CN110060205A - 图像处理方法及装置、存储介质及电子设备 - Google Patents
图像处理方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110060205A CN110060205A CN201910380264.7A CN201910380264A CN110060205A CN 110060205 A CN110060205 A CN 110060205A CN 201910380264 A CN201910380264 A CN 201910380264A CN 110060205 A CN110060205 A CN 110060205A
- Authority
- CN
- China
- Prior art keywords
- image
- depth image
- face region
- human face
- layer
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000003475 lamination Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
Classifications
-
- G06T3/04—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本公开涉及图像处理技术领域，具体涉及一种图像处理方法、图像处理装置、存储介质及电子设备。所述方法包括：获取基础图像及对应的深度图像；识别所述基础图像中的人脸并划定基础图像人脸区域，并基于所述基础图像人脸区域确定所述深度图像中深度图像人脸区域；计算所述深度图像人脸区域在深度图像中平均深度，以根据所述平均深度提取包含人脸区域的背景图层以及包含人脸区域前方物体的前景图层；将预设贴图加载至所述背景图层的预设位置，结合所述前景图层以生成包含所述预设贴图效果的图像。本公开能够有效的避免在加载贴图时对前景图像进行遮盖，使得贴图位置更加准确。提升图像显示效果。
Description
技术领域
本公开涉及图像处理技术领域，具体涉及一种图像处理方法、图像处理装置、存储介质及电子设备。
背景技术
随着图像处理技术的快速发展，人们希望在视频以及照片中体现更多个性化的特点。例如，在视频或拍照时在面部或其他部位叠加特效贴图。
但现有技术对图像进行贴图时，并不能有效的识别人脸以外的人体部位或特征，贴图大多会放置在图像的最上层。当图像中人脸前方有手或者其他物体时，贴图同样会将其覆盖。不能将贴图准确的放置在对应的位置上，显示效果并不理想。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种图像处理方法、一种图像处理装置、存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的贴图位置不准确的情况。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种图像处理方法，所述方法包括：
获取基础图像及对应的深度图像；
识别所述基础图像中的人脸并划定基础图像人脸区域，并基于所述基础图像人脸区域确定所述深度图像中深度图像人脸区域；
计算所述深度图像人脸区域在深度图像中平均深度，以根据所述平均深度提取包含人脸区域的背景图层以及包含人脸区域前方物体的前景图层；
将预设贴图加载至所述背景图层的预设位置，结合所述前景图层以生成包含所述预设贴图效果的图像。
在本公开的一种示例性实施例中，所述方法还包括：
对所述深度图像进行平滑优化处理以得到优化后的深度图像。
在本公开的一种示例性实施例中，所述对所述深度图像进行平滑优化处理包括：
以所述基础图像及对应的深度图像为输入，利用已训练的深度图像神经网络优化模型获取对应的优化后的深度图像。
在本公开的一种示例性实施例中，所述方法还包括：训练所述深度图像神经网络优化模型，包括：
获取样本图像，以及对应的样本初始深度图像和样本标准深度图像；
对所述样本图像及样本初始深度图像进行归一化处理；
将归一化处理后的样本图像及样本初始深度图像叠加以获取一多通道图像；
根据预设数量的池化层对所述多通道图像进行特征提取以获取特征图；
根据预设数量的反卷积层对所述特征图进行上采样以获取优化深度图像；
将所述优化深度图像与所述标准深度图像进行比对以优化神经网络模型损失函数。
在本公开的一种示例性实施例中，所述识别所述基础图像中的人脸并划定基础图像人脸区域时，所述方法还包括：
确定所述人脸区域中的多个预设信息点。
在本公开的一种示例性实施例中，所述将预设贴图加载至所述人脸区域图层的预设位置包括：
根据所述预设信息点将所述预设贴图添加至所述背景图层的预设信息点对应的位置。
根据本公开的第二方面，提供一种图像处理装置，包括：
图像获取模块，用于获取基础图像及对应的初始深度图像；
人脸识别模块，用于识别所述基础图像中的人脸并划定基础图像人脸区域，并基于所述基础图像人脸区域确定所述深度图像中深度图像人脸区域；
图层提取模块，用于计算所述深度图像人脸区域在深度图像中平均深度，以根据所述平均深度提取包含人脸区域的背景图层以及包含人脸区域前方物体的前景图层；
贴图处理模块，用于将预设贴图加载至所述背景图层的预设位置，结合所述前景图层以生成包含所述预设贴图效果的图像。
在本公开的一种示例性实施例中，所述装置还包括：
图像优化模块，用于对所述初始深度图像进行优化。
在本公开的一种示例性实施例中，所述装置还包括：
信息点确定模块，用于确定所述人脸区域中的多个预设信息点，以用于根据所述预设信息点将所述预设贴图添加至所述背景图层的预设信息点对应的位置。
根据本公开的第三方面，提供一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的图像处理方法。
根据本公开的第四方面，提供一种电子终端，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行时实现上述的图像处理方法。
本公开的一种实施例所提供的方法，通过在基础图像上确定基础图像人脸区域，并利用该人脸区域在深度图像中准确的划定深度图像中的深度图像人脸区域。再对深度图像中提取包含人脸区域的背景图层，以及前景图层，使得贴图可以准确的加载到背景图层中。再对加载了贴图的背景图层和前景图像进行处理得到最终的贴图图像，从而有效的避免在加载贴图时对前景图像进行遮盖，使得贴图位置更加准确。提升图像显示效果。
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，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图。
图1示意性示出本公开示例性实施例中现有的一种贴图效果示意图；
图2示意性示出本公开示例性实施例中一种图像处理方法的示意图；
图3示意性示出本公开示例性实施例中一种样本图像示意图；
图4示意性示出本公开示例性实施例中一种样本图像对应的样本初始深度图像示意图；
图5示意性示出本公开示例性实施例中一种样本图像对应的优化后的深度图像示意图；
图6示意性示出本公开示例性实施例中一种前景图像深度值计算的场景示意图；
图7示意性示出本公开示例性实施例中一种图像处理装置的组成示意图；
图8示意性示出本公开示例性实施例中一种电子设备的框图。
图9示意性示出本公开示例性实施例中用于图像处理的一种程序产。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在现有的一些视频应用程序、图像处理应用程序或VR应用程序中，可以对用户的图像实时添加贴图，以增加趣味性。例如，参考图1所示，在图像中可以添加卡通形象的贴图。但贴图并不能有效的识别出位于人脸前方的手部，导致添加贴图时手部被卡通图像遮盖，使得贴图效果不准确。
为了解决上述的技术问题，参考图2所示，本示例实施方式中首先提供了一种图像处理方法，包括：
步骤S1，获取基础图像及对应的深度图像；
步骤S2，识别所述基础图像中的人脸并划定基础图像人脸区域，并基于所述基础图像人脸区域确定所述深度图像中深度图像人脸区域；
步骤S3，计算所述深度图像人脸区域在深度图像中平均深度，以根据所述平均深度提取包含人脸区域的背景图层以及包含人脸区域前方物体的前景图层；
步骤S4，将预设贴图加载至所述背景图层的预设位置，结合所述前景图层以生成包含所述预设贴图效果的图像。
本示例实施方式所提供的方法，通过在基础图像上确定基础图像人脸区域，并利用该人脸区域在深度图像中准确的划定深度图像中的人脸深度图像区域。再对深度图像中提取包含人脸区域的背景图层，以及前景图层，使得贴图可以准确的加载到背景图层中。再对加载了贴图的背景图层和前景图像进行处理得到最终的贴图图像，从而有效的避免在加载贴图时对前景图像进行遮盖，使得贴图位置更加准确。提升图像显示效果。
下面，将结合附图及实施例对本示例实施方式中的图像处理方法的各个步骤进行更详细的说明。
步骤S1，获取基础图像及对应的深度图像。
本示例实施方式中，上述的基础图像即RGB图像，可以通过终端设备拍照直接获取，也可以通过对视频数据进行拆分，从而获取对应的基础图像。此外，在提取RGB图像时，还可以提取对应的深度图像，例如通过设置在终端设备上的结构光或ToF设备直接获取对应的深度图。基础图像与深度图像的尺寸相同。
优选的，在本公开的一示例性实施例中，由于终端设备直接获取的深度图像的部分或边缘会存在缺失，或者像素存在偏差。因此，还可以对其进行优化处理。举例来说，步骤S1还可以包括：
以所述基础图像及对应的深度图像为输入，利用已训练的深度图像神经网络优化模型获取对应的优化后的深度图像。
具体的，训练深度图像神经网络优化模型可以包括：
步骤S110，获取样本图像，以及对应的样本初始深度图像和样本标准深度图像；
步骤S111，对所述样本图像及样本初始深度图像进行归一化处理；
步骤S112，将归一化处理后的样本图像及样本初始深度图像叠加以获取一多通道图像；
步骤S113，根据预设数量的池化层对所述多通道图像进行特征提取以获取特征图；
步骤S114，根据预设数量的反卷积层对所述特征图进行上采样以获取优化深度图像；
步骤S115，将所述优化深度图像与所述标准深度图像进行比对以优化神经网络模型损失函数。
本示例实施方式中，可以训练一个端到端的unet结构的神经网络模型对深度图像进行优化。对于样本数据来说，可以随机选取一定数量的RGB图像作为样本图像，利用3D原始模型获取样本图像对应的标准深度图像，并在利用3D原始模型生成深度图像的过程中添加随机噪声，或者删除3D原始模型中的一个或多个块来获取效果较粗糙的初始深度图像。
然后便可以对样本图像及样本初始深度图像进行归一化处理。对于样本图像来说，R、G、B各通道像素值范围为0-255，可以将各像素的像素值归一化调整为0或1；对于样本初始深度图像来说，同样可以将各像素的像素值归一化调整为0或1；再将两图像进行叠加，从而获取一具有固定长度和宽度，具有四通道的RGBD图像。将该RGBD图像输入unet结构的神经网络模型中进行训练。
unet结构的神经网络模型分为特征提取部分和上采样部分。例如，可以设置特征提取部分具有五个池化层，上采样部分具有五个反卷积层。在池化层对叠加后的图像进行处理，从而获取对应的特征图，并将图像剪裁至一预设尺寸。在上采样部分，每上采样一次，就和特征提取部分对应的通道数相同尺度拼接，在利用各反卷积层迭代之后，便可以获取样本图像对应的优化深度图像。
此外，还可以将样本图像生成的优化深度图像与对应的标准深度图像进行对比，计算相似度并利用相似度调整模型的损失函数，从而使得生成的优化深度图像具有更好的效果。例如，通过计算优化深度图像与对应的标准深度图像中对应的各像素的平方差并求和计算相似度。例如，如图3所示的样本图像，其对应的样本初始深度图像如图4所示，其优化处理后的深度图像如图5所示。
步骤S2，识别所述基础图像中的人脸并划定基础图像人脸区域，并基于所述基础图像人脸区域确定所述深度图像中深度图像人脸区域。
本示例实施方式中，对于基础图像来说，可以对其进行图像识别并利用人脸框划分基础图像人脸区域。并且，还可以在基础图像中建立坐标系，从而获取基础图像人脸区域边界的坐标。利用该人脸框及对应的坐标数据，可以在深度图像中准确的划分深度图像人脸区域。
此外，在基础图像中确定基础图像人脸区域后，还可以在坐标系中确定针对人脸区域的多个信息点的坐标，便于贴图的定位。举例而言，可以根据待加载的贴图的形状、类型等参数来确定信息点的数量和位置。对于信息点的确定根据常规手段实现即可，本公开对此不在赘述。
步骤S3，计算所述深度图像人脸区域在深度图像中平均深度，以根据所述平均深度提取包含人脸区域的背景图层以及包含人脸区域前方物体的前景图层
本示例实施方式中，参考图6所示，在获取深度图像中深度图像人脸区域后，若人脸区域的平均深度值为dx，该人脸区域的最小深度值与平均深度值的差值为rx，则深度值x＜dx-rx的区域即为前景图像。基于此，便可以提取背景图层，以及前景图层。
当然，在本公开的其他示例性实施例中，在获取上述的前景图层时，也可以根据人脸区域的深度值提取仅包含人脸区域的人脸区域图层，从而使得贴图可以加载至待人脸区域图层中。
步骤S4，将预设贴图加载至所述背景图层的预设位置，结合所述前景图层以生成包含所述预设贴图效果的图像
本示例实施方式中，在获取前景图层及包含人脸区域的背景图层后，便可以将预设的贴图加载至背景图层上。并且，可以根据上述的信息点确定贴图在背景图层中人脸区域加载的具体坐标，从而获取加载有贴图的包含人脸区域的背景图层。再将加载有贴图的背景图层与前景图层进行叠加，进而使得贴图不遮盖前景图像。
具体的，对加载有贴图的背景图层与前景图层进行叠加可以包括：
Iout＝E*Mask+I*(1-Mask)
其中，I为基础图像，E为贴图，Mask为背景图层。
本公开所提供的图像处理方法，通过对深度图像提取待处理的包含人脸区域的背景图层，以及前景图层，在加载贴图之前将基础图像中人脸区域前方的物体与人脸区域准确分割。在将贴图加载至背景图层后，再将其与前景图层叠加并结合，从而可以将贴图准确的加载至预定的位置，并且不遮盖前景图像，保证贴图效果的准确性，有效的提升贴图的显示效果。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
进一步的，参考图7所示，本示例的实施方式中还提供了一种图像处理装置2，包括：图像获取模块201、人脸识别模块202、人脸识别模块203以及贴图处理模块204。其中：
所述图像获取模块201可以用于获取基础图像及对应的初始深度图像。
所述人脸识别模块202可以用于识别所述基础图像中的人脸并划定基础图像人脸区域，并基于所述基础图像人脸区域确定所述深度图像中深度图像人脸区域。
所述人脸识别模块203可以用于计算所述深度图像人脸区域在深度图像中平均深度，以根据所述平均深度提取包含人脸区域的背景图层以及包含人脸区域前方物体的前景图层。
所述贴图处理模块204可以用于将预设贴图加载至所述背景图层的预设位置，结合所述前景图层以生成包含所述预设贴图效果的图像。
进一步的，在一示例性实施方式中，上述的装置还包括：图像优化模块(图中未示出)。
所述图像优化模块可以用于对所述深度图像进行平滑优化处理以得到优化后的深度图像。
进一步的，在一示例性实施方式中，上述的装置还包括：信息点确定模块(图中未示出)。
所述信息点确定模块可以用于确定所述人脸区域中的多个预设信息点，以用于根据所述预设信息点将所述预设贴图添加至所述背景图层的预设信息点对应的位置。
