CN113744367B - 一种用于编辑二维图像中人像发型的系统及方法 - Google Patents
一种用于编辑二维图像中人像发型的系统及方法 Download PDFInfo
- Publication number
- CN113744367B CN113744367B CN202111059456.1A CN202111059456A CN113744367B CN 113744367 B CN113744367 B CN 113744367B CN 202111059456 A CN202111059456 A CN 202111059456A CN 113744367 B CN113744367 B CN 113744367B
- Authority
- CN
- China
- Prior art keywords
- image
- hairstyle
- layer
- characteristic
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种用于编辑二维图像中人像发型的系统及方法,本发明包括:客户端、摄像头、网关和服务器;所述摄像头固定在客户端;所述客户端和摄像头分别通过网关与服务器连接;通过摄像头采集二维头部图像,并传输至服务器,在服务器进行特征提取,得到原始特征图像数据;对原始特征图像数据编辑后进行图像生成,得到编辑的发型二维图像,并将评分高的图像推荐给用户;本发明解决了发型生成过程中存在不准确和效果失真的问题,可为用户进行发型选择提供直观参考。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于编辑二维图像中人像发型的系统及方法。
背景技术
现实生活中,出于个人审美需要例如实际进行发型更改时,往往希望得到自己更换为指定发型后的预览效果来进行决策,一些艺术创造领域也常常需要对指定人物或是艺术角色进行发型编辑。处理这些需求的常规方法往往需要对指定图片发型区域进行裁剪,将待编辑区域进行覆盖替换为指定发型来达到目的,在进行如此的简单替换后,现实结果因为种种原因失真严重,例如需要替换的图像大小与新发型模型本身的大小不够合适,原来照片的角度与新发型模型的角度不一致,或者是原照片的光线角度与新发型模型上的光照角度有较大出入等。在艺术创作的过程中,例如动漫角色,若是对指定角色的发型等属性进行编辑尝试,简单覆盖替换同样面临着上述情形的失真效果,如果想要取得较为真实的效果,往往需要创作者耗费大量的时间与精力进行对应发型等属性的精细的绘制,如果是多种不同发型效果的预览任务,往往就意味着成倍的时间成本去付出。
发明内容
针对现有技术中的上述不足,本发明提供的一种用于编辑二维图像中人像发型的系统及方法解决了发型生成过程中存在不准确和效果失真的问题,可为用户发型选择提供参考。
为了达到上述发明目的,本发明采用的技术方案为:一种用于编辑二维图像中人像发型的系统,包括:客户端、摄像头、网关和服务器;
所述摄像头固定在客户端;所述客户端和摄像头分别通过网关与服务器连接。
进一步地,包括以下分步骤:
S1、对二维头部图像进行特征提取,得到原始特征图像数据;
S2、对原始特征图像数据编辑后进行图像生成,得到编辑的发型二维图像。
进一步地,步骤S1包括以下分步骤:
S11、对二维头部图像进行尺寸缩放操作,得到标准二维头部图像;
S12、判断标准二维头部图像是否包含人脸信息,若是,则跳转至步骤S13,若否,则丢弃当前的标准二维头部图像,获取新二维头部图像,并跳转至步骤S11;
S13、获取标准二维头部图像中左右眼角的距离d1、左眼角到左嘴角或右眼角到右嘴角的距离d2;
S14、取距离d1和d2中的最大值,作为标准距离ds;
S15、根据标准距离ds,构建特征矩形框;
S16、判断特征矩形框内是否存在落在标准二维头部图像外的像素点,若是,则对特征矩形框的空白区域进行背景填充,并跳转至步骤S17,若否,则直接跳转至步骤S17;
S18、对当前的特征矩形框进行高斯滤波、锐化和缩放,得到原始特征图像数据。
进一步地,步骤S11中标准二维头部图像的分辨率为512*512。
进一步地,步骤S12中判断标准二维头部图像是否包含人脸信息的方法为:
对标准二维头部图像上的人脸的68个关键点进行稀疏对齐,若68个关键点能对齐,则包含人脸信息。
进一步地,步骤S15包括以下分步骤:
S151、以人脸关键点中鼻头为参考,沿鼻线的水平方向左右各取两倍于标准距离ds的距离,设置左框线和右框线;
S152、以人脸关键点中鼻头为参考,沿鼻线的垂直方向上下各自取到两倍于标准距离ds的距离,设置上框线和下框线;
S153、将左框线、右框线、上框线和下框线构成的封闭区域作为特征矩形框。
进一步地,步骤S2包括以下分步骤:
S21、将原始特征图像数据命为特征数据Mi,采用求反投影模型对特征数据Mi进行投影,得到投影特征图像数据Li,i=0;
S22、采用生成器对投影特征图像数据Li进行处理,生成图像数据M(i+1);
S23、采用对比模型对特征数据M(i+1)和特征数据Mi进行对比,计算特征数据M(i+1)和特征数据Mi间的损失函数值;
S24、根据特征数据M(i+1)和特征数据Mi间的损失函数值,对投影特征图像数据Li进行反向传播优化,得到优化投影特征图像数据;
S25、i自加1,并将优化投影特征图像数据作为新的投影特征图像数据Li,并跳转至步骤S22,直到满足优化目标,得到最终的优化投影特征图像数据;
S26、将最终的优化投影特征图像数据向量化处理,得到图像数据向量;
S27、根据图像数据向量,采用生成器生成编辑的发型图像;
S28、根据编辑的发型图像,得到水平角度改变的特征向量;
S29、通过混合函数将水平角度改变的特征向量和编辑的发型图像的向量混合,得到混合发型向量;
S30、将混合发型向量输入生成器中,得到发型的二维图像;
S31、采用评价模型对发型的二维图像进行评价,得到美观评分;
S32、判断美观评分是否满足设定阈值,若是,则在客户端展示发型的二维图像,完成二维图像中人像发型编辑,若否,则跳转至步骤S27。
上述进一步方案的有益效果为:传统方法往往采用简单抠图进行替换的方式来让顾客进行指定发型更换后的效果,往往存在效果不自然的问题,包括不限于发型图片的角度与S1步骤中采集到的图片角度不一致,光线情况也不一致等。本方案中通过利用生成对抗网络结构进行图片特征向量的编辑后再生成二维图片的方式,得益于训练过程中大量的真实图片数据,可使得生成结果细节更加自然与真实。
进一步地,步骤S23中对比模型包括依次连接的第一卷积层conv1、第一激活函数层relu1、第二卷积层conv2、第二激活函数层relu2、第一池化层pool1、第三卷积层conv3、第三激活函数层relu3、第四卷积层conv4、第四激活函数层relu4、第二池化层pool2、第五卷积层conv5、第五激活函数层relu5、第六卷积层conv6、第六激活函数层relu6、第七卷积层conv7、第七激活函数层relu7、第三池化层pool3、第八卷积层conv8、第八激活函数层relu8、第九卷积层conv9、第九激活函数层relu9、第十卷积层conv10、第十激活函数层relu10、第四池化层pool4、第十一卷积层conv11、第十一激活函数层relu11、第十二卷积层conv12、第十二激活函数层relu12、第十三卷积层conv13、第十三激活函数层relu13、第五池化层pool5、第一全连接层fc1、第十四激活函数层relu14、第一丢失层drop1、第二全连接层fc2、第十五激活函数层relu15、第二丢失层drop2和第三全连接层fc2。
进一步地,步骤S27包括以下分步骤:
S271A、根据步骤S25中最终的优化投影特征图像数据,得到训练过程发型更改的特征向量;
S272A、通过混合函数将图像数据向量与训练过程发型更改的特征向量进行混合,得到新特征向量;
S273A、将新特征向量输入生成器中,得到发型图像。
进一步地,步骤S27包括以下分步骤:
S271B、从图库中选择一张现有发型图片,对现有发型图片进行特征提取,得到发型特征向量;
S272B、通过混合函数将图像数据向量与发型特征向量混合,将混合后的向量输入生成器中,得到发型图像。
综上,本发明的有益效果为:
(1)、本发明通过客户端的摄像头采集二维头部图像,并传输到服务器进行处理,通过提取到与二维头部图像相似度较高的图像数据向量,通过编辑图像数据向量本身来实现编辑二维头部图像发型等相关属性的编辑效果,随后借助生成器对编辑过后的特征数据进行图像生成,将生成的图像结果进行传输,在最终进行效果展示的客户端进行展示,可以通过再次调整特征数据实现编辑后效果的多角度展示。本系统还对该编辑后的图像进行美观评分,为用户发型选择提供参考。
(2)、这里的不准确与失真问题都是与传统的简单粗暴替换方法对比的,本方法主要利用了生成对抗网络的方法,使用的顾客原始人脸图像最终在S25步骤中得到特征图像数据通过S26进行处理成一组特征数据,这组特征数据的特点是,每一组特征向量都能和图像中的人脸真实物理特征相对应,通过对S26中的特征数据进行编辑,主要是过程是S27B中的混合操作。再将该特征数据放入训练好的一个生成对抗网络中生成二维图像的操作来得到更换发型后的图像数据,受益于大量真实人脸样本在网络中进行训练过后得到的网络结构与参数,可以让本文方法中生成器可以生成更加自然,接近真实照片的二维图像。
附图说明
图1为一种用于编辑二维图像中人像发型的系统的框图;
图2为一种用于编辑二维图像中人像发型的方法的流程图;
图3为对比模型的模型结构;
图4为评价模型的模型结构。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种用于编辑二维图像中人像发型的系统,其特征在于,包括:客户端、摄像头、网关和服务器;
所述摄像头固定在客户端;所述客户端和摄像头分别通过网关与服务器连接。
通过摄像头对客户进行拍摄,获取二维头部图像,并将二维头部图像通过网关传输至后台服务器进行处理,将生成发型的二维图像展示在客户端上,供客户观看。
本系统具有便于扩展的特性,硬件部分以一个服务器为中心,通过简单处理即可任意扩展多个客户端部分来实现对多个顾客的发型编辑需求进行处理。
如图2所示,一种用于编辑二维图像中人像发型的方法,包括以下分步骤:
S1、对二维头部图像进行特征提取,得到原始特征图像数据;
S2、对原始特征图像数据编辑后进行图像生成,得到编辑的发型二维图像。
步骤S1包括以下分步骤:
S11、对二维头部图像进行尺寸缩放操作,得到标准二维头部图像,标准二维头部图像的分辨率为512*512;
S12、判断标准二维头部图像是否包含人脸信息,若是,则跳转至步骤S13,若否,则丢弃当前的标准二维头部图像,获取新二维头部图像,并跳转至步骤S11;
步骤S12中判断标准二维头部图像是否包含人脸信息的方法为:
对标准二维头部图像上的人脸的68个关键点进行稀疏对齐,若68个关键点能对齐,则包含人脸信息。
S13、获取标准二维头部图像中左右眼角的距离d1、左眼角到左嘴角或右眼角到右嘴角的距离d2;
S14、取距离d1和d2中的最大值,作为标准距离ds;
S15、根据标准距离ds,构建特征矩形框;
S16、判断特征矩形框内是否存在落在标准二维头部图像外的像素点,若是,则对特征矩形框的空白区域进行背景填充,并跳转至步骤S17,若否,则直接跳转至步骤S17;
S18、对当前的特征矩形框进行高斯滤波、锐化和缩放,得到原始特征图像数据。
步骤S15包括以下分步骤:
S151、以人脸关键点中鼻头为参考,沿鼻线的水平方向左右各取两倍于标准距离ds的距离,设置左框线和右框线;
S152、以人脸关键点中鼻头为参考,沿鼻线的垂直方向上下各自取到两倍于标准距离ds的距离,设置上框线和下框线;
S153、将左框线、右框线、上框线和下框线构成的封闭区域作为特征矩形框。
步骤S2包括以下分步骤:
S21、将原始特征图像数据命为特征数据Mi,采用求反投影模型对特征数据Mi进行投影,得到投影特征图像数据Li,i=0;
S22、采用生成器对投影特征图像数据Li进行处理,生成图像数据M(i+1);
步骤S22中生成器生成的图像的分辨率为512*512。
S23、采用对比模型对特征数据M(i+1)和特征数据Mi进行对比,计算特征数据M(i+1)和特征数据Mi间的损失函数值;
步骤S23中计算损失函数值的公式为:
其中,NME为特征数据M(i+1)和特征数据Mi间的损失函数值,N为人脸的68个关键点,d为两只眼睛的距离,xk为真实的关键点标注点,yk为预测的真实的关键点标注点。
S24、根据特征数据M(i+1)和特征数据Mi间的损失函数值,对投影特征图像数据Li进行反向传播优化,得到优化投影特征图像数据;
S25、i自加1,并将优化投影特征图像数据作为新的投影特征图像数据Li,并跳转至步骤S22,直到满足优化目标,得到最终的优化投影特征图像数据;
可以采用最终的优化投影特征图像数据生成与原始特征图像数据相似度极高的图像数据。
S26、将最终的优化投影特征图像数据向量化处理,得到图像数据向量;
步骤S26中图像数据向量的维度为18*512维。
S27、根据图像数据向量,采用生成器生成编辑的发型图像;
S28、根据编辑的发型图像,得到水平角度改变的特征向量;
S29、通过混合函数将水平角度改变的特征向量和编辑的发型图像的向量混合,得到混合发型向量;
在得到编辑的发型图像后,可通过设置混合函数的范围参数来进行不同角度的画面生成。例如,范围参数设置为[-6,-4,-3,-2,0,2,3,4,6]这9种,即可得到9种混合发型向量,最终能够呈现9个角度的效果展示。
S30、将混合发型向量输入生成器中,得到发型的二维图像,发型的二维图像的分辨率为1024*1024;
S31、采用评价模型对发型的二维图像进行评价,得到美观评分;
评价模型如图4所示,美观评分的评分区间为(0,5),首先将发型的二维图像的分辨率进行压缩便于快速训练,然后用图3的对比模型结构去掉最后一层的全连接层,替换为代表五个审美分数的五个全连接层,最后用softmax处理确保概率求和为1,最终模型可以输出一个审美分数的直方图,图上有五个分数段的占比。
评价模型的训练过程的损失函数公式为:
其中,中,p为一张图片的真实审美统计分布,/>为网络生成的审美统计分布。CDFp(k)是/>的累积分布函数,其中/>是其中si区间的分布函数,k为区间的个数。/>同理作为/>的累计分布函数。r为2来作为不同CDF中的欧氏距离。N为5,代表方法中使用的5个美学分布的区间。
训练完成的评价模型,可对任意人脸照片输出对应的二维评分分布。可以通过对不同发型编辑后的二维图片送入模型得到审美评价输出,随后对输出分布进行加权计算可以得到一个具体分数Score:
其中,pj为分数j的占比,Score作为该发型照片的计算机审美评分输出到客户端显示屏。
S32、判断美观评分是否满足设定阈值,若是,则在客户端展示发型的二维图像,也可以将美观评分展示在客户端,供客户参考,完成二维图像中人像发型编辑,若否,则跳转至步骤S27。
如图3所示,步骤S23中对比模型包括依次连接的第一卷积层conv1、第一激活函数层relu1、第二卷积层conv2、第二激活函数层relu2、第一池化层pool1、第三卷积层conv3、第三激活函数层relu3、第四卷积层conv4、第四激活函数层relu4、第二池化层pool2、第五卷积层conv5、第五激活函数层relu5、第六卷积层conv6、第六激活函数层relu6、第七卷积层conv7、第七激活函数层relu7、第三池化层pool3、第八卷积层conv8、第八激活函数层relu8、第九卷积层conv9、第九激活函数层relu9、第十卷积层conv10、第十激活函数层relu10、第四池化层pool4、第十一卷积层conv11、第十一激活函数层relu11、第十二卷积层conv12、第十二激活函数层relu12、第十三卷积层conv13、第十三激活函数层relu13、第五池化层pool5、第一全连接层fc1、第十四激活函数层relu14、第一丢失层drop1、第二全连接层fc2、第十五激活函数层relu15、第二丢失层drop2和第三全连接层fc2。
步骤S27有以下两种方法可以实现发型的编辑:
第一种:
S271A、根据步骤S25中最终的优化投影特征图像数据,得到训练过程发型更改的特征向量;
S272A、通过混合函数将图像数据向量与训练过程发型更改的特征向量进行混合,得到新特征向量;
S273A、将新特征向量输入生成器中,得到发型图像,发型图像的分辨率为1024*1024。
第二种:
S271B、从图库中选择一张现有发型图片,对现有发型图片进行特征提取,得到发型特征向量;
S272B、通过混合函数将图像数据向量与发型特征向量混合,将混合后的向量输入生成器中,得到发型图像,发型图像的分辨率为1024*1024。
在步骤S273A和步骤S272B中,若对发型图像不满意,可以通过调节混合函数来对发型图像进行调节。
Claims (7)
1.一种用于编辑二维图像中人像发型的方法,用于一种用于编辑二维图像中人像发型的系统,系统包括:客户端、摄像头、网关和服务器,所述摄像头固定在客户端;所述客户端和摄像头分别通过网关与服务器连接,其特征在于,方法包括以下分步骤:
S1、对二维头部图像进行特征提取,得到原始特征图像数据;
S2、对原始特征图像数据编辑后进行图像生成,得到编辑的发型二维图像;
所述步骤S1包括以下分步骤:
S11、对二维头部图像进行尺寸缩放操作,得到标准二维头部图像;
S12、判断标准二维头部图像是否包含人脸信息,若是,则跳转至步骤S13,若否,则丢弃当前的标准二维头部图像,获取新二维头部图像,并跳转至步骤S11;
S13、获取标准二维头部图像中左右眼角的距离d1、左眼角到左嘴角或右眼角到右嘴角的距离d2;
S14、取距离d1和d2中的最大值,作为标准距离ds;
S15、根据标准距离ds,构建特征矩形框;
S16、判断特征矩形框内是否存在落在标准二维头部图像外的像素点,若是,则对特征矩形框的空白区域进行背景填充,并跳转至步骤S17,若否,则直接跳转至步骤S17;
S18、对当前的特征矩形框进行高斯滤波、锐化和缩放,得到原始特征图像数据;
所述步骤S2包括以下分步骤:
S21、将原始特征图像数据命为特征数据Mi,采用求反投影模型对特征数据Mi进行投影,得到投影特征图像数据Li,i=0;
S22、采用生成器对投影特征图像数据Li进行处理,生成图像数据M(i+1);
S23、采用对比模型对特征数据M(i+1)和特征数据Mi进行对比,计算特征数据M(i+1)和特征数据Mi间的损失函数值;
S24、根据特征数据M(i+1)和特征数据Mi间的损失函数值,对投影特征图像数据Li进行反向传播优化,得到优化投影特征图像数据;
S25、i自加1,并将优化投影特征图像数据作为新的投影特征图像数据Li,并跳转至步骤S22,直到满足优化目标,得到最终的优化投影特征图像数据;
S26、将最终的优化投影特征图像数据向量化处理,得到图像数据向量;
S27、根据图像数据向量,采用生成器生成编辑的发型图像;
S28、根据编辑的发型图像,得到水平角度改变的特征向量;
S29、通过混合函数将水平角度改变的特征向量和编辑的发型图像的向量混合,得到混合发型向量;
S30、将混合发型向量输入生成器中,得到发型的二维图像;
S31、采用评价模型对发型的二维图像进行评价,得到美观评分;
S32、判断美观评分是否满足设定阈值,若是,则在客户端展示发型的二维图像,完成二维图像中人像发型编辑,若否,则跳转至步骤S27。
2.根据权利要求1所述的用于编辑二维图像中人像发型的方法,其特征在于,所述步骤S11中标准二维头部图像的分辨率为512*512。
3.根据权利要求1所述的用于编辑二维图像中人像发型的方法,其特征在于,所述步骤S12中判断标准二维头部图像是否包含人脸信息的方法为:
对标准二维头部图像上的人脸的68个关键点进行稀疏对齐,若68个关键点能对齐,则包含人脸信息。
4.根据权利要求1所述的用于编辑二维图像中人像发型的方法,其特征在于,所述步骤S15包括以下分步骤:
S151、以人脸关键点中鼻头为参考,沿鼻线的水平方向左右各取两倍于标准距离ds的距离,设置左框线和右框线;
S152、以人脸关键点中鼻头为参考,沿鼻线的垂直方向上下各自取到两倍于标准距离ds的距离,设置上框线和下框线;
S153、将左框线、右框线、上框线和下框线构成的封闭区域作为特征矩形框。
5.根据权利要求1所述的用于编辑二维图像中人像发型的方法,其特征在于,所述步骤S23中对比模型包括依次连接的第一卷积层conv1、第一激活函数层relu1、第二卷积层conv2、第二激活函数层relu2、第一池化层pool1、第三卷积层conv3、第三激活函数层relu3、第四卷积层conv4、第四激活函数层relu4、第二池化层pool2、第五卷积层conv5、第五激活函数层relu5、第六卷积层conv6、第六激活函数层relu6、第七卷积层conv7、第七激活函数层relu7、第三池化层pool3、第八卷积层conv8、第八激活函数层relu8、第九卷积层conv9、第九激活函数层relu9、第十卷积层conv10、第十激活函数层relu10、第四池化层pool4、第十一卷积层conv11、第十一激活函数层relu11、第十二卷积层conv12、第十二激活函数层relu12、第十三卷积层conv13、第十三激活函数层relu13、第五池化层pool5、第一全连接层fc1、第十四激活函数层relu14、第一丢失层drop1、第二全连接层fc2、第十五激活函数层relu15、第二丢失层drop2和第三全连接层fc2。
6.根据权利要求1所述的用于编辑二维图像中人像发型的方法,其特征在于,所述步骤S27包括以下分步骤:
S271A、根据步骤S25中最终的优化投影特征图像数据,得到训练过程发型更改的特征向量;
S272A、通过混合函数将图像数据向量与训练过程发型更改的特征向量进行混合,得到新特征向量;
S273A、将新特征向量输入生成器中,得到发型图像。
7.根据权利要求1所述的用于编辑二维图像中人像发型的方法,其特征在于,所述步骤S27包括以下分步骤:
S271B、从图库中选择一张现有发型图片,对现有发型图片进行特征提取,得到发型特征向量;
S272B、通过混合函数将图像数据向量与发型特征向量混合,将混合后的向量输入生成器中,得到发型图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059456.1A CN113744367B (zh) | 2021-09-10 | 2021-09-10 | 一种用于编辑二维图像中人像发型的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059456.1A CN113744367B (zh) | 2021-09-10 | 2021-09-10 | 一种用于编辑二维图像中人像发型的系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744367A CN113744367A (zh) | 2021-12-03 |
CN113744367B true CN113744367B (zh) | 2023-08-08 |
Family
ID=78737804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111059456.1A Active CN113744367B (zh) | 2021-09-10 | 2021-09-10 | 一种用于编辑二维图像中人像发型的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744367B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065360A (zh) * | 2013-01-16 | 2013-04-24 | 重庆绿色智能技术研究院 | 一种发型效果图的生成方法及系统 |
CN108305146A (zh) * | 2018-01-30 | 2018-07-20 | 杨太立 | 一种基于图像识别的发型推荐方法及系统 |
CN112084983A (zh) * | 2020-09-15 | 2020-12-15 | 华南理工大学 | 一种基于ResNet的发型推荐方法及其应用 |
CN112766160A (zh) * | 2021-01-20 | 2021-05-07 | 西安电子科技大学 | 基于多级属性编码器和注意力机制的人脸替换方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NZ530738A (en) * | 2004-01-21 | 2006-11-30 | Stellure Ltd | Methods and systems for compositing images |
CN102800129B (zh) * | 2012-06-20 | 2015-09-30 | 浙江大学 | 一种基于单幅图像的头发建模和肖像编辑方法 |
-
2021
- 2021-09-10 CN CN202111059456.1A patent/CN113744367B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065360A (zh) * | 2013-01-16 | 2013-04-24 | 重庆绿色智能技术研究院 | 一种发型效果图的生成方法及系统 |
CN108305146A (zh) * | 2018-01-30 | 2018-07-20 | 杨太立 | 一种基于图像识别的发型推荐方法及系统 |
CN112084983A (zh) * | 2020-09-15 | 2020-12-15 | 华南理工大学 | 一种基于ResNet的发型推荐方法及其应用 |
CN112766160A (zh) * | 2021-01-20 | 2021-05-07 | 西安电子科技大学 | 基于多级属性编码器和注意力机制的人脸替换方法 |
Non-Patent Citations (1)
Title |
---|
胡在林.基于人脸识别技术的脸型发型搭配系统实现与分析.《电脑知识与技术》.2016,第12卷(第12期),174-175、186. * |
Also Published As
Publication number | Publication date |
---|---|
CN113744367A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8692830B2 (en) | Automatic avatar creation | |
Rana et al. | Deep tone mapping operator for high dynamic range images | |
Deng et al. | Aesthetic-driven image enhancement by adversarial learning | |
US10755391B2 (en) | Digital image completion by learning generation and patch matching jointly | |
CN1475969B (zh) | 用于增强人像图像的方法和系统 | |
US11042990B2 (en) | Automatic object replacement in an image | |
US9443555B2 (en) | Multi-stage production pipeline system | |
KR101605983B1 (ko) | 얼굴 검출을 이용한 이미지 재구성 | |
US10937200B2 (en) | Object-based color adjustment | |
US7444015B2 (en) | Interactive images | |
US7039222B2 (en) | Method and system for enhancing portrait images that are processed in a batch mode | |
US6453052B1 (en) | Automated method and image processing system for hair style simulation | |
US7593020B2 (en) | Image editing using image-wide matting | |
US20160198142A1 (en) | Image sequence enhancement and motion picture project management system | |
US20080018668A1 (en) | Image Processing Device and Image Processing Method | |
JP2004172671A (ja) | 動画像加工方法及び装置 | |
Vieira et al. | Learning good views through intelligent galleries | |
CN116997933A (zh) | 用于构造面部位置图的方法和系统 | |
CN113963081B (zh) | 一种基于图卷积网络的图像图表智能合成方法 | |
CN117157673A (zh) | 用于形成个性化的3d头部和面部模型的方法和系统 | |
Liu | An overview of color transfer and style transfer for images and videos | |
CN113744367B (zh) | 一种用于编辑二维图像中人像发型的系统及方法 | |
CN112614149A (zh) | 基于实例分割的语义合成方法 | |
CN113240573B (zh) | 局部和全局并行学习的高分辨率图像风格变换方法及系统 | |
CN115049559A (zh) | 模型训练、人脸图像处理、人脸模型处理方法及装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |