CN111080743B - 一种头部肢体特征点连线的人物作画方法及装置 - Google Patents
一种头部肢体特征点连线的人物作画方法及装置 Download PDFInfo
- Publication number
- CN111080743B CN111080743B CN201911277188.3A CN201911277188A CN111080743B CN 111080743 B CN111080743 B CN 111080743B CN 201911277188 A CN201911277188 A CN 201911277188A CN 111080743 B CN111080743 B CN 111080743B
- Authority
- CN
- China
- Prior art keywords
- character
- limb
- hair
- characteristic point
- face
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种头部肢体特征点连线的人物作画方法及装置。本申请实施例提供的技术方案通过基于神经网络结构和人物特征点数据库建立人物特征点判断模型,利用人脸识别算法得到作画图像对应的面部作画特征点坐标及面部作画特征点序号,并利用人物特征点判断模型确定作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号,并基于面部作画特征点坐标、面部作画特征点序号、头发肢体作画特征点坐标和头发肢体作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的人物,提高了人物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种头部肢体特征点连线的人物作画方法及装置。
背景技术
市面的人物作画,普遍是指人脸作画,目前的任务作画方式一般是以终端选择或上传的人物图像作为输入,然后利用肤色检测分割人物图像中的人脸区域,再提取五官及人脸轮廓,然后把轮廓传输给智能作画装置,最后把图像作画于屏幕或画纸上。
但是这种方式作画注重画法,提取特征关键点繁多,计算机处理压力大,作画效率较低。
发明内容
本申请实施例提供一种头部肢体特征点连线的人物作画方法及装置,以提高人物作画的效率。
在第一方面,本申请实施例提供了一种头部肢体特征点连线的人物作画方法,包括:
基于神经网络结构和人物特征点数据库建立人物特征点判断模型,所述人物特征点数据库记录有人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系;
获取作画图像,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,根据所述人物特征点判断模型确定所述作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号;
根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径;
基于所述作画路径进行作画。
进一步的,所述基于神经网络结构和人物特征点数据库建立人物特征点判断模型,包括:
基于神经网络结构搭建人物特征点判断模型;
以人物图像样本数据为输入,以头发肢体特征点坐标和头发肢体特征点序号为输出,将人物特征点数据库中的人物图像作为训练样本对所述人物特征点判断模型进行训练,直至训练次数达到第一阈值。
进一步的,所述训练次数达到第一阈值之后,还包括:
将人物特征点数据库中的人物图像作为测试样本对所述人物特征点判断模型进行测试并验证准确率,并根据测准确率调整所述人物特征点判断模型,直至准确率达到第二阈值。
进一步的,所述基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,包括:
基于人脸识别算法得到所述作画图像中的人脸特征点;
根据预设选取顺序从所述人脸特征点中确定面部作画特征点,并确定所述面部作画特征点对应的面部作画特征点坐标;
基于人脸标号顺序得到所述面部作画特征点对应的面部作画特征点序号。
进一步的,所述根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径,包括:
基于所述面部作画特征点坐标和所述头发肢体作画特征点坐标对应的特征点,并按照所述面部作画特征点序号和所述头发肢体作画特征点序号的顺序,通过贝塞尔曲线连接所述特征点,形成作画路径。
进一步的,所述基于神经网络结构和人物特征点数据库建立人物特征点判断模型之前,还包括:
通过网络获取人物图像,基于所述人物图像对应的像素值矩阵得到人物图像样本数据;
标记出所述人物图像的头发肢体特征点,得到所述头发肢体特征点对应的头发肢体特征点坐标;
根据预设头发肢体标号顺序确定所述头发肢体特征点对应的头发肢体特征点序号;
基于人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系建立人物特征点数据库。
进一步的,所述通过网络获取人物图像,基于所述人物图像对应的像素值矩阵得到人物图像样本数据,包括:
通过网络获取人物图像,对所述人物图像进行灰度处理得到灰度图像;
基于所述灰度图像对应的像素值矩阵得到人物图像样本数据。
在第二方面,本申请实施例提供了一种头部肢体特征点连线的人物作画装置,包括模型建立模块、特征确定模块、路径确定模块和作画模块,其中:
模型建立模块,用于基于神经网络结构和人物特征点数据库建立人物特征点判断模型,所述人物特征点数据库记录有人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系;