上述图像处理装置2中各模块的具体细节已经在对应的图像处理方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本发明的这种实施方式的电子设备600。图8显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种图像处理方法，其特征在于，所述方法包括：
获取基础图像及对应的深度图像；
识别所述基础图像中的人脸并划定基础图像人脸区域，并基于所述基础图像人脸区域确定所述深度图像中深度图像人脸区域；
计算所述深度图像人脸区域在深度图像中平均深度，以根据所述平均深度提取包含人脸区域的背景图层以及包含人脸区域前方物体的前景图层；
将预设贴图加载至所述背景图层的预设位置，结合所述前景图层以生成包含所述预设贴图效果的图像。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述深度图像进行平滑优化处理以得到优化后的深度图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述深度图像进行平滑优化处理包括：
以所述基础图像及对应的深度图像为输入，利用已训练的深度图像神经网络优化模型获取对应的优化后的深度图像。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：训练所述深度图像神经网络优化模型，包括：
获取样本图像，以及对应的样本初始深度图像和样本标准深度图像；
对所述样本图像及样本初始深度图像进行归一化处理；
将归一化处理后的样本图像及样本初始深度图像叠加以获取一多通道图像；
根据预设数量的池化层对所述多通道图像进行特征提取以获取特征图；
根据预设数量的反卷积层对所述特征图进行上采样以获取优化深度图像；
将所述优化深度图像与所述标准深度图像进行比对以优化神经网络模型损失函数。
5.根据权利要求3所述的方法，其特征在于，所述识别所述基础图像中的人脸并划定基础图像人脸区域时，所述方法还包括：
确定所述人脸区域中的多个预设信息点，以用于根据所述预设信息点将所述预设贴图添加至所述背景图层的预设信息点对应的位置。
6.一种图像处理装置，其特征在于，包括：
图像获取模块，用于获取基础图像及对应的初始深度图像；
人脸识别模块，用于识别所述基础图像中的人脸并划定基础图像人脸区域，并基于所述基础图像人脸区域确定所述深度图像中深度图像人脸区域；
图层提取模块，用于计算所述深度图像人脸区域在深度图像中平均深度，以根据所述平均深度提取包含人脸区域的背景图层以及包含人脸区域前方物体的前景图层；
贴图处理模块，用于将预设贴图加载至所述背景图层的预设位置，结合所述前景图层以生成包含所述预设贴图效果的图像。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
图像优化模块，用于对所述初始深度图像进行优化。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
信息点确定模块，用于确定所述人脸区域中的多个预设信息点，以用于根据所述预设信息点将所述预设贴图添加至所述背景图层的预设信息点对应的位置。
9.一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1至5中任一项所述的图像处理方法。
10.一种电子终端，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至5中任一项所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910380264.7A CN110060205B (zh) | 2019-05-08 | 2019-05-08 | 图像处理方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910380264.7A CN110060205B (zh) | 2019-05-08 | 2019-05-08 | 图像处理方法及装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110060205A true CN110060205A (zh) | 2019-07-26 |
| CN110060205B CN110060205B (zh) | 2023-08-08 |
Family
ID=67322624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910380264.7A Active CN110060205B (zh) | 2019-05-08 | 2019-05-08 | 图像处理方法及装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110060205B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751052A (zh) * | 2019-09-25 | 2020-02-04 | 恒大智慧科技有限公司 | 旅游区域指引推送方法、系统及存储介质 |
