CN114187633A - 图像处理方法及装置、图像生成模型的训练方法及装置 - Google Patents
图像处理方法及装置、图像生成模型的训练方法及装置 Download PDFInfo
- Publication number
- CN114187633A CN114187633A CN202111487641.0A CN202111487641A CN114187633A CN 114187633 A CN114187633 A CN 114187633A CN 202111487641 A CN202111487641 A CN 202111487641A CN 114187633 A CN114187633 A CN 114187633A
- Authority
- CN
- China
- Prior art keywords
- hair
- image
- virtual
- region
- hair style
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了一种图像处理方法及装置、图像生成模型的训练方法及装置、设备、介质和产品,涉及人工智能领域,尤其涉及计算机视觉、虚拟/增强现实和图像处理技术领域。具体实现方案包括:对目标图像进行识别,以提取目标图像中对象的面部检测区域,面部检测区域包括对象的面部区域和头发区域;确定与头发区域关联的发丝布局特征,发丝布局特征包括平面布局特征和/或空间布局特征;以及根据发丝布局特征,确定与头发区域匹配的虚拟发型图像,以实现利用虚拟发型图像替换目标图像中的头发区域。
Description
技术领域
本公开涉及人工智能领域,尤其涉及计算机视觉、虚拟/增强现实和图像处理技术领域,可应用于图像处理场景下。
背景技术
虚拟形象在社交、直播或游戏等场景中具有广泛的应用。发型重建影响虚拟形象的外貌,可以在有效满足用户个性化需求的同时,降低虚拟形象的构建成本。但是,在一些场景下,在生成虚拟发型时,存在虚拟发型生成成本高、生成效果不佳的现象。
发明内容
本公开提供了一种图像处理方法及装置、图像生成模型的训练方法及装置、设备、介质和产品。
根据本公开的一方面,提供了一种图像处理方法,包括:对目标图像进行识别,以提取所述目标图像中对象的面部检测区域,所述面部检测区域包括对象的面部区域和头发区域;确定与所述头发区域关联的发丝布局特征,所述发丝布局特征包括平面布局特征和/或空间布局特征;以及根据所述发丝布局特征,确定与所述头发区域匹配的虚拟发型图像,以利用所述虚拟发型图像替换所述目标图像中的所述头发区域。
根据本公开的另一方面,提供了一种图像生成模型的训练方法,包括:对样本图像进行识别,以提取所述样本图像中的头发区域,得到真实发型图像;对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像;以及利用所述真实发型图像和所述渲染后的虚拟发型图像训练初始模型,得到经训练的图像生成模型。
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,用于对目标图像进行识别,以提取所述目标图像中对象的面部检测区域,所述面部检测区域包括对象的面部区域和头发区域;第二处理模块,用于确定与所述头发区域关联的发丝布局特征,所述发丝布局特征包括平面布局特征和/或空间布局特征;以及第三处理模块,用于根据所述发丝布局特征,确定与所述头发区域匹配的虚拟发型图像,以利用所述虚拟发型图像替换所述目标图像中的所述头发区域。
根据本公开的另一方面,提供了一种图像生成模型的训练装置,包括:第四处理模块,用于对样本图像进行识别,以提取所述样本图像中的头发区域,得到真实发型图像;第五处理模块,用于对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像;以及第六处理模块,用于利用所述真实发型图像和所述渲染后的虚拟发型图像训练初始模型,得到经训练的图像生成模型。
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或图像生成模型的训练方法。
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或图像生成模型的训练方法。
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或图像生成模型的训练方法。
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另一实施例的图像处理方法的流程图;
图4示意性示出了根据本公开一实施例的图像生成模型的训练方法的示意图;
图5示意性示出了根据本公开一实施例的训练数据处理过程的示意图;
图6示意性示出了根据本公开一实施例的虚拟发型匹配的示意图;
图7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;
图8示意性示出了根据本公开一实施例的图像生成模型的训练装置的框图;
图9示意性示出了根据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)。
本公开的实施例提供了一种图像处理方法。图像处理方法包括:对目标图像进行识别,以提取目标图像中对象的面部检测区域,面部检测区域包括对象的面部区域和头发区域,确定与头发区域关联的发丝布局特征,发丝布局特征包括平面布局特征和/或空间布局特征,以及根据发丝布局特征,确定与头发区域匹配的虚拟发型图像,以利用虚拟发型图像替换目标图像中的头发区域。
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。
根据该实施例的系统架构100可以包括终端设备101、102、103、网络104和服务器105。网络104用于在终端设备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。服务器105可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或分布式系统,还可以是提供云服务、云计算、网络服务、中间件服务等基础云计算服务的云服务器。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如安装有社交平台软件、娱乐交互类应用、搜索类应用、即时通信工具、游戏客户端和/或工具类应用等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持数据交互的各种电子设备,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。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所提交的请求提供支持的后台处理服务器(仅为示例)。后台处理服务器可以对接收到的用户请求等数据进行分析处理,并将处理结果(例如根据用户请求获取或生成的数据、信息、或网页等)反馈给终端设备。
例如,服务器105接收来自终端设备101、102、103的目标图像,服务器105用于对目标图像进行识别,以提取目标图像中对象的面部检测区域,面部检测区域包括对象的面部区域和头发区域。服务器105还用于确定与头发区域关联的发丝布局特征,发丝布局特征包括平面布局特征和/或空间布局特征,以及根据发丝布局特征,确定与头发区域匹配的虚拟发型图像,以利用虚拟发型图像替换目标图像中的头发区域。
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且能够与终端设备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且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、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终端设备、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3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105来执行。
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S230。
在操作S210,对目标图像进行识别,以提取目标图像中对象的面部检测区域,面部检测区域包括对象的面部区域和头发区域。
在操作S220,确定与头发区域关联的发丝布局特征,发丝布局特征包括平面布局特征和/或空间布局特征。
在操作S230,根据发丝布局特征,确定与头发区域匹配的虚拟发型图像,以利用虚拟发型图像替换目标图像中的头发区域。
下面示例说明本实施例的图像处理方法的各操作的示例流程。
示例性地,图像处理方法的执行主体可以通过各种公开、合法合规的方式获取目标图像,例如可以从公开数据集处获取,或者在获得与目标图像关联的用户授权之后,从授权用户处获取。目标图像并不是针对某一特定用户的图像数据,并不能反映某一特定用户的个人信息。
目标图像中可以包括对象头部图像。在对目标图像进行识别之前,可以提取目标图像中的面部特征点,根据目标图像中的面部特征点和预设基准占位特征,对目标图像进行图像配准,得到配准后的目标图像。示例性地,可以利用面部特征点检测算法,识别目标图像中对象的面部特征点,面部特征点检测算法例如可以采用TCDCN(Tasks-ConstrainedDeep Convolutional Network,任务约束深度卷积网络)算法,本实施例在此不进行赘述。
基准占位特征指示了对象的面部区域在所在图像中的参考占位。根据基准占位特征和目标图像中的面部特征点,通过平放缩操作将目标图像配准到由基准占位特征指示的对象模板上,得到配准后的目标图像。在将目标图像配准到对象模板时,假设目标图像的平移量为t、放缩量为s,目标图像中对象的面部检测区域同样适用平移量t和放缩量s。
对配准后的目标图像进行识别,以提取目标图像中对象的面部检测区域,面部检测区域包括对象的面部区域和头发区域。一种示例方式,可以选取目标图像中符合面部特征的像素为面部种子点,在与面部种子点邻接的其他像素中,筛选满足相似度条件的目标像素,并将目标像素划分至面部区域。将最新划入面部区域的像素作为新的面部种子点,并以新的面部种子点为起点,再次外扩筛选满足相似度条件的其他像素,直至不存在满足相似度条件的像素,得到目标图像中对象的面部区域。面部特征例如可以包括面部肤色、面部纹理、反光特征等。
另一示例方式,可以选取目标图像中符合头发特征的像素为头发种子点,以头发种子点为起点,逐次外扩筛选满足相似度条件的其他像素,直至不存在满足相似度条件的像素,得到目标图像中对象的头部区域。头发特征例如可以包括头发颜色、外形特征、反光特征等。
确定与对象的头部区域关联的发丝布局特征,发丝布局特征可以包括平面布局特征和/或空间布局特征。平面布局特征指示了头发区域中发丝分布的平面布局信息,例如可以指示发丝分布的轮廓信息和发丝走向信息。空间布局特征指示了头发区域中发丝分布的空间布局信息,例如可以指示发丝分布的深度信息。
根据头发区域的发丝布局特征,确定与头发区域匹配的虚拟发型图像,以利用虚拟发型图像替换目标图像中的头发区域。示例性地,可以利用生成式对抗网络,将与目标图像中的头发区域关联的发丝布局特征作为约束,确定与头发区域的发丝布局特征满足相似度条件的虚拟发型图像并输出。生成式对抗网络例如可以包括循环一致生成式对抗网络CycleGan,CycleGan是一种环形对抗生成深度学习网络,能够基于两类可以无需配对的图像集进行训练,实现将一类图像转换为另一类图像,CycleGan常用于图像匹配和风格迁移。
示例性地,虚拟发型图像可以包括对预设初始虚拟发型进行配准和渲染处理后得到的二维虚拟发型。根据基准占位特征,对初始虚拟发型进行配准,得到配准后的虚拟发型图像。配准后的虚拟发型图像所适配的脸部区域在所在图像中的占位,与配准后的目标图像中对象的脸部区域的占位一致。在得到与头发区域匹配的虚拟发型图像之后,可以利用虚拟发型图像替换目标图像中的头发区域。通过在头发区域的位置显示虚拟发型图像的显示元素,实现将目标图像中对象的真实发型替换为二维虚拟发型。
通过本公开实施例,对目标图像进行识别,以提取目标图像中对象的面部检测区域,面部检测区域包括对象的面部区域和头发区域;确定与头发区域关联的发丝布局特征,发丝布局特征包括平面布局特征和/或空间布局特征;根据发丝布局特征,确定与头发区域匹配的虚拟发型图像,以利用虚拟发型图像替换目标图像中的头发区域。
通过对目标图像进行解析与特征提取,获取用于虚拟发型匹配的发丝布局信息,通过图像生成方式确定与头发区域匹配的虚拟发型图像,可以在有效满足用户个性化需求的基础上,降低虚拟发型构建成本。根据发丝布局特征,自动确定与头发区域匹配的虚拟发型图像,能够有效降低虚拟发型构建难度,实现效果良好的发型重建效果。
图3示意性示出了根据本公开另一实施例的图像处理方法的示意图。
如图3所示,方法300例如可以包括操作S310~操作S330。
在操作S310,提取目标图像中对象的面部检测区域。
在操作S320,确定与面部检测区域中的头发区域关联的发丝布局特征。
在操作S330,根据发丝布局特征确定与头发区域匹配的虚拟发型图像。
下面示例说明本实施例的图像处理方法的各操作的示例流程。
示例性地,对目标图像进行识别,以提取目标图像中对象的面部检测区域,面部检测区域可以包括对象的面部区域和头发区域。例如可以采用全卷积神经网络FCN(FullyConvolutional Networks for Semantic Segmentation)、图像分割模型(RefineNet)、语义分割网络(SegNet,Semantic Segmentation)等模型识别目标图像中的面部检测区域。
在确定与头发区域关联的发丝布局特征时,一种示例方式,可以确定面部检测区域中的面部区域的轮廓信息,得到与头发区域关联的内轮廓特征。确定面部检测区域和除面部检测区域以外的背景区域的交界信息,得到与头发区域关联的外轮廓特征,内轮廓特征和外轮廓特征构成平面布局特征。
另一示例方式,可以对目标图像进行二值化处理,利用第一灰度值指示头发区域,利用第二灰度值指示非头发区域。循环遍历二值化目标图像中的每个像素,根据二值化目标图像中的每个像素的灰度值,计算与头发区域的轮廓线关联的发丝锚点集。根据发丝锚点集中的至少一个发丝锚点在对准后的目标图像中的坐标信息,确定与头发区域关联的内轮廓特征和外轮廓特征。
确定与头发区域的内轮廓特征和外轮廓特征的对应相似度均高于预设阈值的第一虚拟发型图像,第一虚拟发型图像中的虚拟发型的分布区域与目标图像中的头发区域的分布区域相似。可以将第一虚拟发型图像作为与头发区域匹配的虚拟发型图像,也可以在第一虚拟发型图像的基础上,根据发丝分布的其他特征进一步筛选与头发区域匹配的虚拟发型图像。
一种示例方式,确定头发区域中的像素的梯度信息,以及根据头发区域中的像素的梯度信息,确定与头发区域关联的发丝走向特征。采用预设梯度算子计算头发区域中像素的梯度信息,针对头发区域中任一发丝的发丝节点,假设与发丝节点对应的像素在x轴方向上的梯度为Gx,在y轴方向上的梯度为Gy,该发丝节点处的发丝走向可以记作θ,θ=arctan(Gy/Gx)。
可以在第一虚拟发型图像中,确定与目标图像中对象的发丝走向特征的相似度高于预设阈值的第二虚拟发型图像,作为与头发区域匹配的虚拟发型图像。
另一示例方式,可以筛选头发区域中符合预设条件的有效角点,以及计算与有效角点关联的特征描述符。角点包括图像中灰度变化剧烈或轮廓边界相交的点,角点能够反映图像的局部特征,能够为图像理解和分析提供重要信息。
可以利用面部检测区域的头发区域中的角点,确定头发区域中的发丝布局特征。可以将头发区域中灰度变化满足预设条件的点,作为头发区域中的有效角点。与有效角点关联的特征描述符指示了有效角点与目标图像中的人像中心点的距离和夹角信息。根据与有效角点关联的特征描述符,确定与头发区域关联的发丝分布的空间布局特征。
示例性地,可以使用固定窗口(例如,取包含某个像素的一个邻域窗口)在目标图像中以任意方向进行滑动,比较滑动前与滑动后的固定窗口中像素灰度的变化值,如果任意方向上的滑动均存在像素灰度变化值大于预设阈值的情况,可以认为固定窗口中存在有效角点。此外,还可以计算目标图像中像素的角点响应函数值,并将角点响应函数值高于预设阈值的像素,作为目标图像中的有效角点。
计算有效角点与目标图像中的人像中心点的距离和夹角,有效角点与人像中心点的距离和夹角信息构成有效角点的特殊描述符。根据头发区域中的至少一个有效角点的特殊描述符,确定与头发区域关联的发丝分布的空间布局特征,例如确定发丝分布的深度信息。此外,还可以利用经训练的深度估计模型,确定与头发区域关联的发丝分布的深度信息。
可以在第一虚拟发型图像或第二虚拟发型图像中,确定与发丝分布的空间布局特征的相似度高于预设阈值的第三虚拟发型图像,作为与头发区域匹配的虚拟发型图像。
通过对目标图像进行解析,获取目标图像中用于发型匹配的发丝布局信息。根据发丝布局信息,自动确定与头发区域匹配的虚拟发型图像。通过图像生成方式确定与头发区域匹配的虚拟发型图像,可以有效减少虚拟发型构建的计算开销,降低虚拟发型构建成本。基于发丝布局信息匹配的虚拟发型图像效果美观、自然,虚拟发型图像与目标图像中的对象具有很好的适配度,虚拟发型构建效果良好。
图4示意性示出了根据本公开一实施例的图像生成模型的训练方法的示意图。
如图4所示,方法400例如可以包括操作S410~操作S430。
在操作S410,对样本图像进行识别,以提取样本图像中的头发区域,得到真实发型图像。
在操作S420,对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像。
在操作S430,利用真实发型图像和渲染后的虚拟发型图像训练初始模型,得到经训练的图像生成模型。
下面示例说明本实施例的图像生成模型的训练方法的各操作的示例流程。
示例性地,样本图像中可以包括对象头部图像。在对样本图像进行识别之前,可以提取样本图像中对象的面部关键点,根据样本图像中的面部关键点和预设基准占位特征,对样本图像进行图像配准,得到配准后的样本图像。基准占位特征指示了对象的面部区域在所在图像中的参考占位。
对配准后的样本图像进行识别,以提取配准后的样本图像中的头发区域,得到真实发型图像。示例性地,可以利用经训练的发型分割深度学习模型预测样本图像中的发型掩码,对样本图像进行分割得到真实发型图像。
在对预设的初始虚拟发型进行渲染之前,可以根据基准占位特征,对初始虚拟发型进行配准,得到配准后的虚拟发型图像。示例性地,可以根据基准占位特征,通过平放缩操作和/或旋转操作,将虚拟发型图像配准到由基准占位特征指示的对象模板上,得到配准后的虚拟发型图像。
对配准后的虚拟发型图像进行渲染,得到渲染后的虚拟发型图像。配准后的虚拟发型图像中包括M个发丝,每个发丝中包括N个发丝节点,其中,M为大于1的整数,N为大于1的整数。示例性地,虚拟发型图像中包括10000个发丝,每个发丝中包括100个发丝节点。虚拟发型图像中的发丝具有对应的发丝序号,发丝中的发丝节点具有对应的发丝节点序号,虚拟发型图像可以包括虚拟发型数据库中的二维发型图像,在将二维发型图像导入虚拟发型数据库时,二维发型图像中的发丝序号和发丝节点序号信息被随之导入虚拟发型数据库。
在对配准后的虚拟发型图像进行渲染时,可以根据配准后的虚拟发型图像中的至少一个发丝节点在对应发丝中的节点序号,确定与至少一个发丝节点关联的像素颜色。根据与至少一个发丝节点关联的像素颜色,对配准后的虚拟发型图像进行渲染,得到渲染后的虚拟发型图像。
一种示例方式,可以根据至少一个发丝节点在对应发丝中的节点序号和对应发丝中的节点总数,将由节点序号和节点总数的比值所指示的颜色值,作为与对应发丝节点关联的像素颜色。示例性地,某发丝中包括100个发丝节点,针对该发丝中的第79号发丝节点,将由节点序号和节点总数的比值所指示的颜色值,作为与该发丝节点关联的像素颜色,即确定与第79号发丝节点关联的像素颜色为70/100*255=201.45。
根据发丝节点的节点序号和发丝节点所在发丝的节点总数,将发丝中的至少一个发丝节点映射到颜色空间。与至少一个发丝节点关联的像素颜色可以反映对应发丝的发丝走向特征,一般来说,位置越靠前的发丝节点的像素颜色越浅,位置越靠后的发丝节点的像素颜色越深。
另一示例方式,根据配准后的虚拟发型图像中的发丝序号和至少一个发丝节点在对应发丝中的节点序号,确定与至少一个发丝中的每个发丝关联的节点序号向量。根据与至少一个发丝中的每个发丝关联的节点序号向量,将至少一个发丝映射到颜色空间,以得到与至少一个发丝节点关联的像素颜色。与至少一个发丝节点关联的像素颜色可以反映对应发丝的发丝走向特征。
将真实发型图像和渲染后的虚拟发型图像作为生成式对抗网络的输入图像。利用生成式对抗网络将与输入图像中的头发区域关联的发丝布局特征作为约束,对输入的真实发型图像和渲染后的虚拟发型图像进行关联,得到经训练的图像生成模型。图像生成模型可用于为一类图像匹配另一类图像,例如用于为目标图像中对象的真实发型图像匹配虚拟发型图像,实现对目标图像中对象的风格迁移。
通过对样本真实照片进行解析,得到真实发型图像。对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像。利用真实发型图像和渲染后的虚拟发型图像进行模型训练,得到经训练的图像生成模型。在进行图像生成模型训练时,可以不用对真实发型图像和虚拟发型图像进行配对,能够有效减少训练数据标注成本,降低发丝布局解析难度,有利于控制虚拟发型重构成本,降低虚拟发型重构的技术难度,进而有利于提升虚拟形象生成能力,满足用户个性化需求,有利于扩大产品纬度和增强用户粘性。
图5示意性示出了根据本公开一实施例的训练数据处理过程的示意图。
如图5所示,在训练数据处理过程中,可以对包含对象头部图像的样本图像501进行解析,通过提取样本图像501中的面部关键点,根据样本图像501中的面部关键点和基准占位特征,对样本图像501进行图像配准,得到配准后的样本图像502。利用经训练的发型分割模型,对配准后的样本图像502进行识别,以提取配准后的样本图像502中的发型区域,得到真实发型图像503。
对预设的初始虚拟发型进行配准和渲染,得到渲染后的虚拟发型图像,初始虚拟发型可以包括虚拟发型数据库中的二维虚拟发型。在对初始虚拟发型进行配准时,可以对包含对象头部图像的原始图像504进行解析,通过提取原始图像504中的面部关键点,根据原始图像504中的面部关键点和基准占位特征,对原始图像504进行图像配准,得到配准后的对齐图像505。利用PTA技术(Photo-to-Avatar,一种虚拟形象生成技术,基于单张面部图像生成与图像中面部位姿和外观对齐的三维虚拟面部),提取对齐图像505中的面部位姿,以及基于对齐图像505生成三维虚拟面部模型506。利用三维虚拟面部模型506和提取出的面部位姿,对初始虚拟发型进行配准和渲染,得到渲染后的虚拟发型图像507。
利用真实发型图像集和渲染后的虚拟发型图像集训练初始模型,得到用于虚拟发型匹配的图像生成模型。
图6示意性示出了根据本公开一实施例的虚拟发型匹配的示意图。
如图6所示,图像6A1、6A2、6A3、6A4为待进行虚拟发型匹配的目标图像,目标图像中包含对象头部区域。图像6B1、6B2、6B3、6B4为分别与目标图像6A1、6A2、6A3、6A4匹配的虚拟发型图像。虚拟发型图像所适配的面部区域在所在图像中的占位与目标图像中的面部区域占位相似,虚拟发型图像的发丝布局特征与目标图像中的发丝布局特征相似。
通过图像生成方式确定与目标图像匹配的虚拟发型图像,可以有效减少虚拟发型构建的计算开销,降低虚拟发型构建成本。虚拟发型图像与目标图像中的对象具有较好的适配度,虚拟发型构建效果良好。
图7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7所示,本公开实施例的图像处理装置700例如包括第一处理模块710、第二处理模块720和第三处理模块730。
第一处理模块710,用于对目标图像进行识别,以提取目标图像中对象的面部检测区域,面部检测区域包括对象的面部区域和头发区域;第二处理模块720,用于确定与头发区域关联的发丝布局特征,发丝布局特征包括平面布局特征和/或空间布局特征;以及第三处理模块730,用于根据发丝布局特征,确定与头发区域匹配的虚拟发型图像,以利用虚拟发型图像替换目标图像中的头发区域。
通过本公开实施例,对目标图像进行识别,以提取目标图像中对象的面部检测区域,面部检测区域包括对象的面部区域和头发区域;确定与头发区域关联的发丝布局特征,发丝布局特征包括平面布局特征和/或空间布局特征;根据发丝布局特征,确定与头发区域匹配的虚拟发型图像,以利用虚拟发型图像替换目标图像中的头发区域。
通过对目标图像进行解析与特征提取,获取用于虚拟发型匹配的发丝布局信息,通过图像生成方式确定与头发区域匹配的虚拟发型图像,可以在有效满足用户个性化需求的基础上,降低虚拟发型构建成本。根据发丝布局特征,自动确定与头发区域匹配的虚拟发型图像,能够有效降低虚拟发型构建难度,实现效果良好的发型重建效果。
根据本公开的实施例,第一处理模块,还用于在对目标图像进行识别之前,提取目标图像中的面部特征点;根据目标图像中的面部特征点和预设基准占位特征,对目标图像进行图像配准,得到配准后的目标图像。在利用第一处理模块,对目标图像进行识别,以提取目标图像中对象的面部检测区域时,包括:对配准后的目标图像进行识别,以提取配准后的目标图像中对象的面部检测区域。基准占位特征指示了对象的面部区域在所在图像中的参考占位。
根据本公开的实施例,发丝布局特征包括平面布局特征,第二处理模块包括:第一处理子模块,用于确定面部检测区域中的面部区域的轮廓信息,得到与头发区域关联的内轮廓特征;第二处理子模块,用于确定面部检测区域和除面部检测区域以外的背景区域的交界信息,得到与头发区域关联的外轮廓特征,以及内轮廓特征和外轮廓特征构成平面布局特征。
根据本公开的实施例,第三处理模块包括:第三处理子模块,用于确定与头发区域的内轮廓特征和外轮廓特征的对应相似度均高于预设阈值的第一虚拟发型图像;以及第四处理子模块,用于基于第一虚拟发型图像,确定与头发区域匹配的虚拟发型图像。
根据本公开的实施例,第二处理模块还包括:第五处理子模块,用于确定头发区域中的像素的梯度信息;第六处理子模块,用于根据头发区域中的像素的梯度信息,确定与头发区域关联的发丝走向特征;以及与头发区域关联的发丝走向特征构成平面布局特征。第四处理子模块包括:第一处理单元,用于在第一虚拟发型图像中,确定与发丝走向特征的相似度高于预设阈值的第二虚拟发型图像,作为与头发区域匹配的虚拟发型图像。
根据本公开的实施例,发丝布局特征还包括空间布局特征,第二处理模块还包括:第七处理子模块,用于筛选头发区域中符合预设条件的有效角点;第八处理子模块,用于计算与有效角点关联的特征描述符,特征描述符指示了有效角点与目标图像中的人像中心点的距离和夹角信息;第九处理子模块,用于根据与有效角点关联的特征描述符,确定与头发区域关联的发丝分布的空间布局特征。第四处理子模块还包括:第二处理单元,用于在第一虚拟发型图像中,确定与发丝分布的空间布局特征的相似度高于预设阈值的第三虚拟发型图像,作为与头发区域匹配的虚拟发型图像。
根据本公开的实施例,利用生成式对抗网络,将与目标图像中的头发区域关联的发丝布局特征作为约束,输出与头发区域匹配的虚拟发型图像。
图8示意性示出了根据本公开一实施例的图像生成模型的训练装置的框图。
如图8所示,本公开实施例的图像处理装置800例如包括第四处理模块810、第五处理模块820和第六处理模块830。
第四处理模块810,用于对样本图像进行识别,以提取样本图像中的头发区域,得到真实发型图像;第五处理模块820,用于对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像;以及第六处理模块830,用于利用真实发型图像和渲染后的虚拟发型图像训练初始模型,得到经训练的图像生成模型。
通过对样本真实照片进行解析,得到真实发型图像。对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像。利用真实发型图像和渲染后的虚拟发型图像进行模型训练,得到经训练的图像生成模型。在进行图像生成模型训练时,可以不用对真实发型图像和虚拟发型图像进行配对,能够有效减少训练数据标注成本,降低发丝布局解析难度,有利于控制虚拟发型重构成本,降低虚拟发型重构的技术难度,进而有利于提升虚拟形象生成能力,满足用户个性化需求,有利于扩大产品纬度和增强用户粘性。
根据本公开的实施例,第四处理模块包括:第十处理子模块,用于提取样本图像中的面部特征点;第十一处理子模块,用于根据样本图像中的面部特征点和预设基准占位特征,对样本图像进行图像配准,得到配准后的样本图像;以及第十二处理子模块,用于对配准后的样本图像进行识别,以提取配准后的样本图像中的头发区域,得到真实发型图像。
根据本公开的实施例,第五处理模块,还用于在对预设的初始虚拟发型进行渲染之前,根据基准占位特征,对初始虚拟发型进行配准,得到配准后的虚拟发型图像,在利用第五处理模块,对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像时,包括:对配准后的虚拟发型图像进行渲染,得到渲染后的虚拟发型图像。
根据本公开的实施例,配准后的虚拟发型图像中包括M个发丝,每个发丝中包括N个发丝节点,其中,M为大于1的整数,N为大于1的整数;第五处理模块包括:第十三处理子模块,用于根据配准后的虚拟发型图像中的至少一个发丝节点在对应发丝中的节点序号,确定与至少一个发丝节点关联的像素颜色;以及第十四处理子模块,用于根据与至少一个发丝节点关联的像素颜色,对配准后的虚拟发型图像进行渲染,得到渲染后的虚拟发型图像。
根据本公开的实施例,第十三处理子模块包括:第三处理单元,用于根据至少一个发丝节点在对应发丝中的节点序号和对应发丝中的节点总数,将由节点序号和节点总数的比值所指示的颜色值,作为与对应发丝节点关联的像素颜色。
根据本公开的实施例,第十三处理子模块包括:第四处理单元,用于据配准后的虚拟发型图像中的发丝序号和至少一个发丝节点在对应发丝中的节点序号,确定与至少一个发丝中的每个发丝关联的节点序号向量;以及第五处理单元,用于根据与至少一个发丝中的每个发丝关联的节点序号向量,将至少一个发丝映射到颜色空间,以得到与至少一个发丝节点关联的像素颜色。
根据本公开的实施例,第六处理模块包括:第十五处理子模块,用于将真实发型图像和渲染后的虚拟发型图像作为生成式对抗网络的输入图像;以及第十六处理子模块,用于利用生成式对抗网络将与输入图像中的头发区域关联的发丝布局特征作为约束,对输入的真实发型图像和渲染后的虚拟发型图像进行关联,得到经训练的图像生成模型。
应该注意的是,本公开的技术方案中,所涉及的信息收集、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9示意性示出了根据本公开实施例的用于执行图像处理的电子设备的框图。
图9示出了可以用来实施本公开实施例的示例电子设备900的示意性框图。电子设备900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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元909,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元906允许设备900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901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901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901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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元906而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901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901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数据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。
为了提供与对象的交互,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:用于向对象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),对象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对象的交互;例如,提供给对象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)来接收来自对象的输入。
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,具有图形对象界面或者网络浏览器的对象计算机,对象可以通过该图形对象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 (31)
1.一种图像处理方法,包括:
对目标图像进行识别,以提取所述目标图像中对象的面部检测区域,所述面部检测区域包括对象的面部区域和头发区域;
确定与所述头发区域关联的发丝布局特征,所述发丝布局特征包括平面布局特征和/或空间布局特征;以及
根据所述发丝布局特征,确定与所述头发区域匹配的虚拟发型图像,以利用所述虚拟发型图像替换所述目标图像中的所述头发区域。
2.根据权利要求1所述的方法,还包括,在对目标图像进行识别之前:
提取所述目标图像中的面部特征点;
根据所述目标图像中的面部特征点和预设基准占位特征,对所述目标图像进行图像配准,得到配准后的目标图像,
其中,所述对目标图像进行识别,以提取所述目标图像中对象的面部检测区域,包括:
对所述配准后的目标图像进行识别,以提取所述配准后的目标图像中对象的面部检测区域,
其中,所述基准占位特征指示了对象的面部区域在所在图像中的参考占位。
3.根据权利要求1所述的方法,其中,所述发丝布局特征包括平面布局特征,所述确定与所述头发区域关联的发丝布局特征,包括:
确定所述面部检测区域中的面部区域的轮廓信息,得到与所述头发区域关联的内轮廓特征;
确定所述面部检测区域和除所述面部检测区域以外的背景区域的交界信息,得到与所述头发区域关联的外轮廓特征,以及
所述内轮廓特征和所述外轮廓特征构成所述平面布局特征。
4.根据权利要求3所述的方法,其中,所述根据所述发丝布局特征,确定与所述头发区域匹配的虚拟发型图像,包括:
确定与所述头发区域的内轮廓特征和外轮廓特征的对应相似度均高于预设阈值的第一虚拟发型图像;以及
基于所述第一虚拟发型图像,确定与所述头发区域匹配的虚拟发型图像。
5.根据权利要求4所述的方法,其中,所述确定与所述头发区域关联的发丝布局特征,还包括:
确定所述头发区域中的像素的梯度信息;
根据所述头发区域中的像素的梯度信息,确定与所述头发区域关联的发丝走向特征;以及
与所述头发区域关联的发丝走向特征构成所述平面布局特征,
其中,所述基于所述第一虚拟发型图像,确定与所述头发区域匹配的虚拟发型图像,包括:
在所述第一虚拟发型图像中,确定与所述发丝走向特征的相似度高于预设阈值的第二虚拟发型图像,作为与所述头发区域匹配的虚拟发型图像。
6.根据权利要求4所述的方法,其中,所述发丝布局特征还包括空间布局特征,所述确定与所述头发区域关联的发丝布局特征,还包括:
筛选所述头发区域中符合预设条件的有效角点;
计算与所述有效角点关联的特征描述符,所述特征描述符指示了所述有效角点与所述目标图像中的人像中心点的距离和夹角信息;
根据与所述有效角点关联的特征描述符,确定与所述头发区域关联的发丝分布的空间布局特征,
其中,所述基于所述第一虚拟发型图像,确定与所述头发区域匹配的虚拟发型图像,还包括:
在所述第一虚拟发型图像中,确定与所述发丝分布的空间布局特征的相似度高于预设阈值的第三虚拟发型图像,作为与所述头发区域匹配的虚拟发型图像。
7.根据权利要求1至6中任一项所述的方法,其中,利用生成式对抗网络,将与所述目标图像中的头发区域关联的发丝布局特征作为约束,输出与所述头发区域匹配的虚拟发型图像。
8.一种图像生成模型的训练方法,包括:
对样本图像进行识别,以提取所述样本图像中的头发区域,得到真实发型图像;
对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像;以及
利用所述真实发型图像和所述渲染后的虚拟发型图像训练初始模型,得到经训练的图像生成模型。
9.根据权利要求8所述的方法,其中,所述对样本图像进行识别,以提取所述样本图像中的头发区域,得到真实发型图像,包括:
提取所述样本图像中的面部特征点;
根据所述样本图像中的面部特征点和预设基准占位特征,对所述样本图像进行图像配准,得到配准后的样本图像;以及
对所述配准后的样本图像进行识别,以提取所述配准后的样本图像中的头发区域,得到所述真实发型图像。
10.根据权利要求9所述的方法,还包括,在对预设的初始虚拟发型进行渲染之前:
根据所述基准占位特征,对所述初始虚拟发型进行配准,得到配准后的虚拟发型图像,
其中,所述对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像,包括:
对所述配准后的虚拟发型图像进行渲染,得到所述渲染后的虚拟发型图像。
11.根据权利要求10所述的方法,其中,
所述配准后的虚拟发型图像中包括M个发丝,每个发丝中包括N个发丝节点,其中,M为大于1的整数,N为大于1的整数;
所述对所述配准后的虚拟发型图像进行渲染,得到所述渲染后的虚拟发型图像,包括:
根据所述配准后的虚拟发型图像中的至少一个发丝节点在对应发丝中的节点序号,确定与所述至少一个发丝节点关联的像素颜色;以及
根据与所述至少一个发丝节点关联的像素颜色,对所述配准后的虚拟发型图像进行渲染,得到所述渲染后的虚拟发型图像。
12.根据权利要求11所述的方法,其中,所述根据所述配准后的虚拟发型图像中的至少一个发丝节点在对应发丝中的节点序号,确定与所述至少一个发丝节点关联的像素颜色,包括:
根据所述至少一个发丝节点在对应发丝中的节点序号和所述对应发丝中的节点总数,将由所述节点序号和所述节点总数的比值所指示的颜色值,作为与对应发丝节点关联的像素颜色。
13.根据权利要求11所述的方法,其中,所述根据所述配准后的虚拟发型图像中的至少一个发丝节点在对应发丝中的节点序号,确定与所述至少一个发丝节点关联的像素颜色,包括:
根据所述配准后的虚拟发型图像中的发丝序号和所述至少一个发丝节点在对应发丝中的节点序号,确定与至少一个发丝中的每个发丝关联的节点序号向量;以及
根据与所述至少一个发丝中的每个发丝关联的节点序号向量,将所述至少一个发丝映射到颜色空间,以得到与所述至少一个发丝节点关联的像素颜色。
14.根据权利要求8至13中任一项所述的方法,其中,所述利用所述真实发型图像和所述渲染后的虚拟发型图像训练初始模型,得到经训练的图像生成模型,包括:
将所述真实发型图像和所述渲染后的虚拟发型图像作为生成式对抗网络的输入图像;以及
利用所述生成式对抗网络将与所述输入图像中的头发区域关联的发丝布局特征作为约束,对输入的所述真实发型图像和所述渲染后的虚拟发型图像进行关联,得到所述经训练的图像生成模型。
15.一种图像处理装置,包括:
第一处理模块,用于对目标图像进行识别,以提取所述目标图像中对象的面部检测区域,所述面部检测区域包括对象的面部区域和头发区域;
第二处理模块,用于确定与所述头发区域关联的发丝布局特征,所述发丝布局特征包括平面布局特征和/或空间布局特征;以及
第三处理模块,用于根据所述发丝布局特征,确定与所述头发区域匹配的虚拟发型图像,以利用所述虚拟发型图像替换所述目标图像中的所述头发区域。
16.根据权利要求15所述的装置,所述第一处理模块,还用于在对目标图像进行识别之前:
提取所述目标图像中的面部特征点;
根据所述目标图像中的面部特征点和预设基准占位特征,对所述目标图像进行图像配准,得到配准后的目标图像,
在利用所述第一处理模块,对目标图像进行识别,以提取所述目标图像中对象的面部检测区域时,包括:
对所述配准后的目标图像进行识别,以提取所述配准后的目标图像中对象的面部检测区域,
其中,所述基准占位特征指示了对象的面部区域在所在图像中的参考占位。
17.根据权利要求15所述的装置,其中,所述发丝布局特征包括平面布局特征,所述第二处理模块包括:
第一处理子模块,用于确定所述面部检测区域中的面部区域的轮廓信息,得到与所述头发区域关联的内轮廓特征;
第二处理子模块,用于确定所述面部检测区域和除所述面部检测区域以外的背景区域的交界信息,得到与所述头发区域关联的外轮廓特征,以及
所述内轮廓特征和所述外轮廓特征构成所述平面布局特征。
18.根据权利要求17所述的装置,其中,所述第三处理模块包括:
第三处理子模块,用于确定与所述头发区域的内轮廓特征和外轮廓特征的对应相似度均高于预设阈值的第一虚拟发型图像;以及
第四处理子模块,用于基于所述第一虚拟发型图像,确定与所述头发区域匹配的虚拟发型图像。
19.根据权利要求18所述的装置,其中,所述第二处理模块还包括:
第五处理子模块,用于确定所述头发区域中的像素的梯度信息;
第六处理子模块,用于根据所述头发区域中的像素的梯度信息,确定与所述头发区域关联的发丝走向特征;以及
与所述头发区域关联的发丝走向特征构成所述平面布局特征,
其中,所述第四处理子模块包括:
第一处理单元,用于在所述第一虚拟发型图像中,确定与所述发丝走向特征的相似度高于预设阈值的第二虚拟发型图像,作为与所述头发区域匹配的虚拟发型图像。
20.根据权利要求18所述的装置,其中,所述发丝布局特征还包括空间布局特征,所述第二处理模块还包括:
第七处理子模块,用于筛选所述头发区域中符合预设条件的有效角点;
第八处理子模块,用于计算与所述有效角点关联的特征描述符,所述特征描述符指示了所述有效角点与所述目标图像中的人像中心点的距离和夹角信息;
第九处理子模块,用于根据与所述有效角点关联的特征描述符,确定与所述头发区域关联的发丝分布的空间布局特征,
其中,所述第四处理子模块还包括:
第二处理单元,用于在所述第一虚拟发型图像中,确定与所述发丝分布的空间布局特征的相似度高于预设阈值的第三虚拟发型图像,作为与所述头发区域匹配的虚拟发型图像。
21.根据权利要求15至20中任一项所述的装置,其中,利用生成式对抗网络,将与所述目标图像中的头发区域关联的发丝布局特征作为约束,输出与所述头发区域匹配的虚拟发型图像。
22.一种图像生成模型的训练装置,包括:
第四处理模块,用于对样本图像进行识别,以提取所述样本图像中的头发区域,得到真实发型图像;
第五处理模块,用于对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像;以及
第六处理模块,用于利用所述真实发型图像和所述渲染后的虚拟发型图像训练初始模型,得到经训练的图像生成模型。
23.根据权利要求22所述的装置,其中,所述第四处理模块包括:
第十处理子模块,用于提取所述样本图像中的面部特征点;
第十一处理子模块,用于根据所述样本图像中的面部特征点和预设基准占位特征,对所述样本图像进行图像配准,得到配准后的样本图像;以及
第十二处理子模块,用于对所述配准后的样本图像进行识别,以提取所述配准后的样本图像中的头发区域,得到所述真实发型图像。
24.根据权利要求23所述的装置,其中,所述第五处理模块,还用于在对预设的初始虚拟发型进行渲染之前:
根据所述基准占位特征,对所述初始虚拟发型进行配准,得到配准后的虚拟发型图像,
在利用所述第五处理模块,对预设的初始虚拟发型进行渲染,得到渲染后的虚拟发型图像时,包括:
对所述配准后的虚拟发型图像进行渲染,得到所述渲染后的虚拟发型图像。
25.根据权利要求24所述的装置,其中,
所述配准后的虚拟发型图像中包括M个发丝,每个发丝中包括N个发丝节点,其中,M为大于1的整数,N为大于1的整数;
所述第五处理模块包括:
第十三处理子模块,用于根据所述配准后的虚拟发型图像中的至少一个发丝节点在对应发丝中的节点序号,确定与所述至少一个发丝节点关联的像素颜色;以及
第十四处理子模块,用于根据与所述至少一个发丝节点关联的像素颜色,对所述配准后的虚拟发型图像进行渲染,得到所述渲染后的虚拟发型图像。
26.根据权利要求25所述的装置,其中,所述第十三处理子模块包括:
第三处理单元,用于根据所述至少一个发丝节点在对应发丝中的节点序号和所述对应发丝中的节点总数,将由所述节点序号和所述节点总数的比值所指示的颜色值,作为与对应发丝节点关联的像素颜色。
27.根据权利要求25所述的装置,其中,所述第十三处理子模块包括:
第四处理单元,用于据所述配准后的虚拟发型图像中的发丝序号和所述至少一个发丝节点在对应发丝中的节点序号,确定与至少一个发丝中的每个发丝关联的节点序号向量;以及
第五处理单元,用于根据与所述至少一个发丝中的每个发丝关联的节点序号向量,将所述至少一个发丝映射到颜色空间,以得到与所述至少一个发丝节点关联的像素颜色。
28.根据权利要求22至27中任一项所述的装置,其中,所述第六处理模块包括:
第十五处理子模块,用于将所述真实发型图像和所述渲染后的虚拟发型图像作为生成式对抗网络的输入图像;以及
第十六处理子模块,用于利用所述生成式对抗网络将与所述输入图像中的头发区域关联的发丝布局特征作为约束,对输入的所述真实发型图像和所述渲染后的虚拟发型图像进行关联,得到所述经训练的图像生成模型。
29.一种电子设备,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1~7中任一项所述的方法,或执行权利要求8~14中任一项所述的方法。
30.一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1~7中任一项所述的方法,或执行权利要求8~14中任一项所述的方法。
31.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1~7中任一项所述的方法,或实现根据权利要求8~14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487641.0A CN114187633B (zh) | 2021-12-07 | 2021-12-07 | 图像处理方法及装置、图像生成模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487641.0A CN114187633B (zh) | 2021-12-07 | 2021-12-07 | 图像处理方法及装置、图像生成模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187633A true CN114187633A (zh) | 2022-03-15 |
CN114187633B CN114187633B (zh) | 2023-06-16 |
Family
ID=80603732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111487641.0A Active CN114187633B (zh) | 2021-12-07 | 2021-12-07 | 图像处理方法及装置、图像生成模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187633B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663511A (zh) * | 2022-03-28 | 2022-06-24 | 京东科技信息技术有限公司 | 一种图像生成方法、装置、设备及存储介质 |
CN114723888A (zh) * | 2022-04-08 | 2022-07-08 | 北京百度网讯科技有限公司 | 三维发丝模型生成方法、装置、设备、存储介质及产品 |
CN114758391A (zh) * | 2022-04-08 | 2022-07-15 | 北京百度网讯科技有限公司 | 发型图像确定方法、装置、电子设备、存储介质及产品 |
CN115018992A (zh) * | 2022-06-29 | 2022-09-06 | 北京百度网讯科技有限公司 | 发型模型的生成方法、装置、电子设备及存储介质 |
CN115311403A (zh) * | 2022-08-26 | 2022-11-08 | 北京百度网讯科技有限公司 | 深度学习网络的训练方法、虚拟形象生成方法及装置 |
CN116030185A (zh) * | 2022-12-02 | 2023-04-28 | 北京百度网讯科技有限公司 | 三维发丝生成方法和模型的训练方法 |
CN116894916A (zh) * | 2023-06-19 | 2023-10-17 | 北京百度网讯科技有限公司 | 虚拟形象的发丝模型生成方法、装置、设备及存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886516A (zh) * | 2017-11-30 | 2018-04-06 | 厦门美图之家科技有限公司 | 一种计算人像中发丝走向的方法及计算设备 |
CN108681994A (zh) * | 2018-05-11 | 2018-10-19 | 京东方科技集团股份有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
CN109271706A (zh) * | 2018-09-14 | 2019-01-25 | 厦门美图之家科技有限公司 | 发型生成方法及装置 |
US20190035163A1 (en) * | 2016-01-21 | 2019-01-31 | Alison M. Skwarek | Virtual hair consultation |
CN109408653A (zh) * | 2018-09-30 | 2019-03-01 | 叠境数字科技(上海)有限公司 | 基于多特征检索和形变的人体发型生成方法 |
CN109447895A (zh) * | 2018-09-03 | 2019-03-08 | 腾讯科技(武汉)有限公司 | 图片生成方法和装置、存储介质及电子装置 |
KR20200071843A (ko) * | 2018-12-04 | 2020-06-22 | 엔에이치엔 주식회사 | 딥러닝 기반 가상 헤어 염색방법 및 시스템 |
US20200320769A1 (en) * | 2016-05-25 | 2020-10-08 | Metail Limited | Method and system for predicting garment attributes using deep learning |
CN112102149A (zh) * | 2019-06-18 | 2020-12-18 | 北京陌陌信息技术有限公司 | 基于神经网络的人物发型替换方法、装置、设备和介质 |
CN112102148A (zh) * | 2019-06-18 | 2020-12-18 | 北京陌陌信息技术有限公司 | 基于神经网络的人物发型替换方法、装置、设备和介质 |
CN112419487A (zh) * | 2020-12-02 | 2021-02-26 | 网易(杭州)网络有限公司 | 毛发三维重建方法、装置、电子设备及存储介质 |
CN112465942A (zh) * | 2020-12-04 | 2021-03-09 | 上海米哈游天命科技有限公司 | 一种发色渲染方法、装置、电子设备及存储介质 |
CN112581358A (zh) * | 2020-12-17 | 2021-03-30 | 北京达佳互联信息技术有限公司 | 图像处理模型的训练方法、图像处理方法及装置 |
CN112734633A (zh) * | 2021-01-07 | 2021-04-30 | 京东方科技集团股份有限公司 | 虚拟发型的替换方法、电子设备及存储介质 |
US20210133934A1 (en) * | 2019-11-06 | 2021-05-06 | Canon Kabushiki Kaisha | Image processing apparatus |
CN112862807A (zh) * | 2021-03-08 | 2021-05-28 | 网易(杭州)网络有限公司 | 基于头发图像的数据处理方法及装置 |
CN113256778A (zh) * | 2021-07-05 | 2021-08-13 | 爱保科技有限公司 | 生成车辆外观部件识别样本的方法、装置、介质及服务器 |
CN113744286A (zh) * | 2021-09-14 | 2021-12-03 | Oppo广东移动通信有限公司 | 虚拟头发生成方法及装置、计算机可读介质和电子设备 |
-
2021
- 2021-12-07 CN CN202111487641.0A patent/CN114187633B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190035163A1 (en) * | 2016-01-21 | 2019-01-31 | Alison M. Skwarek | Virtual hair consultation |
US20200320769A1 (en) * | 2016-05-25 | 2020-10-08 | Metail Limited | Method and system for predicting garment attributes using deep learning |
CN107886516A (zh) * | 2017-11-30 | 2018-04-06 | 厦门美图之家科技有限公司 | 一种计算人像中发丝走向的方法及计算设备 |
CN108681994A (zh) * | 2018-05-11 | 2018-10-19 | 京东方科技集团股份有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
CN109447895A (zh) * | 2018-09-03 | 2019-03-08 | 腾讯科技(武汉)有限公司 | 图片生成方法和装置、存储介质及电子装置 |
CN109271706A (zh) * | 2018-09-14 | 2019-01-25 | 厦门美图之家科技有限公司 | 发型生成方法及装置 |
US20200401842A1 (en) * | 2018-09-30 | 2020-12-24 | Plex-Vr Digital Technology (Shanghai) Co., Ltd. | Human Hairstyle Generation Method Based on Multi-Feature Retrieval and Deformation |
CN109408653A (zh) * | 2018-09-30 | 2019-03-01 | 叠境数字科技(上海)有限公司 | 基于多特征检索和形变的人体发型生成方法 |
KR20200071843A (ko) * | 2018-12-04 | 2020-06-22 | 엔에이치엔 주식회사 | 딥러닝 기반 가상 헤어 염색방법 및 시스템 |
CN112102149A (zh) * | 2019-06-18 | 2020-12-18 | 北京陌陌信息技术有限公司 | 基于神经网络的人物发型替换方法、装置、设备和介质 |
CN112102148A (zh) * | 2019-06-18 | 2020-12-18 | 北京陌陌信息技术有限公司 | 基于神经网络的人物发型替换方法、装置、设备和介质 |
US20210133934A1 (en) * | 2019-11-06 | 2021-05-06 | Canon Kabushiki Kaisha | Image processing apparatus |
CN112419487A (zh) * | 2020-12-02 | 2021-02-26 | 网易(杭州)网络有限公司 | 毛发三维重建方法、装置、电子设备及存储介质 |
CN112465942A (zh) * | 2020-12-04 | 2021-03-09 | 上海米哈游天命科技有限公司 | 一种发色渲染方法、装置、电子设备及存储介质 |
CN112581358A (zh) * | 2020-12-17 | 2021-03-30 | 北京达佳互联信息技术有限公司 | 图像处理模型的训练方法、图像处理方法及装置 |
CN112734633A (zh) * | 2021-01-07 | 2021-04-30 | 京东方科技集团股份有限公司 | 虚拟发型的替换方法、电子设备及存储介质 |
CN112862807A (zh) * | 2021-03-08 | 2021-05-28 | 网易(杭州)网络有限公司 | 基于头发图像的数据处理方法及装置 |
CN113256778A (zh) * | 2021-07-05 | 2021-08-13 | 爱保科技有限公司 | 生成车辆外观部件识别样本的方法、装置、介质及服务器 |
CN113744286A (zh) * | 2021-09-14 | 2021-12-03 | Oppo广东移动通信有限公司 | 虚拟头发生成方法及装置、计算机可读介质和电子设备 |
Non-Patent Citations (3)
Title |
---|
YUEFAN SHEN 等: "DeepSketchHair: Deep Sketch-Based 3D Hair Modeling", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》, vol. 2021, pages 3250 - 3263 * |
ZHENTAO TAN 等: "MichiGAN: Multi-Input-Conditioned Hair Image Generation for Portrait Editing", 《ARXIV》, vol. 2020, pages 1 - 13 * |
吕晓阳: "基于生成对抗网络的多属性约束下场景生成算法研究", 《万方数据知识服务平台》, vol. 2021, pages 1 - 64 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663511A (zh) * | 2022-03-28 | 2022-06-24 | 京东科技信息技术有限公司 | 一种图像生成方法、装置、设备及存储介质 |
CN114723888A (zh) * | 2022-04-08 | 2022-07-08 | 北京百度网讯科技有限公司 | 三维发丝模型生成方法、装置、设备、存储介质及产品 |
CN114758391A (zh) * | 2022-04-08 | 2022-07-15 | 北京百度网讯科技有限公司 | 发型图像确定方法、装置、电子设备、存储介质及产品 |
CN114758391B (zh) * | 2022-04-08 | 2023-09-12 | 北京百度网讯科技有限公司 | 发型图像确定方法、装置、电子设备、存储介质及产品 |
CN115018992A (zh) * | 2022-06-29 | 2022-09-06 | 北京百度网讯科技有限公司 | 发型模型的生成方法、装置、电子设备及存储介质 |
CN115311403A (zh) * | 2022-08-26 | 2022-11-08 | 北京百度网讯科技有限公司 | 深度学习网络的训练方法、虚拟形象生成方法及装置 |
CN115311403B (zh) * | 2022-08-26 | 2023-08-08 | 北京百度网讯科技有限公司 | 深度学习网络的训练方法、虚拟形象生成方法及装置 |
CN116030185A (zh) * | 2022-12-02 | 2023-04-28 | 北京百度网讯科技有限公司 | 三维发丝生成方法和模型的训练方法 |
CN116894916A (zh) * | 2023-06-19 | 2023-10-17 | 北京百度网讯科技有限公司 | 虚拟形象的发丝模型生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114187633B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114187633B (zh) | 图像处理方法及装置、图像生成模型的训练方法及装置 | |
CN110874594A (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
US20220351390A1 (en) | Method for generating motion capture data, electronic device and storage medium | |
CN107729935B (zh) | 相似图片的识别方法和装置、服务器、存储介质 | |
CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
CN114723888B (zh) | 三维发丝模型生成方法、装置、设备、存储介质及产品 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN114549710A (zh) | 一种虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN113837194B (zh) | 图像处理方法、图像处理装置、电子设备以及存储介质 | |
CN108734718B (zh) | 用于图像分割的处理方法、装置、存储介质及设备 | |
CN114708374A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN110431838B (zh) | 提供人脸识别摄像机的动态内容的方法及系统 | |
CN113658035A (zh) | 脸部变换方法、装置、设备、存储介质以及产品 | |
CN113378958A (zh) | 自动标注方法、装置、设备、存储介质及计算机程序产品 | |
CN115661375B (zh) | 三维发型生成方法、装置、电子设备和存储介质 | |
CN115311403B (zh) | 深度学习网络的训练方法、虚拟形象生成方法及装置 | |
CN114917590B (zh) | 一种虚拟现实的游戏系统 | |
CN114661904B (zh) | 文档处理模型的训练方法、装置、设备、存储介质及程序 | |
CN114333038B (zh) | 对象识别模型的训练方法和对象识别方法、装置、设备 | |
CN115147306A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115082298A (zh) | 图像生成方法、装置、电子设备以及存储介质 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN113223128B (zh) | 用于生成图像的方法和装置 | |
CN115147434A (zh) | 图像处理方法、装置、终端设备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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |