CN114120414B - 图像处理方法、装置、电子设备和介质 - Google Patents
图像处理方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN114120414B CN114120414B CN202111439123.1A CN202111439123A CN114120414B CN 114120414 B CN114120414 B CN 114120414B CN 202111439123 A CN202111439123 A CN 202111439123A CN 114120414 B CN114120414 B CN 114120414B
- Authority
- CN
- China
- Prior art keywords
- image data
- data
- dimensional image
- target
- dimensional
- 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
Images
Abstract
本公开提供了一种图像处理方法、装置、设备、介质和产品,涉及人工智能技术领域,具体为图像处理、深度学习等技术领域。图像处理方法包括:处理原始图像数据,得到针对目标对象的调整数据和角度数据;基于调整数据调整三维对象基础数据,得到针对目标对象的初始三维图像数据;基于角度数据,处理初始三维图像数据,得到目标三维图像数据;基于目标三维图像数据,确定针对原始图像数据的关键点。
Description
技术领域
本公开涉及人工智能技术领域,具体为图像处理、深度学习等技术领域,更具体地,涉及一种图像处理方法、装置、电子设备、介质和程序产品。
背景技术
相关技术中,通常需要对图像数据进行关键点检测,以基于关键点进行面部识别等,关键点也可称为landmarks点、特征点、角点。但是,相关技术的关键点检测效果不佳。
发明内容
本公开提供了一种图像处理方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种图像处理方法,包括:处理原始图像数据,得到针对目标对象的调整数据和角度数据;基于所述调整数据调整三维对象基础数据,得到针对所述目标对象的初始三维图像数据;基于所述角度数据,处理所述初始三维图像数据,得到目标三维图像数据;基于所述目标三维图像数据,确定针对所述原始图像数据的关键点。
根据本公开的另一方面,提供了一种图像处理装置,包括:第一处理模块、调整模块、第二处理模块以及确定模块。第一处理模块,用于处理原始图像数据,得到针对目标对象的调整数据和角度数据;调整模块,用于基于所述调整数据调整三维对象基础数据,得到针对所述目标对象的初始三维图像数据;第二处理模块,用于基于所述角度数据,处理所述初始三维图像数据,得到目标三维图像数据;确定模块,用于基于所述目标三维图像数据,确定针对所述原始图像数据的关键点。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的图像处理方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述的图像处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的图像处理方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开一实施例的图像处理和装置的系统架构;
图2示意性示出了根据本公开一实施例的图像处理方法的流程图;
图3示意性示出了根据本公开一实施例的图像处理方法的原理图;
图4示意性示出了根据本公开一实施例的确定关键点的示意图;
图5示意性示出了根据本公开另一实施例的确定关键点的示意图;
图6示意性示出了根据本公开一实施例的图像处理装置的框图;以及
图7是用来实现本公开实施例的用于执行图像处理的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
关键点也可称为landmarks点、特征点、角点。在针对原始图像数据中的目标对象进行关键点检测时,当需要检测的关键点数量过多时,检测算法对目标对象的轮廓区域的关键点的检测精度较低。当原始图像数据的目标对象旋转了一定角度时(例如目标对象的朝向为非正面),关键点的检测精度将受到影响。
有鉴于此,本公开的实施例提供了一种图像处理方法,包括:处理原始图像数据,得到针对目标对象的调整数据和角度数据。然后,基于调整数据调整三维对象基础数据,得到针对目标对象的初始三维图像数据,基于角度数据,处理初始三维图像数据,得到目标三维图像数据。接下来,基于目标三维图像数据,确定针对原始图像数据的关键点。
图1示意性示出了根据本公开一实施例的图像处理和装置的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括客户端101、102、103,网络104和服务器105。网络104用以在客户端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用客户端101、102、103通过网络104与服务器105交互,以接收或发送消息等。客户端101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
