CN114612342A - 人脸图像校正方法及装置、计算机可读介质和电子设备 - Google Patents
人脸图像校正方法及装置、计算机可读介质和电子设备 Download PDFInfo
- Publication number
- CN114612342A CN114612342A CN202210313102.3A CN202210313102A CN114612342A CN 114612342 A CN114612342 A CN 114612342A CN 202210313102 A CN202210313102 A CN 202210313102A CN 114612342 A CN114612342 A CN 114612342A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- area
- region
- distortion
- 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 47
- 238000003702 image correction Methods 0.000 title claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 157
- 230000003044 adaptive effect Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 230000009467 reduction Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/30201—Face
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开提供一种人脸图像校正方法及装置、计算机可读介质和电子设备，涉及图像处理技术领域。该方法包括：响应检测到人脸畸变图像，人脸畸变图像包括人脸区域，在人脸畸变图像中确定无畸变区域；若检测无畸变区域包含人脸区域的部分区域，则确定人脸区域对应的自适应校正强度；根据自适应校正强度对人脸区域进行畸变校正，得到畸变校正后的人脸图像。本公开能够有效提升自拍图像中尺寸较大的人脸的畸变校正效果，提高人脸内容的还原度，保证畸变校正后人脸内容的表达准确性，使图像中的人脸内容更加符合真实人脸，提升用户拍照体验。
Description
技术领域
本公开涉及图像处理技术领域，具体涉及一种人脸图像校正方法、人脸图像校正装置、计算机可读介质和电子设备。
背景技术
伴随着人们生活水平的不断提高，通过移动终端进行人像拍照的方式越来越得到人们的欢迎。相机成像中的透视投影会带来透视形变，透视形变导致物体的形状发生改变，可能导致拍摄的图像中的人脸区域发生畸变，并且透视投影带来的人脸畸变程度与其处于画面的位置有关，距离边缘越近，人脸畸变程度越大，但能维持直线的形状。
目前，相关的人脸畸变校正方案中，一般是通过极球面投影(Stereographic)以及正轴等角圆柱投影(Mercator)减轻透视失真带来的人脸畸变。但是，但这些整体投影的副作用是使图像中的直线弯曲，从而导致照片图像的还原度下降。
发明内容
本公开的目的在于提供一种人脸图像校正方法、人脸图像校正装置、计算机可读介质和电子设备，进而至少在一定程度上提高畸变校正后人脸内容的还原度，使图像中的人脸内容更加符合真实人脸。
根据本公开的第一方面，提供一种人脸图像校正方法，包括：
响应检测到人脸畸变图像，所述人脸畸变图像包括人脸区域，在所述人脸畸变图像中确定无畸变区域；
若检测到所述无畸变区域包含所述人脸区域的部分区域，则确定所述人脸区域对应的自适应校正强度；
根据所述自适应校正强度对所述人脸区域进行畸变校正，得到畸变校正后的人脸图像。
根据本公开的第二方面，提供一种人脸图像校正装置，包括：
无畸变区域确定模块，用于响应检测到人脸畸变图像，所述人脸畸变图像包括人脸区域，在所述人脸畸变图像中确定无畸变区域；
校正强度确定模块，用于若检测到所述无畸变区域包含所述人脸区域的部分区域，则确定所述人脸区域对应的自适应校正强度；
图像畸变校正模块，用于根据所述自适应校正强度对所述人脸区域进行畸变校正，得到畸变校正后的人脸图像。
根据本公开的第三方面，提供一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法。
根据本公开的第四方面，提供一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的方法。
本公开的一种实施例所提供的人脸图像校正方法，可以在检测到包括人脸区域的人脸畸变图像时，确定人脸畸变图像中的无畸变区域，并且在检测到无畸变区域包含人脸区域的部分区域时，可以确定人脸区域对应的自适应校正强度，进而可以根据该自适应校正强度对人脸区域进行畸变校正，得到畸变校正后的人脸图像。一方面，在确定人脸畸变图像中的人脸区域部分处于无畸变区域，以及部分处于有畸变区域时，通过自适应校正强度对人脸区域进行畸变校正，实现按照不同区域中图像内容的畸变幅度进行不同程度的校正，避免相关技术方案中对不同区域采用相同校正程度而导致的校正人脸还原度较低的情况，有效提高畸变校正后的人脸图像的表达准确性，提升矫正后人脸图像的还原度与真实性；另一方面，通过自适应校正强度对人脸区域进行畸变校正，能够有效保证处于无畸变区域边缘的图像校正与处于有畸变区域边缘的图像校正过渡平滑，不会出现由于校正强度不同而导致的明显“边界”的问题，有效提升人脸区域校正的平滑性，进一步提升矫正后的人脸图像的还原度与真实性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了可以应用本公开实施例的一种示例性系统架构的示意图；
图2示意性示出本公开示例性实施例中一种人脸图像校正方法的流程图；
图3示意性示出本公开示例性实施例中一种确定自适应校正强度的流程示意图；
图4示意性示出本公开示例性实施例中一种对人脸区域进行畸变校正的流程示意图；
图5示意性示出本公开示例性实施例中一种用于检测人脸畸变图像的流程示意图；
图6示意性示出本公开示例性实施例中一种在人脸畸变图像中确定无畸变区域的流程示意图；
图7示意性示出本公开示例性实施例中一种确定无畸变区域包含人脸区域的部分区域的流程示意图；
图8示意性示出本公开示例性实施例中一种基于面积确定人脸区域的部分区域处于无畸变区域的原理示意图；
图9示意性示出本公开示例性实施例中人脸图像校正装置的组成示意图；
图10示出了可以应用本公开实施例的一种电子设备的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种人脸图像校正方法及装置的示例性应用环境的系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备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。终端设备101、102、103可以是各种具有图像处理功能的电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。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。比如服务器105可以是多个服务器组成的服务器集群等。
本公开实施例所提供的人脸图像校正方法一般由终端设备101、102、103中执行，相应地，人脸图像校正装置一般设置于终端设备101、102、103中。但本领域技术人员容易理解的是，本公开实施例所提供的人脸图像校正方法也可以由服务器105执行，相应的，人脸图像校正装置也可以设置于服务器105中，本示例性实施例中对此不做特殊限定。
举例而言，在一种示例性实施例中，可以是用户通过终端设备101、102、103获取人脸图像，并在确定检测到人脸畸变图像时，将人脸畸变图像上传至服务器105，服务器通过本公开实施例所提供的人脸图像校正方法生成畸变校正后的人脸图像后，将畸变校正后的人脸图像传输给终端设备101、102、103等。
目前，对于透视投影，人脸区域越处于图像边缘，产生的图像畸变越明显，而在50°视场角范围内的人脸区域畸变极小，可以忽略不计；极球面投影是一种常见的保形投影方式，但是针对图像中间区域(如50°视场角范围内)的人脸，若在拍照时人脸距离相机较近(如通过前置摄像头进行自拍)，人脸区域会出现明显的凸起放大现象，视觉上也呈现拉宽的效果。
针对这种现象，相关方案中直接将50°视场角范围内的人脸当做保护人脸，不作畸变校正处理，即为不处理区域，但是前置自拍有一种常见的方式：人脸处于画面中间，且在画面中占据的范围较大。由于该类场景中人脸区域所处位置超出了不处理范围，靠近图像边缘的人脸部分存在明显畸变，会被列为待校正人脸，由此实现畸变校正后，会出现人脸凸起且被拉宽的现象。
基于相关技术中的一个或者多个问题，本公开首先提供了一种人脸图像校正方法，下面以终端设备执行该方法为例，对本公开示例性实施方式的人脸图像校正方法进行具体说明。
图2示出了本示例性实施方式中一种人脸图像校正方法的流程示意图，可以包括以下步骤S210至步骤S230：
在步骤S210中，响应检测到人脸畸变图像，所述人脸畸变图像包括人脸区域，在所述人脸畸变图像中确定无畸变区域。
在一示例性实施例中，人脸畸变图像是指人脸图像中出现符合条件的人脸区域的图像，例如，人脸畸变图像可以是人脸区域占据整个图像较大比例的人脸图像，如前置自拍人脸，也可以是人脸区域处于图像边缘位置的人脸图像，当然，也可以是包含处于图像边缘、且面积尺寸较大的人脸区域的人脸图像，本示例实施例对此不做特殊限定。
人脸区域是指人脸畸变图像中人脸图像内容所在的图像区域，例如，可以通过人脸检测识别网络对人脸畸变图像进行人脸识别，得到的人脸框对应的图像区域可以认为是人脸图像内容所在的图像区域，当然，人脸区域还可以通过图像边缘检测算法确定的人脸边缘轮廓构成的图像区域，本实施例不以此为限。
无畸变区域是指通过透视投影得到的人脸畸变图像中不存在图像畸变现象或者图像畸变现象较弱的图像区域，例如，无畸变区域可以是人脸畸变图像中处于50°视场角范围内的图像区域，也可以是人脸畸变图像中处于40°视场角范围内的图像区域，当然，具体的无畸变区域的范围可以根据实际情况(如摄像头的参数)进行自定义设置，本示例实施例对此不做特殊限定。
可以从图像传感器或者存储单元获取人脸图像，并对人脸图像进行检测，在确定人脸图像属于人脸畸变图像时，在人脸畸变图像中确定无畸变区域，例如，可以通过预设参数在人脸畸变图像中绘制区域形状的方式在人脸畸变图像中确定无畸变区域，本示例实施例不以此为限。
在步骤S220中，若检测到所述无畸变区域包含所述人脸区域的部分区域，则确定所述人脸区域对应的自适应校正强度。
在一示例性实施例中，自适应校正强度是指对图像中不同区域实现不同程度的校正的参数数据，例如，自适应校正强度可以是实现对图像中心区域进行弱校正处理，以及实现对图像边缘区域进行强校正处理的校正强度分布表，如校正强度分布表可以包括不同区域中每个像素点对应的校正强度；自适应校正强度也可以是采用渐变校正强度的自适应投影网格，如可以通过图像中各像素点距离图像中心的距离数据确定渐变校正强度，并基于渐变校正强度构建自适应投影网格，以通过该自适应投影网格实现对图像中不同区域或者不同图像内容的自适应畸变校正，当然，还可以其他类型的自适应校正强度，只要是能够实现对图像中不同区域进行不同程度的畸变校正处理的数据即可，本示例实施例对此不做特殊限定。
可以检测到无畸变区域是否包含人脸区域的部分区域，如果检测到无畸变区域不包含人脸区域，则说明人脸区域全部位于边缘区域或者有畸变区域，直接对人脸区域进行强校正处理即可；如果检测到无畸变区域包含人脸区域的部分区域，则说明人脸区域部分处于无畸变区域，部分在处于边缘区域或者有畸变区域，若直接处于无畸变区域的人脸区域进行保护处理以及对边缘区域或者有畸变区域的人脸区域进行强校正处理，则可能导致人脸出现凸起且被拉宽的现象，并且在无畸变区域与边缘区域或者有畸变区域的边界处会出现明显“边界”，导致校正后人脸内容不真实，且还原度较低，畸变校正效果较差。
因此，在检测到无畸变区域包含人脸区域的部分区域时，可以通过采用自适应校正强度能够有效提高畸变校正后的人脸图像的表达准确性，提升矫正后人脸图像的还原度与真实性，以及能够有效提升校正后的人脸区域中图像内容显示的平滑性，提升畸变校正的效果和质量。
在步骤S230中，根据所述自适应校正强度对所述人脸区域进行畸变校正，得到畸变校正后的人脸图像。
在一示例性实施例中，在确定人脸区域对应的自适应校正强度之后，根据自适应校正强度对人脸畸变图像中的人脸区域进行畸变校正，能够得到还原度较高、畸变校正效果较好的人脸图像，保证畸变校正后的人脸图像中的人脸区域显示平滑，提高人脸的真实性，提升用户自拍体验。
下面对步骤S210至步骤S230进行详细说明。
在一示例性实施例中，步骤S220可以通过图3中的步骤实现对人脸区域对应的自适应校正强度的确定，参考图3所示，具体可以包括：
步骤S310，确定所述人脸畸变图像的图像中心坐标；
步骤S320，计算所述人脸区域中各像素点到所述图像中心坐标的第一距离数据；
步骤S330，根据所述第一距离数据确定所述人脸区域对应的自适应校正强度。
其中，图像中心坐标是指人脸畸变图像中处于图像正中心的点对应的坐标，例如，可以通过确定人脸畸变图像的四个顶点坐标，并根据该顶点坐标计算人脸畸变图像的图像中心坐标；当然，也可以确定人脸畸变图像的四条边的中点，通过四条边的中点确定人脸畸变图像的图像中心坐标，本示例实施例对计算人脸畸变图像的图像中心坐标的方式不做任何特殊限定。
第一距离数据是指人脸畸变图像中各像素点到图像中心的距离的集合，例如，第一距离数据可以是各像素点到图像中心的欧氏距离，具体可以根据各像素点对应的像素坐标以及图像中心坐标计算欧氏距离；第一距离数据也可以是像素点到图像中心之间的像素个数，即通过像素个数衡量各像素点到图像中心的距离；当然，还可以通过其他能够衡量各像素点到图像中心的距离的数据，本示例实施例不以此为限。
一般情况下，透视投影带来的人脸畸变程度与人脸处于图像中的位置有关，人脸距离图像的边缘越近，则人脸畸变程度越大。因此，根据各像素点到图像中心的第一距离数据确定用于校正人脸区域的自适应校正强度，能够实现对无畸变区域中的部分人脸区域进行弱校正处理，以及对无畸变区域之外的部分人脸区域进行强校正处理，在保证校正结果平滑的同时，有效提升畸变校正效果，提高矫正后人脸图像的还原度。
在一示例性实施例中，可以获取预构建的目标投影模型，并通过自适应校正强度以及目标投影模型对人脸区域进行畸变校正。
其中，目标投影模型是指用于减轻透视投影失真带来的人脸畸变的校正模型，例如，目标投影模型可以是基于极球面投影原理构建的投影模型，也可以是基于正轴等角圆柱投影原理构建的投影模型，当然，目标投影模型还可以是其他类型的用于减轻透视投影失真带来的人脸畸变的投影模型，本示例实施例不以此为限。
以基于极球面投影原理构建的目标投影模型为例，用于图像畸变校正的目标投影模型可以通过关系式(1)进行表示：
其中，ru可以表示当前像素点在极球面投影下到图像中心点的径向距离；r0可以表示映射比例系数，该映射比例系数具体可以根据实际情况进行自定义设置，此处不做特殊限定；rp可以表示当前像素点在透视投影下到图像中心点的径向距离，f可以表示拍摄得到当前像素点对应的摄像头的焦距。
由关系式(1)可知，焦距f越小，则计算得到的ru越小，而ru越小可以代表对当前像素点的校正强度越大。但一般情况下，由于拍摄图像的摄像头是固定的，焦距也是确定的，因此可以通过引入用于调整关系式(1)焦距f的参数实现渐变校正强度的自适应投影畸变校正。
本实施例中，自适应校正强度可以表示为预先设置的焦距系数，用于调整关系式(1)所表示的目标投影模型中的焦距f，以实现对处于无畸变区域的部分人脸区域进行弱校正处理以及对未处于无畸变区域的部分人脸区域进行强校正处理。
进一步的，可以通过图4中的步骤实现通过自适应校正强度以及目标投影模型对人脸区域进行畸变校正的过程，参考图4所示，具体可以包括：
步骤S410，根据所述第一距离数据确定所述人脸区域中各像素点对应的所述焦距系数；
步骤S420，通过所述焦距系数对所述目标投影模型中的焦距参数进行调整，并根据调整后的目标投影模型对所述人脸区域进行畸变校正。
其中，焦距系数是指预先设置的用于调整投影模型焦距参数的数据，焦距系数可以通过人脸区域中各像素点到图像中心的距离数据进行确定，具体的，焦距系数可以与距离数据成反比关系。
可以通过焦距系数调整目标投影模型中的焦距参数，实现不同区域的不同校正强度，像素点距离图像中心越远，透视投影形成的图像畸变越大，此时，得到的焦距系数越小，减小投影模型中的焦距参数，计算得到的当前像素点在极球面投影下到图像中心点的径向距离越小，则代表校正强度越大；反之，像素点距离图像中心越近，透视投影形成的图像畸变越小，此时，得到的焦距系数越大，增大投影模型中的焦距参数，计算得到的当前像素点在极球面投影下到图像中心点的径向距离越大，则代表校正强度越小。
举例而言，可以通过焦距系数对预构建的目标投影模型中的焦距参数进行调整，调整后的目标投影模型可以通过关系式(2)进行表示：
其中，ru可以表示当前像素点在极球面投影下到图像中心点的径向距离；r0可以表示映射比例系数，该映射比例系数具体可以根据实际情况进行自定义设置，此处不做特殊限定；rp可以表示当前像素点在透视投影下到图像中心点的径向距离，a可以表示焦距系数，f可以表示拍摄得到当前像素点对应的摄像头的焦距。
在另一示例实施例中，可以确定人脸区域位于无畸变区域的部分中各像素点到图像中心坐标的距离数据，并根据该距离数据确定对位于无畸变区域的图像内容的渐变校正强度；可以确定人脸区域处于有畸变区域的部分的固定校正强度，根据人脸区域在无畸变区域的渐变校正强度，以及人脸区域在有畸变区域的固定校正强度，确定用于人脸区域的自适应校正强度。这同样在本示例实施例的保护范围之内，本示例实施例不以此为限。
在一示例性实施例中，可以通过图5中的步骤实现对人脸畸变图像的检测，参考图5所示，具体可以包括：
步骤S510，获取待处理的人脸图像，并对所述人脸图像进行人脸识别，确定所述人脸图像中的人脸区域；
步骤S520，确定所述人脸区域对应的属性数据，并根据所述属性数据确定所述人脸区域的畸变程度；
步骤S530，响应于所述畸变程度大于预设的畸变程度阈值，将所述人脸图像确定为人脸畸变图像。
其中，待处理的人脸图像是指包含有人脸内容的图像，例如，待处理的人脸图像可以是图像传感器实时采集的人脸图像，也可以是存储在存储单元中的人脸图像，本示例实施例对此不做特殊限定。
人脸区域是指人脸图像中存在人脸内容的图像区域，例如，可以通过人脸识别检测模型对人脸图像进行识别，输出的人脸图像中存在人脸标注框，该人脸标注框对应的图像区域可以确定为人脸图像中的人脸区域；当然，也可以通过图像分割算法对人脸图像进行识别，输出人脸图像中人脸内容对应的边缘轮廓，并将该边缘轮廓对应的图像区域确定为人脸图像中的人脸区域。
属性数据是指人脸图像中人脸区域对应的相关参数，例如，属性数据可以是人脸区域对应的面积尺寸，也可以是人脸区域在人脸图像中所处的位置坐标，当然，还可以是其他类型的与人脸区域相关的属性数据，本示例实施对此不做特殊限定。
畸变程度是指用于衡量人脸图像中人脸区域产生畸变区域占据整个人脸图像比例，在透视投影中，像素点距离图像中心越远，透视投影形成的图像畸变越大，人脸区域的畸变程度也越大。
在一示例性实施例中，属性数据可以包括人脸位置数据，人脸位置数据是指人脸区域在人脸图像中所处的位置，例如，人脸位置数据可以是人脸区域在人脸图像中所处位置的坐标，也可以是人脸区域的中心点到人脸图像的中心点的距离数据，本示例实施例对此不做特殊限定。
可选的，可以通过以下步骤实现根据人脸区域的属性数据确定人脸区域的畸变程度：首先可以确定人脸图像的中心点到人脸区域的中心点的第二距离数据，然后根据第二距离数据确定人脸区域在人脸图像中的人脸位置数据，进而可以通过该人脸位置数据确定人脸区域的畸变程度。具体的，可以预先计算在不同尺寸大小的人脸图像下确定不同距离数据与畸变程度的映射关系，通过该映射关系以及人脸区域的中心点到人脸区域的中心点的第二距离数据，快速确定人脸区域的畸变程度。
需要说明的是，本公开实施例“第一距离数据”和“第二距离数据”中的“第一”、“第二”仅用于区分不同的距离，没有任何特殊含义，并不应对本示例实施例造成任何特殊限定。
在一示例性实施例中，属性数据可以包括人脸面积数据，例如，假设人脸区域是由人脸框构成的规则区域，那么可以根据人脸框的尺寸计算人脸区域对应的人脸面积数据；若人脸区域是由边缘检测算法检测得到的边缘轮廓构成的不规则区域，则可以通过人脸区域中的像素个数以及像素尺寸计算人脸区域对应的人脸面积数据。
可选的，可以通过以下步骤实现根据人脸区域的属性数据确定人脸区域的畸变程度：首先可以基于人脸区域对应的人脸框确定人脸面积数据，然后在检测到人脸面积数据大于预设的面积阈值时，进而可以通过人脸面积数据确定人脸区域的畸变程度。
由于人脸区域的面积尺寸越大，靠近人脸图像边缘的部分越多，畸变的部分所占比例越大，畸变幅度也越大，即人脸区域的畸变程度越大。具体的，可以预先在不同尺寸大小的人脸图像下确定人脸区域的面积尺寸与畸变程度的映射关系，通过该映射关系以及人脸区域的面积尺寸，快速确定人脸区域的畸变程度。
在一示例性实施例中，步骤S210可以通过图6中的步骤实现在人脸畸变图像中确定无畸变区域，参考图6所示，具体可以包括：
步骤S610，基于所述人脸畸变图像的图像中心坐标以及预设的半径数据确定目标径向圆；
步骤S620，将所述目标径向圆所在的区域作为所述人脸畸变图像中的无畸变区域。
其中，半径数据是指预先设置的用于确定人脸畸变图像中无畸变区域大小的数据，例如，假设人脸畸变图像的尺寸为100mm*100mm，该人脸畸变图像中50°视场角范围对应的圆形区域的半径为25mm，那么可以设置该尺寸下的人脸畸变图像对应的无畸变区域的半径数据为25mm。当然，具体可以根据实际情况设置无畸变区域的半径数据，如根据摄像头的参数设置无畸变区域的半径数据，本示例实施例对此不做特殊限定。
目标径向圆是指以半径数据以及人脸畸变图像的图像中心坐标，在人脸畸变图像中确定的圆形区域。
可以通过人脸畸变图像的图像中心坐标以及预先存储的半径数据确定目标径向圆，进而可以将目标径向圆作为人脸畸变图像中的无畸变区域。
在一示例性实施例中，步骤S220可以通过图7中的步骤实现对人脸区域的部分区域是否处于无畸变区域的检测，参考图7所示，具体可以包括：
步骤S710，确定所述人脸畸变图像中的人脸区域与所述目标径向圆的面积交集；
步骤S720，根据所述面积交集与所述人脸面积数据确定第一面积比值；
步骤S730，根据所述面积交集与所述目标径向圆的面积确定第二面积比值；
步骤S740，若所述第一面积比值不为1，且所述第一面积比值或者所述第二面积比值大于比值阈值，则确定检测到所述无畸变区域包含所述人脸区域的部分区域。
其中，第一面积比值是指衡量人脸区域与目标径向圆的重叠面积占据人脸区域的比例的数据，第二面积比值是指衡量人脸区域与目标径向圆的重叠面积占目标径向圆面积的比例的数据。
需要说明的是，本实施例中的“第一面积比值”、“第二面积比值”中的“第一”、“第二”仅用于区分不同的面积比值，没有其他任何特殊含义，并不应对本实施例造成任何特殊限定。
在检测到第一面积比值不为1时，可以认为无畸变区域可能包含人脸区域的部分区域，该人脸区域需要进行畸变校正。此时可以进一步确定第一面积比值或者第二面积比值是否大于比值阈值，若第一面积比值或者第二面积比值大于比值阈值，则可以确定无畸变区域包含该人脸区域的部分区域，可以将该人脸区域的人脸图像作为人脸畸变图像。
在一示例性实施例中，步骤S220还可以包括：若检测到无畸变区域包含人脸区域，则对人脸畸变图像中除人脸区域之外的区域进行畸变校正处理。
由于检测到人脸区域完全处于无畸变区域，说明该人脸区域未发生畸变，或者产生的畸变幅度较小可以忽略不计，因此对该人脸区域进行保护处理后对人脸图像全局进行校正处理。
具体的，可以在检测到第一面积比值为1时，确定无畸变区域包含人脸区域。由于人脸区域与目标径向圆的重叠面积占据人脸区域的比例为1，则说明人脸区域与目标径向圆的重叠面积与人脸区域的人脸面积数据相等，可以认为无畸变区域包含人脸区域。
图8示意性示出本公开示例性实施例中一种基于面积确定人脸区域的部分区域处于无畸变区域的原理示意图。
参考图8所示，在人脸畸变图像801中确定无畸变区域802，并对人脸图像801进行人脸识别，得到人脸区域803。其中，无畸变区域802对应的目标径向圆的面积为S1，人脸区域803的人脸面积数据为S2。
可以确定人脸畸变图像801中的人脸区域803与无畸变区域802对应的目标径向圆的面积交集S3，根据面积交集与人脸面积数据确定第一面积比值p1，其中p1＝S3/S2，根据面积交集与目标径向圆的面积确定第二面积比值p2，其中p2＝S3/S1。在检测到第一面积比值不为1时，可以认为无畸变区域可能包含人脸区域的部分区域，该人脸区域需要进行畸变校正。若第一面积比值或者第二面积比值大于比值阈值，则可以认为无畸变区域确实包含人脸区域的部分区域，则可以通过确定的自适应校正强度对该人脸区域进行畸变校正。在检测到第一面积比值为1时，说明人脸区域与目标径向圆的重叠面积与人脸区域的人脸面积数据相等，可以认为无畸变区域包含完整的人脸区域，此时由于人脸区域不存在人脸畸变或者人脸畸变较弱可以忽略不计，进而可以对人脸区域进行保护处理后对人脸畸变图像进行常规的畸变校正处理。
本公开实施例中的人脸图像校正方法对前置自拍效果进行优化改进。由于人脸畸变图像中人脸区域在整个图像中占据的面积较大，其边缘部分畸变明显，而中间部分处于不处理范围，本公开实施例通过引入校正强度渐变的自适应投影网格。进而通过自适应校正强度针对人脸畸变图像中间易凸起的现象，采用弱校正处理，使其最终成像效果趋近于透视投影；针对人脸畸变图像边缘的人脸畸变现象，采用强校正处理，使其成像效果趋近于极球面投影，进而实现人脸中间区域到边缘区域的校正强度平滑过渡，避免出现不自然的拉伸现象。
综上所述，本示例性实施方式中，可以在检测到包括人脸区域的人脸畸变图像时，确定人脸畸变图像中的无畸变区域，并且在检测到无畸变区域包含人脸区域的部分区域时，可以确定人脸区域对应的自适应校正强度，进而可以根据该自适应校正强度对人脸区域进行畸变校正，得到畸变校正后的人脸图像。一方面，在确定人脸畸变图像中的人脸区域部分处于无畸变区域，以及部分处于有畸变区域时，通过自适应校正强度对人脸区域进行畸变校正，实现按照不同区域中图像内容的畸变幅度进行不同程度的校正，避免相关技术方案中对不同区域采用相同校正程度而导致的校正人脸还原度较低的情况，有效提高畸变校正后的人脸图像的表达准确性，提升矫正后人脸图像的还原度与真实性；另一方面，通过自适应校正强度对人脸区域进行畸变校正，能够有效保证处于无畸变区域边缘的图像校正与处于有畸变区域边缘的图像校正过渡平滑，不会出现由于校正强度不同而导致的明显“边界”的问题，有效提升人脸区域校正的平滑性，进一步提升矫正后的人脸图像的还原度与真实性。
需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
进一步的，参考图9所示，本示例的实施方式中还提供一种人脸图像校正装置900，包括无畸变区域确定模块910、校正强度确定模块920和图像畸变校正模块930。其中：
无畸变区域确定模块910用于响应检测到人脸畸变图像，所述人脸畸变图像包括人脸区域，在所述人脸畸变图像中确定无畸变区域；
校正强度确定模块920用于若检测到所述无畸变区域包含所述人脸区域的部分区域，则确定所述人脸区域对应的自适应校正强度；
图像畸变校正模块930用于根据所述自适应校正强度对所述人脸区域进行畸变校正，得到畸变校正后的人脸图像。
在一示例性实施例中，校正强度确定模块920可以用于：
确定所述人脸畸变图像的图像中心坐标；
计算所述人脸区域中各像素点到所述图像中心坐标的第一距离数据；
根据所述第一距离数据确定所述人脸区域对应的自适应校正强度；
其中，所述自适应校正强度用于对所述无畸变区域中的部分人脸区域进行弱校正处理以及对所述无畸变区域之外的部分人脸区域进行强校正处理。
在一示例性实施例中，校正强度确定模块920可以用于：
通过所述自适应校正强度以及预构建的目标投影模型对所述人脸区域进行畸变校正。
在一示例性实施例中，自适应校正强度可以包括焦距系数，校正强度确定模块920可以用于：
根据所述第一距离数据确定所述人脸区域中各像素点对应的所述焦距系数；
通过所述焦距系数对所述目标投影模型中的焦距参数进行调整，并根据调整后的目标投影模型对所述人脸区域进行畸变校正。
在一示例性实施例中，无畸变区域确定模块910可以包括：
人脸区域确定单元，用于获取待处理的人脸图像，并对所述人脸图像进行人脸识别，确定所述人脸图像中的人脸区域；
畸变程度确定单元，用于确定所述人脸区域对应的属性数据，并根据所述属性数据确定所述人脸区域的畸变程度；
人脸畸变图像筛选单元，用于响应于所述畸变程度大于预设的畸变程度阈值，将所述人脸图像确定为人脸畸变图像。
在一示例性实施例中，属性数据可以包括人脸位置数据，畸变程度确定单元可以用于：
确定所述人脸图像的中心点到所述人脸区域的中心点的第二距离数据；
根据所述第二距离数据确定所述人脸区域在所述人脸图像中的人脸位置数据；
通过所述人脸位置数据确定所述人脸区域的畸变程度。
在一示例性实施例中，属性数据可以包括人脸面积数据，畸变程度确定单元可以用于：
基于所述人脸区域对应的人脸框确定人脸面积数据；
若检测到所述人脸面积数据大于预设的面积阈值，则通过所述人脸面积数据确定所述人脸区域的畸变程度。
在一示例性实施例中，无畸变区域确定模块910还可以用于：
基于所述人脸畸变图像的图像中心坐标以及预设的半径数据确定目标径向圆；
将所述目标径向圆所在的区域作为所述人脸畸变图像中的无畸变区域。
在一示例性实施例中，校正强度确定模块920可以用于：
确定所述人脸畸变图像中的人脸区域与所述目标径向圆的面积交集；
根据所述面积交集与所述人脸面积数据确定第一面积比值；
根据所述面积交集与所述目标径向圆的面积确定第二面积比值
若所述第一面积比值不为1，且所述第一面积比值或者所述第二面积比值大于比值阈值，则确定检测到所述无畸变区域包含所述人脸区域的部分区域。
在一示例性实施例中，人脸图像校正装置900还可以包括人脸保护单元，该人脸保护单元可以用于：
若检测到所述无畸变区域包含完整的所述人脸区域，则对所述人脸畸变图像中除所述人脸区域之外的区域进行畸变校正处理。
在一示例性实施例中，人脸保护单元还可以用于：
若检测到第一面积比值为1，则确定所述无畸变区域包含完整的所述人脸区域。
上述装置中各模块的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
本公开的示例性实施方式还提供一种电子设备。该电子设备可以是上述终端设备101、102、103或服务器105。一般的，该电子设备可以包括处理器与存储器，存储器用于存储处理器的可执行指令，处理器配置为经由执行可执行指令来执行上述人脸图像校正方法。
下面以图10中的移动终端1000为例，对该电子设备的构造进行示例性说明。本领域技术人员应当理解，除了特别用于移动目的的部件之外，图10中的构造也能够应用于固定类型的设备。
如图10所示，移动终端1000具体可以包括：处理器1001、存储器1002、总线1003、移动通信模块1004、天线1、无线通信模块1005、天线2、显示屏1006、摄像模块1007、音频模块1008、电源模块1009与传感器模块1010。
处理器1001可以包括一个或多个处理单元，例如：处理器1001可以包括AP(Application Processor，应用处理器)、调制解调处理器、GPU(Graphics ProcessingUnit，图形处理器)、ISP(Image Signal Processor，图像信号处理器)、控制器、编码器、解码器、DSP(Digital Signal Processor，数字信号处理器)、基带处理器和/或NPU(Neural-Network Processing Unit，神经网络处理器)等。
编码器可以对图像或视频进行编码(即压缩)，以减小数据大小，便于存储或发送。解码器可以对图像或视频的编码数据进行解码(即解压缩)，以还原出图像或视频数据。移动终端1000可以支持一种或多种编码器和解码器，例如：JPEG(Joint PhotographicExperts Group，联合图像专家组)、PNG(Portable Network Graphics，便携式网络图形)、BMP(Bitmap，位图)等图像格式，MPEG(Moving Picture Experts Group，动态图像专家组)1、MPEG10、H.1063、H.1064、HEVC(High Efficiency Video Coding，高效率视频编码)等视频格式。
处理器1001可以通过总线1003与存储器1002或其他部件形成连接。
存储器1002可以用于存储计算机可执行程序代码，可执行程序代码包括指令。处理器1001通过运行存储在存储器1002的指令，执行移动终端1000的各种功能应用以及数据处理。存储器1002还可以存储应用数据，例如存储图像，视频等文件。
移动终端1000的通信功能可以通过移动通信模块1004、天线1、无线通信模块1005、天线2、调制解调处理器以及基带处理器等实现。天线1和天线2用于发射和接收电磁波信号。移动通信模块1004可以提供应用在移动终端1000上3G、4G、5G等移动通信解决方案。无线通信模块1005可以提供应用在移动终端1000上的无线局域网、蓝牙、近场通信等无线通信解决方案。
显示屏1006用于实现显示功能，如显示用户界面、图像、视频等。摄像模块1007用于实现拍摄功能，如拍摄图像、视频等。音频模块1008用于实现音频功能，如播放音频，采集语音等。电源模块1009用于实现电源管理功能，如为电池充电、为设备供电、监测电池状态等。
传感器模块1010可以包括一种或多种传感器，用于实现相应的感应检测功能。例如，传感器模块1010可以包括惯性传感器，其用于检测移动终端1000的运动位姿，输出惯性传感数据。
本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
需要说明的是，本公开所示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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
此外，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (14)
1.一种人脸图像校正方法，其特征在于，包括：
响应检测到人脸畸变图像，所述人脸畸变图像包括人脸区域，在所述人脸畸变图像中确定无畸变区域；
若检测到所述无畸变区域包含所述人脸区域的部分区域，则确定所述人脸区域对应的自适应校正强度；
根据所述自适应校正强度对所述人脸区域进行畸变校正，得到畸变校正后的人脸图像。
2.根据权利要求1所述的方法，其特征在于，所述确定所述人脸区域对应的自适应校正强度，包括：
确定所述人脸畸变图像的图像中心坐标；
计算所述人脸区域中各像素点到所述图像中心坐标的第一距离数据；
根据所述第一距离数据确定所述人脸区域对应的自适应校正强度；
其中，所述自适应校正强度用于对所述无畸变区域中的部分人脸区域进行弱校正处理以及对所述无畸变区域之外的部分人脸区域进行强校正处理。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述自适应校正强度对所述人脸区域进行畸变校正，包括：
通过所述自适应校正强度以及预构建的目标投影模型对所述人脸区域进行畸变校正。
4.根据权利要求2所述的方法，其特征在于，所述自适应校正强度包括焦距系数，
所述通过所述自适应校正强度以及预构建的目标投影模型对所述人脸区域进行畸变校正，包括：
根据所述第一距离数据确定所述人脸区域中各像素点对应的所述焦距系数；
通过所述焦距系数对所述目标投影模型中的焦距参数进行调整，并根据调整后的目标投影模型对所述人脸区域进行畸变校正。
5.根据权利要求1所述的方法，其特征在于，所述响应检测到人脸畸变图像，包括：
获取待处理的人脸图像，并对所述人脸图像进行人脸识别，确定所述人脸图像中的人脸区域；
确定所述人脸区域对应的属性数据，并根据所述属性数据确定所述人脸区域的畸变程度；
响应于所述畸变程度大于预设的畸变程度阈值，将所述人脸图像确定为人脸畸变图像。
6.根据权利要求5所述的方法，其特征在于，所述属性数据包括人脸位置数据，所述根据所述属性数据确定所述人脸区域的畸变程度，包括：
确定所述人脸图像的中心点到所述人脸区域的中心点的第二距离数据；
根据所述第二距离数据确定所述人脸区域在所述人脸图像中的人脸位置数据；
通过所述人脸位置数据确定所述人脸区域的畸变程度。
7.根据权利要求6所述的方法，其特征在于，所述属性数据包括人脸面积数据，所述根据所述属性数据确定所述人脸区域的畸变程度，包括：
基于所述人脸区域对应的人脸框确定人脸面积数据；
若检测到所述人脸面积数据大于预设的面积阈值，则通过所述人脸面积数据确定所述人脸区域的畸变程度。
8.根据权利要求1所述的方法，其特征在于，所述在所述人脸畸变图像中确定无畸变区域，包括：
基于所述人脸畸变图像的图像中心坐标以及预设的半径数据确定目标径向圆；
将所述目标径向圆所在的区域作为所述人脸畸变图像中的无畸变区域。
9.根据权利要求8所述的方法，其特征在于，所述检测到所述无畸变区域包含所述人脸区域的部分区域，包括：
确定所述人脸畸变图像中的人脸区域与所述目标径向圆的面积交集；
根据所述面积交集与所述人脸面积数据确定第一面积比值；
根据所述面积交集与所述目标径向圆的面积确定第二面积比值；
若所述第一面积比值不为1，且所述第一面积比值或者所述第二面积比值大于比值阈值，则确定检测到所述无畸变区域包含所述人脸区域的部分区域。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若检测到所述无畸变区域包含完整的所述人脸区域，则对所述人脸畸变图像中除所述人脸区域之外的区域进行畸变校正处理。
11.根据权利要求9或10所述的方法，其特征在于，所述若检测到所述无畸变区域包含完整的所述人脸区域，包括：
若检测到第一面积比值为1，则确定所述无畸变区域包含完整的所述人脸区域。
12.一种人脸图像校正装置，其特征在于，包括：
无畸变区域确定模块，用于响应检测到人脸畸变图像，所述人脸畸变图像包括人脸区域，在所述人脸畸变图像中确定无畸变区域；
校正强度确定模块，用于若检测到所述无畸变区域包含所述人脸区域的部分区域，则确定所述人脸区域对应的自适应校正强度；
图像畸变校正模块，用于根据所述自适应校正强度对所述人脸区域进行畸变校正，得到畸变校正后的人脸图像。
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的方法。
14.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至11任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210313102.3A CN114612342A (zh) | 2022-03-28 | 2022-03-28 | 人脸图像校正方法及装置、计算机可读介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210313102.3A CN114612342A (zh) | 2022-03-28 | 2022-03-28 | 人脸图像校正方法及装置、计算机可读介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114612342A true CN114612342A (zh) | 2022-06-10 |
Family
ID=81867662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210313102.3A Pending CN114612342A (zh) | 2022-03-28 | 2022-03-28 | 人脸图像校正方法及装置、计算机可读介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612342A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013074555A (ja) * | 2011-09-29 | 2013-04-22 | Casio Comput Co Ltd | 撮像装置及びプログラム |
| CN108389159A (zh) * | 2015-06-30 | 2018-08-10 | 广东欧珀移动通信有限公司 | 一种畸变校正方法及终端 |
| CN111080545A (zh) * | 2019-12-09 | 2020-04-28 | Oppo广东移动通信有限公司 | 人脸畸变校正方法、装置、终端设备和存储介质 |
| CN111355863A (zh) * | 2020-04-07 | 2020-06-30 | 北京达佳互联信息技术有限公司 | 一种图像畸变校正方法、装置、电子设备及存储介质 |
| CN114049269A (zh) * | 2021-11-05 | 2022-02-15 | Oppo广东移动通信有限公司 | 图像校正方法和装置、电子设备 |
| CN114187206A (zh) * | 2021-12-15 | 2022-03-15 | Oppo广东移动通信有限公司 | 图像畸变校正方法、装置、电子设备、芯片及存储介质 |
-
2022
- 2022-03-28 CN CN202210313102.3A patent/CN114612342A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013074555A (ja) * | 2011-09-29 | 2013-04-22 | Casio Comput Co Ltd | 撮像装置及びプログラム |
| CN108389159A (zh) * | 2015-06-30 | 2018-08-10 | 广东欧珀移动通信有限公司 | 一种畸变校正方法及终端 |
| CN111080545A (zh) * | 2019-12-09 | 2020-04-28 | Oppo广东移动通信有限公司 | 人脸畸变校正方法、装置、终端设备和存储介质 |
| CN111355863A (zh) * | 2020-04-07 | 2020-06-30 | 北京达佳互联信息技术有限公司 | 一种图像畸变校正方法、装置、电子设备及存储介质 |
| CN114049269A (zh) * | 2021-11-05 | 2022-02-15 | Oppo广东移动通信有限公司 | 图像校正方法和装置、电子设备 |
| CN114187206A (zh) * | 2021-12-15 | 2022-03-15 | Oppo广东移动通信有限公司 | 图像畸变校正方法、装置、电子设备、芯片及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| DUONG HAI NGUYEN ET AL.: "An Adaptive Model for Face Distortion Correction", 《2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》, 21 May 2021 (2021-05-21), pages 2966 - 2971 * |
| 姚俊宏: "基于多项式的映射自适应畸变校正和图像匹配算法研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》, no. 02, 15 February 2022 (2022-02-15), pages 138 - 722 * |
| 杨波等: "适应内容的广角图像拉伸畸变自动校正算法", 《浙江大学学报（工学版）》, vol. 50, no. 9, 30 September 2016 (2016-09-30), pages 1711 - 1717 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022179335A1 (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
| US10467737B2 (en) | Method and device for adjusting grayscale values of image | |
| CN112017222A (zh) | 视频全景拼接与三维融合方法及装置 | |
| CN112927271B (zh) | 图像处理方法、图像处理装置、存储介质与电子设备 | |
| CN113658065B (zh) | 图像降噪方法及装置、计算机可读介质和电子设备 | |
| CN110889809A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| CN113920023A (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
| CN113658073A (zh) | 图像去噪处理方法、装置、存储介质与电子设备 | |
| CN117830077A (zh) | 图像处理方法、装置以及电子设备 | |
| CN113205011A (zh) | 图像掩膜确定方法及装置、存储介质和电子设备 | |
| CN114612341A (zh) | 图像畸变校正方法及装置、计算机可读介质和电子设备 | |
| CN111833262A (zh) | 图像降噪方法、装置及电子设备 | |
| CN114627014A (zh) | 图像处理方法、图像处理装置、存储介质与电子设备 | |
| CN114612342A (zh) | 人脸图像校正方法及装置、计算机可读介质和电子设备 | |
| CN115719316A (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
| CN112950515B (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
| CN112950516B (zh) | 图像局部对比度增强的方法及装置、存储介质及电子设备 | |
| CN115278189A (zh) | 图像色调映射方法及装置、计算机可读介质和电子设备 | |
| EP3761260A1 (en) | Storage and signaling of entrance pupil parameters for immersive media | |
| CN114257733A (zh) | 具有视点偏移的全向图像的图像处理的方法和系统 | |
| CN115022541B (zh) | 视频畸变校正方法及装置、计算机可读介质和电子设备 | |
| US20190349519A1 (en) | Electronic device and image processing method therefor | |
| CN114612324B (zh) | 用于畸变校正的图像处理方法、装置、介质与电子设备 | |
| US20240331117A1 (en) | Dynamic range mapping method and apparatus for panoramic video | |
| WO2024164736A1 (zh) | 视频处理方法及装置、计算机可读介质和电子设备 |
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 |