基于大数据和人工智能的人脸处理方法和人脸处理平台
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种基于大数据和人工智能的人脸处理方法和人脸处理平台。
背景技术
随着图像处理技术的不断发展,其应用范围得到了不断的扩展,例如,可以基于用户的需求进行图像中的人脸进行美化处理。但是,经发明人研究发现,在针对人脸美化的现有图像处理技术中,存在着由于用户的操作精度较低而导致图像处理(即美化)精度也低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种基于大数据和人工智能的人脸处理方法和人脸处理平台,以改善现有的图像处理技术中由于用户的操作精度较低而导致图像处理精度也低的问题。
为实现上述目的,本申请实施例采用如下技术方案:
一种基于大数据和人工智能的人脸处理方法,应用于人脸处理平台,所述人脸处理方法包括:
获取目标设备发送的待美化的目标人脸图像;
获取与所述目标人脸图像具有关联关系的其它人脸图像的历史美化数据,其中,该历史美化数据基于历史上请求所述人脸处理平台对所述其它人脸图像进行美化处理形成;
基于所述历史美化数据对所述目标设备发送的人脸美化指令进行修正处理,得到人脸美化修正指令,其中,该人脸美化指令基于所述目标设备响应目标用户对该目标设备的选择操作生成;
基于所述人脸美化修正指令对所述目标人脸图像进行美化处理。
在上述基础上,本申请实施例还提供了一种人脸处理平台,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行所述计算机程序,以实现上述的基于大数据和人工智能的人脸处理方法。
本申请提供的基于大数据和人工智能的人脸处理方法和人脸处理平台,通过获取与目标人脸图像具有关联关系的其它人脸图像的历史美化数据,以基于历史美化数据对人脸美化指令进行修正处理得到人脸美化修正指令,从而基于人脸美化修正指令对目标人脸图像进行美化处理。如此,由于结合了历史美化数据(即美化程度),可以使得美化处理的精度相对较高,从而改善现有的图像处理技术中由于用户的操作精度较低而导致图像处理(美化)精度也低的问题,特别是在应用于如手机等屏幕较小的终端设备时,由于用户的操作粒度较小,使得操作精度较低,采用上述方法具有较佳的效果,能够较好的满足用户的需求,还可以避免因用户需要进行较多时间的操作而导致时间成本较高的问题。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本申请实施例提供的人脸处理平台的结构框图。
图2为本申请实施例提供的基于大数据和人工智能的人脸处理方法包括的各步骤的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本申请的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,本申请实施例提供了一种人脸处理平台。其中,所述人脸处理平台可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,如所述软件功能模块,从而实现本申请实施例(如后文所述)提供的基于大数据和人工智能的人脸处理方法。
可选地,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
并且,所述处理器可以是一种通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。
可以理解,所述人脸处理平台可以是一种具有数据处理能力的服务器。
并且,图1所示的结构仅为示意,所述人脸处理平台还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置,例如,还可以包括用于与其它设备进行信息交互的通信单元。
结合图2,本申请实施例还提供一种基于大数据和人工智能的人脸处理方法,可应用于上述人脸处理平台。其中,该基于大数据和人工智能的人脸处理方法有关的流程所定义的方法步骤,可以由所述人脸处理平台实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,获取目标设备发送的待美化的目标人脸图像。
在本实施例中,所述人脸处理平台可以先获取所述目标设备(如手机)发送的目标人脸图像,该目标人脸图像为待美化的人脸图像。
步骤S120,获取与所述目标人脸图像具有关联关系的其它人脸图像的历史美化数据。
在本实施例中,在基于步骤S110获取到所述目标人脸图像之后,所述人脸处理平台可以先确定与该目标人脸图像具有关联关系的其它人脸图像,然后,获取基于该其它人脸图像形成的历史美化数据。
其中,所述历史美化数据可以基于历史上请求所述人脸处理平台对所述其它人脸图像进行美化处理形成。
步骤S130,基于所述历史美化数据对所述目标设备发送的人脸美化指令进行修正处理,得到人脸美化修正指令。
在本实施例中,在基于步骤S120获取到所述历史美化数据之后,所述人脸处理平台可以基于该历史美化数据对所述目标设备发送的人脸美化指令进行修正处理,如此,可以得到对应的人脸美化修正指令。
其中,所述人脸美化指令可以基于所述目标设备响应目标用户对该目标设备的选择操作(如拉动进度条等操作)生成。
步骤S140,基于所述人脸美化修正指令对目标人脸图像进行美化处理。
在本实施例中,在基于步骤S130得到所述人脸美化修正指令之后,所述人脸处理平台可以基于该人脸美化修正指令(即修正后的人脸美化指令),对所述目标人脸图像进行美化处理。
基于上述方法,由于结合了历史美化数据(即历史美化程度),可以使得美化处理的精度相对较高,从而改善现有的图像处理技术中由于用户的操作精度较低而导致图像处理(美化)精度也低的问题,特别是在应用于如手机等屏幕较小的终端设备时,由于用户的操作粒度较小,使得操作精度较低,采用上述方法具有较佳的效果,能够较好的满足用户的需求,还可以避免因用户需要进行较多时间的操作而导致时间成本较高的问题。
也就是说,由于受限于所述目标设备,特别是手机的显示屏幕的区域,用户的操作精度较低,使得实际生成的人脸美化指令与用户想要生成的人脸美化指令之间具有一定的差异,如此,结合历史上对具有关联关系的其它人脸图像进行美化处理的历史美化数据,对该实际生成的人脸美化指令进行调整,可以使得得到的人脸美化修正指令与用户想要生成的人脸美化指令之间具有更小的差异。
第一方面,对于步骤S120需要说明的是,获取所述历史美化数据的具体方式不受限制,可以根据实际应用需求进行选择,在本实施例中,基于不同的需求,提供以下四种方式以获取历史美化数据。
在第一种示例中,经过本申请的发明人的研究发现,一般同一个人的人脸图像的美化程度会基本相同,因此,步骤S120可以包括以下子步骤:
首先,将所述目标人脸图像与目标数据库(既可以是指所述人脸处理平台的本地数据库,也可以是指所述人脸处理平台的远端数据库)中的每一张其它人脸图像进行相似度计算,得到对应的多个图像相似度,其中,该目标数据库中的每一张其它人脸图像为历史上请求所述人脸处理平台进行美化处理的人脸图像(也就是说,在基于历史请求对人脸图像进行美化处理时,还可以将该人脸图像进行保存,即保存至所述目标数据库);
其次,在所述多个图像相似度中确定大于预设相似度的图像相似度,得到至少一个目标图像相似度,并将该至少一个目标图像相似度对应的至少一张其它人脸图像作为与所述目标人脸图像具有关联关系的其它人脸图像(也就是说,一张其它人脸图像与所述目标人脸图像之间的图像相似度大于预设相似度,可以说明该其它人脸图像中的人脸与该目标人脸图像中的人脸为同一个人的人脸,或者,是非常相似的两个人的人脸);
然后,针对每一张具有关联关系的其它人脸图像,获取所述人脸处理平台对该其它人脸图像进行的美化处理的历史美化数据。
在第二种示例中,为了保证能够获取到一些历史美化数据,以作为参考,步骤S120可以包括以下子步骤:
首先,将所述目标人脸图像与目标数据库中的每一张其它人脸图像进行相似度计算,得到对应的多个图像相似度(即一张其它人脸图像对应一个图像相似度),其中,该目标数据库中的每一张其它人脸图像为历史上请求所述人脸处理平台进行美化处理的人脸图像;
其次,在所述多个图像相似度中确定数值最大的目标预设数量个图像相似度,得到该目标预设数量个目标图像相似度,并将该目标预设数量个目标图像相似度对应的目标预设数量张其它人脸图像作为与所述目标人脸图像具有关联关系的其它人脸图像(也就是说,将最相似的预设数量张其它人脸图像作为所述目标人脸图像具有关联关系的图像,原因在于,经过本申请的发明人的研究发现,具有相似的脸的人,对于美化程度一般也会趋于相同,例如,脸型较圆的人一般都会选择瘦脸,肤色较黑的人一般都会选择美白皮肤等);
然后,针对每一张具有关联关系的其它人脸图像,获取所述人脸处理平台对该其它人脸图像进行的美化处理的历史美化数据。
在第三种示例中,经过本申请的发明人的研究发现,一般一个设备的用户会比较固定,而一个用户对美化程度的需求一般也会固定,因此,步骤S120也可以包括以下子步骤:
首先,获取所述目标设备在历史上请求所述人脸处理平台进行人脸美化处理的每一张其它人脸图像,并将该其它人脸图像作为与所述目标人脸图像具有关联关系的其它人脸图像(也就是说,只要是发送所述目标人脸图像的所述目标设备,在历史上曾经发送过的其它人脸图像都可以作为该目标人脸图像具有关联关系的其它人脸图像);
其次,针对每一张具有关联关系的其它人脸图像,获取所述人脸处理平台对该其它人脸图像进行的美化处理的历史美化数据。
在第四种示例中,经过本申请的发明人的研究发现,一般一个账号的用户会比较固定,而一个用户对美化程度的需求一般也会固定,因此,步骤S120也可以包括以下子步骤:
首先,确定所述目标设备发送所述目标人脸图像的目标账号信息(也就是说,所述目标设备是基于该目标账号信息与所述人脸处理平台进行通信,从而发送所述目标人脸图像),其中,该目标账号信息为预先在所述人脸处理平台进行注册形成;
其次,获取基于所述目标账号信息在历史上请求所述人脸处理平台进行人脸美化处理的每一张其它人脸图像,并将该其它人脸图像作为与所述目标人脸图像具有关联关系的其它人脸图像(也就是说,只要是基于发送所述目标人脸图像的所述目标账号信息,在历史上曾经发送过的其它人脸图像都可以作为该目标人脸图像具有关联关系的其它人脸图像);
然后,针对每一张具有关联关系的其它人脸图像,获取所述人脸处理平台对该其它人脸图像进行的美化处理的历史美化数据。
在上述四种示例中,可以理解的是,所述其它人脸图像既可以是指,与所述目标人脸图像中具有相同人脸的图像,也可以是指与所述目标人脸图像中具有不同人脸的图像,只要不是当前发送的所述目标人脸图像即可。
第二方面,对于步骤S130需要说明的是,对所述人脸美化指令进行修正处理的具体方式不受限制,可以根据实际应用需求进行选择,在本实施例中,基于不同的需求,提供以下两种方式以对所述人脸美化指令进行修正处理,得到人脸美化修正指令。
在第一种示例中,为了在保证得到的人脸美化修正指令具有一定的可靠度的基础上,还能提高进行修正处理的效率,步骤S130可以包括子步骤10-子步骤1,具体内容如下所述。
子步骤10,将多个所述历史美化数据按照生成时间的先后顺序进行排序处理,得到美化数据序列(也就是说,在本实施例中,基于步骤S120获取的历史美化数据为多个,如此,在所述人脸处理平台每一次对所述其它人脸图像进行美化处理之后,可以基于美化处理之前和美化处理之后的人脸图像进行对比分析,从而得到对应的历史美化数据,即历史美化程度)。
子步骤11,按照预设的第一序列长度对所述美化数据序列进行分割操作,形成多个美化数据序列片段,其中,每一个所述美化数据序列片段包括的历史美化数据的数量相同,且长度等于所述第一序列长度(例如,若所述美化数据序列包括200个历史美化数据,所述第一序列长度为20个历史美化数据,如此,可以形成10个美化数据序列片段)。
子步骤12,针对每一个所述美化数据序列片段,基于该美化数据序列片段包括的多个历史美化数据进行均值计算处理,得到该美化数据序列片段对应的美化数据平均值(例如,结合前述的示例,可以针对每一个所述美化数据序列片段,将该美化数据序列片段包括的20个历史美化数据进行平均值计算,如此,可以得到10个美化数据平均值)。
子步骤13,在所述多个美化数据序列片段中,将所述美化数据平均值最大的美化数据序列片段确定为目标美化数据序列片段(也就是说,在基于子步骤12得到10个美化数据平均值之后,可以在该10个美化数据平均值中确定出最大的美化数据平均值,然后,将该美化数据平均值对应的美化数据序列片段确定为目标美化数据序列片段。原因在于,经过本申请的发明人的研究发现,如果美化程度较小,其参考意义会相对较小,因而,选择美化程度较大的数据作为参考依据)。
子步骤14,在所述目标美化数据序列片段包括的多个所述历史美化数据,将具有最大值的一个历史美化数据,确定为该目标美化数据序列片段的历史美化代表数据(也就是说,在所述目标美化数据序列片段包括的如上述的20个历史美化数据中,确定一个数值最大的历史美化数据,然后,将该历史美化数据确定为历史美化代表数据,即代表该目标美化数据序列片段,也代表获取的全部历史美化数据)。
子步骤15,将所述历史美化代表数据与预设美化数据进行大小关系比较处理,得到对应的美化数据比较结果(也就是说,可以判断所述历史美化代表数据与所述预设美化数据之间的相对大小,以确定该历史美化代表数据是否能够作为修改处理的依据)。
子步骤16,若所述美化数据比较结果为所述历史美化代表数据大于所述预设美化数据,则基于该历史美化代表数据对所述目标设备发送的人脸美化指令进行修正处理,得到人脸美化修正指令(也就是说,所述历史美化代表数据相对较大,即美化程度相对较高,可以作为进行修正处理的依据,使得可以基于该历史美化代表数据对人脸美化指令进行修正处理)。
子步骤17,若所述美化数据比较结果为所述历史美化代表数据不大于所述预设美化数据,则将所述目标设备发送的人脸美化指令作为人脸美化修正指令(也就是说,所述历史美化代表数据相对较小,即美化程度相对较低,难以作为进行修正处理的依据,因而,可以不进行修正处理,如此,可以直接将所述人脸美化指令作为人脸美化修正指令)。
可选地,在上述示例中,基于子步骤11进行排序处理的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,为了降低数据处理量且在一定程度上排除一些异常数据的干扰,子步骤11可以包括以下子步骤。
第一步,将多个所述历史美化数据按照生成时间的先后顺序进行排序处理,得到初始数据序列(在一些其它示例中,为了保证最后得到的美化数据序列中具有足够数量的历史美化数据,在形成该初始数据序列之后,可以先判断该初始数据序列中包括的历史美化数据是否达到预定数量,若达到该预定数量,可以执行后续的步骤,若未达到该预定数量,可以直接将该初始数据序列作为最终的美化数据序列)。
第二步,在所述初始数据序列中,计算在时间上每相邻的两个所述历史美化数据之间的时间间隔(即获取每一个所述历史美化数据的生成时间,然后,计算相邻两个历史美化数据的生成时间之间的时间间隔)。
第三步,在所述初始数据序列中,将待丢弃的第一历史美化数据进行丢弃处理,得到中间数据序列,其中,该待丢弃的第一历史美化数据为与前一个历史美化数据之间的时间间隔和与后一个历史美化数据之间的时间间隔大于预设时间长度的历史美化数据(经本申请的发明人的研究发现,如果一个历史美化数据的生成时间与前一个历史美化数据的生成时间之间的时间间隔较大,且与后一个历史美化数据的生成时间之间的时间间隔也较大,表明在一定程度上该历史美化数据不符合用户的习惯性操作,因而,可以作为异常数据,予以丢弃,一方面可以降低数据量,另一方面也可以排除异常数据的干扰)。
第四步,在所述中间数据序列中,计算在时间上每相邻的两个所述历史美化数据之间的数据差值(即计算历史美化程度之间的程度差)。
第五步,在所述中间数据序列中,将待丢弃的第二历史美化数据进行丢弃处理,得到美化数据序列,其中,该待丢弃的第二历史美化数据为与前一个历史美化数据之间的数据差值和与后一个历史美化数据之间的数据差值大于预设差值的历史美化数据,且该历史美化数据小于该前一个历史美化数据,小于该后一个历史美化数据(经本申请的发明人的研究发现,如果一个历史美化数据较小于一个历史美化数据,且也较小于后一个历史美化数据,表明在一定程度上该历史美化数据不符合用户的习惯性操作,因而,可以作为异常数据,予以丢弃,一方面可以进一步降低数据量,另一方面也可以进一步排除异常数据的干扰)。
可选地,在上述示例中,基于子步骤16进行修正处理的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,为了避免对所述人脸美化指令进行过度的修正,使得得到的人脸美化修正指令可靠性较低,子步骤16可以包括以下子步骤,具体内容如下所述。
第一步,对所述目标设备发送的人脸美化指令进行转化处理,得到对应的目标人脸美化数据,其中,该目标人脸美化数据用于表征对人脸美化的程度,该程度包括对牙齿美白程度、眼袋去除程度、眼睛放大程度、脸型变瘦程度、皮肤美白程度或皮肤光滑程度(如眼睛放大1.1倍等,在其它示例中,还可以包括痘印去除程度、鼻孔缩小程度等)。
第二步,对所述历史美化代表数据和所述目标人脸美化数据进行绝对差值计算处理,得到对应的美化差值(例如,历史美化代表数据是眼睛放大1.3或1.1倍,所述目标人脸美化数据是眼睛放大1.2倍,如此,得到的美化差值可以是0.1倍)。
第三步,计算所述美化差值与所述目标人脸美化数据之间的比例值(例如,结合前述的示例,该比例值可以为0.1/1.2,即1/12)。
第四步,若所述历史美化代表数据大于所述目标人脸美化数据,则基于该目标人脸美化数据与所述比例值之间的和值(例如,结合前述的示例,可以为1.2+1/12),得到人脸美化修正指令。
第五步,若所述历史美化代表数据不大于所述目标人脸美化数据,则基于该目标人脸美化数据与所述比例值之间的差值(例如,结合前述的示例,可以为1.2-1/12),得到人脸美化修正指令。
在第二种示例中,为了充分保证得到的人脸美化修正指令具有较高的可靠度,避免用户进行多次操作,如多次拉动美颜进度条进行调整,步骤S130可以包括以下子步骤,具体内容如下所述。
子步骤20,将所述历史美化数据进行分类,得到第一历史美化数据集合、第二历史美化数据集合和第三历史美化数据集合,其中,该第一历史美化数据集合基于第一类型的人脸图像形成,该第二历史美化数据集合基于第二类型的人脸图像形成,该第三历史美化数据集合基于第三类型的人脸图像形成,该第一类型的人脸图像为目标数据库中与所述目标人脸图像之间的图像相似度大于预设相似度的其它人脸图像或与所述目标人脸图像之间的图像相似度最大的目标预设数量张其它人脸图像,该第二类型的人脸图像为所述目标设备在历史上请求所述人脸处理平台进行人脸美化处理的其它人脸图像,该第三类型的人脸图像为基于目标账号信息在历史上请求所述人脸处理平台进行人脸美化处理的其它人脸图像,且该目标人脸图像基于该目标账号信息请求该人脸处理平台进行美化处理(也就是说,在本实施例中,可以基于各种方式(如前述的多种方式)获取多个历史美化数据,以提高历史美化数据的数量,从而使得进行修正处理的依据较为充分,并且,经过本申请的发明人的研究发现,不同方式获取的历史美化数据其对修正处理的参考作用会不同,因而,需要进行分类处理)。
子步骤21,针对所述第一历史美化数据集合,确定该第一历史美化数据集合中是否存在与所述第二历史美化数据集合或所述第三历史美化数据集合中的人脸图像相同的重复人脸图像对应的历史美化数据(也就是说,需要确定第一历史美化数据集合中,是否存在与第二历史美化数据集合相同的历史美化数据,是否存在与第三历史美化数据集合相同的历史美化数据,例如,针对设备A将一张其它人脸图像发送给所述人脸处理平台进行处理之后,可以形成历史美化数据A,且该其它人脸图像被保存至目标数据库中,如此,该历史美化数据A会同时存在于第一历史美化数据集合和第二历史美化数据集合)。
子步骤22,针对所述第二历史美化数据集合,确定该第二历史美化数据集合中是否存在与所述第三历史美化数据集合中的人脸图像相同的重复人脸图像对应的历史美化数据。
子步骤23,对所述第一历史美化数据集合和所述第二历史美化数据集合中的重复人脸图像对应的历史美化数据进行丢弃处理(也就是说,可以把重复的历史美化数据进行丢弃,避免造成干扰),得到新的第一历史美化数据集合和新的第二历史美化数据集合,并将该新的第一历史美化数据集合、该新的第二历史美化数据集合和所述第三历史美化数据集合分别作为目标历史美化数据集合。
子步骤24,针对每一个所述目标历史美化数据集合,将该目标历史美化数据集合中的每一个历史美化数据按照形成的时间进行排序。
子步骤25,针对每一个所述目标历史美化数据集合,以该目标历史美化数据集合中的第一个历史美化数据为起点、以该目标历史美化数据集合中的最后一个历史美化数据为终点,按照第一预设数量进行滑窗处理,得到该目标历史美化数据集合对应的多个美化数据序列,其中,每一个所述美化数据序列包括的历史美化数据的数量为所述第一预设数量,每两个相邻的所述美化数据序列之间对应排序的历史美化数据在时间上相邻(例如,针对第一个美化数据序列和第二个美化数据序列,第一个美化数据序列的第一个历史美化数据与第二个美化数据序列的第一个历史美化数据相邻,第一个美化数据序列的最后一个历史美化数据与第二个美化数据序列的最后一个历史美化数据相邻,第一个美化数据序列的第二个历史美化数据与第二个美化数据序列的第一个历史美化数据重合(或者说是同一个历史美化数据),第一个美化数据序列的最后一个历史美化数据与第二个美化数据序列的倒数第二个历史美化数据重合)。
子步骤26,针对每一个所述目标历史美化数据集合,在该目标历史美化数据集合对应的多个美化数据序列中确定一个目标美化数据序列,其中,该目标美化数据序列为包括的多个历史美化数据之间的差异度(在一种可以替代的示例中,该差异度可以是至多个历史美化数据之间的离散程度,如1.1、1.2、1.1、1.2、1.15,与1.2、1.3、1.4、1.5、1.1之间,前者的离散程度更小,可以更好的反应用户的一般固定习惯,因而,可以作为修正处理参考依据)最小的美化数据序列,且若差异度最小的美化数据序列为多个,则将时间最晚的一个美化数据序列作为目标美化数据序列。
子步骤27,针对每一个所述目标历史美化数据集合,确定该目标历史美化数据集合对应的最后一个美化数据序列(即与本次请求所述人脸处理平台进行美化处理在时间上最具有关联性的一个美化数据序列)包括的多个历史美化数据之间的差异度是否大于预设差异值。
子步骤28,针对每一个所述目标历史美化数据集合,计算该目标历史美化数据集合对应的目标美化数据序列包括的多个历史美化数据的第一平均美化数据,并计算该目标历史美化数据集合对应的最后一个美化数据序列包括的多个历史美化数据的第二平均美化数据(也就是说,针对每一个所述目标历史美化数据集合,可以计算对应的目标美化数据序列包括的多个历史美化数据的平均值,并计算对应的最后一个目标美化数据序列包括的多个历史美化数据的平均值)。
子步骤29,针对每一个所述目标历史美化数据集合,计算该目标历史美化数据集合对应的第一平均美化数据和第二平均美化数据的加权美化数据,其中,若该第二平均美化数据对应的差异度大于所述预设差异值,则该第二平均美化数据的权重系数小于该第一平均美化数据的权重系数(说明最后一个美化数据序列包括的多个历史美化数据相对不稳定,因而,可以赋予较小的权重系数),若该第二平均美化数据对应的差异度不大于所述预设差异值,则该第二平均美化数据的权重系数大于该第一平均美化数据的权重系数(说明最后一个美化数据序列包括的多个历史美化数据相对稳定,因而,可以赋予较大的权重系数)。
子步骤30,将每一个所述目标历史美化数据集合对应的加权美化数据进行加权计算处理,得到加权和值,并基于该加权和值对所述目标设备发送的人脸美化指令进行修正处理(具体的修正处理方式,可以结合前文对相关示例的解释说明),得到人脸美化修正指令,其中,所述第三历史美化数据集合对应的加权系数大于所述新的第二历史美化数据集合对应的加权系数,所述新的第二历史美化数据集合对应的加权系数大于所述新的第一历史美化数据集合对应的加权系数。
在第三种示例中,为了在保证得到的人脸美化修正指令具有较高的可靠度的基础上,还能提高进行修正处理的效率,步骤S130可以包括以下子步骤,具体内容如下所述。
子步骤31,将多个所述历史美化数据按照生成时间的先后顺序进行排序处理,得到美化数据序列。
子步骤32,将所述美化数据序列中的第一个历史美化数据作为起点、最后一个历史美化数据作为终点,按照预设美化数据数量进行滑窗处理,得到多个美化数据子序列,其中,每一个所述美化数据子序列包括的历史美化数据的数量为所述预设美化数据数量,每两个相邻的所述美化数据子序列之间对应的排序的历史美化数据相邻。
子步骤33,针对每一个所述美化数据子序列,将该美化数据子序列与其它的每一个美化数据子序列进行序列匹配度计算处理,得到该美化数据子序列的多个匹配结果。
子步骤34,针对每一个所述美化数据子序列,将该美化数据子序列对应的多个匹配结果作为一个匹配结果集合,得到多个匹配结果集合。
子步骤35,针对每一个所述匹配结果集合,计算该匹配结果集合包括的多个匹配结果的平均值,得到该匹配结果集合对应的匹配平均值。
子步骤36,在得到的多个匹配平均值中,确定具有最大值的匹配平均值,作为目标匹配平均值。
子步骤3,将所述目标匹配平均值对应的匹配结果集合对应的美化数据子序列,确定为目标美化数据子序列(也就是说,可以将多个美化数据子序列中,与其它每一个美化数据子序列都较为相似(或者说差异较小)的一个美化数据子序列作为目标美化数据子序列,用于代表所述美化数据序列,即代表所有的美化数据子序列)。
子步骤37,在所述目标美化数据子序列包括的多个历史美化数据中,将具有最大值的历史美化数据作为第一目标历史美化数据。
子步骤38,将所述第一目标历史美化数据与预设美化数据进行比较处理(即确定第一目标历史美化数据对于进行修正处理是否具有参考作用)。
子步骤39,若所述第一目标历史美化数据不大于所述预设美化数据,则将所述目标设备发送的人脸美化指令作为人脸美化修正指令。
子步骤40,若所述第一目标历史美化数据大于所述预设美化数据,则将所述目标美化数据子序列包括的多个历史美化数据中,将具有最小值的历史美化数据作为第二目标历史美化数据(如此,可以避免过度修正的问题,从而保证得到的人脸美化修正指令具有较高的可靠性)。
子步骤41,基于所述第二目标历史美化数据对所述目标设备发送的人脸美化指令进行修正处理,得到人脸美化修正指令。
综上所述,本申请提供的基于大数据和人工智能的人脸处理方法和人脸处理平台,通过获取与目标人脸图像具有关联关系的其它人脸图像的历史美化数据,以基于历史美化数据对人脸美化指令进行修正处理得到人脸美化修正指令,从而基于人脸美化修正指令对目标人脸图像进行美化处理。如此,由于结合了历史美化数据(即美化程度),可以使得美化处理的精度相对较高,从而改善现有的图像处理技术中由于用户的操作精度较低而导致图像处理(美化)精度也低的问题,特别是在应用于如手机等屏幕较小的终端设备时,由于用户的操作粒度较小,使得操作精度较低,采用上述方法具有较佳的效果,能够较好的满足用户的需求,还可以避免因用户需要进行较多时间的操作而导致时间成本较高的问题。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。