客户端101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。本公开实施例的客户端101、102、103例如可以运行应用程序。
服务器105可以是提供各种服务的服务器,例如对用户利用客户端101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给客户端。另外,服务器105还可以是云服务器,即服务器105具有云计算功能。
需要说明的是,本公开实施例所提供的图像处理方法可以由服务器105执行。相应地,本公开实施例所提供的图像处理装置可以设置于服务器105中。本公开实施例所提供的图像处理方法也可以由不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的图像处理装置也可以设置于不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群中。
在一种示例中,服务器105可以通过网络104获取来自客户端101、102、103的原始图像行数据,并处理原始图像得到针对目标对象的调整数据和角度数据,基于调整数据调整三维对象基础数据,得到针对目标对象的初始三维图像数据,基于角度数据处理初始三维图像数据,得到目标三维图像数据,然后基于目标三维图像数据,确定针对原始图像数据的关键点。在一示例中,服务器105还可以将针对原始图像数据的关键点发送给客户端101、102、103。
应该理解,图1中的客户端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的客户端、网络和服务器。
本公开实施例提供了一种图像处理方法,下面结合图1的系统架构,参考图2~图5来描述根据本公开示例性实施方式的图像处理方法。本公开实施例的图像处理方法例如可以由图1所示的服务器来执行,图1所示的服务器例如以下文的电子设备相同或类似。
图2示意性示出了根据本公开一实施例的图像处理方法的流程图。
如图2所示,本公开实施例的图像处理方法200例如可以包括操作S210~操作S240。
在操作S210,处理原始图像数据,得到针对目标对象的调整数据和角度数据。
在操作S220,基于调整数据调整三维对象基础数据,得到针对目标对象的初始三维图像数据。
在操作S230,基于角度数据,处理初始三维图像数据,得到目标三维图像数据。
在操作S240,基于目标三维图像数据,确定针对原始图像数据的关键点。
示例性地,原始图像数据例如是二维的图像,原始图像数据中包括针对目标对象的数据。三维对象基础数据例如是用于进行三维重建的基底数据,三维对象基础数据例如为通用的基础模型数据。
通过处理原始图像数据,可以得到针对三维对象基础数据的调整数据和针对目标对象的角度数据。
三维对象基础数据例如包括多个坐标点,调整数据例如表征了针对每个坐标点的调整量。基于调整数据进行三维重建得到初始三维图像数据,例如,基于调整数据调整三维对象基础数据中的每个坐标点得到初始三维图像数据,初始三维图像数据表征了目标对象在三维空间中的位姿。
在得到初始三维图像数据之后,可以基于角度数据调整初始三维图像数据中目标用户的角度,从而得到目标三维图像数据。在一示例中,原始图像数据的目标对象例如旋转了一定角度(例如目标对象的朝向为非正面),三维重建得到的初始三维图像数据中目标对象的朝向可能为正面,因此需要基于角度数据处理初始三维图像数据,得到的目标三维图像数据中目标对象的角度例如与原始图像数据中目标对象的角度一致。
在进行三维重建得到目标三维数据之后,可以基于目标三维数据来确定针对原始图像数据的关键点,该关键点例如为针对原始图像数据中目标对象的关键点。
根据本公开的实施例,通过对原始图像数据进行三维重建得到目标三维图像数据,然后基于目标三维图像数据来确定针对原始图像数据的关键点,提高了关键点检测的精度。
在本公开的另一示例中,在得到针对原始图像数据的关键点之后,可以基于关键点对目标对象进行面部识别。可以理解,还可以基于关键点进行其他应用,本公开实施例对关键点的具体应用不作限定。
图3示意性示出了根据本公开一实施例的图像处理方法的原理图。
如图3所示,将原始图像数据301输入深度学习模型302中,得到调整数据303和角度数据304。深度学习模型302例如包括卷积神经网络模型。
例如,深度学习模型302至少包括特征提取层和全连接层,特征提取层用于提取原始图像数据301的特征数据,特征提取层例如包括resnet50。然后,将提取的特征数据输入全连接层,全连接层例如输出调整数据303和角度数据304。可以理解,在特征提取层的之前或之后,或者在全连接层的之前或之后,还可以包括其他层结构,本公开实施例对深度学习模型302的层结构不作具体限定。
示例性地,全连接层例如与三维对象基础数据305和角度数据304中的至少一个相关联。例如,角度数据304与M个角度相关联,即角度数据304是针对M个角度的数据,M为大于等于1的整数。三维对象基础数据305的数据维度为N,N为大于1的整数。全连接层的维度例如为M与N之和。
例如,M个角度包括3个欧拉角,三维对象基础数据305例如包括m*n*k个坐标点,m、n、k例如均为大于0的整数,三维对象基础数据305的数据维度例如为N=m*n*k。由此,全连接层的维度例如为M+N。
本公开的实施例基于三维对象基础数据305和角度数据304确定全连接层的维度,使得全连接层能够较为准确地输出角度数据304。
示例性地,可以基于调整数据303进行三维重建得到初始三维图像数据306。例如,调整数据303为针对三维对象基础数据305的三维对象增量数据,将三维对象增量数据添加至三维对象基础数据305,得到针对目标对象的初始三维图像数据306。
