CN110517185A - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110517185A CN110517185A CN201910666820.7A CN201910666820A CN110517185A CN 110517185 A CN110517185 A CN 110517185A CN 201910666820 A CN201910666820 A CN 201910666820A CN 110517185 A CN110517185 A CN 110517185A
- Authority
- CN
- China
- Prior art keywords
- face
- facial image
- identity
- model
- expressive features
- 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 27
- 230000001815 facial effect Effects 0.000 claims abstract description 182
- 239000000284 extract Substances 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 85
- 210000005036 nerve Anatomy 0.000 claims description 84
- 238000012545 processing Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 2
- 230000008859 change Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 6
- 230000008921 facial expression Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 206010016275 Fear Diseases 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
- 238000007796 conventional method Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/174—Facial expression recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开示出了一种图像处理方法、装置、电子设备及存储介质，其中图像处理方法包括：获取目标人脸图像以及原始人脸图像；提取所述原始人脸图像中脸部的第一表情特征；提取所述目标人脸图像中脸部的第一身份特征；将所述第一表情特征与所述第一身份特征进行合成，得到具有所述第一表情特征的目标人脸。通过提取原始人脸图像中脸部的表情特征以及目标人脸图像中脸部的身份特征，然后将原始人脸的表情特征和目标人脸的身份特征进行整合，得到具有原始人脸表情的目标人脸，从而达到换脸的目的。相对于传统的方法，本公开技术方案通用性更强，不需要针对每个换脸对(原始脸和目标脸)单独进行训练，可以简单高效地完成换脸过程。
Description
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、装置、电子设备及存储介质。
背景技术
换脸技术在很多场景有着重要的价值，比如影视剧的后期制作，人脸特效等领域。当影视剧拍摄过程中用到动作替身时，可以不用对替身演员做过多的化妆，后期采用换脸技术将替身演员的脸进行替换即可。
随着深度学习技术的发展，换脸技术得到了前所未有的进步，尤其是随着gan(生成对抗网络)技术的成熟，换脸可以达到更逼真的效果，但是仍存在很多技术难点亟待突破，例如基于gan的换脸技术需要针对换脸对象的多张图像(换脸和被换脸人的图像)进行模型训练，没有很好的通用性。
发明内容
本公开提供一种图像处理方法、装置、电子设备及存储介质，以至少解决相关换脸技术通用性较差的问题。本公开的技术方案如下：
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：
获取目标人脸图像以及原始人脸图像；
提取所述原始人脸图像中脸部的第一表情特征；
提取所述目标人脸图像中脸部的第一身份特征；
将所述第一表情特征与所述第一身份特征进行合成，得到具有所述第一表情特征的目标人脸。
在一种可选的实现方式中，采用预先训练得到的表情特征提取模型，提取所述原始人脸图像中脸部的第一表情特征。
在一种可选的实现方式中，在所述采用预先训练得到的表情特征提取模型，提取所述原始人脸图像中脸部的第一表情特征的步骤之前，还包括：
获取第一样本集，所述第一样本集中包括第一人脸图像样本以及所述第一人脸图像样本脸部的表情类别，所述表情类别为所述第一人脸图像样本脸部的表情特征所属的类别；
将所述第一人脸图像样本输入至第一神经网络，将所述第一神经网络提取到的表情特征输入至第二神经网络，将所述表情类别作为所述第二神经网络的输出，利用机器学习方法，对所述第一神经网络和所述第二神经网络进行训练；
将训练后的所述第一神经网络确定为表情特征提取模型，将训练后的所述第二神经网络确定为所述表情特征分类模型。
在一种可选的实现方式中，所述提取所述目标人脸图像中脸部的第一身份特征的步骤，包括：
采用预先训练得到的身份特征提取模型，提取所述目标人脸图像中脸部的第一身份特征。
在一种可选的实现方式中，在所述采用预先训练得到的身份特征提取模型，提取所述目标人脸图像中脸部的第一身份特征的步骤之前，还包括：
获取第二样本集，所述第二样本集中包括第二人脸图像样本以及所述第二人脸图像样本的身份标签，所述身份标签为所述第二人脸图像样本脸部的身份特征所对应的标签；
