CN111062279B - 照片处理方法及照片处理装置 - Google Patents

照片处理方法及照片处理装置 Download PDF

Info

Publication number
CN111062279B
CN111062279B CN201911228635.6A CN201911228635A CN111062279B CN 111062279 B CN111062279 B CN 111062279B CN 201911228635 A CN201911228635 A CN 201911228635A CN 111062279 B CN111062279 B CN 111062279B
Authority
CN
China
Prior art keywords
sub
images
aggregation degree
photo
image
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
Application number
CN201911228635.6A
Other languages
English (en)
Other versions
CN111062279A (zh
Inventor
乔宇
李英
王锴
彭小江
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201911228635.6A priority Critical patent/CN111062279B/zh
Publication of CN111062279A publication Critical patent/CN111062279A/zh
Priority to PCT/CN2020/129181 priority patent/WO2021109863A1/zh
Application granted granted Critical
Publication of CN111062279B publication Critical patent/CN111062279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种照片处理方法及照片处理装置，包括：获取待处理照片，并从所述待处理照片中截取多张子图像，所述子图像中包含至少一个人像；分别计算每张子图像对应的群体凝聚度，所述群体凝聚度用来表征所述子图像中各个人像之间的凝聚程度；确定最高的群体凝聚度对应的子图像，为处理后的照片。通过上述方法，能够对人物合照的构图进行有效调整，进而提高了人物合照画面的完整性和协调性。

Description

照片处理方法及照片处理装置
技术领域
本申请属于图像处理技术领域，尤其涉及一种照片处理方法及照片处理装置。
背景技术
随着图像处理技术的不断提高，拍照设备的功能也逐渐强大，用户对照片的要求也越来越高。合照拍摄是一种常见的拍摄行为，在合照中，不仅要关注每个人物的表情，还要关注各个人物之间的相对位置、以及人物与背景之间的相对比例等等，即构图。如果构图上存在问题，将会影响照片画面的完整性和协调性。
现有技术中，对人物合照的处理方法比较简单，一般只是提高照片的清晰度和去除照片中的遮挡物等等，并不会对人物合照的构图进行调整，进而无法保证照片画面的完整性和协调性。
发明内容
本申请实施例提供了一种照片处理方法及照片处理装置，可以解决现有的人物合照的画面完整性和协调性较差的问题。
第一方面，本申请实施例提供了一种照片处理方法，包括：
获取待处理照片，并从所述待处理照片中截取多张子图像，所述子图像中包含至少一个人像；
分别计算每张子图像对应的群体凝聚度，所述群体凝聚度用来表征所述子图像中各个人像之间的凝聚程度；
确定最高的群体凝聚度对应的子图像，为处理后的照片。
在第一方面的一种可能的实现方式中，所述从所述待处理照片中截取多张子图像，包括：
确定所述待处理照片中包含所有人像的最小矩形，并截取所述最小矩形对应的图像得到第一张子图像；
确定所述待处理照片中的最大矩形，并截取所述最大矩形对应的图像得到第二张子图像，其中，所述最大矩形与所述最小矩形具有相同的中心和长宽比；
基于所述最大矩形和所述最小矩形截取N张子图像，所述N张子图像与所述最小矩形具有相同的中心和长宽比，且所述N张子图像中任一张子图像的面积大于所述最小矩形的面积、小于所述最大矩形的面积；
其中，所述多张子图像包括所述第一张子图像、所述第二张子图像和所述N张子图像。
在第一方面的一种可能的实现方式中，所述确定所述待处理照片中包含所有人像的最小矩形，包括：
对所述待处理照片进行人像识别，并获取识别出的人像对应的各个像素点的坐标；
根据所述坐标，分别确定所述待处理照片的每条边对应的边缘位置点，其中，一条边对应的边缘位置点为所述人像对应的所有像素点中与所述一条边距离最短的像素点；
根据所述待处理照片各条边对应的边缘位置点确定所述最小矩形。
在第一方面的一种可能的实现方式中，所述基于所述最大矩形和所述最小矩形截取N张子图像，包括：
获取N个预设比例，并将所述最小矩形分别按照每个预设比例进行比例放大，得到N个中间矩形，所述中间矩形与所述最小矩形具有相同的中心、且所述中间矩形的面积小于所述最大矩形的面积；
分别截取每个中间矩形对应的图像，得到N张子图像。
在第一方面的一种可能的实现方式中，所述分别计算每张子图像对应的群体凝聚度，包括：
对于每张子图像，分别计算所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度，其中，所述整体场景凝聚度用于表征所述子图像中人像和背景之间的凝聚度，所述人脸凝聚度用于表征所述子图像中各个人像的面部表情；所述身体凝聚度用于表征所述子图像中各个人像的身体姿态；
根据所述整体场景凝聚度、人脸凝聚度和身体凝聚度计算所述子图像对应的群体凝聚度。
在第一方面的一种可能的实现方式中，所述分别计算所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度，包括：
获取训练后的神经网络，所述神经网络包括三个子网络，三个子网络分别用于计算所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度；
将所述子图像输入到所述神经网络中进行处理，得到所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度。
在第一方面的一种可能的实现方式中，所述根据所述整体场景凝聚度、人脸凝聚度和身体凝聚度计算所述子图像对应的群体凝聚度，包括：
将所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度按照预设权值进行加权求和，得到所述群体凝聚度。
第二方面，本申请实施例提供了一种照片处理装置，包括：
获取单元，用于获取待处理照片，并从所述待处理照片中截取多张子图像，所述子图像中包含至少一个人像；
计算单元，用于分别计算每张子图像对应的群体凝聚度，所述群体凝聚度用来表征所述子图像中各个人像之间的凝聚程度；
处理单元，用于确定最高的群体凝聚度对应的子图像，为处理后的照片。
第三方面，本申请实施例提供了一种照片处理装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的照片处理方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的照片处理方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的照片处理方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过获取待处理照片，从待处理照片中截取多张子图像，所述子图像中包含至少一个人像，将这些子图像作为待选的照片；然后分别计算每张子图像对应的群体凝聚度，所述群体凝聚度用来表征所述子图像中各个人像之间的凝聚程度，以此作为衡量子图像质量的指标；最后确定最高的群体凝聚度对应的子图像，为处理后的照片。通过上述方法，从现有的待处理照片中，以群体凝聚度为指标确定处理后的照片，能够对人物合照的构图进行有效调整，进而提高了人物合照画面的完整性和协调性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的照片处理系统的示意图；
图2是本申请一实施例提供的照片处理方法的流程示意图；
图3是本申请一实施例提供的截取子图像的方法流程示意图；
图4是本申请一实施例提供的最小矩形的示意图；
图5是本申请一实施例提供的最大矩形和最小矩形的示意图；
图6是本申请一实施例提供的中间矩形的示意图；
图7是本申请一实施例提供的照片处理装置的结构框图；
图8是本申请一实施例提供的照片处理装置的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
先介绍本申请实施例提供的照片处理方法的一个应用场景。参见图1，为本申请实施例提供的照片处理系统的示意图。如图所示，照片处理系统可以包括拍摄装置101和终端设备102。其中，拍摄装置可以是照相机、摄像机和具有拍摄功能的手机等等。终端设备可以是手机、电脑等。拍摄装置与终端设备可采用有线或无线的方式通信连接。拍摄装置将拍摄后的照片发送给终端设备，终端设备利用本申请实施例提供的照片处理方法对接收到的照片进行处理，并将处理后的照片显示给用户，或者，将处理后的照片返回给拍摄装置，由拍摄装置将处理后的照片显示给用户。
当然，实际应用中，终端设备102中可以集成有拍摄装置101，这样，终端设备在具有拍摄功能的同时，也具有照片处理能力。
图2示出了本申请一实施例提供的照片处理方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
S201，获取待处理照片，并从所述待处理照片中截取多张子图像，所述子图像中包含至少一个人像。
在实际应用中，待处理照片通常为人物合照，即照片中包括多个人像。从待处理照片中截取子图像，子图像中包含一个或多个人像，最好是可以包含所有的人像。将多张子图像作为待选的图像。
从待处理照片中截取多张子图像的过程，可参见图3实施例中的描述，在此不再赘述。
S202，分别计算每张子图像对应的群体凝聚度，所述群体凝聚度用来表征所述子图像中各个人像之间的凝聚程度。
群体凝聚度是指群体成员之间相互吸引并愿意留在群体中的程度，它是维持群体行为有效性的一种合力。在本申请实施例中，以群体凝聚度为衡量指标，用来表征照片中各个人物之间的一致性和凝聚程度。群体凝聚度越高，说明人物合照的照片质量越高。
在一个实施例中，步骤S202中分别计算每张子图像对应的群体凝聚度，可以包括以下步骤：
S21，对于每张子图像，分别计算所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度。
其中，整体场景凝聚度是基于子图像的整体进行计算的，用于表征子图像中人物和背景之间的凝聚度。人脸凝聚度是基于子图像中的面部图像进行计算的，用于表征子图像中各个人物的面部表情。身体凝聚度是基于子图像中的人物的身体图像进行计算的，用于表征子图像中各人物的身体姿态。可选的，步骤S21可以包括：
S211，获取训练后的神经网络，所述神经网络包括三个子网络，三个子网络分别用于计算所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度。
S212，将所述子图像输入到所述神经网络中进行处理，得到所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度。
在实际应用中，需要预先对神经网络进行训练。
可选的，对于用于计算整体场景凝聚度的子网络和身体凝聚度的子网络，可以采用SE-NET(Squeeze-and-Excitation network)网络结构，利用ImageNet数据集对其进行预训练，并以GAF-Cohesion数据库进行训练和测试。在训练过程中还可以加入表情标签来辅助监督学习。该子网络的损失函数可采用交叉熵、均方误差、情感等级损失(Rank Loss)函数和沙漏损失(Hourglass Loss)函数。
可选的，对于用于计算人脸凝聚度的子网络，可以采用ResNet网络结构，利用PERPlus数据集进行预训练，并以GAF-Cohesion数据库进行训练和测试。该子网络的损失函数可采用交叉熵、均方误差、Rank Loss和Hourglass Loss函数。
利用训练后的神经网络计算整体场景凝聚度、人脸凝聚度和身体凝聚度，可以在保证计算准确度的同时，提高计算效率。
S22，根据所述整体场景凝聚度、人脸凝聚度和身体凝聚度计算所述子图像对应的群体凝聚度。
可选的，步骤S22可以包括：
将所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度按照预设权值进行加权求和，得到所述群体凝聚度。
示例性的，对整体场景凝聚度h1设置权值为w1，对人脸凝聚度号设置h2权值为w2，对身体凝聚度h3设置权值为w3。那么群体凝聚度为H＝h1×w1+h2×w2+h3×w3。
结合上述三种凝聚度来计算最后的群体凝聚度，不仅可以考虑到子图像人物和背景之间的关系，还可以考虑到子图像中各人物的面部表情和身体姿态，得到的群体凝聚度能够更全面地表征子图像的协调性和完整性。
S203，确定最高的群体凝聚度对应的子图像，为处理后的照片。
从S201中待选的子图像中选取群体凝聚度最高的子图像，为处理后的照片。
本申请实施例通过获取待处理照片，从待处理照片中截取多张子图像，将这些子图像作为待选的照片；然后分别计算每张子图像对应的群体凝聚度，利用群体凝聚度来表征子图像中各个人物之间的一致性和凝聚程度，并以此作为衡量子图像质量的指标；最后确定最高的群体凝聚度对应的子图像，为处理后的照片。通过上述方法，从现有的待处理照片中，以群体凝聚度为指标确定处理后的照片，能够有效提高人物合照的处理效果，进而提高人物合照的照片质量。
参见图3，为本申请实施例提供的截取子图像的方法流程示意图。如图3所示，上述步骤S201中，从所述待处理照片中截取多张子图像，可以包括以下步骤：
S301，确定所述待处理照片中包含所有人像的最小矩形，并截取所述最小矩形对应的图像得到第一张子图像。
本申请实施例中，待处理照片中的人像包括面部图像和身体图像。
可选的，步骤S301中，确定所述待处理照片中包含所有人像的最小矩形，可以包括以下步骤：
S3011，对所述待处理照片进行人像识别，并获取识别出的人像对应的各个像素点的坐标。
其中，人像识别包含人脸识别和身体检测两部分。
示例性的，人脸识别可利用多任务卷积神经网络(Multi-task convolutionalneural network，MTCNN)实现。该神经网络将人脸区域检测与人脸关键点检测放在了一起，输出的结果中既包含了人脸检测结果，又包含了检测出的人脸上的关键点。
身体检测可利用开源人体姿态识别项目OpenPose实现。该项目可实现人体动作、关节动作等姿态估计，输出的结果中包含了人体各个关节点的定位。
在本实施例中，先对待处理照片进行人像识别，得到识别结果，识别结果中可以包括识别出的人像的轮廓。然后获取待处理照片中人像的轮廓覆盖的像素点的坐标。
S3012，根据所述坐标，分别确定所述待处理照片的每条边对应的边缘位置点，其中，一条边对应的边缘位置点为所述人像对应的所有像素点中与所述一条边距离最短的像素点。
在实际应用中，照片形状一般为矩形，即有4条边。对于每条边，可以根据坐标，分别计算识别出的人像对应的各个像素点到这条边的距离(即计算点到线的距离)，并将最小距离对应的像素点作为这条边对应的边缘位置点。通过上述方法，4条边对应4个边缘位置点。
S3013，根据所述待处理照片各条边对应的边缘位置点确定所述最小矩形。
对于每个边缘位置点，通过该边缘位置点做一条平行于该边缘位置点对应的边的直线。将通过各个边缘位置点的直线围成的图形记为最小矩形。
示例性的，参见图4，为本申请实施例提供的最小矩形的示意图。如图4所示，在识别出的人像对应的所有像素点中，像素点A为与待处理照片的a边距离最近的像素点，像素点B为与待处理照片的b边距离最近的像素点，像素点C为与待处理照片的c边距离最近的像素点，像素点D为与待处理照片的d边距离最近的像素点，因此，像素点A、B、C、D分别为边a、b、c、d对应的边缘位置点。过A点做平行于a边的直线，过B点做平行于b边的直线，过C点做平行于c边的直线，过D点做平行于d边的直线。4条直线围成的矩形为最小矩形。
S302，确定所述待处理照片中的最大矩形，并截取所述最大矩形对应的图像得到第二张子图像。
其中，所述最大矩形与所述最小矩形具有相同的中心和长宽比。
换句话说，最大矩形是待处理照片中与最小矩形具有相同中心、相同长宽比的最大矩形，最大矩形实际是将最小矩形进行比例放大后得到的矩形。而且，最大矩形中包含最小矩形，最大矩形的边与最小矩形的边不相交。参见图5，为本申请实施例提供的最大矩形和最小矩形的示意图。如图5所示，最小矩形和最大矩形具有相同的中心O，且最大矩形的对角线经过最小矩形的顶点。
S303，基于所述最大矩形和所述最小矩形截取N张子图像。
其中，N张子图像与最小矩形具有相同的中心和长宽比，且N张子图像中任一张子图像的面积大于最小矩形的面积、小于最大矩形的面积。
本申请实施例中，多张子图像中包括第一张子图像、第二张子图像和N张子图像。可选的，步骤S303，基于所述最大矩形和所述最小矩形截取N张子图像，可以包括以下步骤：
S3031，获取N个预设比例，并将所述最小矩形分别按照每个预设比例进行比例放大，得到N个中间矩形，所述中间矩形与所述最小矩形具有相同的中心、且所述中间矩形的面积小于所述最大矩形的面积。
S3032，分别截取每个中间矩形对应的图像，得到N张子图像。
实际应用中，设定好预设比例，对应的N也就确定了。示例性的，假设预设比例分别为1.1、1.2、1.3，对应的N＝3。此时，将最小矩形分别比例放大为1.1倍、1.2倍和1.3倍，得到3个中间矩形，对应的截取3张子图像。
可选的，也可以先设定N的值，再根据N的值、按照一定的规则将最小矩形进行比例放大。
示例性的，参见图6，为本申请实施例提供的中间矩形的示意图。如图6所示，先设定N＝2。然后将最小矩形的一个顶点P和最大矩形中与该顶点对应的顶点Q连接成线段PQ，将线段PQ进行3(N+1)等分得到两个等分点M1、M2。分别以M1和M2为顶点，将最小矩形进行比例放大，得到中间矩形1和中间矩形2。
上述示例中，是按照取线段PQ的等分点的规则将最小矩形进行比例放大的，在实际应用中，也可以取线段PQ的非等分点，在此不做限定。
本申请实施例中通过确定待处理照片中包含所有人像的最小矩形，截取最小矩形对应的图像得到第一张子图像；然后确定待处理照片中的最大矩形，截取最大矩形对应的图像得到第二张子图像；最后基于所述最大矩形和所述最小矩形截取N张子图像。通过上述方法，能够获得多张待选子图像，并且能够保证每张子图像中都包含所有人像，在这些子图像中选取处理照片，有效保证了处理后照片的质量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的照片处理方法，图7示出了本申请实施例提供的照片处理装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该装置包括：
获取单元71，用于获取待处理照片，并从所述待处理照片中截取多张子图像，所述子图像中包含至少一个人像。
计算单元72，用于分别计算每张子图像对应的群体凝聚度，所述群体凝聚度用来表征所述子图像中各个人像之间的凝聚程度。
处理单元73，用于确定最高的群体凝聚度对应的子图像，为处理后的照片。
可选的，获取单元71包括：
第一确定模块，用于确定所述待处理照片中包含所有人像的最小矩形，并截取所述最小矩形对应的图像得到第一张子图像。
第二确定模块，用于确定所述待处理照片中的最大矩形，并截取所述最大矩形对应的图像得到第二张子图像，其中，所述最大矩形与所述最小矩形具有相同的中心和长宽比。
截取模块，用于基于所述最大矩形和所述最小矩形截取N张子图像，所述N张子图像与所述最小矩形具有相同的中心和长宽比，且所述N张子图像中任一张子图像的面积大于所述最小矩形的面积、小于所述最大矩形的面积；
其中，所述多张子图像包括所述第一张子图像、所述第二张子图像和所述N张子图像。
可选的，第一确定模块包括：
识别子模块，用于对所述待处理照片进行人像识别，并获取识别出的人像对应的各个像素点的坐标。
点确定子模块，用于根据所述坐标，分别确定所述待处理照片的每条边对应的边缘位置点，其中，一条边对应的边缘位置点为所述人像对应的所有像素点中与所述一条边距离最短的像素点。
矩形确定子模块，用于根据所述待处理照片各条边对应的边缘位置点确定所述最小矩形。
可选的，截取模块包括：
比例放大子模块，用于获取N个预设比例，并将所述最小矩形分别按照每个预设比例进行比例放大，得到N个中间矩形，所述中间矩形与所述最小矩形具有相同的中心、且所述中间矩形的面积小于所述最大矩形的面积。
截取子模块，用于分别截取每个中间矩形对应的图像，得到N张子图像。
可选的，计算单元72包括：
第一计算子模块，用于对于每张子图像，分别计算所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度，其中，所述整体场景凝聚度用于表征所述子图像中人像和背景之间的凝聚度，所述人脸凝聚度用于表征所述子图像中各个人像的面部表情；所述身体凝聚度用于表征所述子图像中各个人像的身体姿态。
第二计算子模块，用于根据所述整体场景凝聚度、人脸凝聚度和身体凝聚度计算所述子图像对应的群体凝聚度。
可选的，第一计算子模块，还用于获取训练后的神经网络，所述神经网络包括三个子网络，三个子网络分别用于计算所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度；将所述子图像输入到所述神经网络中进行处理，得到所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度。
可选的，第二计算子模块，还用于将所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度按照预设权值进行加权求和，得到所述群体凝聚度。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
另外，图7所示的照片处理装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图8为本申请一实施例提供的照片处理装置的结构示意图。如图8所示，该实施例的照片处理装置8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个照片处理方法实施例中的步骤。
所述照片处理装置可以是具有拍摄功能的手机、桌上型计算机、笔记本、掌上电脑等设备。该照片处理装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图8仅仅是照片处理装置8的举例，并不构成对照片处理装置8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述照片处理装置8的内部存储单元，例如照片处理装置8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述照片处理装置8的外部存储设备，例如所述照片处理装置8上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述照片处理装置8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到照片处理装置的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种照片处理方法，其特征在于，包括：
获取待处理照片，并从所述待处理照片中截取多张子图像，所述子图像中包含至少一个人像；
分别计算每张子图像对应的群体凝聚度，所述群体凝聚度用来表征所述子图像中各个人像之间的一致性和凝聚程度；其中，所述分别计算每张子图像对应的群体凝聚度，包括：
对于每张子图像，分别计算所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度，其中，所述整体场景凝聚度是基于子图像的整体进行计算的，用于表征所述子图像中人像和背景之间的凝聚度，所述人脸凝聚度是基于子图像中的面部图像进行计算的，用于表征所述子图像中各个人像的面部表情；所述身体凝聚度是基于子图像中的人物的身体图像进行计算的，用于表征所述子图像中各个人像的身体姿态；其中，所述分别计算所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度，包括：
获取训练后的神经网络，所述神经网络包括三个子网络，三个子网络分别用于计算所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度；
将所述子图像输入到所述神经网络中进行处理，得到所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度；
根据所述整体场景凝聚度、人脸凝聚度和身体凝聚度计算所述子图像对应的群体凝聚度，包括：
将所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度按照预设权值进行加权求和，得到所述群体凝聚度；
确定最高的群体凝聚度对应的子图像，为处理后的照片。
2.如权利要求1所述的照片处理方法，其特征在于，所述从所述待处理照片中截取多张子图像，包括：
确定所述待处理照片中包含所有人像的最小矩形，并截取所述最小矩形对应的图像得到第一张子图像；
确定所述待处理照片中的最大矩形，并截取所述最大矩形对应的图像得到第二张子图像，其中，所述最大矩形与所述最小矩形具有相同的中心和长宽比；
基于所述最大矩形和所述最小矩形截取N张子图像，所述N张子图像与所述最小矩形具有相同的中心和长宽比，且所述N张子图像中任一张子图像的面积大于所述最小矩形的面积、小于所述最大矩形的面积；
其中，所述多张子图像包括所述第一张子图像、所述第二张子图像和所述N张子图像。
3.如权利要求2所述的照片处理方法，其特征在于，所述确定所述待处理照片中包含所有人像的最小矩形，包括：
对所述待处理照片进行人像识别，并获取识别出的人像对应的各个像素点的坐标；
根据所述坐标，分别确定所述待处理照片的每条边对应的边缘位置点，其中，一条边对应的边缘位置点为所述人像对应的所有像素点中与所述一条边距离最短的像素点；
根据所述待处理照片各条边对应的边缘位置点确定所述最小矩形。
4.如权利要求2所述的照片处理方法，其特征在于，所述基于所述最大矩形和所述最小矩形截取N张子图像，包括：
获取N个预设比例，并将所述最小矩形分别按照每个预设比例进行比例放大，得到N个中间矩形，所述中间矩形与所述最小矩形具有相同的中心、且所述中间矩形的面积小于所述最大矩形的面积；
分别截取每个中间矩形对应的图像，得到N张子图像。
5.一种照片处理装置，其特征在于，包括：
获取单元，用于获取待处理照片，并从所述待处理照片中截取多张子图像，所述子图像中包含至少一个人像；
计算单元，用于分别计算每张子图像对应的群体凝聚度，所述群体凝聚度用来表征所述子图像中各个人像之间的一致性和凝聚程度；其中，所述分别计算每张子图像对应的群体凝聚度，包括：
对于每张子图像，分别计算所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度，其中，所述整体场景凝聚度是基于子图像的整体进行计算的，用于表征所述子图像中人像和背景之间的凝聚度，所述人脸凝聚度是基于子图像中的面部图像进行计算的，用于表征所述子图像中各个人像的面部表情；所述身体凝聚度是基于子图像中的人物的身体图像进行计算的，用于表征所述子图像中各个人像的身体姿态；其中，所述分别计算所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度，包括：
获取训练后的神经网络，所述神经网络包括三个子网络，三个子网络分别用于计算所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度；
将所述子图像输入到所述神经网络中进行处理，得到所述子图像对应的整体场景凝聚度、人脸凝聚度和身体凝聚度；
根据所述整体场景凝聚度、人脸凝聚度和身体凝聚度计算所述子图像对应的群体凝聚度，包括：
将所述整体场景凝聚度、所述人脸凝聚度和所述身体凝聚度按照预设权值进行加权求和，得到所述群体凝聚度；
处理单元，用于确定最高的群体凝聚度对应的子图像，为处理后的照片。
6.一种照片处理装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
CN201911228635.6A 2019-12-04 2019-12-04 照片处理方法及照片处理装置 Active CN111062279B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911228635.6A CN111062279B (zh) 2019-12-04 2019-12-04 照片处理方法及照片处理装置
PCT/CN2020/129181 WO2021109863A1 (zh) 2019-12-04 2020-11-16 照片处理方法及照片处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911228635.6A CN111062279B (zh) 2019-12-04 2019-12-04 照片处理方法及照片处理装置

Publications (2)

Publication Number Publication Date
CN111062279A CN111062279A (zh) 2020-04-24
CN111062279B true CN111062279B (zh) 2023-06-06

Family

ID=70299689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911228635.6A Active CN111062279B (zh) 2019-12-04 2019-12-04 照片处理方法及照片处理装置

Country Status (2)

Country Link
CN (1) CN111062279B (zh)
WO (1) WO2021109863A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062279B (zh) * 2019-12-04 2023-06-06 深圳先进技术研究院 照片处理方法及照片处理装置
CN112650873A (zh) * 2020-12-18 2021-04-13 新疆爱华盈通信息技术有限公司 一种智能相册的实现方法及系统、电子装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504649A (zh) * 2014-12-30 2015-04-08 百度在线网络技术（北京）有限公司 图片的裁剪方法和装置
CN105718439A (zh) * 2016-03-04 2016-06-29 广州微印信息科技有限公司 一种基于人脸识别的照片排版方法
CN106355549A (zh) * 2016-09-30 2017-01-25 北京小米移动软件有限公司 拍照方法及设备
CN107743200A (zh) * 2017-10-31 2018-02-27 广东欧珀移动通信有限公司 拍照的方法、装置、计算机可读存储介质和电子设备
CN108062739A (zh) * 2017-11-02 2018-05-22 广东数相智能科技有限公司 一种基于主体位置的图片智能裁剪方法及装置
CN108574803A (zh) * 2018-03-30 2018-09-25 广东欧珀移动通信有限公司 图像的选取方法、装置、存储介质及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914689B (zh) * 2014-04-09 2017-03-15 百度在线网络技术（北京）有限公司 基于人脸识别的图片裁剪方法及装置
CN107545576A (zh) * 2017-07-31 2018-01-05 华南农业大学 基于构图规则的图像编辑方法
JP2019052985A (ja) * 2017-09-19 2019-04-04 株式会社明電舎 フロックの定量評価装置及び定量評価方法
CN111062279B (zh) * 2019-12-04 2023-06-06 深圳先进技术研究院 照片处理方法及照片处理装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504649A (zh) * 2014-12-30 2015-04-08 百度在线网络技术（北京）有限公司 图片的裁剪方法和装置
CN105718439A (zh) * 2016-03-04 2016-06-29 广州微印信息科技有限公司 一种基于人脸识别的照片排版方法
CN106355549A (zh) * 2016-09-30 2017-01-25 北京小米移动软件有限公司 拍照方法及设备
CN107743200A (zh) * 2017-10-31 2018-02-27 广东欧珀移动通信有限公司 拍照的方法、装置、计算机可读存储介质和电子设备
CN108062739A (zh) * 2017-11-02 2018-05-22 广东数相智能科技有限公司 一种基于主体位置的图片智能裁剪方法及装置
CN108574803A (zh) * 2018-03-30 2018-09-25 广东欧珀移动通信有限公司 图像的选取方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
WO2021109863A1 (zh) 2021-06-10
CN111062279A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN110660066A (zh) 网络的训练方法、图像处理方法、网络、终端设备及介质
CN109166156B (zh) 一种摄像头标定图像的生成方法、移动终端及存储介质
CN111340077B (zh) 基于注意力机制的视差图获取方法和装置
CN109766925B (zh) 特征融合方法、装置、电子设备及存储介质
CN109005368B (zh) 一种高动态范围图像的生成方法、移动终端及存储介质
CN111783146B (zh) 基于隐私保护的图像处理方法、装置和电子设备
CN111667504B (zh) 一种人脸追踪方法、装置及设备
CN112016371A (zh) 人脸关键点检测方法、装置、设备及存储介质
CN111131688B (zh) 一种图像处理方法、装置及移动终端
CN110502974A (zh) 一种视频图像的展示方法、装置、设备、及可读存储介质
CN111062279B (zh) 照片处理方法及照片处理装置
CN111833285B (zh) 图像处理方法、图像处理装置及终端设备
CN108492284B (zh) 用于确定图像的透视形状的方法和装置
CN109726613B (zh) 一种用于检测的方法和装置
CN117197405A (zh) 三维物体的增强现实方法、系统及存储介质
CN114493988A (zh) 一种图像虚化方法、图像虚化装置及终端设备
TWI711004B (zh) 圖片處理方法和裝置
CN111222446B (zh) 人脸识别方法、人脸识别装置及移动终端
CN111488779A (zh) 视频图像超分辨率重建方法、装置、服务器及存储介质
TW202219822A (zh) 字元檢測方法、電子設備及電腦可讀儲存介質
CN110738066A (zh) 一种扫码方法、装置以及计算机存储介质
CN110232417B (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
WO2021051580A1 (zh) 基于分组批量的图片检测方法、装置及存储介质
CN108776959B (zh) 图像处理方法、装置及终端设备
CN108270973B (zh) 一种拍照处理方法、移动终端及计算机可读存储介质

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