例如,三维对象基础数据305包括m*n*k个坐标点,调整数据303(三维对象增量数据)包括m*n*k个增量数据,m*n*k个增量数据与m*n*k个坐标点一一对应,针对每个增量数据,将该增量数据和对应的坐标点的坐标值相加。
示例性地,角度数据304例如表征目标对象相对于基准面的目标旋转角度,当目标对象的朝向为正面时,基准面可以为正面,目标旋转角度例如包括3个欧拉角。
基于角度数据304处理初始三维图像数据306例如包括调整初始三维图像数据306的坐标点的坐标值,使得初始三维图像数据306所针对的目标对象相对于基准面旋转目标旋转角度,以得到目标三维图像数据307。
在得到目标三维图像数据307之后,可以将目标三维图像数据307进行投影得到与原始图像数据301对应的二维图像数据,并基于二维图像数据确定关键点308。
图4示意性示出了根据本公开一实施例的确定关键点的示意图。
如图4所示,目标三维图像数据410例如包括多个第一坐标点401A、402A、403A,多个第一坐标点401A、402A、403A中的第一坐标点401A、402A例如为关联关键点。
将目标三维图像数据410进行投影,例如投影到2D平面,得到针对原始图像数据的二维图像数据420。二维图像数据420中包括多个第二坐标点401B、402B、403B,多个第二坐标点401B、402B、403B与多个第一坐标点401A、402A、403A存在映射关系,映射关系例如表征第二坐标点401B对应于第一坐标点401A、第二坐标点402B对应于第一坐标点402A、第二坐标点403B对应于第一坐标点403A。
基于映射关系,从多个第二坐标点401B、402B、403B中确定与关联关键点(即第一坐标点401A、402A)对应的坐标点(即第二坐标点401B、402B),将确定的第二坐标点401B、402B作为针对原始图像数据的关键点,所确定的关键点与目标三维图像数据410中的关联关键点对应。
根据本公开的实施例,基于映射关系来确定关键点,实现了较为准确地从二维图像数据中确定关键点。
图5示意性示出了根据本公开另一实施例的确定关键点的示意图。
如图5所示,目标三维图像数据510例如包括多个第一坐标点501A、502A、503A,多个第一坐标点501A、502A、503A中的第一坐标点501A、502A例如为针对目标对象的关键点。
目标三维图像数据510包括关键点(第一坐标点501A、502A)的第一标签信息,例如,关键点(第一坐标点501A)的第一标签信息为“P1”,关键点(第一坐标点502A)的第一标签信息为“Q1”。
将目标三维图像数据510投影至2D平面,得到针对原始图像数据的二维图像数据520,二维图像数据520例如包括多个第二坐标点501B、502B、503B,多个第二坐标点501B、502B、503B与多个第一坐标点501A、502A、503A一一对应。
二维图像数据520中例如包括关键点的第二标签信息,第二标签信息和第一标签信息相关联。例如,二维图像数据520中的关键点(第二坐标点501B)的第二标签信息为“P2”,关键点(第二坐标点502B)的第二标签信息为“Q2”,“P2”与“P1”关联,“Q2”与“Q1”关联。
然后,基于第二标签信息,从二维图像数据520中确定关键点(第二坐标点501B、502B)。
根据本公开的实施例,将标签信息作为索引,从二维图像数据中确定关键点,提高了关键点的确定精度和效率。
图6示意性示出了根据本公开一实施例的图像处理装置的框图。
如图6所示,本公开实施例的图像处理装置600例如包括第一处理模块610、调整模块620、第二处理模块630以及确定模块640。
第一处理模块610可以用于处理原始图像数据,得到针对目标对象的调整数据和角度数据。根据本公开实施例,第一处理模块610例如可以执行上文参考图2描述的操作S210,在此不再赘述。
调整模块620可以用于基于调整数据调整三维对象基础数据,得到针对目标对象的初始三维图像数据。根据本公开实施例,调整模块620例如可以执行上文参考图2描述的操作S220,在此不再赘述。
第二处理模块630可以用于基于角度数据,处理初始三维图像数据,得到目标三维图像数据。根据本公开实施例,第二处理模块630例如可以执行上文参考图2描述的操作S230,在此不再赘述。
确定模块640可以用于基于目标三维图像数据,确定针对原始图像数据的关键点。根据本公开实施例,确定模块640例如可以执行上文参考图2描述的操作S240,在此不再赘述。
根据本公开实施例,目标三维图像数据包括多个第一坐标点,多个第一坐标点包括关联关键点;确定模块640包括:第一投影子模块和第一确定子模块。第一投影子模块,用于将目标三维图像数据进行投影,得到针对原始图像数据的二维图像数据,其中,二维图像数据包括多个第二坐标点,多个第二坐标点与多个第一坐标点存在映射关系;第一确定子模块,用于基于映射关系,从多个第二坐标点中确定与关联关键点对应的坐标点,作为针对原始图像数据的关键点。
根据本公开实施例,目标三维图像数据包括关键点的第一标签信息;确定模块640包括:第二投影子模块和第二确定子模块。第二投影子模块,用于将目标三维图像数据进行投影,得到针对原始图像数据的二维图像数据,其中,二维图像数据中包括关键点的第二标签信息,第二标签信息和第一标签信息相关联;第二确定子模块,用于基于第二标签信息,从二维图像数据中确定关键点。
