CN110490794A - 基于人工智能的人物图像处理方法及装置 - Google Patents

Abstract

本发明提供了一种基于人工智能的人物图像处理方法及装置，所述方法包括以下步骤：S1：获取图像中的被拍摄人物的面部图像；S2：基于人工智能算法对所述被拍摄人物的面部图像进行处理，根据处理的结果确定所述被拍摄人物是否与预先设置的特定人物相匹配；S3：当确定所述被拍摄人物与所述预先设置的特定人物匹配时，使用与所述预先设置的特定人物相应的图像处理方式来处理所述图像。本发明基于人工智能算法对人物的面部图像进行特征值提取，并和预先设置的人物的特征值进行匹配，以获取与预先设置的特定人物相应的图像处理方式来处理图像，免去了用户后期对图片的处理工作，实现了对人物图像的个性化处理。

Description

基于人工智能的人物图像处理方法及装置

技术领域

本发明涉及图像处理技术领域，更具体地讲，涉及一种基于人工智能的人物图像处理方法及装置。

背景技术

随着智能手机在生活中的广泛应用，越来越多的人通过使用智能手机来拍摄照片、视频以记录自己生活中的点点滴滴，而在实际拍摄的过程中人们都希望将自己拍的更美一些或者通过遮盖、虚化等处理方式让人物处于保密状态。

现有技术中，通常使用例如“美颜相机”、“天天P图”等一些具有美颜拍摄功能和图像处理功能的软件进行人物拍摄时的优化处理以及人物拍摄后的图片处理。其中，在人物拍摄时进行的优化处理往往是统一优化，不能根据用户的需要对多个人物分别进行个性化的优化处理，在对人物拍摄后的图片进行处理时，虽然可以解决对多个人物分别进行个性化处理的问题，但是，该处理往往需要用户手动完成，耗费时间，十分不便利。此外，若用户需要通过遮盖、虚化等方式保护隐私时，往往也需要在人物拍摄后通过手动操作来对拍摄的人物做进一步处理。

发明内容

本发明针对现有技术的不足，提供了一种基于人工智能的人物图像处理方法及装置，通过人工智能算法对拍摄中的照片或者视频中的人物的特征值进行提取，并和预先设置的人物的特征值进行匹配，以获取与预先设置的特定人物相应的图像处理方式来处理图像。

根据本发明的一方面，提供了一种基于人工智能的人物图像处理方法，所述方法包括以下步骤：S1：获取图像中的被拍摄人物的面部图像；S2：基于人工智能算法对所述被拍摄人物的面部图像进行处理，根据处理的结果确定所述被拍摄人物是否与预先设置的特定人物相匹配；S3：当确定所述被拍摄人物与所述预先设置的特定人物匹配时，使用与所述预先设置的特定人物相应的图像处理方式来处理所述图像。

优选地，所述步骤S2包括：S21：基于人工智能算法对所述被拍摄人物的面部图像进行特征值提取；S22：将提取的特征值与针对所述预先设置的特定人物预先训练得到的特征值进行比较以确定所述被拍摄人物是否与所述预先设置的特定人物相匹配。

优选地，所述步骤S22包括：对提取的特征值进行哈希编码以得出被拍摄人物的哈希编码；将所述被拍摄人物的哈希编码与针对所述预先设置的特定人物预先训练得到的特征值的哈希编码进行匹配以确定所述被拍摄人物是否为所述预先设置的特定人物。

优选地，还包括：当确定所述被拍摄人物与所述预先设置的特定人物不匹配时，不对所述图像进行处理，或者根据预先设置的其他处理方式对所述图像进行处理。

优选地，通过分类器将所述被拍摄人物的哈希编码与所述预先设置的特定人物的哈希编码进行匹配，其中，所述分类器包括SVM分类器、K近邻分类器、贝叶斯分类器、决策树分类器、随机森林和线性回归中的任意一个。

根据本发明的另一方面，提供了一种基于人工智能的人物图像处理装置，所述装置包括：人物图像获取模块，被配置为获取图像中的被拍摄人物的面部图像；人物图像匹配模块，被配置为基于人工智能算法对所述被拍摄人物的面部图像进行处理，根据处理的结果确定所述被拍摄人物是否与预先设置的特定人物相匹配；人物图像处理模块，被配置为当确定所述被拍摄人物与所述预先设置的特定人物匹配时，使用与所述预先设置的特定人物相应的图像处理方式来处理所述图像。

优选地，所述人物图像匹配模块被配置为：特征值提取单元，基于人工智能算法对所述被拍摄人物的面部图像进行特征值提取；特征值匹配单元，将提取的特征值与针对所述预先设置的特定人物预先训练得到的特征值进行比较以确定所述被拍摄人物是否与所述预先设置的特定人物相匹配。

优选地，所述特征值匹配单元被配置为：对提取的特征值进行哈希编码以得出被拍摄人物的哈希编码，并将所述被拍摄人物的哈希编码与针对所述预先设置的特定人物预先训练得到的特征值的哈希编码进行匹配以确定所述被拍摄人物是否为所述预先设置的特定人物。

优选地，还被配置为：当确定所述被拍摄人物与所述预先设置的特定人物不匹配时，不对所述图像进行处理，或者根据预先设置的其他处理方式对所述图像进行处理。

优选地，所述特征值匹配单元还被配置为：通过分类器将所述被拍摄人物的哈希编码与所述预先设置的特定人物的哈希编码进行匹配，其中，所述分类器包括SVM分类器、K近邻分类器、贝叶斯分类器、决策树分类器、随机森林和线性回归中的任意一个。

附图说明

下面将结合附图进行本发明的详细描述，本发明的上述特征和其它目的、特点和优点将会变得更加清楚，其中：

图1示出根据本发明的实施例的基于人工智能的人物图像处理方法的流程图；

图2示出根据本发明的示例性实施例的基于人工智能算法对被拍摄人物进行匹配的流程图；

图3示出根据本发明的实施例的基于人工智能的人物图像处理装置的框图；

图4示出根据本发明的实施例的人物图像处理模块的框图。

在附图中，相同的标号将被理解为表示相同的元件、特征和结构。

具体实施方式

以下，参照附图来详细说明本发明的实施例。其中，相同的标号始终表示相同的部件。

图1是示出根据本发明的实施例的基于人工智能的人物图像处理方法的流程图。

如图1所示，在步骤S1，获取图像中的被拍摄人物的面部图像。根据本发明的实施例，具体地，可通过摄像头来拍摄人物图像，并从拍摄的人物图像中获取被拍摄人物的面部图像。拍摄的人物图像可包括拍摄的照片和视频，获取的面部图像可包括不同角度和不同表情的人脸信息，例如人脸的位置、轮廓、大小和五官的特征点等信息。例如，可采用各种人脸识别算法从图像中分割出面部图像，并从分割的面部图像中提取出上述的各种人脸信息。

接下来，在步骤S2，基于人工智能算法对被拍摄人物的面部图像进行处理，根据处理的结果确定被拍摄人物是否与预先设置的特定人物相匹配。具体地，先基于人工智能算法对被拍摄人物的面部图像进行特征值提取，然后，将提取的特征值与针对预先设置的特定人物预先训练得到的特征值进行比较来确定被拍摄人物是否与预先设置的特定人物相匹配。下面将参照图2来详细说明根据本发明的实施例的基于人工智能算法对被拍摄人物与预先设置的特定人物进行匹配判断。

图2是示出了根据本发明的示例性实施例的基于人工智能算法对被拍摄人物进行匹配判断的流程图。

如图2所示，在步骤S21，基于人工智能算法对被拍摄人物的面部图像进行特征值提取。具体地，根据本发明的实施例，可基于深度卷积神经网络模型对被拍摄人物的面部图像进行特征值提取，其中，特征值可包括被拍摄人物的面部图像中的人脸轮廓点和五官轮廓点，例如，内眼角点、外眼角点、鼻尖点、鼻孔点、耳屏点、耳下点、口角点、头顶点、眉内点和眉外点等，特征值提取指的是对从被拍摄人物的面部图像中获取的人脸轮廓点和五官轮廓点并计算点与点之间的位置关系。人工智能(Artificial Intelligence)算法是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学的算法，常见的人工智能算法包括人工神经网络(Artificial Neural Network)类算法、贝叶斯(Bayesin)类算法、决策树(Decision Tree)类算法、线性分类器(Linear Classifier)类算法等。这里，可针对预先设置的特定人物训练深度卷积神经网络模型。深度卷积神经网络模型是通过一组已知人物的面部图像数据和一组未知人物的面部图像数据进行迭代训练得出的，深度卷积神经网络的训练过程例如可以是：载入三张不同的图片，其中，图片A和图片B分别为已知人物的两张不同的面部图片，图片C为未知人物的面部图片，在神经网络中采用模板匹配法对这三张不同的图片分别进行特征值提取，并通过调整参数值来确保图片A和图片B尽可能的输出近似的值，且图片C输出较大差距的值。模板匹配法是通过预先定义的一个标准模板，再利用Hough变换、方差投影和预先定义的标准模板相结合来确定人物的人脸轮廓和五官轮廓位置，其中，预先定义的标准模板可根据虹膜中心、内眼角点、外眼角点、鼻尖点、鼻孔点、耳屏点、耳下点、口角点、头顶点、眉内点和眉外点等面部特征点来得到人物的人脸和五官的几何特征矢量，并根据得到的人脸和五官的几何特征矢量来对人脸的标准模板进行定义。以上仅是示例性举例，本发明不限于此。

根据本发明的实施例，对被拍摄人物的面部图像进行特征值提取时，先从被拍摄人物的图像中获取人脸的位置，再对被拍摄人物的面部特征点进行估计和人脸校正。具体地，通过对被拍摄人物的图像进行灰度转换，并将转换后的图像分割成多个小方块，再通过对每个小方块进行梯度计算得出该图像的方向梯度直方图，并将该方向的梯度直方图和标准人脸方向的梯度直方图进行比较，从而得出图像中的被拍摄人物的人脸区域。通过对人物面部的特征点，例如下巴的顶部、眼睛的外部轮廓、眉毛的内部轮廓，鼻子轮廓，脸部轮廓，嘴巴轮廓等进行识别，在获取被拍摄人物的眼睛和嘴巴的位置后，将被拍摄人物的图像进行旋转、缩放和错切，使眼睛和嘴巴尽可能的靠近中心位置，以实现对被拍摄人物的面部特征点估计和人脸校正。

接下来，在步骤S22，将提取的特征值与针对预先设置的特定人物预先训练得到的特征值进行比较以确定被拍摄人物是否与预先设置的特定人物相匹配。具体地，可通过对提取的特征值进行哈希编码得到被拍摄人物的哈希编码，并将得到的被拍摄人物的哈希编码与预先设置的特定人物的哈希编码进行匹配，以此来确定被拍摄人物是否为预先设置的特定人物。通过深度卷积神经网络模型先对预先设置的特定人物的特征值进行提取，再对提取的特征值进行哈希编码得到的预先设置的特定人物的哈希编码。同样地，先从预先设置的特定人物的图像中获得人脸的位置，再进行预先设置的特定人物的面部特征点估计和人脸校正，然后，通过预先训练的深度卷积神经网络模型对面部特征点的测量值进行提取，并通过对提取的预先设置的特定人物的面部特征值进行哈希编码以得出预先设置的特定人物的哈希编码值。根据本发明的实施例，通过分类器对被拍摄人物的哈希编码与预先设置的特定人物的哈希编码进行匹配，这里，常用的分类器可包括SVM分类器、K近邻分类器、贝叶斯分类器、决策树分类器、随机森林和线性回归等。例如，对被拍摄人物的特征值进行哈希编码得出的是128位的哈希编码值W，且预先设置的特定人物的哈希编码值为R，则将哈希编码值W与哈希编码值R进行匹配，当哈希编码值W与哈希编码值R相同或者非常接近时，确定被拍摄人物为预先设置的特定人物，否则，判断被拍摄人物为除预先设置的特定人物以外的其他人物。应理解，上述仅是示例性举例，本发明不限于此。

返回图1，在步骤S3，当确定被拍摄人物与预先设置的特定人物匹配时，使用与预先设置的特定人物相应的图像处理方式来处理图像。具体地，当确定被拍摄人物与预先设置的特定人物匹配时，即确定被拍摄人物为预先设置的特定人物，则使用预先设置的针对特定人物的图像处理方式对被拍摄人物的图像进行处理。图像处理方式包括皮肤美化、五官重塑、瘦脸、瘦身、四肢优化、面部马赛克处理、模糊化处理、遮盖物遮盖、消除被拍摄人物、分辨率调整和光线调整中的至少一个。此外，若预先设置的针对特定人物的图像处理方式有多个时，例如，皮肤美化和瘦脸、瘦身和面部马赛克处理、遮盖物遮盖和分辨率调整等，可选择单独处理和/或叠加处理的方式来对图像进行处理。应理解，上述对图像处理方式的举例仅是示例性举例，本发明可采用的图像处理方式不限于此。如上述举例，若预先设置的针对特定人物的图像处理方式为皮肤美化和瘦脸，则将被拍摄人物的哈希编码值W与预先设置的特定人物哈希编码值R进行匹配，当确定被拍摄人物为预先设置的特定人物时，对被拍摄人物的图像进行皮肤美化和瘦脸的处理。对被拍摄人物的图像进行皮肤美化和瘦脸的处理时，可先对被拍摄人物的图像进行整体的皮肤美化，再进行被拍摄人物的面部瘦脸处理，或者，也可以同时对被拍摄人物进行皮肤美化和瘦脸的处理。以上描述仅是示例性的，本发明不限于此。