将所述第二人脸图像样本输入至第三神经网络，将所述第三神经网络提取到的身份特征输入至第四神经网络，将所述身份标签作为所述第四神经网络的输出，利用机器学习方法，对所述第三神经网络和所述第四神经网络进行训练；
将训练后的所述第三神经网络确定为身份特征提取模型，将训练后的所述第四神经网络确定为所述身份特征分类模型。
在一种可选的实现方式中，所述将所述第一表情特征与所述第一身份特征进行合成的步骤，包括：
采用预先训练得到的合成模型，将所述第一表情特征与所述第一身份特征进行合成。
在一种可选的实现方式中，在所述采用预先训练得到的合成模型，将所述第一表情特征与所述第一身份特征进行合成的步骤之前，还包括：
获取第一样本集和第二样本集，所述第一样本集中包括第一人脸图像样本以及所述第一人脸图像样本脸部的表情类别，所述第二样本集中包括第二人脸图像样本以及所述第二人脸图像样本的身份标签，所述表情类别为所述第一人脸图像样本脸部的表情特征所属的类别，所述身份标签为所述第二人脸图像样本脸部的身份特征所对应的标签；
采用预先训练得到的表情特征提取模型，提取所述第一人脸图像样本脸部的第二表情特征，采用预先训练得到的身份特征提取模型，提取所述第二人脸图像样本脸部的第二身份特征；
将所述第二表情特征以及所述第二身份特征输入至第五神经网络，将所述第五神经网络的输出的图像信息分别输入至所述表情特征提取模型以及所述身份特征提取模型，将所述表情特征提取模型的输出结果输入至预先训练得到的表情特征分类模型，将所述身份特征提取模型的输出结果输入至预先训练得到的身份特征分类模型，将所述表情类别作为所述表情特征分类模型的输出，将所述身份标签作为所述身份特征分类模型的输出，利用机器学习方法，对所述第五神经网络进行训练；
将训练后的所述第五神经网络模型确定为所述合成模型。
根据本公开的第二方面，提供一种图像处理装置，所述装置包括：
获取模块，被配置为获取目标人脸图像以及原始人脸图像；
第一提取模块，被配置为提取所述原始人脸图像中脸部的第一表情特征；
第二提取模块，被配置为提取所述目标人脸图像中脸部的第一身份特征；
合成模块，被配置为将所述第一表情特征与所述第一身份特征进行合成，得到具有所述第一表情特征的目标人脸。
在一种可选的实现方式中，所述第一提取模块还被配置为：采用预先训练得到的表情特征提取模型，提取所述原始人脸图像中脸部的第一表情特征。
在一种可选的实现方式中，所述装置还包括：
第一获取模块，被配置为获取第一样本集，所述第一样本集中包括第一人脸图像样本以及所述第一人脸图像样本脸部的表情类别，所述表情类别为所述第一人脸图像样本脸部的表情特征所属的类别；
第一训练模块，被配置为将所述第一人脸图像样本输入至第一神经网络，将所述第一神经网络提取到的表情特征输入至第二神经网络，将所述表情类别作为所述第二神经网络的输出，利用机器学习方法，对所述第一神经网络和所述第二神经网络进行训练；
第一确定模块，被配置为将训练后的所述第一神经网络确定为表情特征提取模型，将训练后的所述第二神经网络确定为所述表情特征分类模型。
在一种可选的实现方式中，所述第二提取模块还被配置为：采用预先训练得到的身份特征提取模型，提取所述目标人脸图像中脸部的第一身份特征。
在一种可选的实现方式中，所述装置还包括：
第二获取模块，被配置为获取第二样本集，所述第二样本集中包括第二人脸图像样本以及所述第二人脸图像样本的身份标签，所述身份标签为所述第二人脸图像样本脸部的身份特征所对应的标签；
第二训练模块，被配置为将所述第二人脸图像样本输入至第三神经网络，将所述第三神经网络提取到的身份特征输入至第四神经网络，将所述身份标签作为所述第四神经网络的输出，利用机器学习方法，对所述第三神经网络和所述第四神经网络进行训练；
第二确定模块，被配置为将训练后的所述第三神经网络确定为身份特征提取模型，将训练后的所述第四神经网络确定为所述身份特征分类模型。
在一种可选的实现方式中，所述合成模块还被配置为：
采用预先训练得到的合成模型，将所述第一表情特征与所述第一身份特征进行合成。
在一种可选的实现方式中，所述装置还包括：
第三获取模块，被配置为获取第一样本集和第二样本集，所述第一样本集中包括第一人脸图像样本以及所述第一人脸图像样本脸部的表情类别，所述第二样本集中包括第二人脸图像样本以及所述第二人脸图像样本的身份标签，所述表情类别为所述第一人脸图像样本脸部的表情特征所属的类别，所述身份标签为所述第二人脸图像样本脸部的身份特征所对应的标签；
第三提取模块，被配置为采用预先训练得到的表情特征提取模型，提取所述第一人脸图像样本脸部的第二表情特征，采用预先训练得到的身份特征提取模型，提取所述第二人脸图像样本脸部的第二身份特征；
第三训练模块，被配置为将所述第二表情特征以及所述第二身份特征输入至第五神经网络，将所述第五神经网络的输出的图像信息分别输入至所述表情特征提取模型以及所述身份特征提取模型，将所述表情特征提取模型的输出结果输入至预先训练得到的表情特征分类模型，将所述身份特征提取模型的输出结果输入至预先训练得到的身份特征分类模型，将所述表情类别作为所述表情特征分类模型的输出，将所述身份标签作为所述身份特征分类模型的输出，利用机器学习方法，对所述第五神经网络进行训练；
第三确定模块，被配置为将训练后的所述第五神经网络模型确定为所述合成模型。
根据本公开的第三方面，提供一种电子设备，所述电子设备包括：
处理器；
用于存储所述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所述指令，以实现如第一方面所述的图像处理方法。
根据本公开的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面所述的图像处理方法。
根据本公开的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面所述的图像处理方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开技术方案，通过提取原始人脸图像中脸部的表情特征以及目标人脸图像中脸部的身份特征，然后将原始人脸的表情特征和目标人脸的身份特征进行整合，得到具有原始人脸表情的目标人脸，从而达到换脸的目的。相对于传统的方法，本公开技术方案通用性更强，不需要针对每个换脸对(原始脸和目标脸)单独进行训练，可以简单高效地完成换脸过程。
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，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种图像处理方法的流程图。
图2是根据一示例性实施例示出的一种获得表情特征提取模型的流程图。
图3是根据一示例性实施例示出的一种获得身份特征提取模型的流程图。
图4是根据一示例性实施例示出的一种获得合成模型的流程图。
图5是根据一示例性实施例示出的一种resnet判别模型结构。
图6是根据一示例性实施例示出的一种残差学习模块结构。
图7是根据一示例性实施例示出的一种反卷积网络模型结构。
图8是根据一示例性实施例示出的一种训练合成模型的结构框图。
图9是根据一示例性实施例示出的一种图像处理装置的框图。
图10是根据一示例性实施例示出的一种电子设备的框图。
图11是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图像处理方法的流程图，如图1所示，该方法包括以下步骤。
在步骤S11中，获取目标人脸图像以及原始人脸图像。
目标人脸图像和原始人脸图像可以是任意两个人脸图像，其中，目标人脸为待换人脸，原始人脸为被换人脸。
在步骤S12中，提取原始人脸图像中脸部的第一表情特征。
其中，表情特征提取是指对人脸的器官特征、纹理区域和预定义的特征点进行定位和提取。
在实际应用中，对原始人脸图像中脸部的第一表情特征进行提取的实现方式有多种。
由于人脸表情依靠肌肉的运动来体现。人脸图像可以直观地显示表情发生时人脸肌肉运动所产生的面部形体和纹理的变化。从整体上看，这种变化造成了面部器官的明显形变，会对人脸图像的全局信息带来影响，因此可以采用从整体角度考虑表情特征的提取算法，例如主元分析法(Principal Component Analysis，PCA)、独立分量分析法(Indenpent Component Analysis，ICA)和线性判别分析法(Linear DiscriminantAnalysis，LDA)等。另外，人脸图像上的表情不仅有整体的变化，也存在局部的变化，例如面部肌肉的纹理、皱褶等局部形变，因此可以采用从局部角度考虑表情特征的提取算法，例如Gabor小波法和LBP算子法等。
一种实现方式中，可以采用预先训练得到的表情特征提取模型，提取原始人脸图像中脸部的第一表情特征，后续会对这种实现方式进行详细介绍。
在步骤S13中，提取目标人脸图像中脸部的第一身份特征。
其中，身份特征为可以用于进行人脸识别(Face Recognition)的面部特征(如统计特征或几何特征等)。
在实际应用中，对目标人脸图像中脸部的第一身份特征进行提取的实现方式有多种，例如可以采用基于几何特征(Geometric Features)的方法、基于子空间分析的方法等；还可以采用预先训练得到的身份特征提取模型，提取目标人脸图像中脸部的第一身份特征，后续会对后一实现方式进行详细介绍。
在步骤S14中，将第一表情特征与第一身份特征进行合成，得到具有第一表情特征的目标人脸。
在实际应用中，将第一表情特征与第一身份特征进行合成的方法有多种，例如，可以采用预先训练得到的合成模型，将第一表情特征与第一身份特征进行合成，得到具有原始人脸第一表情特征的目标人脸，达到换脸目标。
本实施例提供的图像处理方法，通过提取原始人脸图像中脸部的表情特征以及目标人脸图像中脸部的身份特征，然后将原始人脸的表情特征和目标人脸的身份特征进行整合，得到具有原始人脸表情的目标人脸，从而达到换脸的目的。相对于传统的方法，本公开技术方案通用性更强，不需要针对每个换脸对(原始脸和目标脸)单独进行训练，可以简单高效地完成换脸过程。
本实施例的一种实现方式中，在步骤S12中可以包括：采用预先训练得到的表情特征提取模型，提取原始人脸图像中脸部的第一表情特征。参照图2，预先获得表情特征提取模型的步骤可以包括：
在步骤S21中，获取第一样本集，第一样本集中包括第一人脸图像样本以及第一人脸图像样本脸部的表情类别，表情类别为第一人脸图像样本脸部的表情特征所属的类别。
具体地，可以通过互联网收集第一人脸图像样本数据，表情类别可以包括高兴、悲伤、中立、蔑视、愤怒、害怕和惊讶七种类别。第一样本集中第一人脸图像样本脸部的表情类别可以预先标注获得。
在步骤S22中，将第一人脸图像样本输入至第一神经网络，将第一神经网络提取到的表情特征输入至第二神经网络，将表情类别作为第二神经网络的输出，利用机器学习方法，对第一神经网络和第二神经网络进行训练。
其中，第一神经网络和第二神经网络可以采用resnet(Residual NeuralNetwork)网络模型，网络结构如图5所示，其中input_size代表各层输入向量尺寸，input_size代表各层输出向量尺寸，OP代表各层对输入向量进行的操作类型。参照图6示出了一种残差学习模块。
第一神经网络对第一人脸图像样本的脸部表情特征进行提取，第二神经网络根据这些脸部表情特征按照上述的七种表情类别进行分类，每一个第一人脸图像样本对应一个表情类别，将预先标注的表情类别作为第二神经网络的输出。
在步骤S23中，将训练后的第一神经网络确定为表情特征提取模型，将训练后的第二神经网络确定为表情特征分类模型。
具体地，训练得到的表情特征提取模型用于提取脸部表情特征，表情特征分类模型用于对脸部表情特征进行分类。
本实施例的一种实现方式中，在步骤S13中可以包括：采用预先训练得到的身份特征提取模型，提取所述目标人脸图像中脸部的第一身份特征。参照图3，预先获得身份特征提取模型的步骤可以包括：
在步骤S31中，获取第二样本集，第二样本集中包括第二人脸图像样本以及第二人脸图像样本的身份标签，身份标签为第二人脸图像样本脸部的身份特征所对应的标签。