| CN111275800A (zh) * | 2020-01-15 | 2020-06-12 | 北京字节跳动网络技术有限公司 | 动画生成方法、装置、电子设备及计算机可读存储介质 |
| CN111462164A (zh) * | 2020-03-12 | 2020-07-28 | 深圳奥比中光科技有限公司 | 一种前景分割方法以及基于图像合成的数据增强方法 |
| CN112580395A (zh) * | 2019-09-29 | 2021-03-30 | 深圳市光鉴科技有限公司 | 基于深度信息的3d人脸活体识别方法、系统、设备及介质 |
| CN113873273A (zh) * | 2021-09-09 | 2021-12-31 | 北京都是科技有限公司 | 一种生成直播视频的方法、装置以及存储介质 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102696054A (zh) * | 2010-11-10 | 2012-09-26 | 松下电器产业株式会社 | 进深信息生成装置、进深信息生成方法及立体图像变换装置 |
| US20130169760A1 (en) * | 2012-01-04 | 2013-07-04 | Lloyd Watts | Image Enhancement Methods And Systems |
| CN106023288A (zh) * | 2016-05-18 | 2016-10-12 | 浙江大学 | 一种基于图像的动态替身构造方法 |
| CN106096588A (zh) * | 2016-07-06 | 2016-11-09 | 北京奇虎科技有限公司 | 一种图像数据的处理方法、装置和移动终端 |
| CN106331492A (zh) * | 2016-08-29 | 2017-01-11 | 广东欧珀移动通信有限公司 | 一种图像处理方法及终端 |
| US20170249768A1 (en) * | 2015-02-26 | 2017-08-31 | A9.Com, Inc. | Image manipulation for electronic display |
| CN107483892A (zh) * | 2017-09-08 | 2017-12-15 | 北京奇虎科技有限公司 | 视频数据实时处理方法及装置、计算设备 |
| CN107578369A (zh) * | 2017-09-08 | 2018-01-12 | 北京奇虎科技有限公司 | 视频数据处理方法及装置、计算设备 |
| CN107578436A (zh) * | 2017-08-02 | 2018-01-12 | 南京邮电大学 | 一种基于全卷积神经网络fcn的单目图像深度估计方法 |
| CN107623817A (zh) * | 2017-09-11 | 2018-01-23 | 广东欧珀移动通信有限公司 | 视频背景处理方法、装置和移动终端 |
| CN107680105A (zh) * | 2017-10-12 | 2018-02-09 | 北京奇虎科技有限公司 | 基于虚拟世界的视频数据实时处理方法及装置、计算设备 |
| CN107705243A (zh) * | 2017-09-11 | 2018-02-16 | 广东欧珀移动通信有限公司 | 图像处理方法及装置、电子装置和计算机可读存储介质 |
| CN107734265A (zh) * | 2017-09-11 | 2018-02-23 | 广东欧珀移动通信有限公司 | 图像处理方法及装置、电子装置和计算机可读存储介质 |
| CN107808372A (zh) * | 2017-11-02 | 2018-03-16 | 北京奇虎科技有限公司 | 图像穿越处理方法、装置、计算设备及计算机存储介质 |
| CN107820027A (zh) * | 2017-11-02 | 2018-03-20 | 北京奇虎科技有限公司 | 视频人物装扮方法、装置、计算设备及计算机存储介质 |
| CN107992187A (zh) * | 2016-10-26 | 2018-05-04 | 纬创资通股份有限公司 | 显示方法及其系统 |
| CN108010037A (zh) * | 2017-11-29 | 2018-05-08 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置及存储介质 |
| CN108520535A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 基于深度恢复信息的物体分类方法 |
| CN109086724A (zh) * | 2018-08-09 | 2018-12-25 | 北京华捷艾米科技有限公司 | 一种加速的人脸检测方法及存储介质 |