根据本公开实施例,调整数据包括针对三维对象基础数据的三维对象增量数据;调整模块620还用于:将三维对象增量数据添加至三维对象基础数据,得到针对目标对象的初始三维图像数据。
根据本公开实施例,角度数据表征目标对象相对于基准面的目标旋转角度;第二处理模块630还用于:基于角度数据处理初始三维图像数据,使得初始三维图像数据所针对的目标对象相对于基准面旋转目标旋转角度,以得到目标三维图像数据。
根据本公开实施例,第一处理模块610还用于:将原始图像数据输入深度学习模型中,得到调整数据和角度数据,其中,深度学习模型包括全连接层,全连接层与三维对象基础数据和角度数据中的至少一个相关联。
根据本公开实施例,角度数据与M个角度相关联,M为大于等于1的整数;三维对象基础数据的数据维度为N,N为大于1的整数;全连接层的维度为M与N之和。
根据本公开实施例,装置600例如还可以包括:识别模块,用于基于针对原始图像数据的关键点,对目标对象进行面部识别。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7是用来实现本公开实施例的用于执行图像处理的电子设备的框图。
图7示出了可以用来实施本公开实施例的示例电子设备700的示意性框图。电子设备700旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如图像处理方法。例如,在一些实施例中,图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程图像处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (18)
1.一种图像处理方法,包括:
处理原始图像数据,得到针对目标对象的调整数据和角度数据;所述调整数据包括针对三维对象基础数据的三维对象增量数据;所述角度数据表征所述目标对象相对于基准面的目标旋转角度;
基于所述调整数据调整三维对象基础数据,得到针对所述目标对象的初始三维图像数据;
基于所述角度数据,处理所述初始三维图像数据,得到目标三维图像数据;以及
基于所述目标三维图像数据,确定针对所述原始图像数据的关键点。
2.根据权利要求1所述的方法,其中,所述目标三维图像数据包括多个第一坐标点,所述多个第一坐标点包括关联关键点;所述基于所述目标三维图像数据,确定针对所述原始图像数据的关键点包括:
将所述目标三维图像数据进行投影,得到针对所述原始图像数据的二维图像数据,其中,所述二维图像数据包括多个第二坐标点,所述多个第二坐标点与所述多个第一坐标点存在映射关系;以及
基于所述映射关系,从所述多个第二坐标点中确定与所述关联关键点对应的坐标点,作为针对所述原始图像数据的关键点。
3.根据权利要求1所述的方法,其中,所述目标三维图像数据包括所述关键点的第一标签信息;所述基于所述目标三维图像数据,确定针对所述原始图像数据的关键点包括:
将所述目标三维图像数据进行投影,得到针对所述原始图像数据的二维图像数据,其中,所述二维图像数据中包括所述关键点的第二标签信息,所述第二标签信息和所述第一标签信息相关联;以及
基于所述第二标签信息,从所述二维图像数据中确定所述关键点。
4.根据权利要求1-3中任意一项所述的方法,其中,所述基于所述调整数据调整三维对象基础数据,得到针对所述目标对象的初始三维图像数据包括:
将所述三维对象增量数据添加至所述三维对象基础数据,得到针对所述目标对象的初始三维图像数据。
5.根据权利要求4所述的方法,其中,所述基于所述角度数据,处理所述初始三维图像数据,得到目标三维图像数据包括:
基于所述角度数据处理所述初始三维图像数据,使得所述初始三维图像数据所针对的目标对象相对于所述基准面旋转所述目标旋转角度,以得到所述目标三维图像数据。
6.根据权利要求5所述的方法,其中,所述处理原始图像数据,得到针对目标对象的调整数据和角度数据包括:
将所述原始图像数据输入深度学习模型中,得到所述调整数据和所述角度数据,
其中,所述深度学习模型包括全连接层,所述全连接层与所述三维对象基础数据和所述角度数据中的至少一个相关联。
7.根据权利要求6所述的方法,其中,所述角度数据与M个角度相关联,M为大于等于1的整数;所述三维对象基础数据的数据维度为N,N为大于1的整数;所述全连接层的维度为M与N之和。
8.根据权利要求7所述的方法,还包括:
基于针对所述原始图像数据的关键点,对所述目标对象进行面部识别。
9.一种图像处理装置,包括:
第一处理模块,用于处理原始图像数据,得到针对目标对象的调整数据和角度数据;所述调整数据包括针对三维对象基础数据的三维对象增量数据;所述角度数据表征所述目标对象相对于基准面的目标旋转角度;
调整模块,用于基于所述调整数据调整三维对象基础数据,得到针对所述目标对象的初始三维图像数据;
第二处理模块,用于基于所述角度数据,处理所述初始三维图像数据,得到目标三维图像数据;以及
确定模块,用于基于所述目标三维图像数据,确定针对所述原始图像数据的关键点。
10.根据权利要求9所述的装置,其中,所述目标三维图像数据包括多个第一坐标点,所述多个第一坐标点包括关联关键点;所述确定模块包括:
第一投影子模块,用于将所述目标三维图像数据进行投影,得到针对所述原始图像数据的二维图像数据,其中,所述二维图像数据包括多个第二坐标点,所述多个第二坐标点与所述多个第一坐标点存在映射关系;以及
第一确定子模块,用于基于所述映射关系,从所述多个第二坐标点中确定与所述关联关键点对应的坐标点,作为针对所述原始图像数据的关键点。
11.根据权利要求9所述的装置,其中,所述目标三维图像数据包括所述关键点的第一标签信息;所述确定模块包括:
第二投影子模块,用于将所述目标三维图像数据进行投影,得到针对所述原始图像数据的二维图像数据,其中,所述二维图像数据中包括所述关键点的第二标签信息,所述第二标签信息和所述第一标签信息相关联;以及
第二确定子模块,用于基于所述第二标签信息,从所述二维图像数据中确定所述关键点。
12.根据权利要求9-11中任意一项所述的装置,其中,所述调整模块还用于:
将所述三维对象增量数据添加至所述三维对象基础数据,得到针对所述目标对象的初始三维图像数据。
13.根据权利要求12所述的装置,其中,所述第二处理模块还用于:
基于所述角度数据处理所述初始三维图像数据,使得所述初始三维图像数据所针对的目标对象相对于所述基准面旋转所述目标旋转角度,以得到所述目标三维图像数据。
14.根据权利要求13所述的装置,其中,所述第一处理模块还用于:
将所述原始图像数据输入深度学习模型中,得到所述调整数据和所述角度数据,
其中,所述深度学习模型包括全连接层,所述全连接层与所述三维对象基础数据和所述角度数据中的至少一个相关联。
15.根据权利要求14所述的装置,其中,所述角度数据与M个角度相关联,M为大于等于1的整数;所述三维对象基础数据的数据维度为N,N为大于1的整数;所述全连接层的维度为M与N之和。
16.根据权利要求15所述的装置,还包括:
识别模块,用于基于针对所述原始图像数据的关键点,对所述目标对象进行面部识别。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439123.1A CN114120414B (zh) | 2021-11-29 | 2021-11-29 | 图像处理方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439123.1A CN114120414B (zh) | 2021-11-29 | 2021-11-29 | 图像处理方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114120414A CN114120414A (zh) | 2022-03-01 |
CN114120414B true CN114120414B (zh) | 2022-11-01 |
Family
ID=80368092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111439123.1A Active CN114120414B (zh) | 2021-11-29 | 2021-11-29 | 图像处理方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120414B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131507B (zh) * | 2022-07-27 | 2023-06-16 | 北京百度网讯科技有限公司 | 图像处理方法、图像处理设备和元宇宙三维重建方法 |
CN115409951B (zh) * | 2022-10-28 | 2023-03-24 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN116453222A (zh) * | 2023-04-19 | 2023-07-18 | 北京百度网讯科技有限公司 | 目标对象姿态确定方法、训练方法、装置以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012082077A2 (en) * | 2010-12-17 | 2012-06-21 | Agency For Science, Technology And Research | Pose-independent 3d face reconstruction from a sample 2d face image |
CN110458924A (zh) * | 2019-07-23 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 一种三维脸部模型建立方法、装置和电子设备 |
CN111008935A (zh) * | 2019-11-01 | 2020-04-14 | 北京迈格威科技有限公司 | 一种人脸图像增强方法、装置、系统及存储介质 |
CN111695628A (zh) * | 2020-06-11 | 2020-09-22 | 北京百度网讯科技有限公司 | 关键点标注方法、装置、电子设备及存储介质 |
CN111797264A (zh) * | 2019-04-09 | 2020-10-20 | 北京京东尚科信息技术有限公司 | 图像增广与神经网络训练方法、装置、设备及存储介质 |
CN111832648A (zh) * | 2020-07-10 | 2020-10-27 | 北京百度网讯科技有限公司 | 关键点标注方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018169110A1 (ko) * | 2017-03-17 | 2018-09-20 | 주식회사 언리얼파크 | 3차원 객체 표현을 위한 마커리스 증강현실장치 및 방법 |
CN108765273B (zh) * | 2018-05-31 | 2021-03-09 | Oppo广东移动通信有限公司 | 人脸拍照的虚拟整容方法和装置 |
CN110992493B (zh) * | 2019-11-21 | 2023-10-31 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113643422B (zh) * | 2021-07-09 | 2023-02-03 | 北京三快在线科技有限公司 | 一种信息展示方法及装置 |
-
2021
- 2021-11-29 CN CN202111439123.1A patent/CN114120414B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012082077A2 (en) * | 2010-12-17 | 2012-06-21 | Agency For Science, Technology And Research | Pose-independent 3d face reconstruction from a sample 2d face image |
CN111797264A (zh) * | 2019-04-09 | 2020-10-20 | 北京京东尚科信息技术有限公司 | 图像增广与神经网络训练方法、装置、设备及存储介质 |
CN110458924A (zh) * | 2019-07-23 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 一种三维脸部模型建立方法、装置和电子设备 |
CN111008935A (zh) * | 2019-11-01 | 2020-04-14 | 北京迈格威科技有限公司 | 一种人脸图像增强方法、装置、系统及存储介质 |
CN111695628A (zh) * | 2020-06-11 | 2020-09-22 | 北京百度网讯科技有限公司 | 关键点标注方法、装置、电子设备及存储介质 |
CN111832648A (zh) * | 2020-07-10 | 2020-10-27 | 北京百度网讯科技有限公司 | 关键点标注方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114120414A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114120414B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN113095336B (zh) | 关键点检测模型的训练方法和检测目标对象关键点的方法 | |
CN112597754A (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
CN114612600B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN110766348B (zh) | 一种组合拣货任务的方法和装置 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
US20220398834A1 (en) | Method and apparatus for transfer learning | |
CN112749300A (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
CN114882321A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN112528995A (zh) | 用于训练目标检测模型的方法、目标检测方法及装置 | |
CN114494747A (zh) | 模型的训练方法、图像处理方法、装置、电子设备及介质 | |
CN114463551A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN113837194A (zh) | 图像处理方法、图像处理装置、电子设备以及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN114065784B (zh) | 训练方法、译文方法、装置、电子设备以及存储介质 | |
CN115578486A (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN115147306A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115222444A (zh) | 用于输出模型信息的方法、装置、设备、介质和产品 | |
CN113408304A (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN114329164A (zh) | 用于处理数据的方法、装置、设备、介质和产品 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN113011494B (zh) | 一种特征处理方法、装置、设备以及存储介质 | |
CN115168727B (zh) | 用户习惯的挖掘方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |