CN110555892B - 多角度图像生成方法、装置及电子设备 - Google Patents
多角度图像生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110555892B CN110555892B CN201910731909.7A CN201910731909A CN110555892B CN 110555892 B CN110555892 B CN 110555892B CN 201910731909 A CN201910731909 A CN 201910731909A CN 110555892 B CN110555892 B CN 110555892B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- images
- target object
- angles
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000011176 pooling Methods 0.000 claims abstract description 17
- 238000012512 characterization method Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例中提供了一种多角度图像生成方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取目标对象的第一视角方向的第一图像集合，所述第一图像集合中的图像包含所述目标对象在第一视角方向上的多个目标元素；基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，所述多个目标角度与所述第一视角不同，每一目标元素上至少设置有一个分散点；将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中；利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合。通过本公开的处理方案，能够基于生成多个不同角度的目标对象的图像。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种多角度图像生成方法、装置及电子设备。
背景技术
图像处理(image processing)又称为影像处理，是用计算机对图像进行达到所需结果的技术。起源于20世纪20年代，一般为数字图像处理。图像处理技术的主要内容包括图像压缩、增强复原、匹配描述识别3个部分，常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为，应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等。
图像处理的一个应用场景便是对输入的一种视角的图像进行预测，得到多种不同视角的图像，例如，输入一张包含人物的正面照片，预测得到该正面照片对应的侧面照片。在图像预测的过程中，如何提高预测图像的准确度，成为需要解决的技术问题。
发明内容
有鉴于此，本公开实施例提供一种多角度图像生成方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种多角度图像生成方法，包括：
获取目标对象的第一视角方向的第一图像集合，所述第一图像集合中的图像包含所述目标对象在第一视角方向上的多个目标元素；
基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，所述多个目标角度与所述第一视角不同，每一目标元素上至少设置有一个分散点；
将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中；
利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合。
根据本公开实施例的一种具体实现方式，所述获取目标对象的第一视角方向的第一图像集合，包括：
获取多个具有第一视角方向的目标对象图像；
对所述目标对象图像进行色彩调整；
将调整后的多个目标对象图像作为所述第一图像集合中的图像。
根据本公开实施例的一种具体实现方式，所述对所述目标对象图像进行色彩调整，包括：
计算目标对象图像中R、G、B分量的均值avgR、avgG和avgB，以及目标对象图像的总均值avgP；
基于avgR、avgG、avgB和avgP，计算目标对象图像中R、G、B分量的调整系数aR、aG和aB；
利用aR、aG和aB对目标对象图像中R、G、B分量值进行色彩调整。
根据本公开实施例的一种具体实现方式，所述基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，包括：
对所述第一图像集合中的图像执行关键点检测；
基于关键点检测的结果，确定与所述多个目标角度相匹配的分散点。
根据本公开实施例的一种具体实现方式，所述基于关键点检测的结果，确定与所述多个目标角度相匹配的分散点，包括：
基于所述关键点检测的结果，确定每一目标元素上存在的多个关键点；
在每一目标元素上的多个关键点中，选择与所述多个目标角度相匹配的关键点，得到关键点集合；
将所述关键点集合中的关键点作为所述与所述多个目标角度相匹配的分散点。
根据本公开实施例的一种具体实现方式，所述将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中，包括：
对所述第一图像集合中的图像进行矩阵化处理，得到第一矩阵集合；
基于所述分散点在第一图像集合上的坐标，确定所述分散点对应的第二矩阵集合，所述第二矩阵集合与所述第一矩阵集合具有相同的尺寸；
将所述第一矩阵集合和所述第二矩阵集合作为特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中。
根据本公开实施例的一种具体实现方式，所述利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合，包括：
在所述多个目标角度中选择与所述第一视角方向不同的第二视角；
基于所述第二视角，确定预测图像中目标对象存在的预测元素；
利用所述预测网络，对所述预测元素进行预测；
基于预测后的预测元素组成的图像，确定为所述第二图像集合中的图像。
根据本公开实施例的一种具体实现方式，所述基于预测后的预测元素组成的图像，确定为所述第二图像集合中的图像，包括：
利用所述预测网络对所述目标对象在所述第二视角下的轮廓进行预测，得到轮廓图像；
将所述轮廓图像和所述预测后的预测元素组成的图像，确定为所述第二图像集合中的图像。
第二方面，本公开实施例提供了一种多角度图像生成装置，包括：
获取模块，用于获取目标对象的第一视角方向的第一图像集合，所述第一图像集合中的图像包含所述目标对象在第一视角方向上的多个目标元素；
设置模块，用于基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，所述多个目标角度与所述第一视角不同，每一目标元素上至少设置有一个分散点；
输入模块，用于将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中；
生成模块，用于利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的多角度图像生成方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的多角度图像生成方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的多角度图像生成方法。
本公开实施例中的多角度图像生成方案，包括获取目标对象的第一视角方向的第一图像集合，所述第一图像集合中的图像包含所述目标对象在第一视角方向上的多个目标元素；基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，所述多个目标角度与所述第一视角不同，每一目标元素上至少设置有一个分散点；将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中；利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合。通过本公开的方案，能够准确的预测不同角度的目标对象的图像。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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它的附图。
图1为本公开实施例提供的一种多角度图像生成流程示意图；
图2为本公开实施例提供的另一种多角度图像生成流程示意图；
图3为本公开实施例提供的另一种多角度图像生成流程示意图；
图4为本公开实施例提供的另一种多角度图像生成流程示意图；
图5为本公开实施例提供的一种多角度图像生成装置结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种多角度图像生成方法。本实施例提供的多角度图像生成方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
参见图1，本公开实施例提供的一种多角度图像生成方法，包括如下步骤：
S101，获取目标对象的第一视角方向的第一图像集合，所述第一图像集合中的图像包含所述目标对象在第一视角方向上的多个目标元素。
目标对象可以任何具有3D形状的物体，例如，目标对象可以是一个人、动物、一辆车等。在对目标对象进行拍照时，由于拍照角度的不同，在图像上的目标对象具有不同的视角方向。以人形成的图像为例，图像中的人可以以正面照的形式存在，也可以以侧面照的形式存在。人在图像中的不同拍摄角度，构成了目标对象的第一视角方向。以人物照片为例，第一视角方向的第一图像集合可以是所有的包含人物正面照的图像集合。
第一视角方向可以根据实际的需要来进行选择，通过选择第一视角方向的目标对象的图像，可以预测目标对象在其他视角方向上的图像。基于不同的实际需要，第一图像集合中的照片可以是一张，也可以是多张。
第一图像集合中的图像包含了目标对象在第一视角方向上的多个目标元素，目标元素是组成目标对象的基本单元。当目标对象是人的头部区域时，此时目标元素可以是组成头部的眼睛、鼻子、眉毛、嘴巴、耳朵等；当目标对象是人体时，目标元素可以是组成人体的头部、肩部、四肢、腰部等人体区域。目标元素可以基于不同的需要进行设置和划分。
S102，基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，所述多个目标角度与所述第一视角不同，每一目标元素上至少设置有一个分散点。
获取到第一图像集合中的第一视角方形之后，可以基于第一视角方向来确定预设的多个目标角度，多个目标角度是与第一视角方向不同的其他目标方向。例如第一视角方向是人体的正面方向，则多个目标角度可以是人体相对于正面方向的多个侧面方向。
为了能够基于第一视角方向对多个目标角度的图像进行预测，需要对第一图像集合中图像上的目标对象执行分散点检测，通过检测到的分散点来对目标对象的其他方向的图像进行预测。
具体的，可以对所述第一图像集合中的图像执行关键点检测，通过关键点检测，可以获取表示目标对象的多个关键点，通过这些关键点，可以进一步的确定与所述多个目标角度相匹配的分散点。
作为一种解决方案，可以基于所述关键点检测的结果，确定每一目标元素上存在的多个关键点，在每一目标元素上的多个关键点中，选择与所述多个目标角度相匹配的关键点，得到关键点集合，将所述关键点集合中的关键点作为所述与所述多个目标角度相匹配的分散点。
S103，将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中。
获取到分散点之后，可以将分散点和第一图像集合输入到预设的预测网络中。通过预测网络来对多个目标角度上的目标对象的图像进行预测。
预测网络可以基于多种神经网络结构来进行设置，作为一个例子，预测网络可以是对抗生成网络(GAN)。
作为一个例子，预测网络可以包括卷积层、池化层、采样层。
卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快第二预测网络的训练速度，在卷积层后面还设置有池化层，池化层可以采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。
在将第一图像集合和分散点输入到预测网络之前，可以先对第一图像集合和分散点的进行数据处理，使得处理后的数据能够满足预测网络的需求，具体可以，可以对所述第一图像集合中的图像进行矩阵化处理，得到第一矩阵集合；基于所述分散点在第一图像集合上的坐标，确定所述分散点对应的第二矩阵集合，所述第二矩阵集合与所述第一矩阵集合具有相同的尺寸；最后，将所述第一矩阵集合和所述第二矩阵集合作为特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中。
S104，利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合。
将所述第一图像集合和所述分散点进行特征化处理之后，可以将处理后的结果输入到预测网络中，通过预测网络来生成与所述多个目标角度相匹配的第二图像集合。
作为一种应用场景，预测网络可以根据目标角度的数目来确定第二图像集合中图像的数目，即，可以针对每一个目标角度来生成一个或多个相对应的预测图像，最后将所有目标角度对应的预测图像组合在一起，形成第二图像集合。