| US20200355774A1 (en) * | 2017-06-06 | 2020-11-12 | Shenzhen Institutes Of Advanced Technology | One-dimensional partial fourier parallel magnetic resonance imaging method based on deep convolutional network |
-
2019
- 2019-05-08 CN CN201910380264.7A patent/CN110060205B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102696054A (zh) * | 2010-11-10 | 2012-09-26 | 松下电器产业株式会社 | 进深信息生成装置、进深信息生成方法及立体图像变换装置 |
| US20130169760A1 (en) * | 2012-01-04 | 2013-07-04 | Lloyd Watts | Image Enhancement Methods And Systems |
| US20170249768A1 (en) * | 2015-02-26 | 2017-08-31 | A9.Com, Inc. | Image manipulation for electronic display |
| CN106023288A (zh) * | 2016-05-18 | 2016-10-12 | 浙江大学 | 一种基于图像的动态替身构造方法 |
| CN106096588A (zh) * | 2016-07-06 | 2016-11-09 | 北京奇虎科技有限公司 | 一种图像数据的处理方法、装置和移动终端 |
| CN106331492A (zh) * | 2016-08-29 | 2017-01-11 | 广东欧珀移动通信有限公司 | 一种图像处理方法及终端 |
| CN107992187A (zh) * | 2016-10-26 | 2018-05-04 | 纬创资通股份有限公司 | 显示方法及其系统 |
| US20200355774A1 (en) * | 2017-06-06 | 2020-11-12 | Shenzhen Institutes Of Advanced Technology | One-dimensional partial fourier parallel magnetic resonance imaging method based on deep convolutional network |
| CN107578436A (zh) * | 2017-08-02 | 2018-01-12 | 南京邮电大学 | 一种基于全卷积神经网络fcn的单目图像深度估计方法 |
| CN107483892A (zh) * | 2017-09-08 | 2017-12-15 | 北京奇虎科技有限公司 | 视频数据实时处理方法及装置、计算设备 |
| CN107578369A (zh) * | 2017-09-08 | 2018-01-12 | 北京奇虎科技有限公司 | 视频数据处理方法及装置、计算设备 |
| CN107623817A (zh) * | 2017-09-11 | 2018-01-23 | 广东欧珀移动通信有限公司 | 视频背景处理方法、装置和移动终端 |
| CN107705243A (zh) * | 2017-09-11 | 2018-02-16 | 广东欧珀移动通信有限公司 | 图像处理方法及装置、电子装置和计算机可读存储介质 |
| CN107734265A (zh) * | 2017-09-11 | 2018-02-23 | 广东欧珀移动通信有限公司 | 图像处理方法及装置、电子装置和计算机可读存储介质 |
| CN107680105A (zh) * | 2017-10-12 | 2018-02-09 | 北京奇虎科技有限公司 | 基于虚拟世界的视频数据实时处理方法及装置、计算设备 |
| CN107808372A (zh) * | 2017-11-02 | 2018-03-16 | 北京奇虎科技有限公司 | 图像穿越处理方法、装置、计算设备及计算机存储介质 |
| CN107820027A (zh) * | 2017-11-02 | 2018-03-20 | 北京奇虎科技有限公司 | 视频人物装扮方法、装置、计算设备及计算机存储介质 |
| CN108010037A (zh) * | 2017-11-29 | 2018-05-08 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置及存储介质 |
| CN108520535A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 基于深度恢复信息的物体分类方法 |
| CN109086724A (zh) * | 2018-08-09 | 2018-12-25 | 北京华捷艾米科技有限公司 | 一种加速的人脸检测方法及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 卢纯青等: "基于C-TOF成像的位姿测量与地物目标识别技术研究", 《红外与激光工程》, no. 01 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751052A (zh) * | 2019-09-25 | 2020-02-04 | 恒大智慧科技有限公司 | 旅游区域指引推送方法、系统及存储介质 |
| CN112580395A (zh) * | 2019-09-29 | 2021-03-30 | 深圳市光鉴科技有限公司 | 基于深度信息的3d人脸活体识别方法、系统、设备及介质 |
| CN111275800A (zh) * | 2020-01-15 | 2020-06-12 | 北京字节跳动网络技术有限公司 | 动画生成方法、装置、电子设备及计算机可读存储介质 |
| CN111462164A (zh) * | 2020-03-12 | 2020-07-28 | 深圳奥比中光科技有限公司 | 一种前景分割方法以及基于图像合成的数据增强方法 |
| CN113873273A (zh) * | 2021-09-09 | 2021-12-31 | 北京都是科技有限公司 | 一种生成直播视频的方法、装置以及存储介质 |
| CN113873273B (zh) * | 2021-09-09 | 2023-12-26 | 北京都是科技有限公司 | 一种生成直播视频的方法、装置以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110060205B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060205A (zh) | 图像处理方法及装置、存储介质及电子设备 | |
| KR102644273B1 (ko) | 상이한 fov를 갖는 카메라들을 이용한 시차 추정 시스템 및 방법 | |
| CN109978989B (zh) | 三维人脸模型生成方法、装置、计算机设备及存储介质 | |
| CN110163048A (zh) | 手部关键点的识别模型训练方法、识别方法及设备 | |
| CN109191514A (zh) | 用于生成深度检测模型的方法和装置 | |
| CN115205949B (zh) | 图像生成方法以及相关设备 | |
| CN111783986A (zh) | 网络训练方法及装置、姿态预测方法及装置 | |
| JP2021526698A (ja) | 画像生成方法および装置、電子機器、並びに記憶媒体 | |
| CN114820905B (zh) | 虚拟形象生成方法、装置、电子设备及可读存储介质 | |
| CN110706339B (zh) | 三维人脸重建方法及装置、电子设备和存储介质 | |
| CN103471581B (zh) | 用于实时提供显示关注区域的3d地图的设备和方法 | |
| CN114842121B (zh) | 贴图生成模型训练和贴图生成方法、装置、设备及介质 | |
| CN113570052B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| US20230143452A1 (en) | Method and apparatus for generating image, electronic device and storage medium | |
| CN109754464B (zh) | 用于生成信息的方法和装置 | |
| CN114998490B (zh) | 一种虚拟对象生成方法、装置、设备及存储介质 | |
| CN116324681A (zh) | 触觉场景表示格式 | |
| CN108170751A (zh) | 用于处理图像的方法和装置 | |
| CN115205925A (zh) | 表情系数确定方法、装置、电子设备及存储介质 | |
| US20230030837A1 (en) | Human-object scene recognition method, device and computer-readable storage medium | |
| US9171357B2 (en) | Method, apparatus and computer-readable recording medium for refocusing photographed image | |
| WO2013112065A1 (en) | Object selection in an image | |
| CN113723164A (zh) | 获取边缘差异信息的方法、装置、设备及存储介质 | |
| JP2014120079A (ja) | 陰影情報導出装置、陰影情報導出方法及びプログラム | |
| CN105447885B (zh) | 计算视差的方法和装置 |
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 |