CN111402122A - 图像的贴图处理方法、装置、可读介质和电子设备 - Google Patents
图像的贴图处理方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN111402122A CN111402122A CN202010202230.1A CN202010202230A CN111402122A CN 111402122 A CN111402122 A CN 111402122A CN 202010202230 A CN202010202230 A CN 202010202230A CN 111402122 A CN111402122 A CN 111402122A
- Authority
- CN
- China
- Prior art keywords
- face image
- target
- recognition model
- sample
- angle
- 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.)
- Pending
Links
- 238000013507 mapping Methods 0.000 title description 7
- 238000003672 processing method Methods 0.000 title description 5
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 16
- 210000003128 head Anatomy 0.000 description 27
- 238000010586 diagram Methods 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 241000282326 Felis catus Species 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 210000005069 ears Anatomy 0.000 description 3
- 210000000887 face Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 240000007711 Peperomia pellucida Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G06T3/04—
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像的贴图处理方法、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姿态角识别模型，以获取姿态角识别模型输出的目标人脸图像中人脸的姿态角，并将目标人脸图像输入预先训练的关键点识别模型，以获取关键点识别模型输出的目标人脸图像中人脸的关键点，根据姿态角和关键点，将目标贴图添加至目标人脸图像。本公开能够通过姿态角识别模型，快速、准确地确定目标人脸图像中的姿态角，从而提高贴图处理的准确度。
Description
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种图像的贴图处理方法、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，终端上所能提供的图像处理操作越来越丰富。用户可以随时随地进行拍照、摄像，并通过网络进行分享。相应的，就产生了各种针对照片中人脸的贴图功能，在人脸上增加各种贴图特效(例如：猫脸、猫耳、兔耳等)，以满足用户的各种需求。要在人脸上增加贴图特效，需要识别出照片中人脸的姿态角，才能使贴图能够贴合在人脸的表面。通常情况下，终端会按照OpenCV(英文：Open Source Computer VisionLibrary，中文：开源计算机视觉库)中的函数来估计照片中人脸的姿态角，计算复杂，准确度不高，容易导致贴图与人脸表面发生错位、漂浮等问题，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贴图处理方法，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姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点；
根据所述姿态角和所述关键点，将目标贴图添加至所述目标人脸图像。
第二方面，本公开提供一种图像的贴图处理装置，所述装置包括：
第一识别模块，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；
第二识别模块，用于将所述目标人脸图像输入预先训练的姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点；
处理模块，用于根据所述姿态角和所述关键点，将目标贴图添加至所述目标人脸图像。
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图像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分别输入至预先训练的姿态角识别模型和关键点识别模型，以获取姿态角识别模型输出的目标人脸图像中人脸的姿态角，和关键点识别模型输出的目标人脸图像中人脸的关键点，最后根据姿态角和关键点，将目标贴图添加至目标人脸图像，以实现在目标人脸图像上增加目标贴图的效果。本公开能够通过姿态角识别模型，快速、准确地确定目标人脸图像中的姿态角，从而提高贴图处理的准确度。