特征确定模块,用于获取作画图像,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,根据所述人物特征点判断模型确定所述作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号;
路径确定模块,用于根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径;
作画模块,用于基于所述作画路径进行作画。
在第三方面,本申请实施例提供了一种计算机设备,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的头部肢体特征点连线的人物作画方法。
在第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的头部肢体特征点连线的人物作画方法。
本申请实施例通过基于神经网络结构和人物特征点数据库建立人物特征点判断模型,在需要进行人物图像的作画时,利用人脸识别算法得到作画图像对应的面部作画特征点坐标及面部作画特征点序号,并利用人物特征点判断模型确定作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号,并基于面部作画特征点坐标、面部作画特征点序号、头发肢体作画特征点坐标和头发肢体作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的人物,提高了人物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。
附图说明
图1是本申请实施例提供的一种头部肢体特征点连线的人物作画方法的流程图;
图2是本申请实施例提供的另一种头部肢体特征点连线的人物作画方法的流程图;
图3是本申请实施例提供的另一种头部肢体特征点连线的人物作画方法的流程图;
图4是申请实施例提供的一种头部肢体特征点连线的人物作画装置接结构示意图;
图5是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种头部肢体特征点连线的人物作画方法的流程图,本实施例可适用于人物画像作画,该头部肢体特征点连线的人物作画方法可以由头部肢体特征点连线的人物作画装置来执行,该头部肢体特征点连线的人物作画装置可通过硬件和/或软件的方式实现,并集成在计算机设备中。
下述以头部肢体特征点连线的人物作画装置来执行头部肢体特征点连线的人物作画方法为例进行描述。参考图1,该头部肢体特征点连线的人物作画方法包括:
S101:基于神经网络结构和人物特征点数据库建立人物特征点判断模型。
其中,所述人物特征点数据库记录有人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系。
进一步的,人物图像样本数据为人物图像对应的像素值矩阵,像素值矩阵中每个点都用对应的像素值(如RGB值、YUV值或灰度值)进行表示,本实施例中以灰度值作为像素值为例进行说明。
头发肢体特征点坐标应理解为人物图像中人物各头发肢体特征点在人物图像中的坐标,并且一个人对应有多个头发肢体特征点,多个头发肢体特征点的集合形成了对应人物的形状,并且头发肢体特征点坐标与像素值矩阵中的像素坐标一一对应。
头发肢体特征点序号为多个头发肢体特征点之间按照预设的顺序进行排序的序号,可以理解的是,人物图像中同一人物的多个头发肢体特征点的序号各不相同,并呈梯度设置,并且同一特征可设置多个头发肢体特征点,并且同一特征对应的头发肢体特征点序号应在序号上连续。
进一步的,基于神经网络结构(如前馈神经网络结构、递归神经网络结构、卷积神经网络结构等)和人物特征点数据库搭建人物特征点判断模型,并设定人物图像样本数据各像素点的像素值(灰度值)作为输入,头发肢体特征点坐标和头发肢体特征点序号作为输出,把人物特征点数据库中作为训练样本的人物图像传输给人物特征点判断模型反复训练。训练完成后的人物特征点判断模型用于接收输入的作画图像,并根据作画图像输出头发肢体特征点坐标和头发肢体特征点序号。
S102:获取作画图像,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,根据所述人物特征点判断模型确定所述作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号。
其中,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号具体包括:基于人脸识别算法得到所述作画图像中的人脸特征点;根据预设选取顺序从所述人脸特征点中确定面部作画特征点,并确定所述面部作画特征点对应的面部作画特征点坐标;基于人脸标号顺序得到所述面部作画特征点对应的面部作画特征点序号。
示例性的,在人物特征点判断模型建立后,获取作画图像,利用人脸识别算法对作画图像中的人脸特征点进行提取,根据预设选取顺序从提取到的人脸特征点中选取部分关键点作为面部作画特征点,并获取面部作画特征点在作画图像中的坐标作为面部作画特征点坐标。其中同一面部特征对应的关键点设置有多个,并将该面部特征的人脸特征点中边缘或在极限位置处的点作为关键点,例如设定左眉毛在最高点、最左点和最右点3个人脸特征点作为作画图像在左眉毛处的3个面部作画特征点。
其中,人脸识别算法是指通过边缘检测算法,找出由特征关键点聚类形成的多条抛物线,先确定是否存在人脸轮廓,若存在则确定是否存在人脸眉毛,接着确定鼻子、眼睛、嘴巴,从而得到人脸特征图;若人脸轮廓以及其他面部特征均检测确定完毕,则代表是人脸,否则视为非人脸。一般的,利用人脸识别算法对作画图像中提取的人脸特征点一般为68个,分别代表五官和人脸轮廓。其中人脸特征点中的关键点是指基于预设选取顺序对人脸特征点提取所得到的像素点。
可以理解的是,由于人脸特征图是一个比较细致全面的人脸轮廓图像,而本实例的是通过简笔画的形式对人物画像进行展现,无需对作画图像进行严格临摹仿写,只需提取部分关键点便可。其中,人脸特征点中的关键点的预设选取顺序可根据预设的预设选取顺序表进行确定。示例性的,预设选取顺序表如下所示:
在确定面部作画特征点及面部作画特征点坐标后,根据人脸标号顺序对各面部作画特征点进行标号,得到面部作画特征点序号。其中人脸标号顺序可根据实际情况进行确定,例如,可按照左眉毛、右眉毛、左眼、右眼、鼻子、嘴巴的先后顺序进行面部作画特征点的排序及标号。其中,面部作画特征点序号可记录在面部标号记录表中,面部标号记录表如下所示:
部位名称 | 固定序号特征点 | 固定序号 | 面部作画特征点序号 |
左眉毛 | 当前部位最高点 | 16 | 16-17-18 |
右眉毛 | 当前部位最高点 | 19 | 19-20-21 |
左眼 | 当前部位中间点 | 26 | 22-23-24-25-26 |
右眼 | 当前部位中间点 | 31 | 27-28-29-30-31 |
鼻子 | 当前部位最低点 | 33 | 32-33-34-35 |
嘴巴 | 当前部位中间点 | 40 | 36-37-38-39-40 |
进一步的,将作画图像传输至人物特征点判断模型中,由人物特征点判断模型确定作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号。
其中,作画图像可通过手机、平板、电脑等终端设备通过有线或无线的方式获得,还可以是通过终端设备上设置的摄像头拍摄获得,或者是在终端设备上的相册中获得。作画图像的人物数量可以是单数,也可以是复数,并且图像的人物可以是完整的,也可以是局部的,例如只有头部或者上半身等。
S103:根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径。
具体的,基于面部作画特征点坐标和头发肢体作画特征点坐标对应的特征点,并按照预设顺序对面部作画特征点序号和头发肢体作画特征点序号进行排序,按照面部作画特征点序号和头发肢体作画特征点序号排序的顺序,通过贝塞尔曲线连接特征点,形成作画路径。
示例性的,在确定面部作画特征点坐标、面部作画特征点序号、头发肢体作画特征点坐标和头发肢体作画特征点序号后,基于面部作画特征点坐标对应的特征点以及头发肢体作画特征点,并按照面部作画特征点序号和头发肢体作画特征点序号的顺序,基于预设顺序通过贝塞尔曲线连接特征点,形成作画路径。其中预设顺序可以根据实际情况进行设置,例如,预设顺序可按照图像人物视觉设置为:左眉毛→左眼→右眉毛→右眼→鼻子→嘴巴→头发→右上肢→右下肢→左下肢→左上肢。
其中贝塞尔曲线是由线段与节点组成,节点是可拖动的支点,线段像可伸缩的皮筋,一般矢量图形软件或较成熟位图软件均具备该功能,是应用于二维图形应用程序的数学曲线,本实例采用贝塞尔曲线得到的作画路径更加平滑,提高作画效果。在其他实施例中,还可按照作画特征点序号的顺序依次连接作画特征点坐标对应的特征点,形成作画路径。
S104:基于所述作画路径进行作画。
示例性的,在确定作画路径后,可将作画路径传输至智能作画装置,并控制智能作画装置依照作画路径在画纸上进行作画。该智能作画装置可以是机械臂,还可以是其他任意可以控制画笔进行移动的机械装置,本实施例不做限定,该智能作画装置可以是集成处理器、存储器的具备计算控制能力的设备,还可是根据接收到的控制设备发送的控制信号进行移动的设备。在其他实施例中,根据作画路径进行作画的方式还可以是通过显示屏显示的方式进行,按照作画路径的顺序在显示屏的画布上显示出作画线条,形成人物作画的图案。
上述,通过基于神经网络结构和人物特征点数据库建立人物特征点判断模型,在需要进行人物图像的作画时,利用人脸识别算法得到作画图像对应的面部作画特征点坐标及面部作画特征点序号,并利用人物特征点判断模型确定作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号,并基于面部作画特征点坐标、面部作画特征点序号、头发肢体作画特征点坐标和头发肢体作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的人物,提高了人物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。
图2为本申请实施例提供的另一种头部肢体特征点连线的人物作画方法的流程图。该头部肢体特征点连线的人物作画方法是对上述头部肢体特征点连线的人物作画方法的具体化。参考图2,该头部肢体特征点连线的人物作画方法包括:
S201:基于神经网络结构搭建人物特征点判断模型。
示例性的,基于卷积神经网络结构,并以公式y=wx+b的形式搭建人物特征点判断模型。卷积神经网络结构对图像数据库大量的训练测试图像样本交替进行卷积和池化操作,逐渐提取图像的高层特征,对特征进行分类,完成判断识别;其高层特征是从大样本数据中学习,能应对一定程度的偏移、尺度变化以及形变,保证特征较强的可分性,对特征分类具有理想的检测效果,降低模型的复杂度。
其中,公式y=wx+b常用于神经网络当中,x为输入,y为输出,w为数据线性分割直线斜率,b为数据线性分割直线偏移值,是由人物图像样本数据在头发肢体特征点处的像素值、头发肢体特征点坐标以及头发肢体特征点序号作为x、y值所构成的一条直线,实现数据分割,当w改变,该直线方向也随之改变;当b>0,该直线往左边移动,否则该直线往右边移动;也就是说,只要改变w、b值,就可以改变该直线的数据分割位置。
S202:对所述人物特征点判断模型进行训练,直至训练次数达到第一阈值。
其中,人物特征点数据库记录有人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系。
示例性的,以人物图像样本数据为输入,以头发肢体特征点坐标和头发肢体特征点序号为输出,将人物特征点数据库中的人物图像作为训练样本对人物特征点判断模型进行训练,直至训练次数达到第一阈值。