根据本发明的实施例，当确定被拍摄人物与预先设置的特定人物不匹配时，不对被拍摄人物的图像进行处理，或者根据预先设置的其他的图像处理方式对被拍摄人物的图像进行处理。如上述举例，若被拍摄人物的哈希编码值与预先设置的特定人物的哈希编码值不匹配，则对被拍摄人物的图像不进行任何处理。又或者，若预先设置了的针对除特定人物以外的其他人物的图像处理方式为模糊化处理，则当确定被拍摄人物不是预先设置的特定人物时，对被拍摄人物的图像进行模糊化处理。上述仅是示例性举例，本发明不限于此。

根据本发明的实施例，假设智能终端中预先设置的特定人物为小张和小李，且预先设定的与小张相应的图像处理方式为美白和瘦脸，与小李相应的图像处理方式为面部马赛克，则在通过智能终端拍摄图片或者视频的过程中，根据不同的场景需求对被拍摄人物的图像进行不同的处理。例如，被拍摄人物为小张和小王时，则智能终端通过人工智能算法分别对被拍摄人物小张和小王的面部图像进行特征值提取和面部特征值匹配，可得出匹配结果为被拍摄人物小张是预先设置的特定人物，而小王不是预先设置的特定人物。此时，智能终端采用预先设定的与小张相应的图像处理方式来对小张的图像进行美白和瘦脸的处理，并对小王的图像不进行任何处理，由此可实现在拍摄关于小张的图片或者视频的过程中单独对小张进行美化的处理。这里，智能终端对小张进行美白和瘦脸的处理方式为单独处理方式，即智能终端先对小张进行皮肤美白的处理，然后，再对小张的面部进行瘦脸处理。又例如，被拍摄人物为小李、小王和小陈，则智能终端通过人工智能算法对这三个人物的面部图像进行分析处理，即分别对小李、小王和小陈进行特征值提取和面部特征值匹配，可得出匹配结果为被拍摄人物小李是预先设置的特定人物，而小王和小陈都不是预先设置的特定人物。此时，智能终端采用预先设定的与小李相应的图像处理方式来对小李的图像进行面部马赛克的处理，并对小王和小陈不进行任何处理，以此来实现在拍摄图片或者视频的过程中对小李的图像信息进行隐藏的功能。再例如，被拍摄人物为小张、小李和小陈，则智能终端通过人工智能算法对这三个人物的面部图像进行分析处理，可得出匹配结果为小张和小李是预先设置的特定人物，而小陈不是预先设置的特定人物。此时，智能终端采用预先设定的图像处理方式分别对小张和小李的图像进行处理(即对小张进行美白和瘦脸的处理，对小李进行面部马赛克的处理)，并对小陈的图像不进行任何处理，由此实现了在拍摄图片或者视频的过程中对小李的图像信息进行隐藏以及对小张的图像进行美化的功能。这里，智能终端对小张的图像进行美白和瘦脸的处理方式为叠加处理方式，即同时对小张的图像进行皮肤美白处理和面部瘦脸处理。以上描述仅是示例性的，本发明不限于此。

图3是示出根据本发明的实施例的基于人工智能的人物图像处理装置的框图。

如图3所示，基于人工智能的人物图像处理装置300包括人物图像获取模块301、人物图像匹配模块302和人物图像处理模块303。具体地，人物图像获取模块301被配置为获取图像中的被拍摄人物的面部图像，人物图像匹配模块302被配置为基于人工智能算法对被拍摄人物的面部图像进行处理，根据处理的结果确定被拍摄人物是否与预先设置的特定人物相匹配，人物图像处理模块303被配置为当确定被拍摄人物与预先设置的特定人物匹配时，使用与预先设置的特定人物相应的图像处理方式来处理图像。