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贴图处理方法的流程图；
图2是根据一示例性实施例示出的另一种图像的贴图处理方法的流程图；
图3是根据一示例性实施例示出的一种训练姿态角识别模型的流程图；
图4是根据一示例性实施例示出的另一种图像的贴图处理方法的流程图；
图5是根据一示例性实施例示出的一种图像的贴图处理装置的框图；
图6是根据一示例性实施例示出的另一种图像的贴图处理装置的框图；
图7是根据一示例性实施例示出的另一种图像的贴图处理装置的框图；
图8是根据一示例性实施例示出的一种电子设备的结构示意图。
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贴图处理方法的流程图，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姿态角识别模型，以获取姿态角识别模型输出的目标人脸图像中人脸的姿态角，并将目标人脸图像输入预先训练的关键点识别模型，以获取关键点识别模型输出的目标人脸图像中人脸的关键点。
示例的，可以将目标人脸图像分别输入至预先训练的姿态角识别模型和关键点识别模型，以获取姿态角识别模型输出的目标人脸图像中人脸的姿态角，和关键点识别模型输出的目标人脸图像中人脸的关键点(英文：Key Point)。姿态角识别模型可以是根据预先设置的第一样本输入集和第一样本输出集训练得到的卷积神经网络(英文：ConvolutionalNeural Networks，缩写：CNN)，姿态角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人脸的姿态角，并将姿态角进行输出。其中，姿态角可以为欧拉角，即包括：人脸的俯仰角、偏转角和翻转角。相比于现有技术中通过OpenCV函数库中的solvePnP函数来估计目标人脸图像中的姿态角，通过姿态角识别模型，能够快速、准确地获得姿态角。
关键点识别模型同样也可以是根据预先设置的第二样本输入集和第二样本输出集训练得到的卷积神经网络，关键点识别模型能够提取目标人脸图像的多个特征图，然后根据多个特征图确定目标人脸图像中人脸的关键点，并将关键点进行输出。其中，关键点例如可以是眉毛、眼睛、嘴巴、鼻子、耳朵等部位的关键点坐标。需要说明的是，上述卷积神经网络仅是本公开实施例对姿态角识别模型、关键点识别模型的一个示例，本公开不限于此，还可以包括其他各种神经网络。
上述姿态角识别模型(或者关键点识别模型)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，以得到目标人脸图像中的姿态角(或者目标人脸图像中人脸的关键点)。
步骤103，根据姿态角和关键点，将目标贴图添加至目标人脸图像。
示例的，在确定姿态角和关键点之后，可以根据姿态角和关键点，将目标贴图添加到目标人脸图像中。其中，目标贴图可以是预先设置的，也可以根据用户的具体需求指定的。例如，目标贴图可以是猫脸贴图、猫耳贴图、兔耳贴图等。终端设备上可以预先设置有多种贴图，以供用户选择，用户选择的贴图即为目标贴图。可以根据姿态角确定目标贴图在目标人脸图像上的角度(可以理解为目标贴图与目标人脸图像之间的角度差)，再根据关键点确定目标贴图在目标人脸图像上的位置(可以理解为坐标)，从而将目标贴图覆盖在目标人脸图像上，以实现在目标人脸图像上增加目标贴图的效果。由于姿态角识别模型能够快速、准确地获得姿态角，因此，能够准确地将目标贴图添加至目标人脸图像上，使得目标贴图与目标人脸图像中的人脸更加贴合，不会出现错位、漂浮等问题，从而提高贴图处理的准确度。
综上所述，本公开首先对待处理图像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分别输入至预先训练的姿态角识别模型和关键点识别模型，以获取姿态角识别模型输出的目标人脸图像中人脸的姿态角，和关键点识别模型输出的目标人脸图像中人脸的关键点，最后根据姿态角和关键点，将目标贴图添加至目标人脸图像，以实现在目标人脸图像上增加目标贴图的效果。本公开能够通过姿态角识别模型，快速、准确地确定目标人脸图像中的姿态角，从而提高贴图处理的准确度。
图2是根据一示例性实施例示出的另一种图像的贴图处理方法的流程图，如图2所示，步骤103的实现方式可以包括：
步骤1031，根据关键点，确定目标贴图在目标人脸图像上的目标位置。
步骤1032，根据姿态角，确定目标贴图在目标人脸图像上的目标角度。
步骤1033，将目标贴图按照目标位置和目标角度，添加至目标人脸图像。
在具体的应用场景中，可以根据关键点在目标人脸图像上的坐标，确定目标贴图将要添加至目标人脸图像上的目标位置，目标位置可以理解为目标贴图在目标人脸图像上的顶点坐标。还可以根据姿态角确定目标贴图在目标人脸图像上的目标角度，目标角度可以理解为目标贴图的姿态角。例如目标角度同样可以为欧拉角，即包括贴图的俯仰角、偏转角和翻转角，目标贴图的姿态角(即目标角度)和目标人脸图像中人脸的姿态角相同，使得目标贴图能够和目标人脸图像中的人脸贴合。那么，按照目标位置和目标角度，将目标贴图添加至目标人脸图像，能够使得目标贴图与目标人脸图像中的人脸更加贴合，提高了贴图处理的准确度。
图3是根据一示例性实施例示出的一种训练姿态角识别模型的流程图，如图3所示，姿态角识别模型是通过如下方式进行训练的：
步骤104，根据预设的人脸图像生成人脸图像中人脸的三维头部模型。
步骤105，将三维头部模型旋转多个指定角度，并将旋转每个指定角度后的三维头部模型投影到二维平面上，以得到该指定角度对应的样本图像，样本图像中人脸的姿态角为该指定角度。
