CN112036209A - 一种人像照片处理方法及终端 - Google Patents
一种人像照片处理方法及终端 Download PDFInfo
- Publication number
- CN112036209A CN112036209A CN201910476193.0A CN201910476193A CN112036209A CN 112036209 A CN112036209 A CN 112036209A CN 201910476193 A CN201910476193 A CN 201910476193A CN 112036209 A CN112036209 A CN 112036209A
- Authority
- CN
- China
- Prior art keywords
- portrait
- photo
- photos
- score
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000014509 gene expression Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004397 blinking Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 11
- 210000001508 eye Anatomy 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Studio Devices (AREA)
- Image Processing (AREA)
Abstract
本发明适用于图像处理技术领域,提供了人像照片处理方法及终端,包括:获取至少两幅人像照片;识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。通过计算综合分数来衡量人像照片的可推荐程度,并将综合分数较高的人像照片识别为推荐照片推荐给用户,避免了用户在多张照片中选择满意的一张的繁琐过程,提高了人像照片的拍照效率和处理效率,也提高了人像拍摄的人像效果。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种人像照片处理方法及终端。
背景技术
由于智能手机的普及、手机摄像头硬件质量的不断提升以及手机摄影的便携性,越来越多的人使用手机拍摄、编辑和分享他们的图像、视频内容。因此,如何提高手机拍摄图像的质量变得越来越重要。
现有技术中通过一些美图软件来直接对通过用户终端拍摄的人像照片进行图像处理,得到成像效果较好、人像照片好看的图像,但是这种方式对拍摄得到的人像照片要求较高,例如,必须是基于照片中的人像照片表情和动作表现良好情况下,才能进行图像处理得到被拍摄者满意的人像照片图像。因此,现有技术中存在人像照片拍照和处理过程效率和效果较低的问题。
发明内容
有鉴于此,本发明实施例提供了人像照片处理方法及终端,以解决现有技术中在人像照片拍照和处理过程效率和效果较低的问题。
本发明实施例的第一方面提供了一种人像照片处理方法,包括:
获取至少两幅人像照片;
识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;
根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
本发明实施例的第二方面提供了一种人像照片处理终端,包括:
获取单元,用于获取至少两幅人像照片;
识别单元,用于识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;
推荐单元,用于根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
本发明实施例的第三方面提供了一种人像照片处理终端/终端,包括:处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持装置执行上述方法的计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例与现有技术相比存在的有益效果是:通过获取至少两幅人像照片;识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。通过计算综合分数来衡量人像照片的可推荐程度,并将综合分数较高的人像照片识别为推荐照片推荐给用户,避免了用户在多张照片中选择满意的一张的繁琐过程,提高了人像照片的拍照效率和处理效率,也提高了人像拍摄的人像效果。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是本发明实施例一提供的人像照片处理方法的流程图;
图2是本发明实施例二提供的人像照片处理方法的流程图;
图3是本发明实施例三提供的人像照片处理终端的示意图;
图4是本发明实施例四提供的人像照片处理终端的示意图;
图5是本发明实施例五提供的人像照片处理终端的示意图。
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,以便透彻理解本发明实施例。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发明。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发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
参见图1,图1是本发明实施例一提供的一种人像照片处理方法的流程图。本实施例中人像照片处理方法的执行主体为人像照片处理终端。人像照片处理终端可以为智能手机、平板电脑等移动终端,但不限于此,还可以为其他终端,此处不做限制。终端可以是安卓Android操作系统,也可以是windows操作系统,或IOS操作系统。如图1所示的人像照片处理方法可以包括以下步骤:
S101:获取至少两幅人像照片。
在实际的相片拍摄过程中,用户一般通过在短时间内拍摄大量的照片来进行手动选择和图像美化。但是这种情况往往需要耗费用户大量的时间来选择,且在选择照片的过程中主观意识较强,没有办法站在客观的角度来选择照片。考虑到这种情况,我们通过获取至少两幅人像图片,来进行智能图像选取。
本实施例中获取人像照片的方式可以直接通过用户终端来拍摄获取,也可以是接收其他用户终端发送的人像照片,例如,别人用手机拍摄的很多照片,发送到被拍摄者自己的手机,或者是集体合照的情况下,通过一个手机终端拍摄人像照片,可以通过共享的方式来获取到所有的人像照片,以在用户自己的用户终端来进行人像照片的选择和处理。
需要说明的是,本实施例的人像照片的数量可以是两幅,也可以是两幅以上,为了保证拍摄的效果,可以拍摄更多数量的人像照片以供用户选择拍摄效果更好的一张。同时,本实施例中的人像照片中可以包括一个人像,也可以同时包括两个或者两个以上的人像合照,此处对人像照片中的人像数目不做限定,但是为了保证图像识别与选取推荐的效果,我们尽量要求人像照片是同一场景下拍摄的照片,比如,用户在短时间之内连续拍照的多幅自拍照片。
在用户持续按下快门键时开启。普通的连拍模式会快速存储下所有图像,之后由用户在相册中逐张进行筛选;智能连拍模式会使用上述算法自动从多张照片中选择质量最好的若干张推荐给用户,节省了用户进行逐张筛选的时间。此外,还可以设置“保存所有图像”按键,存储所有图像留给用户做后期筛选。
S102:识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述综合分数用于衡量所述人像照片的可推荐程度;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况。
在获取到至少两幅人像照片之后,由于很多情况下拍摄得到的相片用户都不会很满意,比如,在图像质量和拍摄者的表情、五官等,因此,我们需要对人像照片的图像质量和人脸信息进行识别,确定每个人像照片在图像质量的人脸信息方面的表现情况,为了更加清楚的量化图像质量和人脸信息,本实施例中通过根据图像质量和人脸信息计算每个人像照片的综合分数,以衡量每个人像照片的可推荐程度。
需要说明的是,本实施例中的人脸信息可以包括人眼信息、人像表情以及人脸遮挡情况。其中,人眼信息可以包括有没有眨眼、眼睛有没有睁开等,人像表情可以包括有无微笑或者微笑程度等,人脸遮挡情况可以包括有没有其他东西遮挡人像中的人脸区域,若有,其遮挡位置或者遮挡区域是否合适或者美观等。同时,本实施例中的图像质量可以包括但不限于图像清晰度、曝光程度以及图像色彩饱和程度等,此处不做限定。
S103:根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
在确定了每个人像照片的综合分数之后,我们根据综合分数由高到低的顺序,从人像照片中确定推荐照片。需要说明的是,本实施例中的推荐照片的数目可以是一个也可以是两个或者两个以上,此处对推荐照片的数量不做限定。
进一步的,在确定了推荐照片之后,推荐照片只是人像照片中人像表现和图像质量较好的一幅或者多幅,用户终端还可以对推荐照片进行降噪、滤镜或者美化等处理,以提高人像的美观程度。
上述方案,通过获取至少两幅人像照片;识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。通过计算综合分数来衡量人像照片的可推荐程度,并将综合分数较高的人像照片识别为推荐照片推荐给用户,避免了用户在多张照片中选择满意的一张的繁琐过程,提高了人像照片的拍照效率和处理效率,也提高了人像拍摄的人像效果。
参见图2,图2是本发明实施例二提供的一种人像照片处理方法的流程图。本实施例中人像照片处理方法的执行主体为人像照片处理终端。人像照片处理终端可以为智能手机、平板电脑等移动终端,但不限于此,还可以为其他终端,此处不做限制。终端可以是安卓Android操作系统,也可以是windows操作系统,或IOS操作系统。如图2所示的人像照片处理方法可以包括以下步骤:
S201:获取至少两幅人像照片。
由于智能手机的普及、手机摄像头硬件质量的不断提升、以及手机摄影的便携性,越来越多的人使用手机拍摄、编辑和分享他们的图像、视频内容。因此,如何提高手机拍摄图像的质量变得越来越重要。我们通过获取至少两幅人像照片,来从中选择用户满意的推荐照片。
进一步的,步骤S201可以具体包括:
S2011:获取至少两幅所述人像照片。
本实施例中获取人像照片的方式可以直接通过用户终端来拍摄获取,也可以是接收其他用户终端发送的人像照片,例如,别人用手机拍摄的很多照片,发送到被拍摄者自己的手机,或者是集体合照的情况下,通过一个手机终端拍摄人像照片,可以通过共享的方式来获取到所有的人像照片,以在用户自己的用户终端来进行人像照片的选择和处理。
可选的,本实施例中的人像照片还可以是用户在用户终端的相册中选择的人像照片,即包含人脸的图像,以通过本实施例中的方式对相册中的照片进行筛选,将符合条件的照片保留,并删除不符合条件的照片。因此,本实施例中的人像照片可以是包含一个人,也可以是包含两个或者两个以上的人,人像照片中的人像数量可以相同也可以不同,拍摄对象可以相同也可以不同。所有的人像照片可以是针对一个人的独照,也可以是很多人的合照,还可以是各种数量的人的合照。同时,人像照片可以是连续拍照得到的,也可是不连续拍摄得到的。同时也可是在不同拍摄背景、不同环境、不同场合下拍摄得到,此处不做限定。例如,可以是一个人在同一场景下的连续自拍,也可以是一个人在不同场景下的非连续自拍,同时还可以是多个人在不同场景下的人像照片。本实施例中在获取到人像照片之后,便可以通过衡量不同人像照片中的清晰度、眨眼、笑容、遮挡等情况来进行相片筛选。
S2022:识别所述人像照片中的人脸区域,并删除所述人脸区域不符合预设条件的人像照片;所述预设条件包括人脸区域在人像照片中预设的面积占比和预设的位置范围。
在获取到人像照片之后,我们通过识别人像照片中的人脸区域,来确定人脸区域是否符合预设条件,并删除人脸区域不符合预设条件的人像照片。
具体的,本实施例中的预设条件可以包括人脸区域在人像照片中的面积占比和位置范围,例如,人像照片中的人脸大小,若人脸太大,则会导致人像照片不够美观,人脸太小,则可能造成人脸看不清楚的问题,因此,本实施例中通过人脸区域在人像照片中面积占比来衡量人脸的大小,当面积占比超过预设的比例阈值的时候,则说明人脸面积在人像照片中的占比较大,不符合预设条件,需要将这幅人像照片删除。
同时,本实施例中还设置了人脸区域在人像照片中的位置范围条件,例如,人脸区域在图像的中下位置或者中间位置,若人脸区域太靠近人像照片的上部,则不符合预设条件,需要将这幅人像照片删除。
需要说明的是,本实施例中的预设条件可以根据具体的人像照片情况、拍摄环境、相片要求或者用户自己设定的条件来确定,上述预设条件只是举例,不代表全部的预设条件情况。
S202:对所述人像照片进行边缘滤波,得到所述人像照片的清晰度分数;所述清晰度分数用于表示所述图像质量。
在获取到人像照片之后,我们需要识别人像照片的图像质量,图像质量指人们对一幅图像视觉感受的主观评价,在实际应用中,主观评价通常认为图像质量指被测图像相对于标准图像在人眼视觉系统中产生误差的程度。换一句话说就是相对于原图像,人眼认为目标图像几乎没有降质或损伤,则说目标图像的质量高,否则说图像质量差。另一种定义指在没有原图像的情况下,人眼能清晰地分辨图像中的事物,对图像中前景和背景、物体的轮廓、纹理等等能较好地区分,则说图像质量好,否则说图像质量差。主观质量评分法是图像质量最具代表性的主观评价方法,它通过对观察者的评分归一化来判断图像质量。而主观质量评分法又可以分为绝对评价和相对评价两种类型,其中,绝对评价是将图像直接按照视觉感受分级评分,相对评价是由观察者将一批图像从好到坏进行分类,将它们相互比较得出好坏,并给出相应的评分。图像质量的客观评测是根据人眼的主观视觉系统建立数学模型,并通过具体的公式计算图像的质量。相比主观评测,客观评价具有可批量处理、结果可重现的特点,不会因为人为的原因而出现偏差。
本实施例中通过计算人像照片的清晰度分数来衡量一个人像照片的图像质量,清晰度越高的人像照片其观赏的效果越好,容易被拍摄者选定或者进行下一步处理的概率便越高,我们通过计算每个人像照片的清晰度,并将高清晰度的人像照片选择出来,以进行推送。
进一步的,步骤S202可以具体包括步骤S2021~S2023:
S2021:将所述人像照片中的图像中心或者对焦中心识别为中心目标。
我们先对人像照片进行识别,得到人像照片的中心作为中心目标。其中,本实施例的中心目标可以是人像照片的图像中心或者对焦中心,在识别图像中心的时候,可以直接确定人像照片的大小,即人像照片的长度和宽度,并根据长度和宽度来计算均值,通过均值确定人像照片中的图像中心。
在识别对焦中心时,可以先识别人像照片中每个像素点的分辨率,根据每个像素点的分辨率确定分辨率由高到低延伸的趋势,并识别分辨率最高、且周围分辨率由高到低辐射的区域中心为对焦中心。
S2022:在以所述中心目标为中心的预设区域内进行边缘滤波,得到所述人像照片的响应平均值。
在识别得到中心目标之后,我们以中心目标为中心的预设区域内进行边缘滤波,得到人像照片的响应平均值。具体的,本实施例中的预设区域可以是设定一个半径长度的方式,通过以中心目标为中心,以半径长度为半径的圆形区域则为待进行边缘滤波的区域。
具体的,我们对待进行边缘滤波区域进行边缘滤波时,可以通过索贝尔算子的方式来进行,索贝尔算子是计算机视觉领域的一种重要处理方法。它是一离散性差分算子,用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子,将会产生对应的梯度矢量或是其法矢量。本实施例中的索贝尔算子是把图像中每个像素的上下左右四领域的灰度值做加权差再取绝对值,从而检测边缘强度。索贝尔算子不但产生较好的检测效果,而且对噪声具有平滑抑制作用。在通过索贝儿算子进行边缘滤波时,我们通过提取每个像素的响应值,再根据每个像素的响应值计算响应平均值。本实施例中通过选择图像中心或者对焦中心的周围区域来进行边缘滤波,可以节省计算量,提高计算效率。
S2023:将所述响应平均值识别为所述人像照片的所述清晰度分数。
在计算得到边缘滤波时的响应平均值之后,我们将响应平均值识别为人像照片的清晰度分数。以通过清晰度分数来衡量人像照片的图像质量,清晰度分数越高,则说明图像质量越高,清晰度分数越低,则说明图像质量越低。
在步骤S202运行的同时或者之后,我们可以执行步骤S203,但是在执行步骤S203之前,需执行步骤S2031~S2033:
S2031:获取历史人像照片。
我们在确定人像照片中的人眼信息、人像表情以及人脸遮挡情况之前,需要先根据历史人像照片来训练得到一个人脸信息识别模型。因此,本实施例中,需要先获取历史人像照片以进行训练。
具体的,本实施例中获取历史人像照片可以是通过用户终端拍摄的历史相片中获取,也可以是通过实时采集的方式来获取,其获取得到的相片中必须包括人像区域,以进行人像识别和训练。
S2032:根据预设的卷积计算参数,对所述历史人像照片进行至少两次卷积计算,提取出人像语义信息。
由于需要对输入的每一张图像进行人脸分析,而输入的图像个数又非常多,因此如何设计一个高效的人脸分析算法至关重要。现有的技术首先在输入图像上做人脸检测,之后在检测到的人脸区域重新提取原始图像的像素值进行卷积操作,因此存在冗余计算,复杂度较高。
本实施例中,通过预设的卷积计算参数,对历史人像照片进行至少两次卷积计算,提取出较高级的语义信息。可选的,本实施例中的卷积网络可以通过YOLO算法或者FasterR-CNN等方式进行。
S2033:根据所述卷积计算参数和所述人像语义信息生成人脸分析模型;所述人脸分析模型用于从人像照片中提取出人脸区域。
在提取出人像语义信息之后,我们根据人像语义信息生成带有高级语义信息的特征图,并根据卷积计算参数和该特征图生成人脸分析模型,以从人像照片中提取出人脸区域来。
S203:识别所述人像照片中的人脸区域,并确定所述人脸区域中人像的眨眼分数、笑容分数以及遮挡分数。
在训练得到人脸分析模型之后,我们通过人脸分析模型来识别人像照片中的人脸区域,以确定人脸区域中的人像的眨眼分数、笑容分数以及遮挡分数。
本实施例中可以根据训练好的人脸分析模型,并基于单步法的对象检测方式来进行人脸眨眼、笑容、遮挡的分析。示例性地,通过端到端的目标检测网络,以调整过大小后的人像照片为输入,经过前端的人脸分析模型后,在生成的人脸特征区域中再对人脸特征进一步融合、整理,然后直接生成图片上每个位置节点所涵盖的潜在目标的类别、位置及置信度等信息。最后再对这些潜在的目标以其置信度信息来进行过滤,以减少重复、冗余的目标框数目。
进一步的,本实施例的步骤S203可以具体包括步骤S2034~S2036:
S2034:根据所述人脸分析模型,从所述人像照片中提取出所有所述人脸区域。
本实施例中可以基于两步法的人脸特征检测方式来进行人脸特征提取,首先根据训练好的人脸分析模型,从人像照片中提取出所有的人脸区域,并将人脸区域作为区域候选框。
S2035:将所述人脸区域通过一个包含卷积层和全连接层的分类头进行分类,得到所述人像照片的分类结果;所述分类结果中包括不同眨眼程度、不同笑容程度以及不同遮挡程度对应的人像照片。
在确定了人像照片中的区域候选框之后,再对每个区域候选框内的特征图部分做池化处理,缩放到相同的分辨率,之后通过一个包含卷积层和全连接层的分类头,对该候选框是否包含人脸、是否眨眼、是否有笑容、是否有遮挡进行检测和分类,得到人像照片的分类结果,其中,分类结果中包括不同眨眼程度、不同笑容程度以及不同遮挡程度对应的人像照片。
S2036:根据所述分类结果、各分类结果对应的预设评分标准,确定所述人像照片中人像的眨眼分数、笑容分数以及遮挡分数。
在得到不同人脸表现的分类结果之后,我们根据分类结果和对各分类结果对应的预设评分标准,确定人像照片中人像的眨眼分数,笑容分数以及遮挡分数。
示例性的,根据人像照片中人脸的眨眼程度、笑容程度以及遮挡程度,我们可以将其分别分为一级眨眼、二级眨眼以及三级眨眼,根据不同的笑容程度,我们可以将其分为一级笑容、二级笑容以及三级笑容,根据不同的遮挡程度我们可以将其分为一级遮挡、二级遮挡以及三级遮挡,级别越高,代表程度越厉害或者效果越明显。并且,针对所有的人脸表现,本实施例中都预设有对应的评分标准,例如,一级笑容、二级笑容以及三级笑容分别对应的评分为30、60以及90分。需要说明的是,上述示例只是针对于最简单的人像表现和分类结果的评分示例,并不代表全部的分类结果和评分方式。
S204:根据所述清晰度分数、所述眨眼分数、所述笑容分数、所述遮挡分数,以及预设的眨眼权重、笑容权重和遮挡权重计算每个所述人像照片的综合分数。
本实施例中的每张人像照片的质量分为客观和主观两方面,其中客观质量衡量指标为图像清晰度;主观质量衡量指标为人脸分析结果,具体又包括是否眨眼、是否有笑容、是否有遮挡三个方面。
本实施例的图像打分规则需要综合客观和主观两方面,示例性地,通过公式:qi=si+∑k(wbbi,k+wmmi,k+wooi,k)计算人像照片的综合分数;其中,qi用于表示第i张人像照片的综合分数;si为清晰度分数,清晰度越高则si数值越大;k用于表示检测到的人脸的人脸标识,可以为编号等;bi,k、mi,k、oi,k分别用于表示眨眼分数、笑容分数以及遮挡分数;wb、wm与wo分别用于表示预设的眨眼权重、笑容权重和遮挡权重,没有眨眼、有笑容、没有遮挡则三者数值会较高。
S205:根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
在计算得到人像照片的综合分数之后,我们根据综合人数,从人像照片中确定出推荐照片,以节省用户对连拍图像进行逐张筛选的时间,提升用户体验。
进一步的,步骤S205可以具体包括步骤S2051~S2053:
S2051:根据每个所述人像照片的综合分数,确定并显示至少一幅推荐照片。
对每一张人像照片进行质量评分,并按照评分结果选取若干推荐照片,并将所有推荐照片显示在用户终端上,以供用户来选择一张或者几张最满意的目标照片。
进一步的,我们在用户终端显示至少一幅推荐照片的时候,可以在终端界面上显示出全部的人像照片,并通过高亮或者其他特别标注的方式标注出推荐图像,同时在推荐图像上标识出可选择界面组件,例如在推荐图像的右下角显示可以点击的小方框,以让用户通过点击小方框来选择出目标图像。
示例性地,当用户在用户终端的相册中选出了至少两幅人像照片,这些人像照片中可能包含不同的人像,通过本实施例中的筛选方式得到预设数量的推荐照片,用户终端可以选择删除人像照片中除推荐照片之外的其他照片,并保留推荐照片,以达到智能筛选相册照片的目的,避免用户一张一张的删除相册中质量较差的相片,提高相片筛选的效率,并减少用户终端的冗余数据存储量。
S2052:获取用户从所有所述推荐照片中选择的一幅目标照片。
在显示出推荐照片之后,用户可以在用户终端上点击推荐照片进行详细查看,同时也可以直接点击推荐照片来选择出一幅目标照片,以进行重点处理、显示或者存储。
进一步的,本实施例中还可以针对多人合影照片的情景,自动从多张连拍图像中找到人脸区域效果最好的一张。由于合影模式主要针对人脸,因此可以加入针对人脸的图像后处理模块。通过从连续拍摄的多张照片中选取质量最优图像的方法,其中质量最优考虑到客观和主观两方面因素,客观因素为图像的清晰度,主观因素依赖对人脸的分析,包括是否眨眼、是否有笑容、是否被遮挡三个因素。
S2053:对所述目标照片进行降噪处理和美颜处理,并显示处理之后的所述目标照片。
在获取用户从所有推荐照片中选择的一幅目标照片之后,我们对目标照片进行多帧降噪和美颜处理,并显示处理之后的目标照片,或者将处理之前的目标照片和处理之后的目标照片存储在用户终端中。使用这种方式,不需要在手机上存储所有拍摄图像,而且只需要对一张图像进行多帧降噪等处理,因此可以节省手机上的计算、存储等资源。同时提高手机拍照的清晰度以及人脸部分的主观质量,节省用户对连拍图像进行逐张筛选的时间,提升用户体验。
上述方案,通过获取至少两幅人像照片;对所述人像照片进行边缘滤波,得到所述人像照片的清晰度分数;所述清晰度分数用于表示所述图像质量;识别所述人像照片中的人脸区域,并确定所述人脸区域中人像的眨眼分数、笑容分数以及遮挡分数;根据所述清晰度分数、所述眨眼分数、所述笑容分数、所述遮挡分数,以及预设的眨眼权重、笑容权重和遮挡权重计算每个所述人像照片的综合分数。根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。通过识别并根据人脸区域中人像的眨眼分数、笑容分数以及遮挡分数计算综合分数来衡量人像照片的可推荐程度,将综合分数较高的人像照片识别为推荐照片推荐给用户,只需要对一张图像进行多帧降噪、美化以及存储等处理,节省了用户对连拍图像进行逐张筛选的时间,提高了手机拍照的清晰度以及人脸部分的主观质量,节省手机上的计算、存储等资源。
参见图3,图3是本发明实施例三提供的一种人像照片处理终端的示意图。终端300可以为智能手机、平板电脑等移动终端。本实施例的终端300包括的各单元用于执行图1对应的实施例中的各步骤,具体请参阅图1及图1对应的实施例中的相关描述,此处不赘述。本实施例的终端300包括获取单元301、识别单元302以及推荐单元303。
获取单元301,用于获取至少两幅人像照片;
识别单元302,用于识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;
推荐单元303,用于根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
上述方案,通过获取至少两幅人像照片;识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。通过计算综合分数来衡量人像照片的可推荐程度,并将综合分数较高的人像照片识别为推荐照片推荐给用户,避免了用户在多张照片中选择满意的一张的繁琐过程,提高了人像照片的拍照效率和处理效率,也提高了人像拍摄的人像效果。
参见图4,图4是本发明实施例四提供的一种终端的示意图。图4与图3的区别之处在于,图4在图3对应的步骤中S302中包括了步骤S402-S404。终端400可以为智能手机、平板电脑等移动终端。本实施例的终端400包括的各单元用于执行图2对应的实施例中的各步骤,具体请参阅图2及图2对应的实施例中的相关描述,此处不赘述。本实施例的终端400包括获取单元401、滤波单元402、识别单元403、计算单元404以及推荐单元405。
获取单元401,用于获取至少两幅人像照片;
滤波单元402,用于对所述人像照片进行边缘滤波,得到所述人像照片的清晰度分数;所述清晰度分数用于表示所述图像质量;
识别单元403,用于识别所述人像照片中的人脸区域,并确定所述人脸区域中人像的眨眼分数、笑容分数以及遮挡分数;
计算单元404,用于根据所述清晰度分数、所述眨眼分数、所述笑容分数、所述遮挡分数,以及预设的眨眼权重、笑容权重和遮挡权重计算每个所述人像照片的综合分数。
推荐单元405,用于根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
进一步的,所述获取单元401可以包括:
第一获取单元,用于获取至少两幅所述人像照片;
第一识别单元,用于识别所述人像照片中的人脸区域,并删除所述人脸区域不符合预设条件的人像照片;所述预设条件包括人脸区域在人像照片中预设的面积占比和预设的位置范围。
进一步的,所述滤波单元402可以包括:
第二识别单元,用于将所述人像照片中的图像中心或者对焦中心识别为中心目标;
边缘滤波单元,用于在以所述中心目标为中心的预设区域内进行边缘滤波,得到所述人像照片的响应平均值;
清晰度单元,用于将所述响应平均值识别为所述人像照片的所述清晰度分数。
进一步的,所述终端设备还可以包括:
第二获取单元,用于获取历史人像照片;
信息提取单元,用于根据预设的卷积计算参数,对所述历史人像照片进行至少两次卷积计算,提取出人像语义信息;
模型构建单元,用于根据所述卷积计算参数和所述人像语义信息生成人脸分析模型;所述人脸分析模型用于从人像照片中提取出人脸区域。
进一步的,所述识别单元403可以包括:
人脸提取单元,用于根据所述人脸分析模型,从所述人像照片中提取出所有所述人脸区域;
人像分类单元,用于将所述人脸区域通过一个包含卷积层和全连接层的分类头进行分类,得到所述人像照片的分类结果;所述分类结果中包括不同眨眼程度、不同笑容程度以及不同遮挡程度对应的人像照片;
分数计算单元,用于根据所述分类结果、各分类结果对应的预设评分标准,确定所述人像照片中人像的眨眼分数、笑容分数以及遮挡分数。
进一步的,所述推荐单元405可以包括:
照片确定单元,用于根据每个所述人像照片的综合分数,确定并显示至少一幅推荐照片;
第三获取单元,用于获取用户从所有所述推荐照片中选择的一幅目标照片;
图像处理单元,用于对所述目标照片进行降噪处理和美颜处理,并显示处理之后的所述目标照片。
上述方案,通过获取至少两幅人像照片;对所述人像照片进行边缘滤波,得到所述人像照片的清晰度分数;所述清晰度分数用于表示所述图像质量;识别所述人像照片中的人脸区域,并确定所述人脸区域中人像的眨眼分数、笑容分数以及遮挡分数;根据所述清晰度分数、所述眨眼分数、所述笑容分数、所述遮挡分数,以及预设的眨眼权重、笑容权重和遮挡权重计算每个所述人像照片的综合分数。根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。通过识别并根据人脸区域中人像的眨眼分数、笑容分数以及遮挡分数计算综合分数来衡量人像照片的可推荐程度,将综合分数较高的人像照片识别为推荐照片推荐给用户,只需要对一张图像进行多帧降噪、美化以及存储等处理,节省了用户对连拍图像进行逐张筛选的时间,提高了手机拍照的清晰度以及人脸部分的主观质量,节省手机上的计算、存储等资源。
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,而不应对本发明实施例的实施过程构成任何限定。
参见图5,图5是本发明实施例五提供的一种人像照片处理终端的示意图。如图5所示的本实施例中的人像照片处理终端500可以包括:处理器501、存储器502以及存储在存储器502中并可在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个用于人像照片处理方法实施例中的步骤。存储器502用于存储计算机程序,所述计算机程序包括程序指令。处理器501用于执行存储器502存储的程序指令。其中,处理器501被配置用于调用所述程序指令执行以下操作:
处理器501用于获取至少两幅人像照片;
识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;
根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
进一步的,处理器501具体用于获取至少两幅所述人像照片;
识别所述人像照片中的人脸区域,并删除所述人脸区域不符合预设条件的人像照片;所述预设条件包括人脸区域在人像照片中预设的面积占比和预设的位置范围。
进一步的,处理器501具体用于对所述人像照片进行边缘滤波,得到所述人像照片的清晰度分数;所述清晰度分数用于表示所述图像质量;
识别所述人像照片中的人脸区域,并确定所述人脸区域中人像的眨眼分数、笑容分数以及遮挡分数;
根据所述清晰度分数、所述眨眼分数、所述笑容分数、所述遮挡分数,以及预设的眨眼权重、笑容权重和遮挡权重计算每个所述人像照片的综合分数。
进一步的,处理器501具体用于将所述人像照片中的图像中心或者对焦中心识别为中心目标;
在以所述中心目标为中心的预设区域内进行边缘滤波,得到所述人像照片的响应平均值;
将所述响应平均值识别为所述人像照片的所述清晰度分数。
进一步的,处理器501具体用于获取历史人像照片;
根据预设的卷积计算参数,对所述历史人像照片进行至少两次卷积计算,提取出人像语义信息;
根据所述卷积计算参数和所述人像语义信息生成人脸分析模型;所述人脸分析模型用于从人像照片中提取出人脸区域。
进一步的,处理器501具体用于根据所述人脸分析模型,从所述人像照片中提取出所有所述人脸区域;
将所述人脸区域通过一个包含卷积层和全连接层的分类头进行分类,得到所述人像照片的分类结果;所述分类结果中包括不同眨眼程度、不同笑容程度以及不同遮挡程度对应的人像照片;
根据所述分类结果、各分类结果对应的预设评分标准,确定所述人像照片中人像的眨眼分数、笑容分数以及遮挡分数。
进一步的,处理器501具体用于根据每个所述人像照片的综合分数,确定并显示至少一幅推荐照片;
获取用户从所有所述推荐照片中选择的一幅目标照片;
对所述目标照片进行降噪处理和美颜处理,并显示处理之后的所述目标照片。
上述方案,通过获取至少两幅人像照片;对所述人像照片进行边缘滤波,得到所述人像照片的清晰度分数;所述清晰度分数用于表示所述图像质量;识别所述人像照片中的人脸区域,并确定所述人脸区域中人像的眨眼分数、笑容分数以及遮挡分数;根据所述清晰度分数、所述眨眼分数、所述笑容分数、所述遮挡分数,以及预设的眨眼权重、笑容权重和遮挡权重计算每个所述人像照片的综合分数。根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。通过识别并根据人脸区域中人像的眨眼分数、笑容分数以及遮挡分数计算综合分数来衡量人像照片的可推荐程度,将综合分数较高的人像照片识别为推荐照片推荐给用户,只需要对一张图像进行多帧降噪、美化以及存储等处理,节省了用户对连拍图像进行逐张筛选的时间,提高了手机拍照的清晰度以及人脸部分的主观质量,节省手机上的计算、存储等资源。
应当理解,在本发明实施例中,所称处理器501可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。
该存储器502可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如,存储器502还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器501、存储器502、计算机程序503可执行本发明实施例提供的人像照片处理方法的第一实施例和第二实施例中所描述的实现方式,也可执行本发明实施例所描述的终端的实现方式,在此不再赘述。
在本发明的另一实施例中提供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,所述计算机程序可以被分割成获取单元、识别单元、推荐单元,各单元具体功能如下:
获取单元,用于获取至少两幅人像照片;
识别单元,用于识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;
推荐单元,用于根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
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,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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,也可以是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。
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,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种人像照片处理方法,其特征在于,包括:
获取至少两幅人像照片;
识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;
根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
2.如权利要求1所述的人像照片处理方法,其特征在于,所述获取至少两幅人像照片,包括:
获取至少两幅所述人像照片;
识别所述人像照片中的人脸区域,并删除所述人脸区域不符合预设条件的人像照片;所述预设条件包括人脸区域在人像照片中预设的面积占比和预设的位置范围。
3.如权利要求1所述的人像照片处理方法,其特征在于,所述识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数,包括:
对所述人像照片进行边缘滤波,得到所述人像照片的清晰度分数;所述清晰度分数用于表示所述图像质量;
识别所述人像照片中的人脸区域,并确定所述人脸区域中人像的眨眼分数、笑容分数以及遮挡分数;
根据所述清晰度分数、所述眨眼分数、所述笑容分数、所述遮挡分数,以及预设的眨眼权重、笑容权重和遮挡权重计算每个所述人像照片的综合分数。
4.如权利要求3所述的人像照片处理方法,其特征在于,所述对所述人像照片进行边缘滤波,得到所述人像照片的清晰度分数,包括:
将所述人像照片中的图像中心或者对焦中心识别为中心目标;
在以所述中心目标为中心的预设区域内进行边缘滤波,得到所述人像照片的响应平均值;
将所述响应平均值识别为所述人像照片的所述清晰度分数。
5.如权利要求3所述的人像照片处理方法,其特征在于,所述识别所述人像照片中的人脸区域,并确定所述人脸区域中人像的眨眼分数、笑容分数以及遮挡分数之前,还包括:
获取历史人像照片;
根据预设的卷积计算参数,对所述历史人像照片进行至少两次卷积计算,提取出人像语义信息;
根据所述卷积计算参数和所述人像语义信息生成人脸分析模型;所述人脸分析模型用于从人像照片中提取出人脸区域。
6.如权利要求5所述的人像照片处理方法,其特征在于,所述识别所述人像照片中的人脸区域,并确定所述人脸区域中人像的眨眼分数、笑容分数以及遮挡分数,包括:
根据所述人脸分析模型,从所述人像照片中提取出所有所述人脸区域;
将所述人脸区域通过一个包含卷积层和全连接层的分类头进行分类,得到所述人像照片的分类结果;所述分类结果中包括不同眨眼程度、不同笑容程度以及不同遮挡程度对应的人像照片;
根据所述分类结果、各分类结果对应的预设评分标准,确定所述人像照片中人像的眨眼分数、笑容分数以及遮挡分数。
7.如权利要求1-6任一项所述的人像照片处理方法,其特征在于,所述根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片,包括:
根据每个所述人像照片的综合分数,确定并显示至少一幅推荐照片;
获取用户从所有所述推荐照片中选择的一幅目标照片;
对所述目标照片进行降噪处理和美颜处理,并显示处理之后的所述目标照片。
8.一种人像照片处理终端,其特征在于,包括:
获取单元,用于获取至少两幅人像照片;
识别单元,用于识别所述人像照片的图像质量和人脸信息,并根据所述图像质量和所述人脸信息计算每个所述人像照片的综合分数;所述人脸信息用于表征所述人像照片中人眼信息、人像表情以及人脸遮挡情况;
推荐单元,用于根据每个所述人像照片的综合分数,从所有所述人像照片中确定推荐照片。
9.一种人像照片处理终端,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7任一项所述方法的步骤。
10.一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7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476193.0A CN112036209A (zh) | 2019-06-03 | 2019-06-03 | 一种人像照片处理方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476193.0A CN112036209A (zh) | 2019-06-03 | 2019-06-03 | 一种人像照片处理方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036209A true CN112036209A (zh) | 2020-12-04 |
Family
ID=73576489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910476193.0A Pending CN112036209A (zh) | 2019-06-03 | 2019-06-03 | 一种人像照片处理方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036209A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712041A (zh) * | 2020-12-31 | 2021-04-27 | 北京华安信联通信技术有限公司 | 一种照片分类方法 |
CN112733664A (zh) * | 2020-12-31 | 2021-04-30 | 北京华安信联通信技术有限公司 | 一种照片分类方法 |
CN113239220A (zh) * | 2021-05-26 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像推荐方法、装置、终端及可读存储介质 |
CN117409397A (zh) * | 2023-12-15 | 2024-01-16 | 河北远东通信系统工程有限公司 | 一种基于位置概率的实时人像比选方法、装置及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103595914A (zh) * | 2013-11-04 | 2014-02-19 | 华为终端有限公司 | 一种拍照方法和移动终端 |
CN104185981A (zh) * | 2013-10-23 | 2014-12-03 | 华为终端有限公司 | 从连拍图像中选择图像的方法和终端 |
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 |
CN106570110A (zh) * | 2016-10-25 | 2017-04-19 | 北京小米移动软件有限公司 | 图像去重方法及装置 |
CN106603917A (zh) * | 2016-12-16 | 2017-04-26 | 努比亚技术有限公司 | 一种拍摄装置和方法 |
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 |
CN107967456A (zh) * | 2017-11-27 | 2018-04-27 | 电子科技大学 | 一种基于人脸关键点的多神经网络级联识别人脸方法 |
CN108764164A (zh) * | 2018-05-30 | 2018-11-06 | 华中科技大学 | 一种基于可变形卷积网络的人脸检测方法及系统 |
-
2019
- 2019-06-03 CN CN201910476193.0A patent/CN112036209A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104185981A (zh) * | 2013-10-23 | 2014-12-03 | 华为终端有限公司 | 从连拍图像中选择图像的方法和终端 |
CN103595914A (zh) * | 2013-11-04 | 2014-02-19 | 华为终端有限公司 | 一种拍照方法和移动终端 |
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 |
CN106570110A (zh) * | 2016-10-25 | 2017-04-19 | 北京小米移动软件有限公司 | 图像去重方法及装置 |
CN106603917A (zh) * | 2016-12-16 | 2017-04-26 | 努比亚技术有限公司 | 一种拍摄装置和方法 |
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 |
CN107967456A (zh) * | 2017-11-27 | 2018-04-27 | 电子科技大学 | 一种基于人脸关键点的多神经网络级联识别人脸方法 |
CN108764164A (zh) * | 2018-05-30 | 2018-11-06 | 华中科技大学 | 一种基于可变形卷积网络的人脸检测方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712041A (zh) * | 2020-12-31 | 2021-04-27 | 北京华安信联通信技术有限公司 | 一种照片分类方法 |
CN112733664A (zh) * | 2020-12-31 | 2021-04-30 | 北京华安信联通信技术有限公司 | 一种照片分类方法 |
CN112712041B (zh) * | 2020-12-31 | 2023-12-01 | 北京华安信联通信技术有限公司 | 一种照片分类方法 |
CN112733664B (zh) * | 2020-12-31 | 2024-04-16 | 北京华安信联通信技术有限公司 | 一种照片分类方法 |
CN113239220A (zh) * | 2021-05-26 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像推荐方法、装置、终端及可读存储介质 |
CN117409397A (zh) * | 2023-12-15 | 2024-01-16 | 河北远东通信系统工程有限公司 | 一种基于位置概率的实时人像比选方法、装置及系统 |
CN117409397B (zh) * | 2023-12-15 | 2024-04-09 | 河北远东通信系统工程有限公司 | 一种基于位置概率的实时人像比选方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402135B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
US11270455B2 (en) | Method and apparatus for pose processing | |
CN107808136B (zh) | 图像处理方法、装置、可读存储介质和计算机设备 | |
CN108764091B (zh) | 活体检测方法及装置、电子设备和存储介质 | |
AU2017261537B2 (en) | Automated selection of keeper images from a burst photo captured set | |
CN105323456B (zh) | 用于拍摄装置的图像预览方法、图像拍摄装置 | |
EP3338217B1 (en) | Feature detection and masking in images based on color distributions | |
CN107730444B (zh) | 图像处理方法、装置、可读存储介质和计算机设备 | |
CN105323425B (zh) | 融合图像系统中的场景运动校正 | |
CN112036209A (zh) | 一种人像照片处理方法及终端 | |
CN108366203B (zh) | 一种构图方法、装置、电子设备及存储介质 | |
CN108810406B (zh) | 人像光效处理方法、装置、终端及计算机可读存储介质 | |
CN111031239B (zh) | 图像处理方法及其装置、电子设备和计算机可读存储介质 | |
CN107172354A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN106815803B (zh) | 图片的处理方法及装置 | |
CN110807759A (zh) | 照片质量的评价方法及装置、电子设备、可读存储介质 | |
WO2020038065A1 (zh) | 一种图像处理方法、终端及计算机存储介质 | |
CN107578372B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
WO2015196681A1 (zh) | 一种图片处理方法及电子设备 | |
US9286707B1 (en) | Removing transient objects to synthesize an unobstructed image | |
CN112839167A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN108647605A (zh) | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 | |
CN110766631A (zh) | 人脸图像的修饰方法、装置、电子设备和计算机可读介质 | |
CN111105369A (zh) | 图像处理方法、图像处理装置、电子设备和可读存储介质 | |
CN111314608B (zh) | 一种图像定焦提示方法、计算机装置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 |