根据本发明的实施例，人物图像获取模块301通过摄像头来拍摄人物图像，并从拍摄的人物图像中获取被拍摄人物的面部图像，其中，拍摄的人物图像包括拍摄的照片和视频，获取的面部图像可包括不同角度和不同表情的人脸信息，例如人脸的位置、轮廓、大小和五官的特征点等信息。

人物图像匹配模块302基于人工智能算法对人物图像获取模块301获取的被拍摄人物的面部图像进行处理，根据处理的结果确定被拍摄人物是否与预先设置的特定人物相匹配。具体地，人物图像匹配模块302先基于人工智能算法对被拍摄人物的面部图像进行特征值提取，然后，将提取的特征值与针对预先设置的特定人物预先训练得到的特征值进行比较来确定被拍摄人物是否与预先设置的特定人物相匹配。下面将参照图4来详细说明根据本发明的实施例的人物图像匹配模块302。

图4是示出了根据本发明的示例性实施例的人物图像匹配模块的框图。

如图4所示，人物图像匹配模块302包括特征值提取单元401和特征值匹配单元402，其中，特征值提取单元401基于人工智能算法对被拍摄人物的面部图像进行特征值提取，特征值匹配单元402将提取的特征值与针对预先设置的特定人物预先训练得到的特征值进行比较以确定被拍摄人物是否与预先设置的特定人物相匹配。

根据本发明的实施例，特征值提取单元401基于人工智能算法对被拍摄人物的面部图像进行特征值提取。具体地，先从被拍摄人物的图像中获得人脸的位置，再进行被拍摄人物的面部特征点估计和人脸校正，然后，通过预先训练的深度卷积神经网络模型对面部特征点的测量值进行提取，并通过对特征值进行哈希编码以得出被拍摄人物的哈希编码值。这里，深度卷积神经网络模型是通过一组已知人物的面部图像数据和一组未知人物的面部图像数据进行迭代训练得出的。特征值包括被拍摄人物的面部图像中的人脸轮廓点和五官轮廓点，例如，内眼角点、外眼角点、鼻尖点、鼻孔点、耳屏点、耳下点、口角点、头顶点、眉内点和眉外点等，特征值提取指的是对从被拍摄人物的面部图像中获取的人脸轮廓点和五官轮廓点进行点与点之间的位置关系的计算。特征值匹配单元402对特征值提取单元401中提取的特征值进行哈希编码以得出被拍摄人物的哈希编码，并将被拍摄人物的哈希编码与针对预先设置的特定人物预先训练得到的特征值的哈希编码进行匹配以确定被拍摄人物是否为预先设置的特定人物。这里，预先设置的特定人物的哈希编码也是通过深度卷积神经网络模型先对预先设置的特定人物的特征值进行提取，再对提取的特征值进行哈希编码得到的。特征值匹配单元402通过分类器将被拍摄人物的哈希编码与预先设置的特定人物的哈希编码进行匹配，其中，常用的分类器包括SVM分类器、K近邻分类器、贝叶斯分类器、决策树分类器、随机森林和线性回归中的任意一个。

返回图3，人物图像处理模块303被配置为当确定被拍摄人物与预先设置的特定人物匹配时，使用与预先设置的特定人物相应的图像处理方式来处理图像。具体地，当确定被拍摄人物与预先设置的特定人物匹配时，即确定被拍摄人物为预先设置的特定人物，则使用预先设置的针对特定人物的图像处理方式对被拍摄人物的图像进行处理。根据本发明的实施例，图像处理方式包括皮肤美化、五官重塑、瘦脸、瘦身、四肢优化、面部马赛克处理、模糊化处理、遮盖物遮盖、消除被拍摄人物、分辨率调整和光线调整中的至少一个，例如，对特定人物进行模糊化处理，或者对特定人物进行皮肤美化以及瘦脸的处理，又或者对特定人物进行瘦脸、瘦身和面部马赛克的处理等。当预先设置的针对特定人物的图像处理方式有多个时，可选择单独处理和/或叠加处理的方式来对图像进行处理。应理解，上述对图像处理方式的举例仅是示例性举例，本发明可采用的图像处理方式不限于此。

根据本发明的实施例，人物图像匹配模块303还被配置为当确定被拍摄人物与预先设置的特定人物不匹配时，不对图像进行处理，或者根据预先设置的其他处理方式对图像进行处理。例如，若被拍摄人物的哈希编码值与预先设置的特定人物的哈希编码值不匹配时，对被拍摄人物的图像不进行任何处理。又或者，若预先设置了的针对除特定人物以外的其他人物的图像处理方式，则当确定被拍摄人物不是预先设置的特定人物时，使用预先设置的其他人物的图像处理方式对被拍摄人物的图像进行处理。上述仅是示例性举例，本发明不限于此。