具体的，可以在所述多个目标角度中选择与所述第一视角方向不同的第二视角，基于所述第二视角，确定预测图像中目标对象存在的预测元素，预测元素可以是目标对象上存在的目标元素中的一个或多个。利用所述预测网络，对所述预测元素进行预测。
除了对预测元素进行预测之外，还可以利用所述预测网络对所述目标对象在所述第二视角下的轮廓进行预测，得到轮廓图像，最后将所述轮廓图像和所述预测后的预测元素组成的图像，确定为所述第二图像集合中的图像。
通过本公开实施例中的方式，可以基于设置的多个分散点来精确的预测目标对象在其他角度方向的图像，提高了图像预测的准确性。
根据本公开实施例的一种具体实现方式，参见图2，获取目标对象的第一视角方向的第一图像集合，可以包括如下步骤：
S201，获取多个具有第一视角方向的目标对象图像。
可以获取包含同一目标对象的所有图像，通过对所有图像中目标对象的视角进行检测，选取图像中视角为第一视角的图像，从而得到多个具有第一视角方向的目标对象图像。
S202，对所述目标对象图像进行色彩调整。
为了便于对目标对象的图像进行检测，可以对目标对象的图像进行色彩调整。具体的，可以包括如下步骤：
S2021，计算目标对象图像中R、G、B分量的均值avgR、avgG和avgB，以及目标对象图像的总均值avgP。
avgP可以通过计算avgR、avgG和avgB均值的方式获得。
S2022，基于avgR、avgG、avgB和avgP，计算目标对象图像中R、G、B分量的调整系数aR、aG和aB。
作为一个方式，可以通过计算avgR、avgG、avgB与avgP之间的比值，来确定目标对象图像中R、G、B分量的调整系数aR、aG和aB。
S2023，利用aR、aG和aB对目标对象图像中R、G、B分量值进行色彩调整。
具体的，可以将aR、aG和aB与R、G、B分量值的乘积值，作为目标对象最终的R、G、B分量值。
S203，将调整后的多个目标对象图像作为所述第一图像集合中的图像。
参见图3，根据本公开实施例的一种具体实现方式，基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，可以包括如下步骤：
S301，对所述第一图像集合中的图像执行关键点检测。
可以采用常见的关键点检测算法对第一图像集合中的图像执行关键点检测，从而得到描述目标对象的多个关键点。
S302，基于关键点检测的结果，确定与所述多个目标角度相匹配的分散点。
具体的，步骤S302在实现的过程中，可以包括如下步骤：
S3021，基于所述关键点检测的结果，确定每一目标元素上存在的多个关键点；
S3022，在每一目标元素上的多个关键点中，选择与所述多个目标角度相匹配的关键点，得到关键点集合；
S3023，将所述关键点集合中的关键点作为所述与所述多个目标角度相匹配的分散点。
根据本公开实施例的一种具体实现方式，所述将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中，包括：对所述第一图像集合中的图像进行矩阵化处理，得到第一矩阵集合；基于所述分散点在第一图像集合上的坐标，确定所述分散点对应的第二矩阵集合，所述第二矩阵集合与所述第一矩阵集合具有相同的尺寸；将所述第一矩阵集合和所述第二矩阵集合作为特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中。
参见图4，根据本公开实施例的一种具体实现方式，利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合，可以包括如下步骤：
S401，在所述多个目标角度中选择与所述第一视角方向不同的第二视角。
多个目标角度中存在多个不同的视角，可以从中选择一个视角作为第二视角。
S402，基于所述第二视角，确定预测图像中目标对象存在的预测元素。
确定完第二视角之后，可以根据第二视角的方向对目标对象的方向进行相应的3D旋转，从而基于旋转后的目标对象来确定需要预测的预测元素。
S403，利用所述预测网络，对所述预测元素进行预测。
S404，基于预测后的预测元素组成的图像，确定为所述第二图像集合中的图像。
在实现步骤S404的过程中，可以包括如下步骤：
S4041，利用所述预测网络对所述目标对象在所述第二视角下的轮廓进行预测，得到轮廓图像；
S4042，将所述轮廓图像和所述预测后的预测元素组成的图像，确定为所述第二图像集合中的图像。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种多角度图像生成装置50，包括：
获取模块501，用于获取目标对象的第一视角方向的第一图像集合，所述第一图像集合中的图像包含所述目标对象在第一视角方向上的多个目标元素；
设置模块502，用于基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，所述多个目标角度与所述第一视角不同，每一目标元素上至少设置有一个分散点；
输入模块503，用于将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中；
生成模块504，用于利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中多角度图像生成方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的多角度图像生成方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备60操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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。在本公开中，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。而在本公开中，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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述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：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，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：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
描述于本公开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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种多角度图像生成方法，其特征在于，包括：
获取目标对象的第一视角方向的第一图像集合，所述第一图像集合中的图像包含所述目标对象在第一视角方向上的多个目标元素；
基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，所述多个目标角度与所述第一视角不同，每一目标元素上至少设置有一个分散点；
将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中；
利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合；其中，
所述基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，包括：
对所述第一图像集合中的图像执行关键点检测；
基于所述关键点检测的结果，确定每一目标元素上存在的多个关键点；
在每一目标元素上的多个关键点中，选择与所述多个目标角度相匹配的关键点，得到关键点集合；
将所述关键点集合中的关键点作为所述与所述多个目标角度相匹配的分散点；
所述利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合，包括：
在所述多个目标角度中选择与所述第一视角方向不同的第二视角；
基于所述第二视角，确定预测图像中目标对象存在的预测元素；
利用所述预测网络，对所述预测元素进行预测；
基于预测后的预测元素组成的图像，确定为所述第二图像集合中的图像。
2.根据权利要求1所述的方法，其特征在于，所述获取目标对象的第一视角方向的第一图像集合，包括：
获取多个具有第一视角方向的目标对象图像；
对所述目标对象图像进行色彩调整；
将调整后的多个目标对象图像作为所述第一图像集合中的图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述目标对象图像进行色彩调整，包括：
计算目标对象图像中R、G、B分量的均值avgR、avgG和avgB，以及目标对象图像的总均值avgP；
基于avgR、avgG、avgB和avgP，计算目标对象图像中R、G、B分量的调整系数aR、aG和aB；
利用aR、aG和aB对目标对象图像中R、G、B分量值进行色彩调整。
4.根据权利要求1所述的方法，其特征在于，所述将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中，包括：
对所述第一图像集合中的图像进行矩阵化处理，得到第一矩阵集合；
基于所述分散点在第一图像集合上的坐标，确定所述分散点对应的第二矩阵集合，所述第二矩阵集合与所述第一矩阵集合具有相同的尺寸；
将所述第一矩阵集合和所述第二矩阵集合作为特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中。
5.根据权利要求1所述的方法，其特征在于，所述基于预测后的预测元素组成的图像，确定为所述第二图像集合中的图像，包括：
利用所述预测网络对所述目标对象在所述第二视角下的轮廓进行预测，得到轮廓图像；
将所述轮廓图像和所述预测后的预测元素组成的图像，确定为所述第二图像集合中的图像。
6.一种多角度图像生成装置，其特征在于，包括：
获取模块，用于获取目标对象的第一视角方向的第一图像集合，所述第一图像集合中的图像包含所述目标对象在第一视角方向上的多个目标元素；
设置模块，用于基于预设的多个目标角度，对所述第一图像集合中的图像设置与所述多个目标角度相匹配的分散点，所述多个目标角度与所述第一视角不同，每一目标元素上至少设置有一个分散点；
输入模块，用于将所述第一图像集合和所述分散点进行特征化处理后的结果，输入到包含多个卷积层和池化层的预测网络中；
生成模块，用于利用所述预测网络，生成与所述多个目标角度相匹配的第二图像集合；其中，
所述设置模块，还用于对所述第一图像集合中的图像执行关键点检测；
基于所述关键点检测的结果，确定每一目标元素上存在的多个关键点；
在每一目标元素上的多个关键点中，选择与所述多个目标角度相匹配的关键点，得到关键点集合；
将所述关键点集合中的关键点作为所述与所述多个目标角度相匹配的分散点；
所述生成模块，还用于在所述多个目标角度中选择与所述第一视角方向不同的第二视角；
基于所述第二视角，确定预测图像中目标对象存在的预测元素；
利用所述预测网络，对所述预测元素进行预测；
基于预测后的预测元素组成的图像，确定为所述第二图像集合中的图像。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5任一项所述的多角度图像生成方法。
8.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行权利要求1-5任一项所述的多角度图像生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910731909.7A CN110555892B (zh) | 2019-08-09 | 2019-08-09 | 多角度图像生成方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910731909.7A CN110555892B (zh) | 2019-08-09 | 2019-08-09 | 多角度图像生成方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110555892A CN110555892A (zh) | 2019-12-10 |
| CN110555892B true CN110555892B (zh) | 2023-04-25 |
Family
ID=68737172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910731909.7A Active CN110555892B (zh) | 2019-08-09 | 2019-08-09 | 多角度图像生成方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555892B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11783510B2 (en) * | 2020-08-25 | 2023-10-10 | Nvidia Corporation | View generation using one or more neural networks |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1607551A (zh) * | 2003-08-29 | 2005-04-20 | 三星电子株式会社 | 基于图像的超现实主义三维脸部建模的方法和设备 |
| CN101661625A (zh) * | 2009-09-22 | 2010-03-03 | 北京理工大学 | 基于一幅标准图像生成各视角下样本图像的方法 |
| WO2017016511A1 (zh) * | 2015-07-29 | 2017-02-02 | 努比亚技术有限公司 | 一种图像处理方法及装置、终端 |
| CN107798292A (zh) * | 2017-09-20 | 2018-03-13 | 翔创科技（北京）有限公司 | 对象识别方法、计算机程序、存储介质及电子设备 |
| CN108629823A (zh) * | 2018-04-10 | 2018-10-09 | 北京京东尚科信息技术有限公司 | 多视角图像的生成方法和装置 |
| CN108965574A (zh) * | 2017-05-26 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 图像处理方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018126275A1 (en) * | 2016-12-30 | 2018-07-05 | Dirk Schneemann, LLC | Modeling and learning character traits and medical condition based on 3d facial features |
-
2019
- 2019-08-09 CN CN201910731909.7A patent/CN110555892B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1607551A (zh) * | 2003-08-29 | 2005-04-20 | 三星电子株式会社 | 基于图像的超现实主义三维脸部建模的方法和设备 |
| CN101661625A (zh) * | 2009-09-22 | 2010-03-03 | 北京理工大学 | 基于一幅标准图像生成各视角下样本图像的方法 |
| WO2017016511A1 (zh) * | 2015-07-29 | 2017-02-02 | 努比亚技术有限公司 | 一种图像处理方法及装置、终端 |
| CN108965574A (zh) * | 2017-05-26 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 图像处理方法和装置 |
| CN107798292A (zh) * | 2017-09-20 | 2018-03-13 | 翔创科技（北京）有限公司 | 对象识别方法、计算机程序、存储介质及电子设备 |
| CN108629823A (zh) * | 2018-04-10 | 2018-10-09 | 北京京东尚科信息技术有限公司 | 多视角图像的生成方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 基于双目视觉的相对物体的姿态测量;康喜若等;《科协论坛(下半月)》;20130225(第02期);全文 * |
| 基于镜面折反射全景成像的三维重建方法研究;郭伟青等;《高技术通讯》;20151115;全文 * |
| 实时人脸特征提取;赵杰煜等;《中国科学(E辑:信息科学)》;20081215(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110555892A (zh) | 2019-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110381368A (zh) | 视频封面生成方法、装置及电子设备 | |
| CN111414879B (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
| CN110619314A (zh) | 安全帽检测方法、装置及电子设备 | |
| CN109754464B (zh) | 用于生成信息的方法和装置 | |
| CN111524216B (zh) | 生成三维人脸数据的方法和装置 | |
| CN110211017B (zh) | 图像处理方法、装置及电子设备 | |
| CN110059623B (zh) | 用于生成信息的方法和装置 | |
| CN110222726A (zh) | 图像处理方法、装置及电子设备 | |
| CN110298785A (zh) | 图像美化方法、装置及电子设备 | |
| CN110288520A (zh) | 图像美化方法、装置及电子设备 | |
| CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
| CN115205925A (zh) | 表情系数确定方法、装置、电子设备及存储介质 | |
| CN110555892B (zh) | 多角度图像生成方法、装置及电子设备 | |
| CN110619602B (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
| CN112561779B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
| CN110264430B (zh) | 视频美化方法、装置及电子设备 | |
| CN110378936B (zh) | 光流计算方法、装置及电子设备 | |
| CN109977925B (zh) | 表情确定方法、装置及电子设备 | |
| CN109816791B (zh) | 用于生成信息的方法和装置 | |
| CN110264431A (zh) | 视频美化方法、装置及电子设备 | |
| CN110288552A (zh) | 视频美化方法、装置及电子设备 | |
| CN116311409A (zh) | 三维人脸关键点检测方法、装置、电子设备及存储介质 | |
| CN110069195A (zh) | 图像拖拽变形方法和装置 | |
| CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN111754423B (zh) | 高模gpu蒙皮平滑处理方法、装置及电子设备 |
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 |