具体的,以人物图像样本数据在头发肢体特征点处的像素值作为输入x,以头发肢体特征点坐标以及头发肢体特征点序号作为输出y,将人物特征点数据库中的人物图像用于训练人物特征点判断模型,直至训练次数达到第一阈值(例如20万次,可根据实际情况设定),在训练停止后,可初步得到数据线性分割直线y=wx+b中的w和b的值。
S203:对所述人物特征点判断模型进行测试并验证准确率,并根据测准确率调整所述人物特征点判断模型,直至准确率达到第二阈值。
示例性的,将人物特征点数据库中的人物图像作为测试样本对人物特征点判断模型进行测试并验证准确率,并根据测准确率调整人物特征点判断模型,直至准确率达到第二阈值。
示例性的,将人物特征点数据库中的人物图像作为测试样本对人物特征点判断模型进行测试,并依据方差公式验证模型的准确率,并根据测准确率调整人物特征点判断模型,直至准确率达到第二阈值。
其中,方差公式是指损失函数,其用于量化预测与真实之间的一致性,方差值越少,预测与真实越接近。方差公式具体为:
其中,C代表损失函数(测试方差),x代表人物特征点数据库中用于测试的人物图像,y代表实际值(即人物特征点数据库用于测试的头发肢体特征点的实际坐标和头发肢体特征点的实际序号,a代表输出值(即人物特征点判断模型对人物特征点数据库用于测试的人物图像中头发肢体特征点的预测坐标和头发肢体特征点的预测序号),n代表人物特征点数据库用于测试的人物图像的数量。
具体的,通过逐步加大w和b的值,结合方差公式,并利用人物特征点数据库用于测试的人物图像对人物特征点判断模型进行测试,并将测试方差与第二阈值(本实施例以10%为例)进行比较,若测试方差大于第二阈值,则继续加大w和b的值,直至测试方差小于或等于第二阈值,并完成人物特征点判断模型的训练与测试。
S204:获取作画图像,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号。
S205:根据所述人物特征点判断模型确定所述作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号。
S206:根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径。
S207:基于所述作画路径进行作画。
上述,通过基于神经网络结构和人物特征点数据库建立人物特征点判断模型,在需要进行人物图像的作画时,利用人脸识别算法得到作画图像对应的面部作画特征点坐标及面部作画特征点序号,并利用人物特征点判断模型确定作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号,并基于面部作画特征点坐标、面部作画特征点序号、头发肢体作画特征点坐标和头发肢体作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的人物,提高了人物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。并通过反复训练人物特征点判断模型,使人物特征点判断模型的准确度达到目标需求,输出的头发肢体作画特征点坐标和头发肢体作画特征点序号更接近真实情况。
图3为本申请实施例提供的另一种头部肢体特征点连线的人物作画方法的流程图。该头部肢体特征点连线的人物作画方法是对上述头部肢体特征点连线的人物作画方法的具体化。参考图3,该头部肢体特征点连线的人物作画方法包括:
S301:通过网络获取人物图像,基于所述人物图像对应的像素值矩阵得到人物图像样本数据。
示例性的,通过网络在一个或多个网站中下载得到足够数量(以满足人物特征点判断模型训练和测试的要求为准)的带有人物图案的图像,并将这些图像作为人物图像,然后对这些人物图像进行灰度处理,并基于灰度处理后的人物图像得到人物图像样本数据。具体为:通过网络获取人物图像,对所述人物图像进行灰度处理得到灰度图像;基于所述灰度图像对应的像素值矩阵得到人物图像样本数据。
其中,灰度处理是指使图像中每个像素只使用一个采样颜色进行表示,显示为从最暗黑色到最亮的白色的灰度,与纯黑白图像不同,在计算机图像领域中黑白图像只有黑白两种颜色,灰度图像在黑色与白色之间还有许多级的颜色深度,通常灰度值范围表示为0到255,其中白色为255,黑色为0,灰度值越小颜色越深,灰度值越大颜色越趋于白色。
在获取人物图像后,对人物图像进行灰度处理从而获得经灰度处理后的人物图像,其中以人物图像为RGB彩色图像为例(R、G、B分别为红、绿、蓝三个基色分量,其共同决定了像素点颜色),确定该人物图像每个像素点的R、G、B基色分量,依据下述公式确定每个像素点的灰度值Y:
Y=0.3R+0.59G+0.11B
上述计算方式中,根据基色的重要性及其它人物作画参考指标,将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高,对蓝色敏感最低,故绿色(G)的权值最高,取值0.59。需要说明的是,R、G、B对应的权值大小可适应性调整。在另一个实施例中,在进行灰度处理时可采取分量值法、最大值法或平均值法求取图像每个像素点的灰度值。在确定人物图像每个像素点的灰度值后,可相应得出经灰度处理后的人物图像。可以理解的是,灰度处理并不会影响图像的纹理特征信息,而且各像素点只需一个灰度值便可表示,有效提高图像的处理效率。
对人物图像进行灰度处理并得到灰度图像后,灰度图像中每个坐标点的像素值均用灰度值(0-255)进行表示,基于灰度图像中每个坐标点的灰度值的集合形成像素值矩阵,并将该像素值矩阵作为人物图像样本数据(或直接将由像素值矩阵进行记录的灰度图像作为人物图像样本数据)。
S302:标记出所述人物图像的头发肢体特征点,得到所述头发肢体特征点对应的头发肢体特征点坐标。
具体的,在获取人物图像后,根据人物图像中人物的头发、姿态和肢体特征,对人物图像中的头发肢体特征点进行标记。例如,通过鼠标点击或对人物图像的触控点击操作选中人物图像中人物头发及各肢体对应的点,从而对头发肢体特征点进行选中,并获取所选中的点的坐标作为头发肢体特征点对应的头发肢体特征点坐标。
并且在标记头发肢体特征点时,可结合预定的标记顺序进行标记,例如,人物需要标记的头发肢体部位分别有头发、左上肢、右上肢、左下肢、右下肢这5个位置,每个头发肢体部位设置3个特征点,首先是对应肢体部位在人物图像中的最高点或最低点,其次是对应肢体部位在人物图像中的最左点,再次是对应肢体部位在人物图像中的最右点。可以理解的是,预定的标记顺序可根据实际情况进行设置。
其中,预定的标记顺序可按以下头发肢体特征设置表进行确定:
可选的,在选中头发肢体特征点后,可在人物图像中进行标示,例如在标记过头发肢体特征点的位置上显示点击痕迹(如光圈),或在标记人物图像的同时显示头发肢体特征点坐标记录表和/或头发肢体特征点记录表。
进一步的,在人物图像中存在多个人物时,头发肢体特征点的标记顺序为逐个标记,即先标记一个人物再标记下一个人物,并且对属于不同人物的头发肢体特征点进行区分处理,例如在头发肢体特征点坐标记录表和/或头发肢体特征点记录表中对不同人物的头发肢体特征点进行标注。同时,在人物的某些头发肢体特征被遮挡或不存在人物图像中时,可对被遮挡或不存在人物图像中的头发肢体特征进行标注,对应头发肢体特征的记录位置可利用预设的默认值进行填充,并且后续不对该头发肢体特征分配头发肢体特征点序号。
S303:根据预设头发肢体标号顺序确定所述头发肢体特征点对应的头发肢体特征点序号。
具体的,在确定人物图像的头发肢体特征点和头发肢体特征点坐标后,结合预设的头发肢体标号顺序对标记出的头发肢体特征点进行排序,并得到头发肢体特征点序号。可选的,可利用特征点记录表进行记录。可以理解的是,其中预设标号顺序可根据实际情况进行设置。
在本实施例中,预设标号顺序为:首先确定人物标记出的头发肢体特征点的总数,然后固定各头发肢体部位中某一特征点序号,最后基于固定序号的先后顺序对其余特征点自动标号。
例如,在人物图像中,标记出的头发肢体特征点的总数是15(5个头发肢体部位,每个头发肢体部位设置3个特征点),对各头发肢体部位特征点中最高点或最低点设置固定序号,特征点记录表如下所示:
示例性的,结合步骤S102中的面部标号记录表以及以上提供的特征点记录表,并按照左眉毛→左眼→右眉毛→右眼→鼻子→嘴巴→头发→右上肢→右下肢→左下肢→左上肢的预设顺序对面部作画特征点序号以及头发肢体作画特征点序号进行排序,可知得到作画路径对应的面部及头发肢体特征点序号排列为:16-17-18-22-23-24-25-26-19-20-21-27-28-29-30-31-32-33-34-35-36-37-38-39-40-1-2-3-7-8-9-13-14-15-10-11-12-4-5-6。
其他实施例中,还可同时在特征点记录表中记录人物图像中人脸特征点对应的面部特征点,其中面部特征点为根据预设选取顺序从人脸特征点中选取部分关键点,人脸特征点由人物图像经过人脸识别算法进行人脸识别得出,面部特征点的获取与步骤S102类似,在此不做赘述。
S304:基于人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系建立人物特征点数据库。
具体的,在确定人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号后,确定人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系,并基于该对应关系建立人物肢体特征数据库,对人物图像、人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号以及三者之间的对应关系进行保存。
可选的,在确定人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号后,可将人物图像分为两部分,并将这两部分分开保存或通过标记的方式进行区分,其中一部分人物图像用于训练人物特征点判断模型,另一部分用于测试人物特征点判断模型,例如,前者用于模型训练时使用的人物图像占据总数量的90%;后者用于模型训练完毕测试时使用的人物图像占据总数量的10%。
S305:基于神经网络结构和人物特征点数据库建立人物特征点判断模型。
S306:获取作画图像,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号。
S307:根据所述人物特征点判断模型确定所述作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号。
S308:根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径。
S309:基于所述作画路径进行作画。
上述,通过基于神经网络结构和人物特征点数据库建立人物特征点判断模型,在需要进行人物图像的作画时,利用人脸识别算法得到作画图像对应的面部作画特征点坐标及面部作画特征点序号,并利用人物特征点判断模型确定作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号,并基于面部作画特征点坐标、面部作画特征点序号、头发肢体作画特征点坐标和头发肢体作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的人物,提高了人物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。并通过大量人物图像建立人物特征点数据库,提高人物特征点判断模型的准确度,使输出的头发肢体作画特征点坐标和头发肢体作画特征点序号更接近真实情况。
图4为本申请实施例提供的一种头部肢体特征点连线的人物作画装置接结构示意图。参考图4,本实施例提供的头部肢体特征点连线的人物作画装置包括模型建立模块41、特征确定模块42、路径确定模块43和作画模块44。
其中,模型建立模块41,用于基于神经网络结构和人物特征点数据库建立人物特征点判断模型,所述人物特征点数据库记录有人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系;特征确定模块42,用于获取作画图像,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,根据所述人物特征点判断模型确定所述作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号;路径确定模块43,用于根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径;作画模块44,用于基于所述作画路径进行作画。
上述,通过基于神经网络结构和人物特征点数据库建立人物特征点判断模型,在需要进行人物图像的作画时,利用人脸识别算法得到作画图像对应的面部作画特征点坐标及面部作画特征点序号,并利用人物特征点判断模型确定作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号,并基于面部作画特征点坐标、面部作画特征点序号、头发肢体作画特征点坐标和头发肢体作画特征点序号确定作画路径,最后根据作画路径进行作画,即可快速准确地以简笔画的形式描绘出作画图像所对应的人物,提高了人物作画的效率,达到了计算机处理压力少、工作效率高、画风新颖有趣、作画门槛低的效果。
在一个可能的实施例中,所述模型建立模块41具体用于:基于神经网络结构搭建人物特征点判断模型;
以人物图像样本数据为输入,以头发肢体特征点坐标和头发肢体特征点序号为输出,将人物特征点数据库中的人物图像作为训练样本对所述人物特征点判断模型进行训练,直至训练次数达到第一阈值;
将人物特征点数据库中的人物图像作为测试样本对所述人物特征点判断模型进行测试并验证准确率,并根据测准确率调整所述人物特征点判断模型,直至准确率达到第二阈值。
在一个可能的实施例中,所述特征确定模块42在基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,具体用于:
基于人脸识别算法得到所述作画图像中的人脸特征点;
根据预设选取顺序从所述人脸特征点中确定面部作画特征点,并确定所述面部作画特征点对应的面部作画特征点坐标;
基于人脸标号顺序得到所述面部作画特征点对应的面部作画特征点序号。
在一个可能的实施例中,所述路径确定模块43具体用于:
基于所述面部作画特征点坐标和所述头发肢体作画特征点坐标对应的特征点,并按照所述面部作画特征点序号和所述头发肢体作画特征点序号的顺序,通过贝塞尔曲线连接所述特征点,形成作画路径。
在一个可能的实施例中,所述装置还包括数据库建立模块,所述数据库建立模块具体用于:
通过网络获取人物图像,对所述人物图像进行灰度处理得到灰度图像;基于所述灰度图像对应的像素值矩阵得到人物图像样本数据;标记出所述人物图像的头发肢体特征点,得到所述头发肢体特征点对应的头发肢体特征点坐标;根据头发肢体标号顺序确定所述头发肢体特征点对应的头发肢体特征点序号;基于人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系建立人物特征点数据库。
本申请实施例还提供了一种计算机设备,该计算机设备可集成本申请实施例提供的头部肢体特征点连线的人物作画装置。图5是本申请实施例提供的一种计算机设备的结构示意图。参考图5,该计算机设备包括:输入装置53、输出装置54、存储器52以及一个或多个处理器51;所述存储器52,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器51执行,使得所述一个或多个处理器51实现如上述实施例提供的头部肢体特征点连线的人物作画方法。其中输入装置53、输出装置54、存储器52和处理器51可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器52作为一种计算设备可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例所述的头部肢体特征点连线的人物作画方法对应的程序指令/模块(例如,头部肢体特征点连线的人物作画装置中的模型建立模块41、特征确定模块42、路径确定模块43和作画模块44)。存储器52可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器52可进一步包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。
处理器51通过运行存储在存储器52中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的头部肢体特征点连线的人物作画方法。
上述提供的头部肢体特征点连线的人物作画装置和计算机设备可用于执行上述实施例提供的头部肢体特征点连线的人物作画方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的头部肢体特征点连线的人物作画方法,该头部肢体特征点连线的人物作画方法包括:基于神经网络结构和人物特征点数据库建立人物特征点判断模型,所述人物特征点数据库记录有人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系;获取作画图像,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,根据所述人物特征点判断模型确定所述作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号;根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径;基于所述作画路径进行作画。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的头部肢体特征点连线的人物作画方法,还可以执行本申请任意实施例所提供的头部肢体特征点连线的人物作画方法中的相关操作。
上述实施例中提供的头部肢体特征点连线的人物作画装置、设备及存储介质可执行本申请任意实施例所提供的头部肢体特征点连线的人物作画方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的头部肢体特征点连线的人物作画方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (9)
1.一种头部肢体特征点连线的人物作画方法,其特征在于,包括:
基于神经网络结构和人物特征点数据库建立人物特征点判断模型,所述人物特征点数据库记录有人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系;其中,所述基于神经网络结构和人物特征点数据库建立人物特征点判断模型,包括基于神经网络结构搭建人物特征点判断模型;以人物图像样本数据为输入,以头发肢体特征点坐标和头发肢体特征点序号为输出,将人物特征点数据库中的人物图像作为训练样本对所述人物特征点判断模型进行训练,直至训练次数达到第一阈值;
获取作画图像,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,根据所述人物特征点判断模型确定所述作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号;
根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径;
基于所述作画路径进行作画。
2.根据权利要求1所述的头部肢体特征点连线的人物作画方法,其特征在于,所述训练次数达到第一阈值之后,还包括:
将人物特征点数据库中的人物图像作为测试样本对所述人物特征点判断模型进行测试并验证准确率,并根据测准确率调整所述人物特征点判断模型,直至准确率达到第二阈值。
3.根据权利要求1所述的头部肢体特征点连线的人物作画方法,其特征在于,所述基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,包括:
基于人脸识别算法得到所述作画图像中的人脸特征点;
根据预设选取顺序从所述人脸特征点中确定面部作画特征点,并确定所述面部作画特征点对应的面部作画特征点坐标;
基于人脸标号顺序得到所述面部作画特征点对应的面部作画特征点序号。
4.根据权利要求1所述的头部肢体特征点连线的人物作画方法,其特征在于,所述根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径,包括:
基于所述面部作画特征点坐标和所述头发肢体作画特征点坐标对应的特征点,并按照所述面部作画特征点序号和所述头发肢体作画特征点序号的顺序,通过贝塞尔曲线连接所述特征点,形成作画路径。
5.根据权利要求1-4任一项所述的头部肢体特征点连线的人物作画方法,其特征在于,所述基于神经网络结构和人物特征点数据库建立人物特征点判断模型之前,还包括:
通过网络获取人物图像,基于所述人物图像对应的像素值矩阵得到人物图像样本数据;
标记出所述人物图像的头发肢体特征点,得到所述头发肢体特征点对应的头发肢体特征点坐标;
根据预设头发肢体标号顺序确定所述头发肢体特征点对应的头发肢体特征点序号;
基于人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系建立人物特征点数据库。
6.根据权利要求5所述的头部肢体特征点连线的人物作画方法,其特征在于,所述通过网络获取人物图像,基于所述人物图像对应的像素值矩阵得到人物图像样本数据,包括:
通过网络获取人物图像,对所述人物图像进行灰度处理得到灰度图像;
基于所述灰度图像对应的像素值矩阵得到人物图像样本数据。
7.一种头部肢体特征点连线的人物作画装置,其特征在于,包括模型建立模块、特征确定模块、路径确定模块和作画模块,其中:
模型建立模块,用于基于神经网络结构和人物特征点数据库建立人物特征点判断模型,所述人物特征点数据库记录有人物图像样本数据、头发肢体特征点坐标和头发肢体特征点序号之间的对应关系;其中,所述基于神经网络结构和人物特征点数据库建立人物特征点判断模型,包括基于神经网络结构搭建人物特征点判断模型;以人物图像样本数据为输入,以头发肢体特征点坐标和头发肢体特征点序号为输出,将人物特征点数据库中的人物图像作为训练样本对所述人物特征点判断模型进行训练,直至训练次数达到第一阈值;
特征确定模块,用于获取作画图像,基于人脸识别算法得到所述作画图像对应的面部作画特征点坐标,并基于人脸标号顺序得到面部作画特征点序号,根据所述人物特征点判断模型确定所述作画图像对应的头发肢体作画特征点坐标和头发肢体作画特征点序号;
路径确定模块,用于根据所述面部作画特征点坐标、所述面部作画特征点序号、所述头发肢体作画特征点坐标和所述头发肢体作画特征点序号确定作画路径;
作画模块,用于基于所述作画路径进行作画。
8.一种计算机设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6任一所述的头部肢体特征点连线的人物作画方法。
9.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6任一所述的头部肢体特征点连线的人物作画方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277188.3A CN111080743B (zh) | 2019-12-12 | 2019-12-12 | 一种头部肢体特征点连线的人物作画方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277188.3A CN111080743B (zh) | 2019-12-12 | 2019-12-12 | 一种头部肢体特征点连线的人物作画方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080743A CN111080743A (zh) | 2020-04-28 |
CN111080743B true CN111080743B (zh) | 2023-08-25 |
Family
ID=70314435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911277188.3A Active CN111080743B (zh) | 2019-12-12 | 2019-12-12 | 一种头部肢体特征点连线的人物作画方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080743B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477696A (zh) * | 2009-01-09 | 2009-07-08 | 彭振云 | 一种人物漫画图像生成方法及装置 |
CN108596839A (zh) * | 2018-03-22 | 2018-09-28 | 中山大学 | 一种基于深度学习的人脸漫画生成方法及其装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1313979C (zh) * | 2002-05-03 | 2007-05-02 | 三星电子株式会社 | 产生三维漫画的装置和方法 |
JP5578186B2 (ja) * | 2012-02-16 | 2014-08-27 | カシオ計算機株式会社 | キャラクター画像の作成方法、画像処理装置及び画像処理プログラム並びに画像変換ネットワークシステム |
-
2019
- 2019-12-12 CN CN201911277188.3A patent/CN111080743B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477696A (zh) * | 2009-01-09 | 2009-07-08 | 彭振云 | 一种人物漫画图像生成方法及装置 |
CN108596839A (zh) * | 2018-03-22 | 2018-09-28 | 中山大学 | 一种基于深度学习的人脸漫画生成方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111080743A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7236545B2 (ja) | ビデオターゲット追跡方法と装置、コンピュータ装置、プログラム | |
CN106056064B (zh) | 一种人脸识别方法及人脸识别装置 | |
CN110930296B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN109558832A (zh) | 一种人体姿态检测方法、装置、设备及存储介质 | |
CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
CN109657612B (zh) | 一种基于人脸图像特征的质量排序系统及其使用方法 | |
CN108230233A (zh) | 数据增强、处理方法和装置、电子设备和计算机存储介质 | |
CN106446862A (zh) | 一种人脸检测方法及系统 | |
CN110827304B (zh) | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统 | |
CN105868797A (zh) | 网络参数训练方法、景物类型识别方法及装置 | |
CN111158491A (zh) | 一种应用于车载hud的手势识别人机交互方法 | |
CN110348358B (zh) | 一种肤色检测系统、方法、介质和计算设备 | |
CN111260655B (zh) | 基于深度神经网络模型的图像生成方法与装置 | |
CN110232326A (zh) | 一种三维物体识别方法、装置及存储介质 | |
CN109920018A (zh) | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 | |
CN112487981A (zh) | 基于双路分割的ma-yolo动态手势快速识别方法 | |
CN110866900A (zh) | 水体颜色识别方法及装置 | |
CN114445853A (zh) | 一种视觉手势识别系统识别方法 | |
CN111080754B (zh) | 一种头部肢体特征点连线的人物动画制作方法及装置 | |
CN115953330B (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
CN111080743B (zh) | 一种头部肢体特征点连线的人物作画方法及装置 | |
CN115359562A (zh) | 基于卷积神经网络的手语字母拼写识别方法 | |
CN111027492B (zh) | 一种肢体特征点连线的动物作画方法及装置 | |
CN113223098A (zh) | 图像颜色分类的预处理优化方法 | |
CN112036268A (zh) | 构件识别方法及相关装置 |
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 |