根据本发明的实施例的基于人工智能的人物图像处理方法及装置能够在拍摄人物的照片或者视频时，通过人工智能算法对照片或者视频中的人物的特征值进行提取，并和预先设置的人物的特征值进行匹配，会对匹配成功的人物和/或匹配失败的人物进行预先设定的不同方式的图像处理，以最终呈现出符合用户要求的照片或视频，免去了用户后期处理图像的工作，提高了拍摄的便利性，更好的满足用户的需求。

尽管已经参照本发明的特定示例性实施例显示和描述了本发明，但是本领域技术人员将理解，在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可进行各种形式和细节上的各种改变。

Claims (10)

1.一种基于人工智能的人物图像处理方法，其特征在于，所述方法包括以下步骤：

S1：获取图像中的被拍摄人物的面部图像；

S2：基于人工智能算法对所述被拍摄人物的面部图像进行处理，根据处理的结果确定所述被拍摄人物是否与预先设置的特定人物相匹配；

S3：当确定所述被拍摄人物与所述预先设置的特定人物匹配时，使用与所述预先设置的特定人物相应的图像处理方式来处理所述图像。

2.如权利要求1所述的方法，其特征在于，所述步骤S2包括：

S21：基于人工智能算法对所述被拍摄人物的面部图像进行特征值提取；

S22：将提取的特征值与针对所述预先设置的特定人物预先训练得到的特征值进行比较以确定所述被拍摄人物是否与所述预先设置的特定人物相匹配。

3.如权利要求2所述的方法，其特征在于，所述步骤S22包括：

对提取的特征值进行哈希编码以得出被拍摄人物的哈希编码；

将所述被拍摄人物的哈希编码与针对所述预先设置的特定人物预先训练得到的特征值的哈希编码进行匹配以确定所述被拍摄人物是否为所述预先设置的特定人物。

4.如权利要求2所述的方法，其特征在于，还包括：

当确定所述被拍摄人物与所述预先设置的特定人物不匹配时，不对所述图像进行处理，或者根据预先设置的其他处理方式对所述图像进行处理。

5.如权利要求3所述的方法，其特征在于，通过分类器将所述被拍摄人物的哈希编码与所述预先设置的特定人物的哈希编码进行匹配，其中，所述分类器包括SVM分类器、K近邻分类器、贝叶斯分类器、决策树分类器、随机森林和线性回归中的任意一个。

6.一种基于人工智能的人物图像处理装置，其特征在于，所述装置包括：

人物图像获取模块，被配置为获取图像中的被拍摄人物的面部图像；

人物图像匹配模块，被配置为基于人工智能算法对所述被拍摄人物的面部图像进行处理，根据处理的结果确定所述被拍摄人物是否与预先设置的特定人物相匹配；

人物图像处理模块，被配置为当确定所述被拍摄人物与所述预先设置的特定人物匹配时，使用与所述预先设置的特定人物相应的图像处理方式来处理所述图像。

7.如权利要求6所述的装置，其特征在于，所述人物图像匹配模块被配置为：

特征值提取单元，基于人工智能算法对所述被拍摄人物的面部图像进行特征值提取；

特征值匹配单元，将提取的特征值与针对所述预先设置的特定人物预先训练得到的特征值进行比较以确定所述被拍摄人物是否与所述预先设置的特定人物相匹配。

8.如权利要求7所述的装置，其特征在于，所述特征值匹配单元被配置为：

对提取的特征值进行哈希编码以得出被拍摄人物的哈希编码，并将所述被拍摄人物的哈希编码与针对所述预先设置的特定人物预先训练得到的特征值的哈希编码进行匹配以确定所述被拍摄人物是否为所述预先设置的特定人物。

9.如权利要求7所述的装置，其特征在于，还被配置为：

当确定所述被拍摄人物与所述预先设置的特定人物不匹配时，不对所述图像进行处理，或者根据预先设置的其他处理方式对所述图像进行处理。

10.如权利要求8所述的装置，其特征在于，所述特征值匹配单元还被配置为：

通过分类器将所述被拍摄人物的哈希编码与所述预先设置的特定人物的哈希编码进行匹配，其中，所述分类器包括SVM分类器、K近邻分类器、贝叶斯分类器、决策树分类器、随机森林和线性回归中的任意一个。