CN111353470B - 图像的处理方法、装置、可读介质和电子设备 - Google Patents

图像的处理方法、装置、可读介质和电子设备 Download PDF

Info

Publication number
CN111353470B
CN111353470B CN202010177402.4A CN202010177402A CN111353470B CN 111353470 B CN111353470 B CN 111353470B CN 202010177402 A CN202010177402 A CN 202010177402A CN 111353470 B CN111353470 B CN 111353470B
Authority
CN
China
Prior art keywords
image
recognition model
face image
target
sample
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
CN202010177402.4A
Other languages
English (en)
Other versions
CN111353470A (zh
Inventor
邓启力
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010177402.4A priority Critical patent/CN111353470B/zh
Publication of CN111353470A publication Critical patent/CN111353470A/zh
Application granted granted Critical
Publication of CN111353470B publication Critical patent/CN111353470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

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

Abstract

本公开涉及一种图像的处理方法、装置、可读介质和电子设备，涉及图像处理技术领域，该方法包括：按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像，将目标人脸图像输入预先训练的图像识别模型，以获取图像识别模型输出的被标注为指定部位标签的目标像素点，指定部位标签用于指示目标像素点属于指定部位，根据目标像素点，对目标人脸图像中指定部位执行预设操作。本公开能够通过图像识别模型识别出目标人脸图像中属于指定部位的目标像素点，并根据目标像素点对目标人脸图像进行处理，提高了图像处理的准确度。

