CN114399814A - 一种基于深度学习的遮挡物移除和三维重建方法 - Google Patents
一种基于深度学习的遮挡物移除和三维重建方法 Download PDFInfo
- Publication number
- CN114399814A CN114399814A CN202111592051.4A CN202111592051A CN114399814A CN 114399814 A CN114399814 A CN 114399814A CN 202111592051 A CN202111592051 A CN 202111592051A CN 114399814 A CN114399814 A CN 114399814A
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- dimensional
- face
- shielding
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000009877 rendering Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 39
- 239000002131 composite material Substances 0.000 claims description 25
- 208000006440 Open Bite Diseases 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000003786 synthesis reaction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例描述了一种基于深度学习的遮挡物移除和三维重建方法。该方法的一具体实施方式包括:对二维有遮挡人脸图进行识别处理,得到对应二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图;将二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应二维有遮挡人脸图的掩膜图;将掩膜灰度图、掩膜轮廓图和掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图;将二维有遮挡人脸图和无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图;对二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸。该实施方式实现了遮挡情况下的三维人脸的重建。
Description
技术领域
本公开的实施例涉及计算机视觉领域,具体涉及一种基于深度学习的遮挡物移除和三维重建方法。
背景技术
随着计算机信息技术的发展,如何根据二维人脸照片生成三维人脸模型成为一项重要的研究课题。目前,在根据二维人脸照片生成三维人脸模型时,通常采用的方式为:输入无遮挡人脸图,使用深度学习方法根据二维图获得三维人脸图。
然而,当采用上述方式根据二维人脸照片生成三维人脸模型时,经常会存在如下技术问题:
输入无遮挡人脸图,使用深度学习方法根据二维图获得三维人脸图时,无法实现遮挡情况下的三维人脸的重建。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了人脸遮挡物移除和重建方法、装置、电子设备和可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种人脸遮挡物移除和重建方法,该方法包括:对二维有遮挡人脸图进行识别处理,得到对应上述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图;将上述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应上述二维有遮挡人脸图的掩膜图;将上述掩膜灰度图、上述掩膜轮廓图和上述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图;将上述二维有遮挡人脸图和上述无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图;对上述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
第二方面,本公开的一些实施例提供了一种人脸遮挡物移除和重建装置,装置包括:识别处理单元,被配置成对二维有遮挡人脸图进行识别处理,得到对应上述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图;第一输入单元,被配置成将上述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应上述二维有遮挡人脸图的掩膜图;第二输入单元,被配置成将上述掩膜灰度图、上述掩膜轮廓图和上述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图;第三输入单元,被配置成将上述二维有遮挡人脸图和上述无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图;转化处理单元,被配置成对上述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的人脸遮挡物移除和重建方法,可以实现遮挡情况下的三维人脸的重建。具体来说,造成无法实现遮挡情况下的三维人脸的重建的原因在于:输入无遮挡人脸图,使用深度学习方法根据二维图获得三维人脸图时,无法实现遮挡情况下的三维人脸的重建。基于此,本公开的一些实施例的人脸遮挡物移除和重建方法,首先,对二维有遮挡人脸图进行识别处理,得到对应上述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图;将上述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应上述二维有遮挡人脸图的掩膜图。由此,便于得到无掩膜完整轮廓合成图。其次,将上述掩膜灰度图、上述掩膜轮廓图和上述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图。由此,便于生成二维无遮挡人脸渲染图。然后,将上述二维有遮挡人脸图和上述无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图。由此,便于对生成的二维无遮挡人脸渲染图进行转化处理。最后,对上述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。由此,完成人脸遮挡物移除和重建。也因为完成人脸遮挡物移除和重建,实现了遮挡情况下的三维人脸的重建。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的人脸遮挡物移除和重建方法的一个应用场景的示意图;
图2是根据本公开的人脸遮挡物移除和重建方法的一些实施例的流程图;
图3是根据本公开的人脸遮挡物移除和重建装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的人脸遮挡物移除和重建方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以对二维有遮挡人脸图102进行识别处理,得到对应上述二维有遮挡人脸图102的掩膜灰度图和掩膜轮廓图。其次,计算设备101可以将上述二维有遮挡人脸图102输入至预先训练的掩膜图生成网络,以生成对应上述二维有遮挡人脸图102的掩膜图。然后,计算设备101可以将上述掩膜灰度图、上述掩膜轮廓图和上述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图103。之后,计算设备101可以将上述二维有遮挡人脸图102和上述无掩膜完整轮廓合成图103输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图104。最后,计算设备101可以对上述二维无遮挡人脸渲染图104进行转化处理,得到三维无遮挡人脸模型105。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备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计算设备。
继续参考图2,示出了根据本公开的人脸遮挡物移除和重建方法的一些实施例的流程200。该人脸遮挡物移除和重建方法,包括以下步骤:
步骤201,对二维有遮挡人脸图进行识别处理,得到对应二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图。
在一些实施例中,人脸遮挡物移除和重建方法的执行主体(例如图1所示的计算设备101)可以对二维有遮挡人脸图进行识别处理,得到对应上述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图。其中,上述识别处理可以包括但不限于:Canny边缘检测算法。上述掩码灰度图可以是用灰度算法将上述二维有遮挡人脸图处理后得到的图像。这里,上述灰度算法可以包括但不限于:RBG平均算法。上述掩膜轮廓图可以是将上述二维有遮挡人脸图进行识别处理后得到的图像。
步骤202,将二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应二维有遮挡人脸图的掩膜图。
在一些实施例,上述执行主体可以将上述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应上述二维有遮挡人脸图的掩膜图。其中,上述掩膜图可以是对应上述二维有遮挡人脸图的二维的二值灰度图像,当灰度值为1时表示遮挡区域,灰度值为0时表示背景区域。上述掩膜图生成网络可以是用于生成对应上述二维有遮挡人脸图的掩膜图的全卷积网络FCN(fully convolutional network)。上述全卷积网络可以是初始的用于训练得到掩膜图生成网络的网络。例如,上述全卷积网络可以是:U-Net语义分割网络。
可选地,在步骤202之前,将二维有遮挡人脸图样本输入至全卷积网络,以对上述全卷积网络进行训练,得到训练后的全卷积网络作为掩膜图生成网络。
在一些实施例中,上述执行主体可以将二维有遮挡人脸图样本输入至全卷积网络,以对上述全卷积网络进行训练,得到训练后的全卷积网络作为掩膜图生成网络。
作为示例,将二维有遮挡人脸图样本输入至全卷积网络,以对上述全卷积网络进行训练,得到训练后的全卷积网络作为掩膜图生成网络可以包括以下步骤:
第一步,确定上述全卷积网络的网络结构以及初始化上述全卷积网络的网络参数。
第二步,获取二维有遮挡人脸图样本。其中,上述二维有遮挡人脸图样本包括二维有遮挡人脸图和对应上述二维有遮挡人脸图的掩膜图。
第三步,将上述二维有遮挡人脸图样本中的二维有遮挡人脸图和掩膜图分别作为上述全卷积网络的输入和期望输出,利用深度学习方法训练上述全卷积网络。
第四步,将训练后的上述全卷积网络确定为掩膜图生成网络。
步骤203,将掩膜灰度图、掩膜轮廓图和掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图。
在一些实施例中,上述执行主体可以将上述掩膜灰度图、上述掩膜轮廓图和上述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图。其中,上述轮廓生成器可以是预先训练的编码解码网络。上述编码解码网络可以是初始的用于训练得到轮廓生成器的网络。例如,上述编码解码网络可以包括但不限于:自动编码器(Autoencoder)。
作为示例,上述执行主体可以通过以下步骤确定无掩膜完整轮廓合成图:
第一步,将上述二维有遮挡人脸图的灰度图输入至上述轮廓生成器,得到无遮挡轮廓图。
第二步,将上述掩膜灰度图、上述掩膜轮廓图和上述掩膜图输入至上述训练编码解码网络,得到无遮挡轮廓合成图。
第三步,将上述无遮挡轮廓合成图和上述无遮挡轮廓图进行像素相加处理,得到无掩膜完整轮廓合成图。
上述步骤可用以下公式解决:
Cgoal=Ctrue⊙(1-Imask)+Csyn1⊙Imask,
其中,Cgoal为无掩膜完整轮廓合成图,Ctrue为无遮挡轮廓图,Csyn1为无遮挡轮廓合成图,Imask为掩膜图,⊙表示哈达玛积。这里,像素相加处理可以包括但不限于:基于opencv的像素相加算法。
可选地,在步骤203之前,对编码解码网络进行训练,得到训练后的编码解码网络作为轮廓生成器。
在一些实施例中,上述执行主体可以对编码解码网络进行训练,得到训练后的编码解码网络作为轮廓生成器。
作为示例,对编码解码网络进行训练,得到训练后的编码解码网络作为轮廓生成器可以包括以下步骤:
第一步,确定上述编码解码网络的网络结构以及初始化上述编码解码网络的网络参数。
第二步,获取二维有遮挡人脸图样本。其中,二维有遮挡人脸图样本包括掩膜灰度图、掩膜轮廓图、掩膜图和无掩膜完整轮廓合成图。
第三步,将上述二维有遮挡人脸图样本中的掩膜灰度图、掩膜轮廓图和掩膜图作为上述编码解码网络的输入,以及,将上述无掩膜完整轮廓合成图作为上述编码解码网络的期望输出,利用深度学习方法训练上述编码解码网络。
第四步,将训练后的上述编码解码网络确定为轮廓生成器。
实践中,该过程可用以下公式表示:
其中,为掩膜灰度图,为掩膜轮廓图,Imask为掩膜图,⊙表示哈达玛积,Itrue为二维有遮挡人脸图的灰度图,Ctrue为Itrue对应的无遮挡轮廓图,为编码解码网络,Csyn为无遮挡轮廓合成图样本,Igray为Ctrue的灰度图。
使用对抗学习对编码解码网络进行训练,以缩小无遮挡轮廓合成图和无遮挡轮廓图之间的差距。这里,确定无遮挡轮廓合成图和无遮挡轮廓图的差异的损失函数包括:
训练编码解码网络的综合损失函数可表示为:
其中,λ1=1,λ2=11.5,为判断无遮挡轮廓合成图和无遮挡轮廓图之间差距的损失函数,为判断无遮挡轮廓合成图和无遮挡轮廓图的面部特征匹配度的损失函数,D1为确定无遮挡轮廓合成图和无遮挡轮廓图的面部特征匹配度之间差异值的判别器,G1为编码解码网络中综合损失函数使用的生成器。
步骤204,将二维有遮挡人脸图和无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图。
在一些实施例中,上述执行主体可以将上述二维有遮挡人脸图和上述无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图。其中,上述人脸渲染网络可以是预先训练的编码解码网络。
上述步骤可用以下公式解决:
这里,对上述人脸渲染网络的训练包括:
其中,Sm表示掩膜图Imask的掩膜尺寸,||I1-Itrue||1表示I1-Itrue的1-范数,I1为二维无遮挡人脸渲染图,Itrue为二维有遮挡人脸图的灰度图;
步骤205,对二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
在一些实施例中,上述执行主体可以对上述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
作为示例,上述执行主体可以通过以下步骤得到三维无遮挡人脸模型:
第一步,对人脸形变模型进行训练,得到训练后的人脸形变模型作为三维模型生成器。其中,上述人脸形变模型可以包括但不限于:人脸形变统计模型3DMM(3D Morphablemodels)。
实践中,对人脸形变模型进行训练可以包括以下步骤:
1、将上述二维无遮挡人脸渲染图输入人脸形变模型中,得到一个三维渲染人脸模型。
2、将三维渲染人脸模型渲染到二维平面上得到投影渲染图。
3、衡量投影渲染图和二维无遮挡人脸渲染图之间的区别。其中,衡量投影渲染图和二维无遮挡人脸渲染图之间的区别的损失函数可以包括:
其中,Iout为二维无遮挡人脸渲染图,Iy为投影渲染图,G()表示人脸识别方法FaceNet方法中使用的特征提取函数,<G(Iout),G(Iy)>表示G(Iout)与G(Iy)的内积,||||表示2-范数;
第二步,将上述二维无遮挡人脸渲染图输入至上述三维模型生成器以对上述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的人脸遮挡物移除和重建方法,可以实现遮挡情况下的三维人脸的重建。具体来说,造成无法实现遮挡情况下的三维人脸的重建的原因在于:输入无遮挡人脸图,使用深度学习方法根据二维图获得三维人脸图时,无法实现遮挡情况下的三维人脸的重建。基于此,本公开的一些实施例的人脸遮挡物移除和重建方法,首先,对二维有遮挡人脸图进行识别处理,得到对应上述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图;将上述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应上述二维有遮挡人脸图的掩膜图。由此,便于得到无掩膜完整轮廓合成图。其次,将上述掩膜灰度图、上述掩膜轮廓图和上述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图。由此,便于生成二维无遮挡人脸渲染图。然后,将上述二维有遮挡人脸图和上述无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图。由此,便于对生成的二维无遮挡人脸渲染图进行转化处理。最后,对上述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。由此,完成人脸遮挡物移除和重建。也因为完成人脸遮挡物移除和重建,实现了遮挡情况下的三维人脸的重建。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种人脸遮挡物移除和重建装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的人脸遮挡物移除和重建装置300包括:识别处理单元301、第一输入单元302、第二输入单元303、第三输入单元304和转化处理单元305。其中,识别处理单元301被配置成对二维有遮挡人脸图进行识别处理,得到对应上述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图;第一输入单元302被配置成将上述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应上述二维有遮挡人脸图的掩膜图;第二输入单元303被配置成将上述掩膜灰度图、上述掩膜轮廓图和上述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图;第三输入单元304被配置成将上述二维有遮挡人脸图和上述无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图;转化处理单元305被配置成对上述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
可以理解的是,该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置405;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对二维有遮挡人脸图进行识别处理,得到对应上述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图;将上述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应上述二维有遮挡人脸图的掩膜图;将上述掩膜灰度图、上述掩膜轮廓图和上述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图;将上述二维有遮挡人脸图和上述无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图;对上述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括识别处理单元、第一输入单元、第二输入单元、第三输入单元和转化处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,识别处理单元还可以被描述为“对二维有遮挡人脸图进行识别处理,得到对应上述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种基于深度学习的遮挡物移除和三维重建方法,包括:
对二维有遮挡人脸图进行识别处理,得到对应所述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图;
将所述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应所述二维有遮挡人脸图的掩膜图;
将所述掩膜灰度图、所述掩膜轮廓图和所述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图;
将所述二维有遮挡人脸图和所述无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图;
对所述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
2.根据权利要求1所述的方法,其中,在所述将所述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应所述二维有遮挡人脸图的掩膜图之前,所述方法还包括:
将二维有遮挡人脸图样本输入至全卷积网络,以对所述全卷积网络进行训练,得到训练后的全卷积网络作为掩膜图生成网络。
3.根据权利要求1所述的方法,其中,在所述将所述掩膜灰度图、所述掩膜轮廓图和所述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图之前,所述方法还包括:
对编码解码网络进行训练,得到训练后的编码解码网络作为轮廓生成器。
4.根据权利要求3所述的方法,其中,所述将所述掩膜灰度图、所述掩膜轮廓图和所述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图,包括:
将所述二维有遮挡人脸图的灰度图输入至所述训练编码解码网络,得到无遮挡轮廓图;
将所述掩膜灰度图、所述掩膜轮廓图和所述掩膜图输入至所述轮廓生成器,得到无遮挡轮廓合成图;
将所述无遮挡轮廓合成图和所述无遮挡轮廓图进行像素相加处理,得到无掩膜完整轮廓合成图。
5.根据权利要求1所述的方法,其中,所述对所述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型,包括:
对人脸形变模型进行训练,得到训练后的人脸形变模型作为三维模型生成器;
将所述二维无遮挡人脸渲染图输入至所述三维模型生成器以对所述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
6.一种人脸遮挡物移除和重建装置,包括:
识别处理单元,被配置成对二维有遮挡人脸图进行识别处理,得到对应所述二维有遮挡人脸图的掩膜灰度图和掩膜轮廓图;
第一输入单元,被配置成将所述二维有遮挡人脸图输入至预先训练的掩膜图生成网络,以生成对应所述二维有遮挡人脸图的掩膜图;
第二输入单元,被配置成将所述掩膜灰度图、所述掩膜轮廓图和所述掩膜图输入至预先训练的轮廓生成器,以生成无掩膜完整轮廓合成图;
第三输入单元,被配置成将所述二维有遮挡人脸图和所述无掩膜完整轮廓合成图输入至预先训练的人脸渲染网络,以生成二维无遮挡人脸渲染图;
转化处理单元,被配置成对所述二维无遮挡人脸渲染图进行转化处理,得到三维无遮挡人脸模型。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592051.4A CN114399814A (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度学习的遮挡物移除和三维重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592051.4A CN114399814A (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度学习的遮挡物移除和三维重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399814A true CN114399814A (zh) | 2022-04-26 |
Family
ID=81226063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111592051.4A Pending CN114399814A (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度学习的遮挡物移除和三维重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399814A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152250A (zh) * | 2023-04-20 | 2023-05-23 | 广州思德医疗科技有限公司 | 病灶掩膜图像生成方法及装置 |
WO2024082950A1 (zh) * | 2022-10-20 | 2024-04-25 | 广州市百果园信息技术有限公司 | 基于遮挡分割的三维人脸重建方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728330A (zh) * | 2019-10-23 | 2020-01-24 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象识别方法、装置、设备及存储介质 |
CN110728628A (zh) * | 2019-08-30 | 2020-01-24 | 南京航空航天大学 | 一种基于条件生成对抗网络的人脸去遮挡方法 |
WO2021218238A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 图像处理方法和图像处理装置 |
-
2021
- 2021-12-23 CN CN202111592051.4A patent/CN114399814A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728628A (zh) * | 2019-08-30 | 2020-01-24 | 南京航空航天大学 | 一种基于条件生成对抗网络的人脸去遮挡方法 |
CN110728330A (zh) * | 2019-10-23 | 2020-01-24 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象识别方法、装置、设备及存储介质 |
WO2021218238A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 图像处理方法和图像处理装置 |
Non-Patent Citations (2)
Title |
---|
NIZAM UD DIN, KAMRAN JAVED等: "Effective Removal of User-Selected Foreground Object From Facial Images Using a Novel GAN-Based Network", IEEE ACCESS, vol. 8, 11 June 2020 (2020-06-11), XP011795241, DOI: 10.1109/ACCESS.2020.3001649 * |
张浩: "三维人脸重建及人脸遮挡比例研究", CNKI优秀硕士论文全文库 信息科技专辑, no. 8, 15 August 2021 (2021-08-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024082950A1 (zh) * | 2022-10-20 | 2024-04-25 | 广州市百果园信息技术有限公司 | 基于遮挡分割的三维人脸重建方法及系统 |
CN116152250A (zh) * | 2023-04-20 | 2023-05-23 | 广州思德医疗科技有限公司 | 病灶掩膜图像生成方法及装置 |
CN116152250B (zh) * | 2023-04-20 | 2023-09-08 | 广州思德医疗科技有限公司 | 病灶掩膜图像生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113870104A (zh) | 超分辨率图像重建 | |
CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
CN114399814A (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
CN111915480A (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN113689372B (zh) | 图像处理方法、设备、存储介质及程序产品 | |
CN113327318B (zh) | 图像显示方法、装置、电子设备和计算机可读介质 | |
CN113469295B (zh) | 生成模型的训练方法、息肉识别方法、装置、介质及设备 | |
CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN112419179A (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
CN113658196A (zh) | 红外图像中船舶的检测方法、装置、电子设备和介质 | |
CN112714263B (zh) | 视频生成方法、装置、设备及存储介质 | |
CN110349108B (zh) | 处理图像的方法、装置、电子设备、及存储介质 | |
CN111784726A (zh) | 人像抠图方法和装置 | |
CN113688928B (zh) | 图像匹配方法、装置、电子设备和计算机可读介质 | |
CN113222144B (zh) | 图像修复模型的训练方法及图像修复方法、装置及设备 | |
CN115760607A (zh) | 图像修复方法、装置、可读介质以及电子设备 | |
CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
CN114399590A (zh) | 一种基于人脸解析图的人脸遮挡移除和三维模型生成方法 | |
CN114066722A (zh) | 用于获取图像的方法、装置和电子设备 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN111797931A (zh) | 图像处理方法、图像处理网络训练方法、装置、设备 | |
CN110599437A (zh) | 用于处理视频的方法和装置 |
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 |