举例来说，在对姿态角识别模型进行训练时，首先要获取用于训练姿态角识别模型的样本输入集和样本输出集。首先，可以根据预设的人脸图像建立一个三维头部模型。其中，人脸图像可以是预先设置的，例如选择一个人脸的姿态角已知的图像作为人脸图像。建立三维头部模型的实现方式可以为：根据为3DMM(英文：3D Morphable Model，中文：三维形变模型)算法对人脸图像进行三维重建，以得到三维头部模型。具体的，可以将人脸图像作为3DMM算法的输入，以使3DMM算法对人脸图像中的人脸进行三维重建，以得到3DMM算法输出的三维头部模型。
之后，将三维头部模型旋转多个指定角度，每旋转一个指定角度，都将旋转后的三维头部模型投影到二维平面上，得到一个样本图像，这个样本图像中人脸的姿态角即为该指定角度。这样，三维头部模型旋转多个指定角度，得到多个样本图像，每个样本图像中人脸的姿态角均为对应的指定角度。以人脸图像中人脸的姿态角为(0°,0°,0°)来举例，利用3DMM算法得到人脸图像对应的三维头部模型。可以理解为，若此时将三维头部模型投影到二维平台上，那么得到的样本图像中人脸的姿态角为(0°,0°,0°)。多个指定角度为：(10°,25°,40°)、(15°,30°,40°)、(20°,25°,50°)、(50°,15°,25°)、(60°,90°,15°)。那么先将三维头部模型旋转(10°,25°,40°)，再将旋转后的三维头部模型投影到二维平面上，得到一个样本图像，该样本图像即为(10°,25°,40°)对应的样本图像，该样本图像中人脸的姿态角为(10°,25°,40°)。依次对(15°,30°,40°)、(20°,25°,50°)、(50°,15°,25°)、(60°,90°,15°)重复执行上述步骤，直至获得每个指定角度对应的样本图像。
步骤106，确定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一个样本图像，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，对应的样本图像，所对应的指定角度。
步骤107，将样本输入集作为姿态角识别模型的输入，将样本输出集作为姿态角识别模型的输出，以训练姿态角识别模型。
示例的，可以将步骤105中的多个指定角度作为样本输出集，样本输出集中的每个样本输出包括一个指定角度。将步骤105中的多个指定角度对应的多个样本图像作为样本输入集，样本输入集中的每个样本输入包括一个样本图像。样本输入集中的样本输入，与样本输出集中的样本输出一一对应，即样本输入中包括的样本图像，与之对应的样本输出为该样本图像对应的指定角度。对姿态角识别模型进行训练时，可以将样本输入集作为姿态角识别模型的输入，将样本输出集作为姿态角识别模型的输出来训练，使得姿态角识别模型在输入样本输入集时，输出的姿态角能够与样本输出集匹配。
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，以得到样本图像中人脸的初始姿态角。将初始姿态角与该样本图像对应的指定角度进行比较，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姿态角识别模型。其中，预设条件例如可以是预设的损失函数最小。
图4是根据一示例性实施例示出的另一种图像的贴图处理方法的流程图，如图4所示，在步骤102中获取关键点之前，该方法还包括：
步骤108，将目标人脸图像作为预设的图像处理算法的输入，以得到图像处理算法输出的清晰人脸图像，清晰人脸图像的清晰度大于目标人脸图像的清晰度。
相应的，步骤102的实现方式可以包括：
将清晰人脸图像输入姿态角识别模型，以获取姿态角识别模型输出的姿态角，并将清晰人脸图像输入关键点识别模型，以获取关键点识别模型输出的关键点。
在具体的应用场景中，可能由于终端设备的像素、拍摄时的环境、拍摄方法等因素的影响，待处理图像可能清晰度较低，相应的，人脸识别算法从待处理图像中识别出的目标人脸图像的清晰度也会较低。为了避免由于目标人脸图像的清晰度过低，导致步骤102中识别出的关键点、姿态角不准确，甚至识别不出关键点、姿态角的问题。可以先对目标人脸图像输入预设的图像处理算法，得到图像处理算法输出的清晰人脸图像，其中，清晰人脸图像的清晰度大于目标人脸图像的清晰度，清晰人脸图像中包含的像素内容更丰富，目标人脸图像上的细部影纹、边界的更清晰。图像处理算法例如可以是根据样本输入集和样本输出集训练得到的GAN(英文：Generative Adversarial Networks，中文：生成式对抗网络)。
在得到清晰人脸图像后，可以将清晰人脸图像分别输入至姿态角识别模型和关键点识别模型，以获取姿态角识别模型输出的清晰人脸图像中人脸的姿态角，和关键点识别模型输出的清晰人脸图像中人脸的关键点。由于输入到姿态角识别模型和关键点识别模型中的是，清晰度大于目标人脸图像的清晰人脸图像，因此能够进一步提高姿态角识别模型识别姿态角的准确度，和关键点识别模型识别关键点的准确度，相应的，也能进一步提高贴图处理的准确度。
综上所述，本公开首先对待处理图像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分别输入至预先训练的姿态角识别模型和关键点识别模型，以获取姿态角识别模型输出的目标人脸图像中人脸的姿态角，和关键点识别模型输出的目标人脸图像中人脸的关键点，最后根据姿态角和关键点，将目标贴图添加至目标人脸图像，以实现在目标人脸图像上增加目标贴图的效果。本公开能够通过姿态角识别模型，快速、准确地确定目标人脸图像中的姿态角，从而提高贴图处理的准确度。
图5是根据一示例性实施例示出的一种图像的贴图处理装置的框图，如图5所示，该装置200包括：
第一识别模块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。
第二识别模块202，用于将目标人脸图像输入预先训练的姿态角识别模型，以获取姿态角识别模型输出的目标人脸图像中人脸的姿态角，并将目标人脸图像输入预先训练的关键点识别模型，以获取关键点识别模型输出的目标人脸图像中人脸的关键点。
处理模块203，用于根据姿态角和关键点，将目标贴图添加至目标人脸图像。
图6是根据一示例性实施例示出的另一种图像的贴图处理装置的框图，如图6所示，处理模块203包括：
确定子模块2031，用于根据关键点，确定目标贴图在目标人脸图像上的目标位置。
确定子模块2031，还用于根据姿态角，确定目标贴图在目标人脸图像上的目标角度。
处理子模块2032，用于将目标贴图按照目标位置和目标角度，添加至目标人脸图像。
可选地，姿态角识别模型是通过如下方式进行训练的：
步骤A)根据预设的人脸图像生成人脸图像中人脸的三维头部模型。
步骤B)将三维头部模型旋转多个指定角度，并将旋转每个指定角度后的三维头部模型投影到二维平面上，以得到该指定角度对应的样本图像，样本图像中人脸的姿态角为该指定角度。
步骤C)确定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一个样本图像，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，对应的样本图像，所对应的指定角度。
步骤D)将样本输入集作为姿态角识别模型的输入，将样本输出集作为姿态角识别模型的输出，以训练姿态角识别模型。
具体的，步骤A)的实现方式为：
根据三维形变模型3DMM算法对人脸图像进行三维重建，以得到三维头部模型。
图7是根据一示例性实施例示出的另一种图像的贴图处理装置的框图，如图7所示，该装置还包括：
预处理模块204，用于在将目标人脸图像输入预先训练的姿态角识别模型，以获取姿态角识别模型输出的目标人脸图像中人脸的姿态角，并将目标人脸图像输入预先训练的关键点识别模型，以获取关键点识别模型输出的目标人脸图像中人脸的关键点之前，将目标人脸图像作为预设的图像处理算法的输入，以得到图像处理算法输出的清晰人脸图像，清晰人脸图像的清晰度大于目标人脸图像的清晰度。
相应的，第二识别模块202用于：
将清晰人脸图像输入姿态角识别模型，以获取姿态角识别模型输出的姿态角，并将清晰人脸图像输入关键点识别模型，以获取关键点识别模型输出的关键点。
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图像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分别输入至预先训练的姿态角识别模型和关键点识别模型，以获取姿态角识别模型输出的目标人脸图像中人脸的姿态角，和关键点识别模型输出的目标人脸图像中人脸的关键点，最后根据姿态角和关键点，将目标贴图添加至目标人脸图像，以实现在目标人脸图像上增加目标贴图的效果。本公开能够通过姿态角识别模型，快速、准确地确定目标人脸图像中的姿态角，从而提高贴图处理的准确度。
下面参考图8，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(即上述图像的贴图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8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8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8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姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点；根据所述姿态角和所述关键点，将目标贴图添加至所述目标人脸图像。
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，第一识别模块还可以被描述为“识别目标人脸图像的模块”。
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提供了一种图像的贴图处理方法，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姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点；根据所述姿态角和所述关键点，将目标贴图添加至所述目标人脸图像。
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，所述根据所述姿态角和所述关键点，将目标贴图添加至所述目标人脸图像，包括：根据所述关键点，确定所述目标贴图在所述目标人脸图像上的目标位置；根据所述姿态角，确定所述目标贴图在所述目标人脸图像上的目标角度；将所述目标贴图按照所述目标位置和所述目标角度，添加至所述目标人脸图像。
根据本公开的一个或多个实施例，示例3提供了示例1或2的方法，所述姿态角识别模型是通过如下方式进行训练的：根据预设的人脸图像生成所述人脸图像中人脸的三维头部模型；将所述三维头部模型旋转多个指定角度，并将旋转每个所述指定角度后的所述三维头部模型投影到二维平面上，以得到该指定角度对应的样本图像，所述样本图像中人脸的姿态角为该指定角度；确定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一个所述样本图像，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，对应的所述样本图像，所对应的所述指定角度；将所述样本输入集作为所述姿态角识别模型的输入，将所述样本输出集作为所述姿态角识别模型的输出，以训练所述姿态角识别模型。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据预设的人脸图像生成所述人脸图像中人脸的三维头部模型，包括：根据三维形变模型3DMM算法对所述人脸图像进行三维重建，以得到所述三维头部模型。
根据本公开的一个或多个实施例，示例5提供了示例1或2的方法，在所述将所述目标人脸图像输入预先训练的姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点之前，所述方法还包括：将所述目标人脸图像作为预设的图像处理算法的输入，以得到所述图像处理算法输出的清晰人脸图像，所述清晰人脸图像的清晰度大于所述目标人脸图像的清晰度；所述将所述目标人脸图像输入预先训练的姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点，包括：将所述清晰人脸图像输入所述姿态角识别模型，以获取所述姿态角识别模型输出的所述姿态角，并将所述清晰人脸图像输入所述关键点识别模型，以获取关键点识别模型输出的所述关键点。
根据本公开的一个或多个实施例，示例6提供了一种图像的贴图处理装置，包括：第一识别模块，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；第二识别模块，用于将所述目标人脸图像输入预先训练的姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点；处理模块，用于根据所述姿态角和所述关键点，将目标贴图添加至所述目标人脸图像。
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，所述处理模块包括：确定子模块，用于根据所述关键点，确定所述目标贴图在所述目标人脸图像上的目标位置；所述确定子模块，还用于根据所述姿态角，确定所述目标贴图在所述目标人脸图像上的目标角度；处理子模块，用于将所述目标贴图按照所述目标位置和所述目标角度，添加至所述目标人脸图像。
根据本公开的一个或多个实施例，示例8提供了示例6或7的装置，所述姿态角识别模型是通过如下方式进行训练的：根据预设的人脸图像生成所述人脸图像中人脸的三维头部模型；将所述三维头部模型旋转多个指定角度，并将旋转每个所述指定角度后的所述三维头部模型投影到二维平面上，以得到该指定角度对应的样本图像，所述样本图像中人脸的姿态角为该指定角度；确定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一个所述样本图像，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，对应的所述样本图像，所对应的所述指定角度；将所述样本输入集作为所述姿态角识别模型的输入，将所述样本输出集作为所述姿态角识别模型的输出，以训练所述姿态角识别模型。
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5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5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 (10)
1.一种图像的贴图处理方法，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姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点；
根据所述姿态角和所述关键点，将目标贴图添加至所述目标人脸图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述姿态角和所述关键点，将目标贴图添加至所述目标人脸图像，包括：
根据所述关键点，确定所述目标贴图在所述目标人脸图像上的目标位置；
根据所述姿态角，确定所述目标贴图在所述目标人脸图像上的目标角度；
将所述目标贴图按照所述目标位置和所述目标角度，添加至所述目标人脸图像。
3.根据权利要求1或2所述的方法，其特征在于，所述姿态角识别模型是通过如下方式进行训练的：
根据预设的人脸图像生成所述人脸图像中人脸的三维头部模型；
将所述三维头部模型旋转多个指定角度，并将旋转每个所述指定角度后的所述三维头部模型投影到二维平面上，以得到该指定角度对应的样本图像，所述样本图像中人脸的姿态角为该指定角度；
确定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一个所述样本图像，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，对应的所述样本图像，所对应的所述指定角度；
将所述样本输入集作为所述姿态角识别模型的输入，将所述样本输出集作为所述姿态角识别模型的输出，以训练所述姿态角识别模型。
4.根据权利要求3所述的方法，其特征在于，所述根据预设的人脸图像生成所述人脸图像中人脸的三维头部模型，包括：
根据三维形变模型3DMM算法对所述人脸图像进行三维重建，以得到所述三维头部模型。
5.根据权利要求1或2所述的方法，其特征在于，在所述将所述目标人脸图像输入预先训练的姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点之前，所述方法还包括：
将所述目标人脸图像作为预设的图像处理算法的输入，以得到所述图像处理算法输出的清晰人脸图像，所述清晰人脸图像的清晰度大于所述目标人脸图像的清晰度；
所述将所述目标人脸图像输入预先训练的姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点，包括：
将所述清晰人脸图像输入所述姿态角识别模型，以获取所述姿态角识别模型输出的所述姿态角，并将所述清晰人脸图像输入所述关键点识别模型，以获取关键点识别模型输出的所述关键点。
6.一种图像的贴图处理装置，其特征在于，所述装置包括：
第一识别模块，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；
第二识别模块，用于将所述目标人脸图像输入预先训练的姿态角识别模型，以获取所述姿态角识别模型输出的所述目标人脸图像中人脸的姿态角，并将所述目标人脸图像输入预先训练的关键点识别模型，以获取所述关键点识别模型输出的所述目标人脸图像中人脸的关键点；
处理模块，用于根据所述姿态角和所述关键点，将目标贴图添加至所述目标人脸图像。
7.根据权利要求6所述的装置，其特征在于，所述处理模块包括：
确定子模块，用于根据所述关键点，确定所述目标贴图在所述目标人脸图像上的目标位置；
所述确定子模块，还用于根据所述姿态角，确定所述目标贴图在所述目标人脸图像上的目标角度；
处理子模块，用于将所述目标贴图按照所述目标位置和所述目标角度，添加至所述目标人脸图像。
8.根据权利要求6或7所述的装置，其特征在于，所述姿态角识别模型是通过如下方式进行训练的：
根据预设的人脸图像生成所述人脸图像中人脸的三维头部模型；
将所述三维头部模型旋转多个指定角度，并将旋转每个所述指定角度后的所述三维头部模型投影到二维平面上，以得到该指定角度对应的样本图像，所述样本图像中人脸的姿态角为该指定角度；
确定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一个所述样本图像，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，对应的所述样本图像，所对应的所述指定角度；
将所述样本输入集作为所述姿态角识别模型的输入，将所述样本输出集作为所述姿态角识别模型的输出，以训练所述姿态角识别模型。
9.一种计算机可读介质，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1-5中任一项所述方法的步骤。
10.一种电子设备，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1-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010202230.1A CN111402122A (zh) | 2020-03-20 | 2020-03-20 | 图像的贴图处理方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010202230.1A CN111402122A (zh) | 2020-03-20 | 2020-03-20 | 图像的贴图处理方法、装置、可读介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111402122A true CN111402122A (zh) | 2020-07-10 |
Family
ID=71431144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010202230.1A Pending CN111402122A (zh) | 2020-03-20 | 2020-03-20 | 图像的贴图处理方法、装置、可读介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402122A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070022A (zh) * | 2020-09-09 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 人脸图像识别方法、装置、电子设备和计算机可读介质 |
| CN113761994A (zh) * | 2020-08-07 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 处理图像的方法、装置、设备和计算机可读介质 |
| CN114792354A (zh) * | 2022-06-22 | 2022-07-26 | 北京飞渡科技有限公司 | 模型处理方法、装置、存储介质及电子设备 |
| WO2023093897A1 (zh) * | 2021-11-29 | 2023-06-01 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107917700A (zh) * | 2017-12-06 | 2018-04-17 | 天津大学 | 基于深度学习的小幅度目标三维姿态角测量方法 |
| CN109819316A (zh) * | 2018-12-28 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 处理视频中人脸贴纸的方法、装置、存储介质及电子设备 |
| CN109934196A (zh) * | 2019-03-21 | 2019-06-25 | 厦门美图之家科技有限公司 | 人脸姿态参数评估方法、装置、电子设备及可读存储介质 |
| CN109961055A (zh) * | 2019-03-29 | 2019-07-02 | 广州市百果园信息技术有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
| US20190251335A1 (en) * | 2017-03-23 | 2019-08-15 | Samsung Electronics Co., Ltd. | Facial verification method and apparatus |
-
2020
- 2020-03-20 CN CN202010202230.1A patent/CN111402122A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190251335A1 (en) * | 2017-03-23 | 2019-08-15 | Samsung Electronics Co., Ltd. | Facial verification method and apparatus |
| CN107917700A (zh) * | 2017-12-06 | 2018-04-17 | 天津大学 | 基于深度学习的小幅度目标三维姿态角测量方法 |
| CN109819316A (zh) * | 2018-12-28 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 处理视频中人脸贴纸的方法、装置、存储介质及电子设备 |
| CN109934196A (zh) * | 2019-03-21 | 2019-06-25 | 厦门美图之家科技有限公司 | 人脸姿态参数评估方法、装置、电子设备及可读存储介质 |
| CN109961055A (zh) * | 2019-03-29 | 2019-07-02 | 广州市百果园信息技术有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113761994A (zh) * | 2020-08-07 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 处理图像的方法、装置、设备和计算机可读介质 |
| CN112070022A (zh) * | 2020-09-09 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 人脸图像识别方法、装置、电子设备和计算机可读介质 |
| WO2023093897A1 (zh) * | 2021-11-29 | 2023-06-01 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114792354A (zh) * | 2022-06-22 | 2022-07-26 | 北京飞渡科技有限公司 | 模型处理方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368685B (zh) | 关键点的识别方法、装置、可读介质和电子设备 | |
| CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| CN109584276B (zh) | 关键点检测方法、装置、设备及可读介质 | |
| CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
| CN111402122A (zh) | 图像的贴图处理方法、装置、可读介质和电子设备 | |
| CN110188719B (zh) | 目标跟踪方法和装置 | |
| CN109829432B (zh) | 用于生成信息的方法和装置 | |
| US11417014B2 (en) | Method and apparatus for constructing map | |
| CN110033423B (zh) | 用于处理图像的方法和装置 | |
| CN110059623B (zh) | 用于生成信息的方法和装置 | |
| 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 | |
| CN109670444B (zh) | 姿态检测模型的生成、姿态检测方法、装置、设备及介质 | |
| CN109754464B (zh) | 用于生成信息的方法和装置 | |
| CN109981989B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
| CN109829431B (zh) | 用于生成信息的方法和装置 | |
| CN114445269A (zh) | 一种图像特效处理方法、装置、设备及介质 | |
| CN113902636A (zh) | 图像去模糊方法及装置、计算机可读介质和电子设备 | |
| CN111368668B (zh) | 三维手部识别方法、装置、电子设备及存储介质 | |
| CN109816791B (zh) | 用于生成信息的方法和装置 | |
| CN110084306B (zh) | 用于生成动态图像的方法和装置 | |
| CN110349108B (zh) | 处理图像的方法、装置、电子设备、及存储介质 | |
| CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN116012913A (zh) | 模型训练方法、人脸关键点检测方法、介质及装置 | |
| CN111898529B (zh) | 脸部检测方法、装置、电子设备和计算机可读介质 | |
| CN111353470B (zh) | 图像的处理方法、装置、可读介质和电子设备 |
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 |