具体地，可以通过互联网收集第二人脸图像样本数据，例如可以采用webface数据，webface中包含1万个人脸ID(身份标签)。
在步骤S32中，将第二人脸图像样本输入至第三神经网络，将第三神经网络提取到的身份特征输入至第四神经网络，将身份标签作为第四神经网络的输出，利用机器学习方法，对第三神经网络和第四神经网络进行训练。
其中，第三神经网络和第四神经网络可以采用resnet(Residual NeuralNetwork)网络模型，网络结构如图5所示，其中input_size代表各层输入向量尺寸，input_size代表各层输出向量尺寸，OP代表各层对输入向量进行的操作。参照图6示出了一种残差学习模块。
第三神经网络对第二人脸图像样本的脸部身份特征进行提取，第四神经网络根据这些脸部身份特征按照1万类进行分类，每一个第二人脸图像样本对应一个身份标签，将预先标注的身份标签作为第二神经网络的输出。
在步骤S33中，将训练后的所述第三神经网络确定为身份特征提取模型，将训练后的所述第四神经网络确定为身份特征分类模型。
训练得到的身份特征提取模型用于提取脸部身份特征，身份特征分类模型用于对脸部身份特征进行分类。
本实施例的一种实现方式中，在步骤S14中可以包括：采用预先训练得到的合成模型，将第一表情特征与第一身份特征进行合成。参照图4和图8，预先获得合成模型的步骤可以包括：
在步骤S41中，获取第一样本集和第二样本集，第一样本集中包括第一人脸图像样本以及第一人脸图像样本脸部的表情类别，第二样本集中包括第二人脸图像样本以及第二人脸图像样本的身份标签，表情类别为第一人脸图像样本脸部的表情特征所属的类别，身份标签为第二人脸图像样本脸部的身份特征所对应的标签。
本实现方式中步骤S41与前述实现方式中的步骤S21和步骤S31相同或相似，在此不再赘述，这里着重介绍与前述实现方式的不同之处。
在步骤S42中，采用预先训练得到的表情特征提取模型，提取第一人脸图像样本脸部的第二表情特征，采用预先训练得到的身份特征提取模型，提取第二人脸图像样本脸部的第二身份特征。
具体地，将第一样本集中的任意一个第一人脸图像样本与第二样本集中的任意一个第二人脸图像样本组成多个换脸对，基于换脸对的数据对合成模型进行训练。
在实际应用中，可以按照如图2所示的方法预先训练得到表情特征提取模型，将第一人脸图像样本输入该表情特征提取模型，输出第二表情特征；可以按照如图3所示的方法预先训练得到身份特征提取模型，将第二人脸图像样本输入该身份特征提取模型，输出第二身份特征。
在步骤S43中，将第二表情特征以及第二身份特征输入至第五神经网络，将第五神经网络的输出的图像信息分别输入至表情特征提取模型以及身份特征提取模型，将表情特征提取模型的输出结果输入至预先训练得到的表情特征分类模型，将身份特征提取模型的输出结果输入至预先训练得到的身份特征分类模型，将表情类别作为表情特征分类模型的输出，将身份标签作为身份特征分类模型的输出，利用机器学习方法，对第五神经网络进行训练。
其中，第五神经网络可以采用反卷积神经网络模型，网络结构如图7所示，其中input_size代表各层输入向量尺寸，input_size代表各层输出向量尺寸，OP代表各层对输入向量进行的操作。
第五神经网络将第二表情特征以及第二身份特征融合成一个新的人脸，第五神经网络的合成结果依次输入预先训练得到的表情特征提取模型和表情特征分类模型，以预先标注的第一人脸图像样本脸部的表情类别作为表情特征分类模型的输出，确保新的人脸具有第一人脸图像样本脸部的表情特征；同时第五神经网络的合成结果依次输入预先训练得到的身份特征提取模型和身份特征分类模型，以预先标注的第二人脸图像样本的身份标签作为身份特征分类模型的输出，确保新的人脸具有第二人脸图像样本脸部的身份特征。
在步骤S44中，将训练后的第五神经网络模型确定为合成模型。
在训练过程中，可以保持预先训练得到的4个模型：表情特征提取模型、身份特征提取模型、表情特征分类模型以及身份特征分类模型的参数不变，仅对第五神经网络进行训练得到合成模型。
本实施例提供的图像处理方法，通过将换脸过程中的身份特征提取和表情特征提取分别用两个模型完成，可以达到高效的解耦目的，然后采用合成模型将身份特征和表情特征进行融合，将换脸过程拆分得更精细，可以达到有效训练的目的。
图9是根据一示例性实施例示出的一种图像处理装置框图。参照图9，该装置包括：
获取模块91，被配置为获取目标人脸图像以及原始人脸图像；
第一提取模块92，被配置为提取所述原始人脸图像中脸部的第一表情特征；
第二提取模块93，被配置为提取所述目标人脸图像中脸部的第一身份特征；
合成模块94，被配置为将所述第一表情特征与所述第一身份特征进行合成，得到具有所述第一表情特征的目标人脸。
在一种可选的实现方式中，所述第一提取模块还被配置为：采用预先训练得到的表情特征提取模型，提取所述原始人脸图像中脸部的第一表情特征。
在一种可选的实现方式中，所述装置还包括：
第一获取模块，被配置为获取第一样本集，所述第一样本集中包括第一人脸图像样本以及所述第一人脸图像样本脸部的表情类别，所述表情类别为所述第一人脸图像样本脸部的表情特征所属的类别；
第一训练模块，被配置为将所述第一人脸图像样本输入至第一神经网络，将所述第一神经网络提取到的表情特征输入至第二神经网络，将所述表情类别作为所述第二神经网络的输出，利用机器学习方法，对所述第一神经网络和所述第二神经网络进行训练；
第一确定模块，被配置为将训练后的所述第一神经网络确定为表情特征提取模型，将训练后的所述第二神经网络确定为所述表情特征分类模型。
在一种可选的实现方式中，，所述第二提取模块还被配置为：采用预先训练得到的身份特征提取模型，提取所述目标人脸图像中脸部的第一身份特征。
在一种可选的实现方式中，所述装置还包括：
第二获取模块，被配置为获取第二样本集，所述第二样本集中包括第二人脸图像样本以及所述第二人脸图像样本的身份标签，所述身份标签为所述第二人脸图像样本脸部的身份特征所对应的标签；
第二训练模块，被配置为将所述第二人脸图像样本输入至第三神经网络，将所述第三神经网络提取到的身份特征输入至第四神经网络，将所述身份标签作为所述第四神经网络的输出，利用机器学习方法，对所述第三神经网络和所述第四神经网络进行训练；
第二确定模块，被配置为将训练后的所述第三神经网络确定为身份特征提取模型，将训练后的所述第四神经网络确定为所述身份特征分类模型。
在一种可选的实现方式中，所述合成模块还被配置为：
采用预先训练得到的合成模型，将所述第一表情特征与所述第一身份特征进行合成。
在一种可选的实现方式中，所述装置还包括：
第三获取模块，被配置为获取第一样本集和第二样本集，所述第一样本集中包括第一人脸图像样本以及所述第一人脸图像样本脸部的表情类别，所述第二样本集中包括第二人脸图像样本以及所述第二人脸图像样本的身份标签，所述表情类别为所述第一人脸图像样本脸部的表情特征所属的类别，所述身份标签为所述第二人脸图像样本脸部的身份特征所对应的标签；
第三提取模块，被配置为采用预先训练得到的表情特征提取模型，提取所述第一人脸图像样本脸部的第二表情特征，采用预先训练得到的身份特征提取模型，提取所述第二人脸图像样本脸部的第二身份特征；
第三训练模块，被配置为将所述第二表情特征以及所述第二身份特征输入至第五神经网络，将所述第五神经网络的输出的图像信息分别输入至所述表情特征提取模型以及所述身份特征提取模型，将所述表情特征提取模型的输出结果输入至预先训练得到的表情特征分类模型，将所述身份特征提取模型的输出结果输入至预先训练得到的身份特征分类模型，将所述表情类别作为所述表情特征分类模型的输出，将所述身份标签作为所述身份特征分类模型的输出，利用机器学习方法，对所述第五神经网络进行训练；
第三确定模块，被配置为将训练后的所述第五神经网络模型确定为所述合成模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图10是本公开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。
参照图10，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，电力组件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，以完成任一实施例所述的图像处理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，运营商网络(如2G、3G、4G或5G)，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，用于执行任一实施例所述的图像处理方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成任一实施例所述的图像处理方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括可读性程序代码，该可读性程序代码可由装置800的处理器820执行以完成任一实施例所述的图像处理方法。可选地，该程序代码可以存储在装置800的存储介质中，该存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图11是本公开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。
参照图11，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，以执行任一实施例所述的图像处理方法。
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。
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。本公开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下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种图像处理方法，其特征在于，所述方法包括：
获取目标人脸图像以及原始人脸图像；
提取所述原始人脸图像中脸部的第一表情特征；
提取所述目标人脸图像中脸部的第一身份特征；
将所述第一表情特征与所述第一身份特征进行合成，得到具有所述第一表情特征的目标人脸。
2.根据权利要求1所述的图像处理方法，其特征在于，所述提取所述原始人脸图像中脸部的第一表情特征的步骤，包括：
采用预先训练得到的表情特征提取模型，提取所述原始人脸图像中脸部的第一表情特征。
3.根据权利要求2所述的图像处理方法，其特征在于，在所述采用预先训练得到的表情特征提取模型，提取所述原始人脸图像中脸部的第一表情特征的步骤之前，还包括：
获取第一样本集，所述第一样本集中包括第一人脸图像样本以及所述第一人脸图像样本脸部的表情类别，所述表情类别为所述第一人脸图像样本脸部的表情特征所属的类别；
将所述第一人脸图像样本输入至第一神经网络，将所述第一神经网络提取到的表情特征输入至第二神经网络，将所述表情类别作为所述第二神经网络的输出，利用机器学习方法，对所述第一神经网络和所述第二神经网络进行训练；
将训练后的所述第一神经网络确定为表情特征提取模型，将训练后的所述第二神经网络确定为所述表情特征分类模型。
4.根据权利要求1所述的图像处理方法，其特征在于，所述提取所述目标人脸图像中脸部的第一身份特征的步骤，包括：
采用预先训练得到的身份特征提取模型，提取所述目标人脸图像中脸部的第一身份特征。
5.根据权利要求4所述的图像处理方法，其特征在于，在所述采用预先训练得到的身份特征提取模型，提取所述目标人脸图像中脸部的第一身份特征的步骤之前，还包括：
获取第二样本集，所述第二样本集中包括第二人脸图像样本以及所述第二人脸图像样本的身份标签，所述身份标签为所述第二人脸图像样本脸部的身份特征所对应的标签；
将所述第二人脸图像样本输入至第三神经网络，将所述第三神经网络提取到的身份特征输入至第四神经网络，将所述身份标签作为所述第四神经网络的输出，利用机器学习方法，对所述第三神经网络和所述第四神经网络进行训练；
将训练后的所述第三神经网络确定为身份特征提取模型，将训练后的所述第四神经网络确定为所述身份特征分类模型。
6.根据权利要求1所述的图像处理方法，其特征在于，所述将所述第一表情特征与所述第一身份特征进行合成的步骤，包括：
采用预先训练得到的合成模型，将所述第一表情特征与所述第一身份特征进行合成。
7.根据权利要求6所述的图像处理方法，其特征在于，在所述采用预先训练得到的合成模型，将所述第一表情特征与所述第一身份特征进行合成的步骤之前，还包括：
获取第一样本集和第二样本集，所述第一样本集中包括第一人脸图像样本以及所述第一人脸图像样本脸部的表情类别，所述第二样本集中包括第二人脸图像样本以及所述第二人脸图像样本的身份标签，所述表情类别为所述第一人脸图像样本脸部的表情特征所属的类别，所述身份标签为所述第二人脸图像样本脸部的身份特征所对应的标签；
采用预先训练得到的表情特征提取模型，提取所述第一人脸图像样本脸部的第二表情特征，采用预先训练得到的身份特征提取模型，提取所述第二人脸图像样本脸部的第二身份特征；
将所述第二表情特征以及所述第二身份特征输入至第五神经网络，将所述第五神经网络的输出的图像信息分别输入至所述表情特征提取模型以及所述身份特征提取模型，将所述表情特征提取模型的输出结果输入至预先训练得到的表情特征分类模型，将所述身份特征提取模型的输出结果输入至预先训练得到的身份特征分类模型，将所述表情类别作为所述表情特征分类模型的输出，将所述身份标签作为所述身份特征分类模型的输出，利用机器学习方法，对所述第五神经网络进行训练；
将训练后的所述第五神经网络模型确定为所述合成模型。
8.一种图像处理装置，其特征在于，所述装置包括：
获取模块，被配置为获取目标人脸图像以及原始人脸图像；
第一提取模块，被配置为提取所述原始人脸图像中脸部的第一表情特征；
第二提取模块，被配置为提取所述目标人脸图像中脸部的第一身份特征；
合成模块，被配置为将所述第一表情特征与所述第一身份特征进行合成，得到具有所述第一表情特征的目标人脸。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述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所述指令，以实现如权利要求1至7中任一项所述的图像处理方法。
10.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7中任一项所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910666820.7A CN110517185B (zh) | 2019-07-23 | 2019-07-23 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910666820.7A CN110517185B (zh) | 2019-07-23 | 2019-07-23 | 图像处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110517185A true CN110517185A (zh) | 2019-11-29 |
| CN110517185B CN110517185B (zh) | 2024-02-09 |
Family
ID=68623171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910666820.7A Active CN110517185B (zh) | 2019-07-23 | 2019-07-23 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517185B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969572A (zh) * | 2019-11-29 | 2020-04-07 | 广州华多网络科技有限公司 | 换脸模型训练方法、人脸互换方法、装置及电子设备 |
| CN111368796A (zh) * | 2020-03-20 | 2020-07-03 | 北京达佳互联信息技术有限公司 | 人脸图像的处理方法、装置、电子设备及存储介质 |
| CN111401216A (zh) * | 2020-03-12 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 图像处理、模型训练方法、装置、计算机设备和存储介质 |
| CN111508050A (zh) * | 2020-04-16 | 2020-08-07 | 北京世纪好未来教育科技有限公司 | 图像处理方法及装置、电子设备和计算机存储介质 |
| CN111523413A (zh) * | 2020-04-10 | 2020-08-11 | 北京百度网讯科技有限公司 | 生成人脸图像的方法和装置 |
| CN111553267A (zh) * | 2020-04-27 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 图像处理方法、图像处理模型训练方法及设备 |
| CN111597926A (zh) * | 2020-04-29 | 2020-08-28 | 深圳市商汤智能传感科技有限公司 | 图像处理方法及装置、电子设备及存储介质 |
| CN111783603A (zh) * | 2020-06-24 | 2020-10-16 | 有半岛(北京)信息科技有限公司 | 生成对抗网络训练方法、图像换脸、视频换脸方法及装置 |