Description

图像的处理方法、装置、可读介质和电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种图像的处理方法、装置、可读介质和电子设备。
背景技术
在图像处理技术领域中，随着智能终端在日常生活中越来越普及，人们可以随时进行拍照、摄像，并通过网络进行分享。相应的，产生了各种针对照片中人脸的各种美颜功能，以满足用户的各种需求。在众多美颜功能中，最基本的一项处理为瘦脸操作。通常情况下，首先对照片进行人脸识别，获取表示人脸轮廓的人脸关键点，其中，人脸关键点是沿着人脸轮廓等间隔分布的。这种分布仅在人脸正向面对摄像头时能够体现人脸的位置，若人脸侧向、俯视或者仰视摄像头时，仅根据等间隔分布的关键点，无法准确指示人脸的位置，导致无法准确进行瘦脸操作，降低了用户体验。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种图像的处理方法，所述方法包括：
按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像；
将所述目标人脸图像输入预先训练的图像识别模型，以获取所述图像识别模型输出的被标注为指定部位标签的目标像素点，所述指定部位标签用于指示所述目标像素点属于指定部位；
根据所述目标像素点，对所述目标人脸图像中所述指定部位执行预设操作。
第二方面，本公开提供一种图像的处理装置，所述装置包括：
识别模块，用于按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像；
获取模块，用于将所述目标人脸图像输入预先训练的图像识别模型，以获取所述图像识别模型输出的被标注为指定部位标签的目标像素点，所述指定部位标签用于指示所述目标像素点属于指定部位；
处理模块，用于根据所述目标像素点，对所述目标人脸图像中所述指定部位执行预设操作。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，本公开首先对待处理按照预设的人脸识别算法进行识别，以得到目标人脸图像，之后，将目标人脸图像输入预先训练的图像识别模型，以得到图像识别模型输出的被标注为指定部位标签的目标像素点，其中，指定部位标签用于标注目标人脸图像中，属于指定部位的目标像素点，最后，根据目标像素点对目标人脸图像中指定部位执行预设操作。本公开能够通过图像识别模型识别出目标人脸图像中属于指定部位的目标像素点，并根据目标像素点对目标人脸图像进行处理，提高了图像处理的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
在附图中：
图1是根据一示例性实施例示出的一种图像的处理方法的流程图；
图2是根据一示例性实施例示出的一种训练图像识别模型的流程图；
图3是根据一示例性实施例示出的一种图像的处理装置的框图；
图4是根据一示例性实施例示出的电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种图像的处理方法的流程图，如图1所示，该方法包括：
步骤101，按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像。
举例来说，待处理图像可以是用户通过终端设备采集的图像(例如拍摄的照片，或者拍摄的视频中的某一帧)，也可以是用户在终端设备上选择的图像(例如在终端设备的显示界面上选择的图像)。在获取了待处理图像之后，首先可以根据预设的人脸识别算法，对待处理图像进行识别，以得到包括人脸的目标人脸图像。可以理解为，待处理图像中可能包括有除人脸之外的其他信息(例如背景等)，因此可以通过人脸识别算法，将待处理图像中的人脸信息提取出来，得到目标人脸图像。目标人脸图像可以是直接将待处理图像中包括人脸的区域截取出来的图像，也可以是先将待处理图像中包括人脸的区域截取出来，再对截取出来的图像进行去噪、放大等处理后的图像。
步骤102，将目标人脸图像输入预先训练的图像识别模型，以获取图像识别模型输出的被标注为指定部位标签的目标像素点，指定部位标签用于指示目标像素点属于指定部位。
示例的，将目标人脸图像作为预先训练的图像识别模型的输入，其中，图像识别模型可以是根据预先设置的样本输入集和样本输出集训练得到的卷积神经网络(英文：Convolutional Neural Networks，缩写：CNN)。图像识别模型能够提取出目标人脸图像的多个特征图(英文：Feature Map)，然后根据多个特征图确定目标人脸图像中，哪些像素点被标注为指定部位标签，并将这些被标注为指定部位标签的像素点作为目标像素点进行输出。需要说明的是，指定部位标签与指定部位一一对应，被标注为指定部位标签的像素点，表示该像素点属于指定部位，可以将指定部位标签理解为语义标签，用于标注像素点的语义。其中，指定部位可以是预先设置的，也可以根据用户的具体需求来确定，不同的指定部位可以对应不同的图像识别模型，即可以预先训练多个指定部位中每个指定部位对应的图像识别模型。不同的指定部位也可以对应同一个图像识别模型，即可以预先训练一个能够识别不同指定部位的图像识别模型。指定部位例如可以是下颌骨(即下巴骨)、颧骨、鼻骨等，相应的，指定部位标签可以为下颌骨标签(用于标注像素点属于下颌骨)、颧骨标签(用于标注像素点属于颧骨)、鼻骨标签(用于标注像素点属于鼻骨)等。这样，图像识别模型输出的是属于指定部位的目标像素点，是基于像素点的语义来确定的，而不是根据人脸轮廓等分得到的关键点，相比于现有技术，能够准确识别出目标人脸图像的指定部位，并且能够适应人脸的各种角度。
图像识别模型可以为卷积神经网络，例如可以包括卷积层、反馈层、全连接层和输出层。首先将目标人脸图像输入到卷积层，通过卷积层从目标人脸图像中提取卷积层特征，即目标人脸图像的预设数量个特征图。再通过反馈层，结合上一次的反馈层特征和后一次的反馈层特征，从卷积层输出的预设数量个特征图中提取当前的反馈层特征，之后通过全连接层对反馈层特征进行抽象处理，实现对预设数量个特征图的特征融合，以得到被标注为指定部位标签的目标像素点。
步骤103，根据目标像素点，对目标人脸图像中指定部位执行预设操作。
示例的，在确定目标像素点之后，可以根据目标像素点对目标人脸图像中指定部位执行预设操作。其中，预设操作可以是预先设置的，也可以根据用户的具体需求来确定。例如，可以根据目标像素点，确定指定部位的位置(即坐标)，从而实现贴纸、上色、特效等预设操作，还可以根据目标像素点确定指定部位的mask(中文：掩模)，即确定指定部位在目标人脸图像上的区域，然后对该区域实现液化、去噪、放大、平滑等预设操作。以指定部位为下颌骨为例，在确定目标像素点后，可以先根据目标像素点确定下颌骨的mask，然后根据下颌骨的mask，执行向人脸中心的方向液化(即向内压缩)的预设操作，以实现瘦脸的效果。由于目标像素点的准确度高，能够适应人脸的各种角度，那么对应的预设操作也能适应人脸的各种角度，准确度也更高。
综上所述，本公开首先对待处理按照预设的人脸识别算法进行识别，以得到目标人脸图像，之后，将目标人脸图像输入预先训练的图像识别模型，以得到图像识别模型输出的被标注为指定部位标签的目标像素点，其中，指定部位标签用于标注目标人脸图像中，属于指定部位的目标像素点，最后，根据目标像素点对目标人脸图像中指定部位执行预设操作。本公开能够通过图像识别模型识别出目标人脸图像中属于指定部位的目标像素点，并根据目标像素点对目标人脸图像进行处理，提高了图像处理的准确度。
在具体的应用场景中，指定部位可以为一个或多个头部骨骼，每个头部骨骼对应一个头部骨骼标签。相应的步骤102的实现方式可以是：
将目标人脸图像输入图像识别模型，以获取图像识别模型输出的目标人脸图像中，被标注为每个头部骨骼标签的目标像素点的坐标。
具体的，头部骨骼可以包括：下颌骨、上颌骨、颧骨、鼻骨、颚骨、泪骨、梨骨、下鼻甲、筛骨、蝶骨、枕骨、顶骨、额骨、颞骨等。指定部位可以是一个或多个头部骨骼，每个头部骨骼都对应一个头部骨骼标签。若指定部位是下颌骨，那么图像识别模型输出的是，目标人脸图像中，被标注为下颌骨标签的目标像素点的坐标。若指定部位是下颌骨、颧骨和鼻骨，那么图像识别模型输出的是，目标人脸图像中，被标注为下颌骨标签、颧骨标签和鼻骨标签的目标像素点的坐标。可以理解为，图像识别模型，能够从目标人脸图像的多个特征图中，学习每个头部骨骼所具有的特征，从而提取出目标人脸图像中目标像素点。
同样的，预设操作也可以为多个，相应的，步骤103的实现方式可以为：
根据被标注为每个头部骨骼标签的目标像素点的坐标，对目标人脸图像中被标注为该头部骨骼标签的目标像素点执行第一预设操作，第一预设操作为针对该头部骨骼标签对应的头部骨骼的操作。
具体的，每个预设操作可以针对一个头部骨骼，也可以针对多个头部骨骼。可以预先建立不同头部骨骼与预设操作的对应关系，从而确定针对某个头部骨骼执行哪个预设操作。还可以根据用户的具体需求来确定针对某个头部骨骼执行哪个预设操作，例如，用户可以选择针对下颌骨和颧骨，都执行瘦脸操作(即液化操作)，也可以选择针对下颌骨执行瘦脸操作，针对颧骨执行平滑操作。可以先将图像识别模型输出的目标像素点做一个分类，划分为属于每个头部骨骼的目标像素点，然后再针对属于该头部骨骼的目标像素点，执行该头部骨骼对应的预设操作。
图2是根据一示例性实施例示出的一种训练图像识别模型的流程图，如图2所示，图像识别模型是通过如下方式进行训练的：
步骤104，获取样本输入集和样本输出集，样本输入集中的每个样本输入包括样本人脸图像，样本输出集中包括与每个样本输入对应的样本输出，每个样本输出包括，在对应的样本人脸图像上，被标注为指定部位标签的像素点。
步骤105，将样本输入集作为图像识别模型的输入，将样本输出集作为图像识别模型的输出，以训练图像识别模型。
举例来说，图像识别模型的训练方式可以为，首先获取样本输入集和样本输出集。其中，样本输入集中包括多个样本输入，每个样本输入可以是一幅样本人脸图像，样本输出集中包括与样本输入集中每个样本输入一一对应的样本输出，每个样本输出包括，在对应的样本人脸图像上，被标注为指定部位标签的像素点。例如，可以在互联网上预先获取大量的包含人脸的样本人脸图像，其中，可以包含有人脸的各种角度(例如：正脸、侧脸、仰头、低头等)。然后，对每个样本人脸图像进行标注，将每个样本人脸图像中属于指定部位的像素点，标注为指定部位标签，作为对应的样本输出。对图像识别模型训练时，可以将样本输入集作为图像识别模型的输入，将样本输出集作为图像识别模型的输出来训练，使得图像识别模型在输入样本输入集时，图像识别模型输出的被标注为指定部位标签的目标像素点，能够和样本输出集匹配。
具体的，可以预先选择一个初始卷积神经网络(可以根据具体需求选择卷积神经网络的深度、神经元的参数等)。将任意一个样本人脸图像作为初始卷积神经网络的卷积层的输入，以获取卷积层输出的预设数量个特征图，再根据初始卷积神经网络对预设数量个特征图进行特征融合，以得到被标注为指定部位标签的初始像素点。将初始像素点与该样本人脸图像上，被标注为所述指定部位标签的像素点(即对应的样本输出)进行比较，从而修正初始卷积神经网络中每个神经元的参数。神经元的参数例如可以是神经元的权重(英文：Weight)和偏置量(英文：Bias)。重复执行上述步骤，使得初始卷积神经网络满足预设条件，最后将满足预设条件的初始卷积神经网络作为图像识别模型。其中，预设条件例如可以是预设的损失函数最小，损失函数例如可以是l1损失函数或者l2损失函数。
综上所述，本公开首先对待处理按照预设的人脸识别算法进行识别，以得到目标人脸图像，之后，将目标人脸图像输入预先训练的图像识别模型，以得到图像识别模型输出的被标注为指定部位标签的目标像素点，其中，指定部位标签用于标注目标人脸图像中，属于指定部位的目标像素点，最后，根据目标像素点对目标人脸图像中指定部位执行预设操作。本公开能够通过图像识别模型识别出目标人脸图像中属于指定部位的目标像素点，并根据目标像素点对目标人脸图像进行处理，提高了图像处理的准确度。
图3是根据一示例性实施例示出的一种图像的处理装置的框图，如图3所示，该装置包括：
识别模块201，用于按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像。
获取模块202，用于将目标人脸图像输入预先训练的图像识别模型，以获取图像识别模型输出的被标注为指定部位标签的目标像素点，指定部位标签用于指示目标像素点属于指定部位。
处理模块203，用于根据目标像素点，对目标人脸图像中指定部位执行预设操作。
在具体的应用场景中，指定部位可以为一个或多个头部骨骼，每个头部骨骼对应一个头部骨骼标签。获取模块202用于：
将目标人脸图像输入图像识别模型，以获取图像识别模型输出的目标人脸图像中，被标注为每个头部骨骼标签的目标像素点的坐标。
同样的，预设操作也可以为多个。处理模块203用于：
根据被标注为每个头部骨骼标签的目标像素点的坐标，对目标人脸图像中被标注为该头部骨骼标签的目标像素点执行第一预设操作，第一预设操作为针对该头部骨骼标签对应的头部骨骼的操作。
可选地，图像识别模型是通过如下方式进行训练的：
步骤1)获取样本输入集和样本输出集，样本输入集中的每个样本输入包括样本人脸图像，样本输出集中包括与每个样本输入对应的样本输出，每个样本输出包括，在对应的样本人脸图像上，被标注为指定部位标签的像素点。
步骤2)将样本输入集作为图像识别模型的输入，将样本输出集作为图像识别模型的输出，以训练图像识别模型。
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。
综上所述，本公开首先对待处理按照预设的人脸识别算法进行识别，以得到目标人脸图像，之后，将目标人脸图像输入预先训练的图像识别模型，以得到图像识别模型输出的被标注为指定部位标签的目标像素点，其中，指定部位标签用于标注目标人脸图像中，属于指定部位的目标像素点，最后，根据目标像素点对目标人脸图像中指定部位执行预设操作。本公开能够通过图像识别模型识别出目标人脸图像中属于指定部位的目标像素点，并根据目标像素点对目标人脸图像进行处理，提高了图像处理的准确度。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子设备(即上述图像的处理方法的执行主体)，可以是服务器，该服务器例如可以是本地服务器或者云服务器，也可以是终端设备，例如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。用户可以通过登录服务器以上传待处理图像，也可以直接通过终端设备上传待处理图像，或者通过终端设备采集待处理图像。图4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4所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备300，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，其包括承载在非暂态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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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。
在一些实施方式中，终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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：按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像；将所述目标人脸图像输入预先训练的图像识别模型，以获取所述图像识别模型输出的被标注为指定部位标签的目标像素点，所述指定部位标签用于指示所述目标像素点属于指定部位；根据所述目标像素点，对所述目标人脸图像中所述指定部位执行预设操作。
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但不限于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模块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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，识别模块还可以被描述为“识别人脸图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种图像的处理方法，包括：按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像；将所述目标人脸图像输入预先训练的图像识别模型，以获取所述图像识别模型输出的被标注为指定部位标签的目标像素点，所述指定部位标签用于指示所述目标像素点属于指定部位；根据所述目标像素点，对所述目标人脸图像中所述指定部位执行预设操作。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，还所述指定部位为一个或多个头部骨骼，每个所述头部骨骼对应一个头部骨骼标签；所述将所述目标人脸图像输入预先训练的图像识别模型，以获取所述图像识别模型输出的被标注为指定部位标签的目标像素点，包括：将所述目标人脸图像输入所述图像识别模型，以获取所述图像识别模型输出的所述目标人脸图像中，被标注为每个所述头部骨骼标签的所述目标像素点的坐标。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述预设操作为多个；所述根据所述目标像素点，对所述目标人脸图像中所述指定部位执行预设操作；根据被标注为每个所述头部骨骼标签的所述目标像素点的坐标，对所述目标人脸图像中被标注为该头部骨骼标签的所述目标像素点执行第一预设操作，所述第一预设操作为针对该头部骨骼标签对应的头部骨骼的操作。
根据本公开的一个或多个实施例，示例4提供了示例1-3中任一种的方法，所述图像识别模型是通过如下方式进行训练的：获取样本输入集和样本输出集，所述样本输入集中的每个样本输入包括样本人脸图像，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括，在对应的所述样本人脸图像上，被标注为所述指定部位标签的像素点；将所述样本输入集作为所述图像识别模型的输入，将所述样本输出集作为所述图像识别模型的输出，以训练所述图像识别模型。
根据本公开的一个或多个实施例，示例5提供了一种图像的处理装置，包括：识别模块，用于按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像；获取模块，用于将所述目标人脸图像输入预先训练的图像识别模型，以获取所述图像识别模型输出的被标注为指定部位标签的目标像素点，所述指定部位标签用于指示所述目标像素点属于指定部位；处理模块，用于根据所述目标像素点，对所述目标人脸图像中所述指定部位执行预设操作。
根据本公开的一个或多个实施例，示例6提供了示例5的装置，所述指定部位为一个或多个头部骨骼，每个所述头部骨骼对应一个头部骨骼标签；所述获取模块用于：将所述目标人脸图像输入所述图像识别模型，以获取所述图像识别模型输出的所述目标人脸图像中，被标注为每个所述头部骨骼标签的所述目标像素点的坐标。
根据本公开的一个或多个实施例，示例7提供了示例6的装置，所述预设操作为多个；所述处理模块用于：根据被标注为每个所述头部骨骼标签的所述目标像素点的坐标，对所述目标人脸图像中被标注为该头部骨骼标签的所述目标像素点执行第一预设操作，所述第一预设操作为针对该头部骨骼标签对应的头部骨骼的操作。
根据本公开的一个或多个实施例，示例8提供了示例5-7中任一种的装置，所述图像识别模型是通过如下方式进行训练的：获取样本输入集和样本输出集，所述样本输入集中的每个样本输入包括样本人脸图像，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括，在对应的所述样本人脸图像上，被标注为所述指定部位标签的像素点；将所述样本输入集作为所述图像识别模型的输入，将所述样本输出集作为所述图像识别模型的输出，以训练所述图像识别模型。
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例4中所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例4中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。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。

Claims (8)

1.一种图像的处理方法，其特征在于，所述方法包括：
按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像；
将所述目标人脸图像输入预先训练的图像识别模型，以获取所述图像识别模型输出的被标注为指定部位标签的目标像素点，所述指定部位标签用于指示所述目标像素点属于指定部位；
根据所述目标像素点，对所述目标人脸图像中所述指定部位执行预设操作；所述指定部位为一个或多个头部骨骼，所述预设操作包括向人脸中心的方向液化的预设操作，每个所述头部骨骼对应一个头部骨骼标签，所述预设操作为多个；
所述根据所述目标像素点，对所述目标人脸图像中所述指定部位执行预设操作包括：
根据被标注为每个所述头部骨骼标签的所述目标像素点的坐标，对所述目标人脸图像中被标注为该头部骨骼标签的所述目标像素点执行第一预设操作，所述第一预设操作为针对该头部骨骼标签对应的头部骨骼的操作。
2.根据权利要求1所述的方法，其特征在于，所述将所述目标人脸图像输入预先训练的图像识别模型，以获取所述图像识别模型输出的被标注为指定部位标签的目标像素点，包括：
将所述目标人脸图像输入所述图像识别模型，以获取所述图像识别模型输出的所述目标人脸图像中，被标注为每个所述头部骨骼标签的所述目标像素点的坐标。
3.根据权利要求1或2所述的方法，其特征在于，所述图像识别模型是通过如下方式进行训练的：
获取样本输入集和样本输出集，所述样本输入集中的每个样本输入包括样本人脸图像，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括，在对应的所述样本人脸图像上，被标注为所述指定部位标签的像素点；
将所述样本输入集作为所述图像识别模型的输入，将所述样本输出集作为所述图像识别模型的输出，以训练所述图像识别模型。
4.一种图像的处理装置，其特征在于，所述装置包括：
识别模块，用于按照预设的人脸识别算法对待处理图像进行识别，以得到目标人脸图像；
获取模块，用于将所述目标人脸图像输入预先训练的图像识别模型，以获取所述图像识别模型输出的被标注为指定部位标签的目标像素点，所述指定部位标签用于指示所述目标像素点属于指定部位；
处理模块，用于根据所述目标像素点，对所述目标人脸图像中所述指定部位执行预设操作；所述指定部位为一个或多个头部骨骼，所述预设操作包括向人脸中心的方向液化的预设操作，每个所述头部骨骼对应一个头部骨骼标签，所述预设操作为多个；
所述处理模块，用于根据被标注为每个所述头部骨骼标签的所述目标像素点的坐标，对所述目标人脸图像中被标注为该头部骨骼标签的所述目标像素点执行第一预设操作，所述第一预设操作为针对该头部骨骼标签对应的头部骨骼的操作。
5.根据权利要求4所述的装置，其特征在于，所述获取模块用于：
将所述目标人脸图像输入所述图像识别模型，以获取所述图像识别模型输出的所述目标人脸图像中，被标注为每个所述头部骨骼标签的所述目标像素点的坐标。
6.根据权利要求4或5所述的装置，其特征在于，所述图像识别模型是通过如下方式进行训练的：
获取样本输入集和样本输出集，所述样本输入集中的每个样本输入包括样本人脸图像，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括，在对应的所述样本人脸图像上，被标注为所述指定部位标签的像素点；
将所述样本输入集作为所述图像识别模型的输入，将所述样本输出集作为所述图像识别模型的输出，以训练所述图像识别模型。
7.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-3中任一项所述方法的步骤。
8.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-3中任一项所述方法的步骤。
CN202010177402.4A 2020-03-13 2020-03-13 图像的处理方法、装置、可读介质和电子设备 Active CN111353470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010177402.4A CN111353470B (zh) 2020-03-13 2020-03-13 图像的处理方法、装置、可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010177402.4A CN111353470B (zh) 2020-03-13 2020-03-13 图像的处理方法、装置、可读介质和电子设备

Publications (2)

Publication Number Publication Date
CN111353470A CN111353470A (zh) 2020-06-30
CN111353470B true CN111353470B (zh) 2023-08-01

Family

ID=71196086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010177402.4A Active CN111353470B (zh) 2020-03-13 2020-03-13 图像的处理方法、装置、可读介质和电子设备

Country Status (1)

Country Link
CN (1) CN111353470B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052561A (zh) * 2021-04-01 2021-06-29 苏州惟信易量智能科技有限公司 一种基于可穿戴设备的流程控制系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010024402A1 (ja) * 2008-08-29 2010-03-04 株式会社東芝 画像処理装置および方法、ならびに、画像表示装置
WO2018076622A1 (zh) * 2016-10-28 2018-05-03 中兴通讯股份有限公司 图像处理方法、装置及终端
WO2019227294A1 (zh) * 2018-05-28 2019-12-05 华为技术有限公司 图像处理方法、相关设备及计算机存储介质
WO2019233244A1 (zh) * 2018-06-08 2019-12-12 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读介质及电子设备
CN110599554A (zh) * 2019-09-16 2019-12-20 腾讯科技（深圳）有限公司 人脸肤色的识别方法和装置、存储介质及电子装置
WO2020000879A1 (zh) * 2018-06-27 2020-01-02 北京字节跳动网络技术有限公司 图像识别方法和装置
WO2020019873A1 (zh) * 2018-07-23 2020-01-30 腾讯科技（深圳）有限公司 图像处理方法、装置、终端及计算机可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8391615B2 (en) * 2008-12-02 2013-03-05 Intel Corporation Image recognition algorithm, method of identifying a target image using same, and method of selecting data for transmission to a portable electronic device
US8903195B2 (en) * 2009-02-19 2014-12-02 Nec Corporation Specification of an area where a relationship of pixels between images becomes inappropriate
CN108446651A (zh) * 2018-03-27 2018-08-24 百度在线网络技术（北京）有限公司 人脸识别方法和装置
CN109978930B (zh) * 2019-03-27 2020-11-10 杭州相芯科技有限公司 一种基于单幅图像的风格化人脸三维模型自动生成方法
CN110110693A (zh) * 2019-05-17 2019-08-09 北京字节跳动网络技术有限公司 用于识别人脸属性的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010024402A1 (ja) * 2008-08-29 2010-03-04 株式会社東芝 画像処理装置および方法、ならびに、画像表示装置
WO2018076622A1 (zh) * 2016-10-28 2018-05-03 中兴通讯股份有限公司 图像处理方法、装置及终端
WO2019227294A1 (zh) * 2018-05-28 2019-12-05 华为技术有限公司 图像处理方法、相关设备及计算机存储介质
WO2019233244A1 (zh) * 2018-06-08 2019-12-12 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读介质及电子设备
WO2020000879A1 (zh) * 2018-06-27 2020-01-02 北京字节跳动网络技术有限公司 图像识别方法和装置
WO2020019873A1 (zh) * 2018-07-23 2020-01-30 腾讯科技（深圳）有限公司 图像处理方法、装置、终端及计算机可读存储介质
CN110599554A (zh) * 2019-09-16 2019-12-20 腾讯科技（深圳）有限公司 人脸肤色的识别方法和装置、存储介质及电子装置

Also Published As

Publication number Publication date
CN111353470A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN109902659B (zh) 用于处理人体图像的方法和装置
CN111369427B (zh) 图像处理方法、装置、可读介质和电子设备
US11367313B2 (en) Method and apparatus for recognizing body movement
CN111368685B (zh) 关键点的识别方法、装置、可读介质和电子设备
CN107909065B (zh) 用于检测人脸遮挡的方法及装置
CN111340131B (zh) 图像的标注方法、装置、可读介质和电子设备
US10691928B2 (en) Method and apparatus for facial recognition
CN109829432B (zh) 用于生成信息的方法和装置
US11417014B2 (en) Method and apparatus for constructing map
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
CN109784304B (zh) 用于标注牙齿图像的方法和装置
CN111783626B (zh) 图像识别方法、装置、电子设备及存储介质
CN112668588B (zh) 车位信息生成方法、装置、设备和计算机可读介质
CN110059623B (zh) 用于生成信息的方法和装置
CN111950570B (zh) 目标图像提取方法、神经网络训练方法及装置
CN111210485A (zh) 图像的处理方法、装置、可读介质和电子设备
CN110427915A (zh) 用于输出信息的方法和装置
CN115311178A (zh) 图像拼接方法、装置、设备及介质
CN109829431B (zh) 用于生成信息的方法和装置
CN113610034B (zh) 识别视频中人物实体的方法、装置、存储介质及电子设备
CN111353470B (zh) 图像的处理方法、装置、可读介质和电子设备
CN112037305B (zh) 对图像中的树状组织进行重建的方法、设备及存储介质
CN112101257B (zh) 训练样本生成方法、图像处理方法、装置、设备和介质
CN111310595B (zh) 用于生成信息的方法和装置
CN113111684A (zh) 神经网络模型的训练方法、装置和图像处理系统

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