态信息(即，表情)的扭曲等变形，可获得目标姿态信息，即，使偏瘦的人脸具有与偏胖的人脸一致，且比较自然(扭曲变形较少)的表情，例如，根据偏瘦的人脸来调整表情信息，使偏瘦的人脸具有与偏胖的人脸一致的表情，并使偏瘦的人脸的表情比较自然，使得由于脸型不一致导致的表情扭曲较少。
在示例中，第一对象和第二对象分别是为两个动物，例如，第一对象可以是一匹马，第二对象可以是一头牛，在调整第一关键点，以将第一结构信息(即，第一对象的体型)调整为与第二结构信息一致后(例如，将马第一关键点表征的体型调胖，并将腿长调短)，可根据调整后的体型来继续调整第一关键点，例如，可调整第一关键点，以修正第一关键点表征的姿态信息 (即，动作)的扭曲等变形，可获得目标姿态信息，使牛具有与马一致且比较自然(扭曲变形较少)的动作，例如，根据牛的体型来调整动作信息，使牛具有与马一致的动作，并使牛的动作比较自然，使得由于体型不一致导致的动作扭曲较少。
在一种可能的实现方式中，目标姿态信息和目标结构信息表示第二对象的目标关键点的姿态信息和结构信息，在将第一关键点进行调整，使第一结构信息被调整为目标结构信息，且使姿态信息被调整为目标姿态信息后，被调整的第一关键点即为所述目标关键点。
在一种可能的实现方式中，根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，包括：将所述第一关键点和所述第二关键点输入结构转换网络中处理，获得所述目标关键点。所述结构转换网络是用于结构转换的神经网络，例如，卷积神经网络等神经网络。所述结构转换网络可用于执行调整第一结构信息和姿态信息，从而获得目标关键点的操作。在示例中，第一对象可以是一匹马，第二对象可以是一头牛，所述结构转换网络可调整马的第一关键点，使第一关键点表征的体型与牛一致。所述结构转换网络还可调整马的第一关键点，使第一关键点表征的将马的动作的扭曲等变形较小，并将调整后的第一关键点作为目标关键点。
在示例中，所述结构转换网络为重定制生成式对抗网络(ReenactGAN， ReenactGenerative Adversarial Network)，结构转换网络可将根据第一对象的第一关键点的姿态信息和第一结构信息以及第二对象的第二关键点的第二结构信息，获得可表征第二对象的目标姿态信息和目标结构信息的第二关键点，其中，目标姿态信息与第一对象的第一姿态信息一致，目标结构信息与第二对象的第二结构信息一致。其中，关键点可携带充分姿态信息和结构信息，每个关键点可携带其所在位置的姿态信息和结构信息。
在示例中，所述结构转换网络可将第一关键点和第二关键点映射到对结构信息敏感的向量空间，在所述向量空间中，关键点的位置对于结构信息是敏感的，即，关键点位置的变化可引起结构信息较大的变化，并且，关键点的位置对于姿态信息是不敏感的，即，关键点位置的变化不会引起姿态信息的变化或仅引起姿态信息较小的变化。
在示例中，两组关键点，例如，牛和马的关键点，牛和马的结构信息的差异较大，即使牛和马的动作是一致的，牛和马的关键点在所述向量空间中的位置也是较远的。
在示例中，可在所述向量空间中对第一关键点的位置进行调整，例如，可将第一关键点在向量空间中的位置调整至接近第二关键点所在的位置，可获得目标关键点在向量空间中的位置，则可使目标关键点在向量空间中所表示的结构信息与第二关键点一致，并可使目标关键点与第一关键点所表征的姿态信息一致。
在示例中，在位置调整的过程中，可逐一对第一关键点的位置进行调整，例如，第一关键点可包括n个关键点，其中，在对第i(1≤i≤n)个第一关键点进行调整时，可将第i个关键点进行标记，并将其他未调整的关键点表示的姿态信息和结构信息设为0，以免在调整第i个关键点的过程中，结构信息或姿态信息失真造成扭曲，进一步地，可将第i个第一关键点调整到第i个第二关键点所在位置或第i个第二关键点附近的位置(例如，第二关键点的任意小的邻域内的任意位置)。通过上述方式，可在保持第一关键点的姿态信息的基础上调整所有第一关键点在向量空间中的位置，即，调整第一关键点表示的结构信息，获得目标关键点。
又例如，所述结构转换网络可将第一关键点和第二关键点映射到对姿态信息敏感的向量空间，在所述向量空间中，关键点的位置对于姿态信息是敏感的，即，关键点位置的变化可引起姿态信息较大的变化，并且，关键点的位置对于结构信息是不敏感的，即，关键点位置的变化不会引起结构信息的变化或仅引起结构信息较小的变化。
在示例中，两组关键点，例如，牛和马的关键点，不论牛和马的结构信息的差异有多大，如果牛和马的动作是一致的，则牛和马的关键点在所述向量空间中的位置是相近的。
在示例中，可在所述向量空间中对两组关键点的位置进行调整，例如，可将第二关键点在向量空间中的位置调整至接近第一关键点所在的位置，可将调整后的第二关键点确定为目标关键点在向量空间中的位置，则可使目标关键点在向量空间中所表示的姿态信息与第一关键点一致，并可使目标关键点与第二关键点所表征的结构信息一致。
在示例中，在位置调整的过程中，可逐一对第二关键点的位置进行调整，例如，第二关键点可包括n个关键点，其中，在对第j(1≤j≤n)个第二关键点进行调整时，可将第j个关键点进行标记，并将其他未调整的关键点表示的姿态信息和结构信息设为0，以免在调整第j个关键点的过程中，结构信息或姿态信息失真造成扭曲，进一步地，可将第j个第二关键点调整到第j个第一关键点所在位置或第j个第一关键点附近的位置(例如，第一关键点的任意小的邻域内的任意位置)。通过上述方式，可在保持第二关键点的结构信息的基础上调整所有第二关键点在向量空间中的位置，即，调整第二关键点表示的姿态信息，获得目标关键点。
在一种可能的实现方式中，在步骤S13中，可根据目标关键点对第二图像进行调整，获得目标图像。在示例中，目标关键点可作为第二对象做出第一对象的姿态时的关键点，可使用目标关键点对第二图像进行调整，使第二对象具有目标姿态信息和目标结构信息。
在一种可能的实现方式中，根据所述目标关键点对所述第二图像进行调整，获得目标图像，包括：根据所述目标关键点，确定所述第二对象的轮廓区域的位置；根据所述第二对象的轮廓区域的位置，对所述第二图像进行调整，获得所述目标图像。
通过这种方式，根据目标关键点，确定第二对象的轮廓区域的位置，可准确地确定轮廓区域的位置，并减少调整中的误差。
在一种可能的实现方式中，第二关键点是第二对象的轮廓线上的特定的点，在使用目标关键点对第二图像进行调整的过程中，使用目标关键点代替第二关键点，即，使用目标关键点表示第二对象的调整后的轮廓线上的特定的点。通过所述调整后的轮廓线上的特定的点，可确定调整后的轮廓线的位置，即，轮廓区域的位置。
在一种可能的实现方式中，可根据轮廓区域的位置，调整第二图像。在示例中，可将所述第二对象的轮廓线上的特定的点调整到目标关键点所在的位置，并将第二对象的轮廓线调整到所述调整后的轮廓线的位置，即，所述轮廓区域的位置，获得所述目标图像。
在一种可能的实现方式中，根据所述目标关键点对所述第二图像进行调整，获得目标图像，包括：将所述目标关键点和所述第二图像输入解码网络中处理，获得所述目标图像。所述解码网络时用于根据目标关键点调整第二图像的神经网络，例如，卷积神经网络等神经网络。所述解码网络可用于执行确定第二对象的轮廓区域的位置以及调整第二图像的操作。在示例中，第一对象可以是一匹马，第二对象可以是一头牛，所述解码网络可根据目标关键点，调整第二图像，使所述牛具有与马一致的动作。
在示例中，所述解码网络可对目标关键点进行逆映射，可将所述向量空间中的目标关键点映射至第二图像中，并调整第二图像。所述第二关键点是第二图像的像素点的子集，每个第二关键点可表示其附近的轮廓区域内的多个像素点的位置，在调整第二图像的过程中，可将第二关键点及其附近的轮廓区域内的像素点同时进行调整，以将第二关键点调整至所述目标关键点所在位置，并同时调整轮廓区域内的像素点，可获得所述目标图像。
在一种可能的实现方式中，所述结构转换网络还可根据第一关键点来调整第二关键点，并将调整后的第二关键点作为第一图像中的第一对象的目标关键点，进一步地，可根据第一对象的目标关键点来调整第一图像，获得具有与第二对象姿态相同的第一对象的图像。在示例中，第一图像是马的图像，第二图像是牛的图像，所述图像处理方法除了获得与马的动作相同的牛的目标图像之外，还可获得与牛的动作相同的马的图像，即，可互换牛和马的动作。在示例中，第一图像和第二图像均为人的面部的图像，但表情不同，所述图像处理方法除了获得与第一对象的表情相同的第二对象的目标图像之外，还可获得与第二对象的表情相同的第一对象的图像，即，可互换第一对象与第二对象的表情。
在一种可能的实现方式中，在使用第一检测网络和第二检测网络进行关键点检测处理之前，可对第一检测网络和第二检测网络进行训练。在使用解码网络调整第二图像之前，可对解码网络进行训练。
图2示出根据本公开实施例的图像处理方法的流程图，如图2所示，所述方法还包括：
在步骤S14中，通过包括所述第一图像和所述第二图像的图像集，训练所述第一检测网络、所述第二检测网络和所述解码网络。
在一种可能的实现方式中，所述图像集中，可包括第一图像和第二图像，还可包括其他图像，例如，第一对象的其他姿态的图像或第二对象的其他姿态的图像，这些图像可作为样本图像，用于训练第一检测网络、第二检测网络和解码网络，本公开对图像集中的图像的类型不做限制。
在一种可能的实现方式中，可将第一检测网络、第二检测网络和解码网络进行组合训练，在示例中，使用解码网络分别与第一检测网络和第二检测网络进行组合，以进行训练。
在示例中，在训练第一检测网络和解码网络的组合时，可将样本图像输入该组合。样本图像可被输入第一检测网络，第一检测网络可获取样本图像中的对象的关键点，解码网络可对所述关键点和样本图像进行处理，可获得目标样本图像。在训练过程中，由于第一检测网络和解码网络的综合网络损失，目标样本图像和样本图像可存在一定的差异，可根据该差异，确定所述综合网络损失。在示例中，可根据以下公式(1)确定第一检测网络和解码网络的综合网络损失：
Ls＝LGAN+Ll+Lfeat(1)
其中，Ls为第一检测网络和解码网络的综合网络损失，Ll为目标样本图像和样本图像的像素点的位置误差，LGAN和Lfeat均可表示图像失真的误差，例如，LGAN可表示由于结构信息的误差所导致的图像失真，例如，调整第二图像过程中由于结构信息的误差造成的图像失真，Lfeat可表示由于细节方面的误差导致的图像失真，例如，样本图像中的对象为人脸，所述细节方面的误差可以是人脸上的皱纹或毛发等细节的形状或位置的误差，例如，在调整第二图像的过程中的细节方面的误差造成的图像失真。
在一种可能的实现方式中，可使用综合网络损失来调整第一检测网络和解码网络的网络参数值。在示例中，可按照使综合网络损失最小化的方向来调整第一检测网络和解码网络的网络参数值，使调整后的第一检测网络和解码网络具有较高的拟合优度，同时避免过拟合。本公开对调整第一检测网络和解码网络的网络参数值的方法不做限制。
在一种可能的实现方式中，调整第一检测网络和解码网络的网络参数值的步骤可循环执行，并按照使综合网络损失降低或收敛的方式来逐次调整第一检测网络和解码网络的网络参数值。在示例中，可输入预定次数的样本图像，即，循环执行预定次数。在示例中，也可不限定循环执行的次数，在综合网络损失降低到一定程度或收敛于一定阈值内时，停止循环，并获得循环调整后的第一检测网络和解码网络。可将循环调整后的第一检测网络用于检测第一图像的第一关键点的过程中。
在一种可能的实现方式中，可使用相同的方法，来训练第二检测网络和解码网络的组合，并将调整后的第二检测网络用于检测第二图像的第二关键点的过程中，并将调整后的解码网络用于根据目标关键点调整第二图像的过程中。在示例中，第一检测网络和第二检测网络可以为相同或不同的神经网络。
在一种可能的实现方式中，在使用结构转换网络获得目标关键点之前，可对结构转换网络进行训练。
图3示出根据本公开实施例的图像处理方法的流程图，如图3所示，所述方法还包括：
在步骤S15中，通过包括所述第一图像和所述第二图像的图像集，训练所述结构转换网络。
在一种可能的实现方式中，所述图像集中，可包括第一图像和第二图像，还可包括其他图像，例如，第一对象的其他姿态的图像或第二对象的其他姿态的图像，这些图像可作为样本图像，用于训练所述转换网络，本公开对图像集中的图像的类型不做限制。
在一种可能的实现方式中，可选取动作信息和结构信息不同的对象的图像作为一组样本图像，例如，可选取一幅牛的图像和一幅马的图像作为该组样本图像，可检测该组样本图像中的对象的关键点，例如，可通过第一检测网络或第二检测网络分别检测该组样本图像中两幅图像的关键点，例如，可通过第一检测网络检测第一样本图像的第一样本关键点(例如，马的关键点)，并通过第二检测网络检测第二样本图像的第二样本关键点(例如，牛的关键点)。
在一种可能的实现方式中，可将第一样本关键点和第二样本关键点输入所述结构转换网络，所述结构转换网络可根据第二样本关键点所表征的结构信息，调整第一样本关键点，获得目标样本关键点。
在一种可能的实现方式中，目标样本关键点表征的结构信息和第二样本关键点表征的结构信息存在差异，可根据该差异，确定所述结构转换网络的网络损失。在示例中，结构转换网络的网络损失可根据以下公式(2)来确定：
Lc＝Lcyc+LG(2)
其中，Lc为结构转换网络的网络损失，LG为目标样本关键点表征的结构信息和第二样本关键点表征的结构信息存在差异，例如，马和牛的体型的差异，在示例中，可通过图像集中的多个样本图像获得马和牛的体型信息(即，结构信息)，并在调整过程中逐步使该损失减小，即，消除结构差异，Lcyc表示由于结构信息的差异导致的图像失真，例如图像扭曲等不自然的变形，或者由于姿态信息变化造成的结构差异所导致的图像失真。
在一种可能的实现方式中，可使用所述网络损失来调整结构转换网络的网络参数值。在示例中，可按照使所述网络损失最小化的方向来调整结构转换网络的网络参数值，使调整后的结构转换网络具有较高的拟合优度，同时避免过拟合。本公开对调整结构转换网络的网络参数值的方法不做限制。
在一种可能的实现方式中，调整结构转换网络的网络参数值的步骤可循环执行，并按照使所述网络损失降低或收敛的方式来逐次调整结构转换网络的网络参数值。在示例中，可输入预定次数的样本图像组的关键点，即，循环执行预定次数。在示例中，也可不限定循环执行的次数，在所述网络损失降低到一定程度或收敛于一定阈值内时，停止循环，并获得循环调整后的结构转换网络。可将循环调整后的结构转换网络用于获得目标关键点的过程中。
根据本公开的实施例的图像处理方法，根据本公开的实施例的图像处理方法，可分别检测第一图像和第二图像中的第一关键点和第二关键点，并根据第二关键点表征的第二结构信息对第一关键点表征的第一结构信息进行调整，获得目标结构信息，可减少结构信息的损失，避免图像因结构信息的差异而失真，并根据目标结构信息对姿态信息进行调整，获得目标姿态信息，可调整由于结构信息的差异造成的姿态偏差，减少图像不自然的扭曲变形等现象。进一步地，可在根据目标关键点对第二图像进行调整时，确定第二对象的轮廓区域的位置，可准确地确定轮廓区域的位置，以减少调整中的误差。使目标图像中的第二对象的姿态更自然，避免图像因结构信息的差异而失真。
图4示出根据本公开实施例的图像处理方法的应用示意图，如图4所示，第一图像是马跳跃起来的图像，第二图像是牛站立的图像，马和牛的动作不同，并且，马和牛的体型不同，例如，牛的体型比马胖，牛的腿比马短等。
在一种可能的实现方式中，可将第一图像输入第一检测网络进行处理，获得马的第一关键点，第一关键点可表征马的第一结构信息(即，马的体型) 和姿态信息(即，马的动作)。可将第二图像输入第二检测网络进行处理，获得牛的第二关键点，第二关键点可表征牛的第二结构信息(即，牛的体型)。
在一种可能的实现方式中，可将第一关键点和第二关键点输入结构转换网络中进行处理，所述结构转换网络可将第一关键点的第一结构信息(即，马的体型)进行调整，获得与第二关键点的第二结构信息(即，牛的体型) 一致的目标结构信息，即，调整第一关键点，使第一关键点表征的体型方面的信息与牛的体型一致。例如，可将马的腹部和背部的关键点之间的距离调远，以使第一关键点表征的体型(例如，腹部的形状)调胖，并将马的腿部的关键点之间的距离调近，以使第一关键点表征的体型(例如，腿部的形状) 调短等。
在一种可能的实现方式中，所述结构转换网络还可继续调整第一关键点，例如，可调整第一关键点，以修正第一关键点表征的姿态信息(即，马的跳跃的动作)的扭曲等变形，可获得目标姿态信息。根据目标姿态信息和目标结构信息，可确定目标关键点。
在一种可能的实现方式中，可将目标关键点和第二图像输入解码网络进行处理，所述解码网络可根据目标关键点确定牛的轮廓区域的位置，并根据牛的轮廓区域的位置，调整第二图像，获得目标图像，在目标图像中，牛在体型保持不变的情况下，具有与第一图像中的马一致的跳跃的动作。
在一种可能的实现方式中，所述结构转换网络还可根据第一关键点来调整第二关键点，并将调整后的第二关键点作为第一图像中的马的目标关键点，进一步地，可根据马的目标关键点来调整第一图像，获得与牛的站立动作相同的马的图像。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图5示出根据本公开实施例的图像处理装置的框图，如图5所示，所述装置包括：
检测模块11，用于分别对第一图像和第二图像进行关键点检测处理，获得所述第一图像中第一对象的第一关键点以及所述第二图像中第二对象的第二关键点，其中，所述第一关键点表征所述第一对象的姿态信息和第一结构信息，所述第二关键点表征所述第二对象的第二结构信息；
确定模块12，用于根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，其中，所述目标关键点表征所述第二对象的目标姿态信息和目标结构信息；
获得模块13，用于根据所述目标关键点对所述第二图像进行调整，获得目标图像。
在一种可能的实现方式中，所述确定模块进一步用于：
根据所述第二结构信息对所述第一结构信息进行调整，获得所述第二对象的目标结构信息；
根据所述目标结构信息对所述姿态信息进行调整，获得所述第二对象的目标姿态信息；
根据所述目标姿态信息和所述目标结构信息，确定所述第二对象的目标关键点。
在一种可能的实现方式中，所述获得模块进一步用于：
根据所述目标关键点，确定所述第二对象的轮廓区域的位置；
根据所述第二对象的轮廓区域的位置，对所述第二图像进行调整，获得所述目标图像。
在一种可能的实现方式中，所述检测模块进一步用于：
将所述第一图像和所述第二图像分别输入第一检测网络和第二检测网络中进行关键点检测处理，获得所述第一关键点和所述第二关键点。
在一种可能的实现方式中，所述获得模块进一步用于：
将所述目标关键点和所述第二图像输入解码网络中处理，获得所述目标图像。
在一种可能的实现方式中，所述确定模块进一步用于：
将所述第一关键点和所述第二关键点输入结构转换网络中处理，获得所述目标关键点。
图6示出根据本公开实施例的图像处理装置的框图，如图6所示，所述装置还包括：
第一训练模块14，用于通过包括所述第一图像和所述第二图像的图像集，训练所述第一检测网络、所述第二检测网络和所述解码网络。
在一种可能的实现方式中，所述装置还包括：
第二训练模块15，用于通过包括所述第一图像和所述第二图像的图像集，训练所述结构转换网络。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O) 的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板 (TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或 3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路 (ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备 1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM， UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900 的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构 (ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
分别对第一图像和第二图像进行关键点检测处理，获得所述第一图像中第一对象的第一关键点以及所述第二图像中第二对象的第二关键点，其中，所述第一关键点表征所述第一对象的姿态信息和第一结构信息，所述第二关键点表征所述第二对象的第二结构信息；
根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，其中，所述目标关键点表征所述第二对象的目标姿态信息和目标结构信息；
根据所述目标关键点对所述第二图像进行调整，获得目标图像。
2.根据权利要求1所述的方法，其特征在于，根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，包括：
根据所述第二结构信息对所述第一结构信息进行调整，获得所述第二对象的目标结构信息；
根据所述目标结构信息对所述姿态信息进行调整，获得所述第二对象的目标姿态信息；
根据所述目标姿态信息和所述目标结构信息，确定所述第二对象的目标关键点。
3.根据权利要求1或2所述的方法，其特征在于，根据所述目标关键点对所述第二图像进行调整，获得目标图像，包括：
根据所述目标关键点，确定所述第二对象的轮廓区域的位置；
根据所述第二对象的轮廓区域的位置，对所述第二图像进行调整，获得所述目标图像。
4.根据权利要求1-3中任一项所述的方法，其特征在于，分别对第一图像和第二图像进行关键点检测处理，获得所述第一图像中第一对象的第一关键点以及所述第二图像中第二对象的第二关键点，包括：
将所述第一图像和所述第二图像分别输入第一检测网络和第二检测网络中进行关键点检测处理，获得所述第一关键点和所述第二关键点。
5.根据权利要求1-4中任一项所述的方法，其特征在于，根据所述目标关键点对所述第二图像进行调整，获得目标图像，包括：
将所述目标关键点和所述第二图像输入解码网络中处理，获得所述目标图像。
6.根据权利要求1-5中任一项所述的方法，其特征在于，根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，包括：
将所述第一关键点和所述第二关键点输入结构转换网络中处理，获得所述目标关键点。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
通过包括所述第一图像和所述第二图像的图像集，训练所述第一检测网络、所述第二检测网络和所述解码网络。
8.一种图像处理装置，其特征在于，所述装置包括：
检测模块，用于分别对第一图像和第二图像进行关键点检测处理，获得所述第一图像中第一对象的第一关键点以及所述第二图像中第二对象的第二关键点，其中，所述第一关键点表征所述第一对象的姿态信息和第一结构信息，所述第二关键点表征所述第二对象的第二结构信息；
确定模块，用于根据所述第一关键点及所述第二关键点，确定所述第二对象的目标关键点，其中，所述目标关键点表征所述第二对象的目标姿态信息和目标结构信息；
获得模块，用于根据所述目标关键点对所述第二图像进行调整，获得目标图像。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN201811108575.XA 2018-09-21 2018-09-21 图像处理方法及装置、电子设备和存储介质 Active CN109409382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811108575.XA CN109409382B (zh) 2018-09-21 2018-09-21 图像处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811108575.XA CN109409382B (zh) 2018-09-21 2018-09-21 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN109409382A true CN109409382A (zh) 2019-03-01
CN109409382B CN109409382B (zh) 2021-03-16

Family

ID=65465225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811108575.XA Active CN109409382B (zh) 2018-09-21 2018-09-21 图像处理方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN109409382B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084676A (zh) * 2019-04-24 2019-08-02 深圳市观梦科技有限公司 一种线上商品推荐方法、网络终端和具有存储功能的装置
CN110390291A (zh) * 2019-07-18 2019-10-29 北京字节跳动网络技术有限公司 数据处理方法、装置及电子设备
WO2023016155A1 (zh) * 2021-08-12 2023-02-16 腾讯科技（深圳）有限公司 图像处理方法、装置、介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080037836A1 (en) * 2006-08-09 2008-02-14 Arcsoft, Inc. Method for driving virtual facial expressions by automatically detecting facial expressions of a face image
CN101504761A (zh) * 2009-01-21 2009-08-12 北京中星微电子有限公司 一种图像拼接的方法和装置
CN106709886A (zh) * 2017-01-04 2017-05-24 竹间智能科技（上海）有限公司 自动修图方法及装置
CN107393017A (zh) * 2017-08-11 2017-11-24 北京铂石空间科技有限公司 图像处理方法、装置、电子设备及存储介质
CN108229496A (zh) * 2017-07-11 2018-06-29 北京市商汤科技开发有限公司 服饰关键点的检测方法和装置、电子设备、存储介质和程序

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080037836A1 (en) * 2006-08-09 2008-02-14 Arcsoft, Inc. Method for driving virtual facial expressions by automatically detecting facial expressions of a face image
CN101504761A (zh) * 2009-01-21 2009-08-12 北京中星微电子有限公司 一种图像拼接的方法和装置
CN106709886A (zh) * 2017-01-04 2017-05-24 竹间智能科技（上海）有限公司 自动修图方法及装置
CN108229496A (zh) * 2017-07-11 2018-06-29 北京市商汤科技开发有限公司 服饰关键点的检测方法和装置、电子设备、存储介质和程序
CN107393017A (zh) * 2017-08-11 2017-11-24 北京铂石空间科技有限公司 图像处理方法、装置、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084676A (zh) * 2019-04-24 2019-08-02 深圳市观梦科技有限公司 一种线上商品推荐方法、网络终端和具有存储功能的装置
CN110390291A (zh) * 2019-07-18 2019-10-29 北京字节跳动网络技术有限公司 数据处理方法、装置及电子设备
CN110390291B (zh) * 2019-07-18 2021-10-08 北京字节跳动网络技术有限公司 数据处理方法、装置及电子设备
WO2023016155A1 (zh) * 2021-08-12 2023-02-16 腾讯科技（深圳）有限公司 图像处理方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN109409382B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
WO2020224457A1 (zh) 图像处理方法及装置、电子设备和存储介质
CN106295499B (zh) 年龄估计方法及装置
CN108520251A (zh) 关键点检测方法及装置、电子设备和存储介质
CN110210535A (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN107944447B (zh) 图像分类方法及装置
CN110287874A (zh) 目标追踪方法及装置、电子设备和存储介质
CN109089133A (zh) 视频处理方法及装置、电子设备和存储介质
CN109800737A (zh) 面部识别方法及装置、电子设备和存储介质
CN105205479A (zh) 人脸颜值评估方法、装置及终端设备
CN110390394A (zh) 批归一化数据的处理方法及装置、电子设备和存储介质
CN109801270A (zh) 锚点确定方法及装置、电子设备和存储介质
CN110503023A (zh) 活体检测方法及装置、电子设备和存储介质
CN105678242B (zh) 手持证件模式下的对焦方法和装置
JP2017534090A (ja) 顔認識方法、装置及び端末
CN107463903B (zh) 人脸关键点定位方法及装置
CN109919300A (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN109615593A (zh) 图像处理方法及装置、电子设备和存储介质
CN108985176A (zh) 图像生成方法及装置
CN109948494A (zh) 图像处理方法及装置、电子设备和存储介质
CN109409382A (zh) 图像处理方法及装置、电子设备和存储介质
CN109635920A (zh) 神经网络优化方法及装置、电子设备和存储介质
CN109920016A (zh) 图像生成方法及装置、电子设备和存储介质
CN109977868A (zh) 图像渲染方法及装置、电子设备和存储介质
CN110532956A (zh) 图像处理方法及装置、电子设备和存储介质
CN109977860A (zh) 图像处理方法及装置、电子设备和存储介质

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