| CN111860380A (zh) * | 2020-07-27 | 2020-10-30 | 平安科技（深圳）有限公司 | 人脸图像生成方法、装置、服务器及存储介质 |
| CN112241709A (zh) * | 2020-10-21 | 2021-01-19 | 北京字跳网络技术有限公司 | 图像处理方法、胡子变换网络的训练方法、装置 |
| CN112950732A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
| CN112991152A (zh) * | 2021-03-04 | 2021-06-18 | 网易（杭州）网络有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
| CN113486842A (zh) * | 2021-07-23 | 2021-10-08 | 北京达佳互联信息技术有限公司 | 表情编辑模型的训练方法和装置及表情编辑方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100135541A1 (en) * | 2008-12-02 | 2010-06-03 | Shang-Hong Lai | Face recognition method |
| CN105426963A (zh) * | 2015-12-01 | 2016-03-23 | 北京天诚盛业科技有限公司 | 用于人脸识别的卷积神经网络的训练方法、装置及应用 |
| WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
| CN107610209A (zh) * | 2017-08-17 | 2018-01-19 | 上海交通大学 | 人脸表情合成方法、装置、存储介质和计算机设备 |
| CN108510435A (zh) * | 2018-03-28 | 2018-09-07 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN108573527A (zh) * | 2018-04-18 | 2018-09-25 | 腾讯科技（深圳）有限公司 | 一种表情图片生成方法及其设备、存储介质 |
| CN109325549A (zh) * | 2018-10-25 | 2019-02-12 | 电子科技大学 | 一种人脸图像融合方法 |
| WO2019128508A1 (zh) * | 2017-12-28 | 2019-07-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
-
2019
- 2019-07-23 CN CN201910666820.7A patent/CN110517185B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100135541A1 (en) * | 2008-12-02 | 2010-06-03 | Shang-Hong Lai | Face recognition method |
| WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
| CN105426963A (zh) * | 2015-12-01 | 2016-03-23 | 北京天诚盛业科技有限公司 | 用于人脸识别的卷积神经网络的训练方法、装置及应用 |
| CN107610209A (zh) * | 2017-08-17 | 2018-01-19 | 上海交通大学 | 人脸表情合成方法、装置、存储介质和计算机设备 |
| WO2019128508A1 (zh) * | 2017-12-28 | 2019-07-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| CN108510435A (zh) * | 2018-03-28 | 2018-09-07 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN108573527A (zh) * | 2018-04-18 | 2018-09-25 | 腾讯科技（深圳）有限公司 | 一种表情图片生成方法及其设备、存储介质 |
| CN109325549A (zh) * | 2018-10-25 | 2019-02-12 | 电子科技大学 | 一种人脸图像融合方法 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969572A (zh) * | 2019-11-29 | 2020-04-07 | 广州华多网络科技有限公司 | 换脸模型训练方法、人脸互换方法、装置及电子设备 |
| CN110969572B (zh) * | 2019-11-29 | 2023-04-18 | 广州方硅信息技术有限公司 | 换脸模型训练方法、人脸互换方法、装置及电子设备 |
| CN111401216A (zh) * | 2020-03-12 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 图像处理、模型训练方法、装置、计算机设备和存储介质 |
| CN111401216B (zh) * | 2020-03-12 | 2023-04-18 | 腾讯科技（深圳）有限公司 | 图像处理、模型训练方法、装置、计算机设备和存储介质 |
| CN111368796A (zh) * | 2020-03-20 | 2020-07-03 | 北京达佳互联信息技术有限公司 | 人脸图像的处理方法、装置、电子设备及存储介质 |
| CN111368796B (zh) * | 2020-03-20 | 2024-03-08 | 北京达佳互联信息技术有限公司 | 人脸图像的处理方法、装置、电子设备及存储介质 |
| CN111523413A (zh) * | 2020-04-10 | 2020-08-11 | 北京百度网讯科技有限公司 | 生成人脸图像的方法和装置 |
| CN111523413B (zh) * | 2020-04-10 | 2023-06-23 | 北京百度网讯科技有限公司 | 生成人脸图像的方法和装置 |
| CN111508050B (zh) * | 2020-04-16 | 2022-05-13 | 北京世纪好未来教育科技有限公司 | 图像处理方法及装置、电子设备和计算机存储介质 |
| CN111508050A (zh) * | 2020-04-16 | 2020-08-07 | 北京世纪好未来教育科技有限公司 | 图像处理方法及装置、电子设备和计算机存储介质 |
| CN111553267A (zh) * | 2020-04-27 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 图像处理方法、图像处理模型训练方法及设备 |
| CN111553267B (zh) * | 2020-04-27 | 2023-12-01 | 腾讯科技（深圳）有限公司 | 图像处理方法、图像处理模型训练方法及设备 |
| CN111597926A (zh) * | 2020-04-29 | 2020-08-28 | 深圳市商汤智能传感科技有限公司 | 图像处理方法及装置、电子设备及存储介质 |
| WO2021258920A1 (zh) * | 2020-06-24 | 2021-12-30 | 百果园技术(新加坡)有限公司 | 生成对抗网络训练方法、图像换脸、视频换脸方法及装置 |
| CN111783603A (zh) * | 2020-06-24 | 2020-10-16 | 有半岛(北京)信息科技有限公司 | 生成对抗网络训练方法、图像换脸、视频换脸方法及装置 |
| CN111860380A (zh) * | 2020-07-27 | 2020-10-30 | 平安科技（深圳）有限公司 | 人脸图像生成方法、装置、服务器及存储介质 |
| CN112241709A (zh) * | 2020-10-21 | 2021-01-19 | 北京字跳网络技术有限公司 | 图像处理方法、胡子变换网络的训练方法、装置 |
| CN112950732A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
| CN112991152A (zh) * | 2021-03-04 | 2021-06-18 | 网易（杭州）网络有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
| CN113486842A (zh) * | 2021-07-23 | 2021-10-08 | 北京达佳互联信息技术有限公司 | 表情编辑模型的训练方法和装置及表情编辑方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110517185B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110517185A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN106339680B (zh) | 人脸关键点定位方法及装置 | |
| CN106530227B (zh) | 图像复原方法及装置 | |
| CN104408426B (zh) | 人脸图像眼镜去除方法及装置 | |
| CN105469356B (zh) | 人脸图像处理方法及装置 | |
| CN106548468B (zh) | 图像清晰度的判别方法及装置 | |
| CN109618184A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
| CN107123081A (zh) | 图像处理方法、装置及终端 | |
| CN105069083B (zh) | 关联用户的确定方法及装置 | |
| CN111368796B (zh) | 人脸图像的处理方法、装置、电子设备及存储介质 | |
| CN104850828A (zh) | 人物识别方法及装置 | |
| CN105302315A (zh) | 图片处理方法及装置 | |
| CN110503023A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
| CN110060215A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN106682736A (zh) | 图像识别方法及装置 | |
| CN109934275A (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 | |
| CN110532956A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111144266B (zh) | 人脸表情的识别方法及装置 | |
| CN108830219A (zh) | 基于人机交互的目标跟踪方法、装置及存储介质 | |
| CN107463903A (zh) | 人脸关键点定位方法及装置 | |
| CN110378312A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN107832746A (zh) | 表情识别方法及装置 | |
| CN107992811A (zh) | 人脸识别方法及装置 | |
| CN109242045B (zh) | 图像聚类处理方法、装置、电子设备及存储介质 |
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 |