CN114387290A - 图像处理方法、图像处理装置、计算机设备和存储介质 - Google Patents
图像处理方法、图像处理装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114387290A CN114387290A CN202111524788.2A CN202111524788A CN114387290A CN 114387290 A CN114387290 A CN 114387290A CN 202111524788 A CN202111524788 A CN 202111524788A CN 114387290 A CN114387290 A CN 114387290A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- video frame
- frame image
- processing
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 124
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 24
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003702 image correction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication 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
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种图像处理方法、图像处理装置、计算机设备和存储介质。其中，该图像处理方法包括：从目标视频流获取第一视频帧图像和第二视频帧图像；通过目标分割模型对第一视频帧图像进行目标分割处理，得到目标标注图；根据目标标注图对第一视频帧图像进行角点检测处理，得到多个目标角点；对第一视频帧图像和第二视频帧图像进行角点跟踪处理，得到各个目标角点的第一坐标和第二坐标；通过确定图像变换矩阵，对第一目标模板图像进行仿射变换处理，得到第二目标模板图像；根据目标标注图对第二目标模板图像和第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像。本申请能够实现视频背景图像的替换操作，进而提高视频换景的真实度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种图像处理方法、图像处理装置、计算机设备和存储介质。
背景技术
在图像处理技术领域，时常需要对视频图像中的背景区域进行替换，以达到美化图像的效果。例如，在拍摄背景包含天空的视频的时候，往往很难获得期待的天空，现有的视频换天技术是通过识别出视频图像中的天空区域后，采用相同的天空模板图像对原图中的天空区域进行替换；或者，利用视频天空模板循环叠加替换原有的天空区域，进而实现视频换天操作。然而，实际拍摄中的天空会跟随相机视角的改变而变化，而现有技术采用相同的天空模板对视频图像进行换天操作，会导致整个视频换天的真实度较低。
发明内容
本申请实施例的主要目的在于提出一种图像处理方法、图像处理装置、计算机设备和存储介质，能够有效地实现视频背景图像的替换操作，进而提高视频换景的真实度。
为实现上述目的，本申请实施例的第一方面提出了一种图像处理方法，包括：
从目标视频流获取第一视频帧图像和第二视频帧图像，其中，所述第一视频帧图像为所述目标视频流中的第i帧视频帧图像，所述第二视频帧图像为所述目标视频流中的第i+1帧视频帧图像，i为大于等于1的整数；
将所述第一视频帧图像输入至预设的目标分割模型，以通过所述目标分割模型对所述第一视频帧图像进行目标分割处理，得到目标标注图；
根据所述目标标注图对所述第一视频帧图像进行角点检测处理，以得到所述第一视频帧图像的多个目标角点；
对所述第一视频帧图像和所述第二视频帧图像进行角点跟踪处理，以得到各个目标角点在所述第一视频帧图像的第一坐标和在所述第二视频帧图像的第二坐标；
根据所述第一坐标和所述第二坐标确定图像变换矩阵；
获取预设的第一目标模板图像，并根据所述图像变换矩阵对所述第一目标模板图像进行仿射变换处理，得到第二目标模板图像；
根据所述目标标注图对所述第二目标模板图像和所述第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像。
本申请实施例的图像处理方法，至少具有以下有益效果：通过从目标视频流获取第一视频帧图像和第二视频帧图像，其中，第一视频帧图像与第二视频帧图像为相邻的视频帧图像，且第一视频帧图像为第二视频帧图像的前一视频帧图像。将第一视频帧图像输入至预设的目标分割模型，以通过目标分割模型对第一视频帧图像进行目标分割处理，得到目标标注图，该目标标注图中的数值用于表示当前位置为目标区域的可能性。根据目标标注图对第一视频帧图像进行角点检测处理，以得到第一视频帧图像的多个目标角点，根据这些目标角点可以区分目标区域与非目标区域。通过对第一视频帧图像和第二视频帧图像进行角点跟踪处理，以得到各个目标角点在第一视频帧图像的第一坐标和在第二视频帧图像的第二坐标；并根据第一坐标和第二坐标确定图像变换矩阵。通过获取预设的第一目标模板图像，并根据图像变换矩阵对第一目标模板图像进行仿射变换处理，得到第二目标模板图像；根据目标标注图对第二目标模板图像和第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像。因此，本申请能够根据当前视频帧图像的变化情况调整模板图像，进而有效地实现视频背景图像的替换操作，进而提高视频换景的真实度。
在一些实施例，所述根据所述目标标注图对所述第一视频帧图像进行角点检测处理，以得到所述第一视频帧图像的多个目标角点，包括：
获取预设的角点距离阈值；
根据所述目标标注图对所述第一视频帧图像进行角点检测处理，以得到多个检测角点；
对所述多个检测角点中的相邻两个检测角点进行角点距离计算，得到多个相邻角点距离；
将所述角点距离阈值与所述多个相邻角点距离进行比较，得到所述第一视频帧图像的多个目标角点。
在一些实施例，所述根据所述第一坐标和所述第二坐标确定图像变换矩阵，包括：
将所述多个目标角点进行角点采样处理，以得到所述第一视频帧图像的多个关键目标角点；
根据所述第一坐标、所述第二坐标对各个关键目标角点进行图像变换处理，以得到所述第一视频帧图像和所述第二视频帧图像之间的图像变换矩阵。
在一些实施例，所述根据所述目标标注图对所述第二目标模板图像和所述第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像，包括：
根据所述第二目标模板图像和所述目标标注图得到第一目标图像；
根据所述第二视频帧图像和所述目标标注图得到第二目标图像；
对所述第一目标图像和所述第二目标图像进行图像叠加处理，得到第二目标视频帧图像。
在一些实施例，所述获取预设的第一目标模板图像，包括：
获取初始目标模板图像；
根据所述第一视频帧图像对所述初始目标模板图像进行图像修正操作，以得到第一目标模板图像。
在一些实施例，所述获取预设的第一目标模板图像，并根据所述图像变换矩阵对所述第一目标模板图像进行仿射变换处理，得到第二目标模板图像，包括：
获取预设的所述第一目标模板图像；
根据所述图像变换矩阵对所述第一目标模板图像进行仿射变换处理，得到第二目标模板子图像；
对所述第二目标模板子图像进行图像对称处理，以得到所述第二目标模板图像。
在一些实施例，所述图像处理方法还包括：
根据所述第一目标模板图像和所述目标标注图得到第三目标图像；
根据所述第一视频帧图像和所述目标标注图得到第四目标图像；
对所述第三目标图像和所述第四目标图像进行图像叠加处理，得到第一目标视频帧图像。
本申请实施例的第二方面提出了一种图像处理装置，包括：
图像获取模块，用于从目标视频流获取第一视频帧图像和第二视频帧图像，其中，所述第一视频帧图像为所述目标视频流中的第i帧视频帧图像，所述第二视频帧图像为所述目标视频流中的第i+1帧视频帧图像，i为大于等于1的整数；
第一处理模块，用于将所述第一视频帧图像输入至预设的目标分割模型，以通过所述目标分割模型对所述第一视频帧图像进行目标分割处理，得到目标标注图；
第二处理模块，用于根据所述目标标注图对所述第一视频帧图像进行角点检测处理，以得到所述第一视频帧图像的多个目标角点；
第三处理模块，用于对所述第一视频帧图像和所述第二视频帧图像进行角点跟踪处理，以得到各个目标角点在所述第一视频帧图像的第一坐标和在所述第二视频帧图像的第二坐标；
矩阵计算模块，用于根据所述第一坐标和所述第二坐标确定图像变换矩阵；
第四处理模块，用于获取预设的第一目标模板图像，并根据所述图像变换矩阵对所述第一目标模板图像进行仿射变换处理，得到第二目标模板图像；
第五处理模块，用于根据所述目标标注图对所述第二目标模板图像和所述第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像。
本申请实施例的第三方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有程序，所述程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的图像处理方法。
本申请实施例的第四方面提出了一种计算机可读存储介质，其中存储有处理器可执行指令，所述处理器可执行的指令在由处理器执行时用于实现如本申请第一方面实施例任一项所述的图像处理方法。
附图说明
图1是本申请实施例提供的图像处理方法的流程图；
图2是图1中步骤S130的流程图；
图3是图1中步骤S150的流程图；
图4是图1中步骤S170的流程图；
图5是图1中步骤S160的流程图；
图6是图1中步骤S160的另一流程图；
图7是图1中步骤S170之后的流程图；
图8是本申请实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
Unet网络：是一种图像语义分割网络，图像语义分割网络让计算机根据图像的语义来进行分割，从而输出指定分割的图片。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本申请实施例提供的图像处理方法可以应用于人工智能之中。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
基于此，本申请实施例的主要目的在于提出一种图像处理方法、图像处理装置、计算机设备和存储介质，能够有效地实现视频背景图像的替换操作，进而提高视频换景的真实度。
本申请实施例提供的图像处理方法可应用于众多通用或专用的具有摄像头的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、可编程的消费计算机设备、网络PC、小型计算机、大型计算机等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
参照图1，根据本申请实施例第一方面实施例的图像处理方法，包括但不限于步骤S110至步骤S170。
步骤S110，从目标视频流获取第一视频帧图像和第二视频帧图像，其中，第一视频帧图像为目标视频流中的第i帧视频帧图像，第二视频帧图像为目标视频流中的第i+1帧视频帧图像，i为大于等于1的整数；
步骤S120，将第一视频帧图像输入至预设的目标分割模型，以通过目标分割模型对第一视频帧图像进行目标分割处理，得到目标标注图；
步骤S130，根据目标标注图对第一视频帧图像进行角点检测处理，以得到第一视频帧图像的多个目标角点；
步骤S140，对第一视频帧图像和第二视频帧图像进行角点跟踪处理，以得到各个目标角点在第一视频帧图像的第一坐标和在第二视频帧图像的第二坐标；
步骤S150，根据第一坐标和第二坐标确定图像变换矩阵；
步骤S160，获取预设的第一目标模板图像，并根据图像变换矩阵对第一目标模板图像进行仿射变换处理，得到第二目标模板图像；
步骤S170，根据目标标注图对第二目标模板图像和第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像。
具体地，通过从目标视频流获取第一视频帧图像和第二视频帧图像，其中，第一视频帧图像与第二视频帧图像为相邻的视频帧图像，且第一视频帧图像为第二视频帧图像的前一视频帧图像。将第一视频帧图像输入至预设的目标分割模型，通过目标分割模型对第一视频帧图像进行目标分割处理，得到目标标注图，该目标标注图中的数值用于表示当前位置为目标区域的可能性。根据目标标注图对第一视频帧图像进行角点检测处理，以得到第一视频帧图像的多个目标角点，根据这些目标角点可以区分第一视频帧图像的目标区域与非目标区域。通过对第一视频帧图像和第二视频帧图像进行角点跟踪处理，以得到各个目标角点在第一视频帧图像的第一坐标和在第二视频帧图像的第二坐标；并根据第一坐标和第二坐标确定图像变换矩阵。通过获取预设的第一目标模板图像，并根据图像变换矩阵对第一目标模板图像进行仿射变换处理，得到第二目标模板图像。根据目标标注图对第二目标模板图像和第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像。因此，本申请能够根据当前视频帧图像的变化情况调整模板图像，进而有效地实现视频背景图像的替换操作，进而提高视频换景的真实度。
需要说明的是，在一具体的实施例中，当目标视频流的总帧数为N，则第一视频帧图像为目标视频流中的第i帧视频帧图像，第二视频帧图像为目标视频流中的第i+1帧视频帧图像，i为大于等于1的整数，并且i+1是小于等于N，进而保证获取的第一视频帧图像和第二视频帧图像都来源于目标视频流。
需要说明的是，目标分割模型采用Unet模型。在一具体的实例中，当需要对目标视频流中的天空进行替换时，需要对其中的第一视频帧图像的天空区域和非天空区域进行分割，则此时的天空分割模型采用Unet模型，在自制的天空训练集上，通过不断地迭代训练模型，提高模型区分天空区域和非天空区域的能力，进而使得模型能够准确地实现对图像分割出天空区域和非天空区域。其中，通过目标分割模型对第一视频帧图像进行目标分割处理，得到目标标注图，该目标标注图中像素点的取值为0至1，取值越大，表示图像中对应位置为天空区域的可能性越大。
在一些实施例中，如图2所示，步骤S130包括但不限于步骤S210至步骤S240。
步骤S210，获取预设的角点距离阈值；
步骤S220，根据目标标注图对第一视频帧图像进行角点检测处理，以得到多个检测角点；
步骤S230，对多个检测角点中的相邻两个检测角点进行角点距离计算，得到多个相邻角点距离；
步骤S240，将角点距离阈值与多个相邻角点距离进行比较，得到第一视频帧图像的多个目标角点。
具体地，通过获取预设的角点距离阈值，该角点距离阈值用于选取有效的检测角点。由于直接对摄像头的运动进行估计时，计算量较为复杂，且为了排除第一视频帧图像对第二视频帧图像的影响，根据得到的目标标注图对第一视频帧图像进行角点检测处理，以得到多个检测角点，并对多个检测角点中的相邻两个检测角点进行角点距离计算，以得到多个相邻角点距离。为了更好地提高视频换景的真实感，将角点距离阈值与多个相邻角点距离进行比较，得到第一视频帧图像的多个目标角点，进而将获得的多个目标角点用于获取第二视频帧图像的第二目标模板图像。因此，本申请能够根据当前视频帧图像的变化情况调整模板图像，进而有效地实现视频背景图像的替换操作，进而提高视频换景的真实度。
需要说明的是，在一具体实施例中，对第一视频帧图像的角点检测处理采用ShiTomasi算法，通过判断第一视频帧图像中角点的最小特征值都大于图像的特征阈值的角点，即得到第一视频帧图像的多个检测角点。为了更好地提高视频换景的真实感，选取更有效的角点用于获取图像变换矩阵，对得到的多个检测角点中的相邻两个检测角点都进行角点距离计算，进而得到多个相邻角点距离。例如，预设图像的角点距离阈值为30像素点，则将角点距离阈值与每一个相邻角点距离进行比较，保留相邻角点距离为大于等于30像素点的检测角点，即得到了第一视频帧图像的多个目标角点。
需要说明的是，在一具体地实施例中，角点跟踪方法采用Lucas-Kanade算法，根据图像亮度的运动信息实现对图像中目标物体的跟踪。通过在Lucas-Kanade算法中输入第一视频帧图像、第二视频帧图像和上述实施例检测得到的目标角点，对多个目标角点进行跟踪，进而返回每一个目标角点在第一视频帧图像的第一坐标和在第二视频帧图像的第二坐标。
在一些实施例中，如图3所示，步骤S150包括但不限于步骤S310至步骤S320。
步骤S310，将多个目标角点进行角点采样处理，以得到第一视频帧图像的多个关键目标角点；
步骤S320，根据第一坐标、第二坐标对各个关键目标角点进行图像变换处理，以得到第一视频帧图像和第二视频帧图像之间的图像变换矩阵。
具体地，由于视频在拍摄过程中，前后帧图像产生了动态的变化，为了更好地提高视频换景的真实感，需要对第一目标模板图像进行变换，使变换后的第二目标模板图像能够随着第二视频帧图像的变化而变化，即需要从多个目标角点中选取最满足条件的角点用于获取图像变换矩阵。通过对第一视频帧图像和第二视频帧图像进行角点跟踪处理，以得到各个目标角点在第一视频帧图像的第一坐标和在第二视频帧图像的第二坐标，进而根据第一坐标和第二坐标确定图像变换矩阵。
需要说明的是，角点采样处理采用RANSAC随机采样方法。具体地，基于RANSAC随机采样在得到的多个目标角点中选出最满足局内点要求的三个关键目标角点，获取每个关键目标角点的第一坐标和第二坐标，并将其分别代入如下公式(1)，通过求解得到图像变换矩阵。例如，对其中的一个关键目标角点进行分析，假设该关键目标角点在第一视频帧图像上的第一坐标为(x,y)，该关键目标角点在第二视频帧图像上的第二坐标为(x',y')，则图像变换矩阵T的计算为：
此时，根据式(1)和式(2)，求得第一视频帧图像和第二视频帧图像之间的图像变换矩阵T。其中，由于a1、a2、a3、a4中包含了图像缩放和信息，b1用于表示x的平移量、b2用于表示y的平移量。因此，根据得到的图像变换矩阵T对第一目标模板图像进行仿射变换处理，得到第二目标模板图像。
在一些实施例中，如图4所示，步骤S170包括但不限于步骤S410至步骤S430。
步骤S410，根据第二目标模板图像和目标标注图得到第一目标图像；
步骤S420，根据第二视频帧图像和目标标注图得到第二目标图像；
步骤S430，对第一目标图像和第二目标图像进行图像叠加处理，得到第二目标视频帧图像。
具体地，由于得到的目标标注图的大小与第二视频帧图像的大小是相同的，首先，根据第二目标模板图像和目标标注图得到第一目标图像，再根据第二视频帧图像和目标标注图得到第二目标图像，最后，对第一目标图像和第二目标图像进行图像叠加处理，得到第二目标视频帧图像。具体的图像叠加处理的整体计算公式为：
目标视频帧图像＝目标模板图像*目标标注图+视频帧图像*(1-目标标注图)(3)。
根据公式(3)，将目标模板图像替换为第二目标模板图像，视频帧图像替换为第二视频帧图像，则通过计算得到第二目标视频帧图像。
在一些实施例中，如图5所示，步骤S160包括但不限于步骤S510至步骤S520。
步骤S510，获取初始目标模板图像；
步骤S520，根据第一视频帧图像对初始目标模板图像进行图像修正操作，以得到第一目标模板图像。
具体地，由于进行图像处理的图片大小是不确定的，则需要对获取的初始目标模板图像进行图像修正操作，根据第一视频帧图像的大小，将初始目标模板图像调整为相同的大小，即得到第一目标模板图像。
在一些实施例中，如图6所示，步骤S160还包括但不限于步骤S610至步骤S630。
步骤S610，获取预设的第一目标模板图像；
步骤S620，根据图像变换矩阵对第一目标模板图像进行仿射变换处理，得到第二目标模板子图像；
步骤S630，对第二目标模板子图像进行图像对称处理，以得到第二目标模板图像。
具体地，根据图像变换矩阵对第一目标模板图像进行仿射变换处理后，得到第二目标模板子图像，由于图像的大小是固定的，图像变换之后会出现部分的空隙，需要对第二目标模板子图像进行图像对称处理，以得到第二目标模板图像。
在一具体的实施例中，当根据图像变换矩阵需要对第一目标模板图像左移得到第二目标模板图像时，需要将左移之后图片的空隙部分通过镜面对称的方式进行补齐，则得到第二目标模板图像。
在一些实施例中，如图7所示，图像处理方法还包括但不限于步骤S710至步骤S730。
步骤S710，根据第一目标模板图像和目标标注图得到第三目标图像；
步骤S720，根据第一视频帧图像和目标标注图得到第四目标图像；
步骤S730，对第三目标图像和第四目标图像进行图像叠加处理，得到第一目标视频帧图像。
需要说明的是，根据公式(3)，将目标模板图像替换为第一目标模板图像，视频帧图像替换为第一视频帧图像，则通过计算得到第一目标视频帧图像。此外，对于第一目标视频帧图像的求解参照上述实施例中第二视频帧图像的求解，在此不再赘述。
在一具体的实施例中，通过从目标视频流获取第一视频帧图像和第二视频帧图像，其中，第一视频帧图像与第二视频帧图像为相邻的视频帧图像，且第一视频帧图像为第二视频帧图像的前一视频帧图像。将第一视频帧图像输入至预设的天空分割模型，以通过天空分割模型对第一视频帧图像进行目标分割处理，得到天空标注图，该天空标注图中的数值用于表示当前位置为天空区域的可能性。根据天空标注图对第一视频帧图像进行角点检测处理，以得到第一视频帧图像的多个目标角点，根据这些目标角点可以区分天空区域与非天空区域。通过对第一视频帧图像和第二视频帧图像进行角点跟踪处理，以得到各个目标角点在第一视频帧图像的第一坐标和在第二视频帧图像的第二坐标；并根据第一坐标和第二坐标确定图像变换矩阵。通过获取第一天空模板图像，根据图像变换矩阵对第一天空模板图像进行仿射变换处理，得到第二天空模板图像。根据天空标注图对第一天空模板图像和第一视频帧图像进行图像叠加处理，得到第一天空视频帧图像；再根据天空标注图对第二天空模板图像和第二视频帧图像进行图像叠加处理，得到第二天空视频帧图像。因此，本申请能够根据当前视频帧图像的变化情况调整模板图像，进而有效地实现视频换景操作，并提高视频换景的真实度。
本申请实施例还提供一种图像处理装置，包括图像获取模块、第一处理模块、第二处理模块、第三处理模块、矩阵计算模块、第四处理模块、第五处理模块。图像获取模块用于从目标视频流获取第一视频帧图像和第二视频帧图像，其中，第一视频帧图像为目标视频流中的第i帧视频帧图像，第二视频帧图像为目标视频流中的第i+1帧视频帧图像，i为大于等于1的整数；第一处理模块，用于将第一视频帧图像输入至预设的目标分割模型，以通过目标分割模型对第一视频帧图像进行目标分割处理，得到目标标注图；第二处理模块，用于根据所述目标标注图对第一视频帧图像进行角点检测处理，以得到第一视频帧图像的多个目标角点；第三处理模块，用于对第一视频帧图像和第二视频帧图像进行角点跟踪处理，以得到各个目标角点在第一视频帧图像的第一坐标和在第二视频帧图像的第二坐标；矩阵计算模块，用于根据第一坐标和所述第二坐标确定图像变换矩阵；第四处理模块，用于获取预设的第一目标模板图像，并根据图像变换矩阵对第一目标模板图像进行仿射变换处理，得到第二目标模板图像；第五处理模块，用于根据目标标注图对第二目标模板图像和第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像。
可见，上述图像处理方法实施例中的内容均适用于图像处理装置的实施例中，本图像处理装置实施例所具体实现的功能与上述图像处理方法实施例相同，并且达到的有益效果与上述图像处理方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机设备，包括至少一个处理器，以及，与至少一个处理器通信连接的存储器；其中，存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如本申请第一方面实施例的图像处理方法。
下面结合图8对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器801、存储器802、输入/输出接口803、通信接口804和总线805。
处理器801，可以采用通用的CPU(Central Processin Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器802，可以采用ROM(Read Only Memory，只读存储器)、静态存储设备、动态存储设备或者RAM(Random Access Memory，随机存取存储器)等形式实现。存储器802可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器802中，并由处理器801来调用执行本申请实施例的虚拟说话人的人脸图像生成模型的训练方法或者执行本申请实施例的虚拟说话人的视频生成方法；
输入/输出接口803，用于实现信息输入及输出；通信接口804，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和总线805，在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息；其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
本申请实施例还提供一种计算机可读存储介质，其中存储有处理器可执行指令，处理器可执行的指令在由处理器执行时用于实现如本申请第一方面实施例的图像处理方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所申请方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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。另一点，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，可以是电性，机械或其它的形式。
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实施例方案的目的。
另外，在本申请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，本申请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，包括多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)执行本申请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，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。
Claims (10)
1.图像处理方法，其特征在于，所述图像处理方法包括：
从目标视频流获取第一视频帧图像和第二视频帧图像，其中，所述第一视频帧图像为所述目标视频流中的第i帧视频帧图像，所述第二视频帧图像为所述目标视频流中的第i+1帧视频帧图像，i为大于等于1的整数；
将所述第一视频帧图像输入至预设的目标分割模型，以通过所述目标分割模型对所述第一视频帧图像进行目标分割处理，得到目标标注图；
根据所述目标标注图对所述第一视频帧图像进行角点检测处理，以得到所述第一视频帧图像的多个目标角点；
对所述第一视频帧图像和所述第二视频帧图像进行角点跟踪处理，以得到各个目标角点在所述第一视频帧图像的第一坐标和在所述第二视频帧图像的第二坐标；
根据所述第一坐标和所述第二坐标确定图像变换矩阵；
获取预设的第一目标模板图像，并根据所述图像变换矩阵对所述第一目标模板图像进行仿射变换处理，得到第二目标模板图像；
根据所述目标标注图对所述第二目标模板图像和所述第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像。
2.根据权利要求1所述的图像处理方法，其特征在于，所述根据所述目标标注图对所述第一视频帧图像进行角点检测处理，以得到所述第一视频帧图像的多个目标角点，包括：
获取预设的角点距离阈值；
根据所述目标标注图对所述第一视频帧图像进行角点检测处理，以得到多个检测角点；
对所述多个检测角点中的相邻两个检测角点进行角点距离计算，得到多个相邻角点距离；
将所述角点距离阈值与所述多个相邻角点距离进行比较，得到所述第一视频帧图像的多个目标角点。
3.根据权利要求2所述的图像处理方法，其特征在于，所述根据所述第一坐标和所述第二坐标确定图像变换矩阵，包括：
将所述多个目标角点进行角点采样处理，以得到所述第一视频帧图像的多个关键目标角点；
根据所述第一坐标、所述第二坐标对各个关键目标角点进行图像变换处理，以得到所述第一视频帧图像和所述第二视频帧图像之间的图像变换矩阵。
4.根据权利要求1所述的图像处理方法，其特征在于，所述根据所述目标标注图对所述第二目标模板图像和所述第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像，包括：
根据所述第二目标模板图像和所述目标标注图得到第一目标图像；
根据所述第二视频帧图像和所述目标标注图得到第二目标图像；
对所述第一目标图像和所述第二目标图像进行图像叠加处理，得到第二目标视频帧图像。
5.根据权利要求1所述的图像处理方法，其特征在于，所述获取预设的第一目标模板图像，包括：
获取初始目标模板图像；
根据所述第一视频帧图像对所述初始目标模板图像进行图像修正操作，以得到第一目标模板图像。
6.根据权利要求5所述的图像处理方法，其特征在于，所述获取预设的第一目标模板图像，并根据所述图像变换矩阵对所述第一目标模板图像进行仿射变换处理，得到第二目标模板图像，包括：
获取预设的所述第一目标模板图像；
根据所述图像变换矩阵对所述第一目标模板图像进行仿射变换处理，得到第二目标模板子图像；
对所述第二目标模板子图像进行图像对称处理，以得到所述第二目标模板图像。
7.根据权利要求1至6任一项所述的图像处理方法，其特征在于，所述图像处理方法还包括：
根据所述第一目标模板图像和所述目标标注图得到第三目标图像；
根据所述第一视频帧图像和所述目标标注图得到第四目标图像；
对所述第三目标图像和所述第四目标图像进行图像叠加处理，得到第一目标视频帧图像。
8.图像处理装置，其特征在于，包括：
图像获取模块，用于从目标视频流获取第一视频帧图像和第二视频帧图像，其中，所述第一视频帧图像为所述目标视频流中的第i帧视频帧图像，所述第二视频帧图像为所述目标视频流中的第i+1帧视频帧图像，i为大于等于1的整数；
第一处理模块，用于将所述第一视频帧图像输入至预设的目标分割模型，以通过所述目标分割模型对所述第一视频帧图像进行目标分割处理，得到目标标注图；
第二处理模块，用于根据所述目标标注图对所述第一视频帧图像进行角点检测处理，以得到所述第一视频帧图像的多个目标角点；
第三处理模块，用于对所述第一视频帧图像和所述第二视频帧图像进行角点跟踪处理，以得到各个目标角点在所述第一视频帧图像的第一坐标和在所述第二视频帧图像的第二坐标；
矩阵计算模块，用于根据所述第一坐标和所述第二坐标确定图像变换矩阵；
第四处理模块，用于获取预设的第一目标模板图像，并根据所述图像变换矩阵对所述第一目标模板图像进行仿射变换处理，得到第二目标模板图像；
第五处理模块，用于根据所述目标标注图对所述第二目标模板图像和所述第二视频帧图像进行图像叠加处理，得到第二目标视频帧图像。
9.计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有程序，所述程序被所述处理器执行时所述处理器用于执行：
如权利要求1至7中任一项所述的图像处理方法。
10.计算机可读存储介质，其中存储有处理器可执行指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于实现如权利要求1至7中任一项所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111524788.2A CN114387290A (zh) | 2021-12-14 | 2021-12-14 | 图像处理方法、图像处理装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111524788.2A CN114387290A (zh) | 2021-12-14 | 2021-12-14 | 图像处理方法、图像处理装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387290A true CN114387290A (zh) | 2022-04-22 |
Family
ID=81195460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111524788.2A Pending CN114387290A (zh) | 2021-12-14 | 2021-12-14 | 图像处理方法、图像处理装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387290A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115002359A (zh) * | 2022-05-23 | 2022-09-02 | 北京字跳网络技术有限公司 | 视频处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-14 CN CN202111524788.2A patent/CN114387290A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115002359A (zh) * | 2022-05-23 | 2022-09-02 | 北京字跳网络技术有限公司 | 视频处理方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110176027B (zh) | 视频目标跟踪方法、装置、设备及存储介质 | |
| US20210209788A1 (en) | Method and apparatus for generating data for estimating three-dimensional (3d) pose of object included in input image, and prediction model for estimating 3d pose of object | |
| CN110058685B (zh) | 虚拟对象的显示方法、装置、电子设备和计算机可读存储介质 | |
| US10825187B2 (en) | Method and system for object tracking | |
| CN110648397B (zh) | 场景地图生成方法、装置、存储介质及电子设备 | |
| CN111240476B (zh) | 基于增强现实的交互方法、装置、存储介质和计算机设备 | |
| US20150205997A1 (en) | Method, apparatus and computer program product for human-face features extraction | |
| US20230267584A1 (en) | Virtual clothing changing method and apparatus, and device and medium | |
| CN112995678B (zh) | 一种视频运动补偿方法、装置及计算机设备 | |
| CN111273772B (zh) | 基于slam测绘方法的增强现实交互方法、装置 | |
| CN114511041B (zh) | 模型训练方法、图像处理方法、装置、设备和存储介质 | |
| CN112651881A (zh) | 图像合成方法、装置、设备、存储介质以及程序产品 | |
| CN114387290A (zh) | 图像处理方法、图像处理装置、计算机设备和存储介质 | |
| KR101586071B1 (ko) | 마커리스 증강현실 서비스 제공 장치 및 이를 위한 촬영 위치 추정 방법 | |
| CN112270242B (zh) | 轨迹的显示方法、装置、可读介质和电子设备 | |
| CN111833459B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN111583329B (zh) | 增强现实眼镜显示方法、装置、电子设备和存储介质 | |
| CN111340101B (zh) | 稳定性评估方法、装置、电子设备和计算机可读存储介质 | |
| Nguyen et al. | ASMIM: augmented reality authoring system for mobile interactive manuals | |
| JP2017033556A (ja) | 画像処理方法及び電子機器 | |
| CN110942056A (zh) | 服饰关键点定位方法、装置、电子设备及介质 | |
| CN112132871B (zh) | 一种基于特征光流信息的视觉特征点追踪方法、装置、存储介质及终端 | |
| CN110298229B (zh) | 视频图像处理方法及装置 | |
| CN109493349B (zh) | 一种图像特征处理模块、增强现实设备和角点检测方法 | |
| CN113724176A (zh) | 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质 |
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 |