CN114758391B - 发型图像确定方法、装置、电子设备、存储介质及产品 - Google Patents

Abstract

本公开提供了一种发型图像确定方法、装置、电子设备、存储介质及产品，涉及人工智能技术领域，尤其涉及深度学习、计算机视觉、增强现实(Augmented Reality，AR)等技术领域。具体实现方案为：获取原始人脸图像的第一发丝走向图像；并在所述原始人脸图像中，检测与所述第一发丝走向图像的发丝相关的线段；基于所述第一发丝走向图像将所述线段转换为有向线段，并对所述有向线段进行合并处理，得到第二发丝走向图像；基于所述第二发丝走向图像，确定所述原始人脸图像的发型图像。通过本公开可以降低数据标注成本和发丝解析难度，提升用户体验满意度。

Description

发型图像确定方法、装置、电子设备、存储介质及产品

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、计算机视觉、增强现实等技术领域，具体为一种发型图像确定方法、装置、电子设备、存储介质及产品。

背景技术

由于虚拟技术的快速发展，虚拟形象技术也在快速提高，尤其是三维虚拟形象，三维虚拟形象在社交、直播、游戏等用户场景具有广泛应用价值。

虚拟形象在人脸五官上具备生成能力，而人脸的外貌很大程度由发型决定。

发明内容

本公开提供了一种发型图像确定方法、装置、电子设备、存储介质及产品。

根据本公开的第一方面，提供了一种发型图像确定方法，其特征在于，所述方法包括：

获取原始人脸图像的第一发丝走向图像；在所述原始人脸图像中，检测与所述第一发丝走向图像的发丝相关的线段；基于所述第一发丝走向图像将所述线段转换为有向线段，并对所述有向线段进行合并处理，得到第二发丝走向图像；基于所述第二发丝走向图像，确定所述原始人脸图像的发型图像。

根据本公开的第二方面，提供了一种发型图像确定装置，其特征在于，所述装置包括：

获取模块，用于获取原始人脸图像的第一发丝走向图像；检测模块，用于在所述原始人脸图像中，检测与所述第一发丝走向图像的发丝相关的线段；处理模块，用于基于所述第一发丝走向图像将所述线段转换为有向线段，并对所述有向线段进行合并处理，得到第二发丝走向图像，还用于基于所述第二发丝走向图像，确定所述原始人脸图像的发型图像。

根据本公开的第三方面，提供了一种电子设备，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第一方面所述的方法。

根据本公开的第四方面，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，其中，所述计算机指令用于使所述计算机执行根据第一方面所述的方法。

根据本公开的第五方面，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根据第一方面所述的方法。

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是相关技术中发型走向图生成中两类图像数据样例示意图；

图2示出了本公开实施例提供的一种发型图像确定方法的流程示意图；

图3示出了本公开实施例提供的一种获取原始人脸图像的第一发丝走向图像的方法的流程示意图；

图4示出了本公开实施例提供的一种预测与所述发型区域图像对应的第一发丝走向图像的流程示意图；

图5示出了本公开实施例提供的一种检测第一发丝走向图像中发丝所在线段的流程示意图；

图6示出了本公开实施例提供的一种不同密度参数下直线检测算法对发型区域图像的直线提取效果的示意图；

图7示出了本公开实施例提供的一种确定原始人脸图像的第二发丝走向图像的流程示意图；

图8示出了本公开实施例提供的一种发丝生成效果示意图；

图9示出了本公开实施例提供的一种发型图像确定装置的结构示意图；

图10是用来实现本公开实施例的发型图像确定方法的电子设备的框图。

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。

虽然三维虚拟形象在社交、直播、游戏等应用场景中具有广泛应用价值，但是定制个性化的虚拟形象往往成本较高。虚拟形象仅在人脸五官上具备生成能力，而人脸的外貌很大程度由发型决定。

相关技术中，可以通过循环生成对抗网络(cycleGan)生成发型走向图。但是，该技术并不具有良好发发丝生成技术，存在大量不正确、不对齐、不准确的问题。并且，生成发丝所需数据标注成本高，发丝解析难度大，不能根据单张人脸图像生成虚拟发丝。

需要说明的是，cycleGan技术可以通过对两类无需配对的图像集进行训练，将一类图像转换成另外一类图像，常用于风格迁移。以图1进行说明，图1是相关技术中发型走向图生成中两类图像数据样例示意图。如图1所示，包括两类不同风格的图像，风格A和风格B。其中，风格A为真实人脸发型图像，风格B为基于三维发丝模型渲染的走向图。

通过cycleGan训练风格A到风格B的风格迁移。预测输入真实人脸发型图像，从而预测发型走向图即，风格B对应的图像。风格B对应的图像为rgb图像。rgb图像中三个颜色对应于三维空间中的xyz三轴方向向量，该方向向量被归一化到0到255之间。

根据上述相关技术的技术缺陷，本公开提供一种发型图像确定方法和装置。本公开提供的发型图像确定方法，通过对单张人脸图像进行解析，得到较为粗糙的发型走向图像。通过计算发型走向图中发丝所在线段和方向，得到二维人脸图像的发丝走向图像，从而得到具有相对精确的发丝走向的发型图像。

通过本公开得到的二维人脸图像发丝走向图像，发丝走向精度相对较高，并且可以体现出发丝的不同走向。从而有效提升虚拟形象生成内在技术实力，扩大产品纬度，增强用户粘性以及用户满意度。

下述实施例将结合附图对本公开提供的发型图像确定方法和装置进行说明。

图2示出了本公开实施例提供的一种发型图像确定方法的流程示意图，如图2中所示，该方法可以包括：

在步骤S210中，获取原始人脸图像的第一发丝走向图像，并在原始人脸图像中，检测与第一发丝走向图像的发丝相关的线段。

在本公开实施例中，监测图像的上传操作，检测到上传的原始人脸图像，提取原始人脸图像的发型区域图像。

本公开可以应用于三维虚拟形象中，当然不限于三维虚拟形象，本申请仅仅是以应用于三维虚拟形象中为例进行说明。

在应用三维虚拟形象的应用场景中，可以为虚拟形象添加相应的发型。例如，获取到原始人脸图像，则进一步提取原始人脸图像中的发型区域图像，并通过预先确定的模型，预测与发型区域图像对应的第一发丝走向图像。

其中，应用三维虚拟形象的应用场景可以是社交、直播、游戏等应用场景。

在本公开实施例中，解析发型区域图像，获取发型区域图像中与发丝相关的信息。其中，与发丝相关的信息可以是发丝所在图像中的像素信息等。

在本公开中，每个人物的发型中发丝数量庞大，本公开可以通过获取每个发丝的信息，检测到每个第一发丝走向的像素在发型区域图像中所在的线段。

在步骤220中，基于第一发丝走向图像将线段转换为有向线段，并对有向线段进行合并处理，得到第二发丝走向图像。

在本公开实施例中，确定第一发丝走向图像中每个发丝所在的线段后，基于第一发丝走向图像将线段转换为有向线段。其中，有向线段是多个，需要对多个有向线段进行合并处理，从而得到原始人脸图像的第二发丝走向图像。

在步骤230中，基于第二发丝走向图像，确定原始人脸图像的发型图像。

在本公开实施例中，通过确定的第二发丝走向图像，从而确定原始人脸图像中发型的每个发丝的走向，并进一步确定原始人脸图像的发型图像。

通过本公开实施例提供的发型图像确定方法，可以根据原始人脸图像的发型区域，确定发型的第一发丝走向图像。从而确定原始人脸图像的第二发丝走向图像。得到的第二发丝走向图像，发丝精度相对较高，并且可以体现出发丝的不同走向，较好的表达了原始人脸图像中的发型。更进一步的有效降低了数据标注成本和发丝解析难度，基于第二发丝走向图像得到的发型图像，还可以提升用户体验满意度。

在本公开实施例中，可以基于发型分割网络提取原始人脸图像的掩膜(mask)，并根据掩膜提取发型区域图像。即，获取原始人脸图像中与发型相关的图像部分。从而根据发型区域图像，可以获取原始人脸图像的第一发丝走向图像。其实施方式如下实施例。

图3示出了本公开实施例提供的一种获取原始人脸图像的第一发丝走图像向的方法的流程示意图，如图3中所示，该方法可以包括：

在步骤S310中，获取原始人脸图像，并基于第一网络提取原始人脸图像的特征标识。

在步骤S320中，根据特征标识，提取原始人脸图像的发型区域图像，预测与发型区域图像对应的第一发丝走向图像。

在本公开实施例中，检测到用户上传的原始人脸图像，则获取原始人脸图像，并基于第一网络提取原始人脸图像的特征标识。其中，第一网络可以是发型分割网络，发型分割网络用于提取原始人脸图像中的发型轮廓和非发型轮廓。例如，用于表征发型分割网络的第一网络可以是GrabCut算法，基于GrabCut算法对图像进行分割，提取原始人脸图像中的特征标识。在本公开中，特征标识可以是掩膜，掩膜用于提取指定区域图像，屏蔽指定区域。通过提取特征标识(即，掩膜)，用特征标识对图像上某些区域作屏蔽，可以获取与本公开相关的区域，其他图像中的区域不参加处理或不参加处理参数的计算，从而减轻计算量。进一步可以根据提取的特征标识(例如掩膜)，获取与原始人脸图像对应的发型区域图像。基于发型区域图像以及对应的发丝走向预测模型，预测与发型区域图像对应的第一发丝走向图像。

在本公开中，下述实施例将结合附图对，基于发型区域图像以及对应的发丝走向预测模型，预测与发型区域图像对应的第一发丝走向图像进行说明。

图4示出了本公开实施例提供的一种预测与所述发型区域图像对应的第一发丝走向图像的流程示意图，如图4中所示，该方法可以包括：

在步骤S410中，确定预先构建的发丝走向预测模型。

在步骤S420中，基于发丝走向预测模型，预测发型区域图像对应的第一发丝走向图像。

在本公开实施例中，确定用于预测发丝走向的发丝走向预测模型，需要说明的是，发丝走向预测模型是本公开预先确定的。将提取的发型区域图像输入至预先确定的发丝走向预测模型，得到与该发型区域图像对应的第一发丝走向图像。

在本公开中，发丝走向预测模型可以是基于训练第二网络得到的。其中，第二网络可以是循环生成对抗(cycleGan)网络。训练第二网络的实施方式如下。

获取相关技术中已有发型区域图像，并获取与已有发型区域图像对应的三维发丝走向图像。进一步在已有发型区域图像，以及与已有发型区域图像对应的三维发丝走向图像中，确定已有发型区域图像和三维发丝走向图像的图像对。进一步根据确定的图像对，训练第二网络，从而得到发丝走向预测模型。例如，将图像对中的已有发型区域图像为输入，图像对中的三维发丝走向图像为输出，训练cycleGan网络，得到发丝走向预测模型。

其中，已有发型区域图像可以理解为是历史的真实人脸发型图像，与已有发型区域图像对应的三维发丝走向图像为基于真实人脸发型图像渲染得到的。

基于得到的发丝走向预测模型，预测发型区域图像发丝对应的第一发丝走向，从而可以得到第一发丝走向的渲染图像。通过预测模型确定的第一发丝走向图像，可以降低构建发丝走向的成本，提供发丝走向图像的准确性，为后续确定更加精细的发丝走向图像提供了基础。

在本公开实施例中，基于预测的第一发丝走向图像，可以构建与发型区域图像对应的相对粗糙的发型走向渲染图像。

在本公开中，得到的相对粗糙的发型走向图像用于确定发丝走向的方向。下述实施例将对在原始人脸图像中，检测与第一发丝走向图像的发丝相关的线段进行说明。

图5示出了本公开实施例提供的一种检测第一发丝走向图像中发丝所在线段的流程示意图，如图5中所示，该方法可以包括：

在步骤S510中，基于直线检测算法(Line Segment Detector，LSD)，对原始人脸图像中的发型区域图像进行检测，得到与第一发丝走向图像的发丝相关的第一数量线段。

在步骤S520，基于发型区域图像，获取与第一发丝走向图像的发丝相关的所有像素。

在步骤S530中，在第一数量线段中，检索与每个像素邻近的第二数量线段，并将第二数量线段确定为与第一发丝走向图像的发丝相关的线段。

在本公开实施例中，针对第一发丝走向图像的每个发丝，可以基于直线检测算法，对发型区域图像中第一发丝走向图像的发丝所在的直线进行提取，得到与第一发丝走向图像的发丝相关的第一数量线段。其中，需要说明的是，第一数量线段为无向线段。

在发型区域图像中，获取与第一发丝走向图像的发丝相关的所有像素。针对发型区域图像中的每一个像素，基于近邻(K-Nearest Neighbor,KNN)算法，在第一数量线段中，检索与每个像素邻近的第二数量线段。

在本公开实施例中，使用直线检测算法，检测速度快，无需参数调节可以提高检测发丝线段的准确率。

例如，第一数量可以为n，第二数量可以是m，其中，n大于或等于m。n与m的取值可以基于提取发丝的密度确定，密度越大，n与m的取值可以随之增大。

图6示出了本公开实施例提供的一种不同密度参数下直线检测算法对发型区域图像的直线提取效果的示意图。如图6中所示，最左边为原始人脸图像的发型区域图像。采用线段表示的图像为对发型图像的直线提取效果，由图6可知，不同密度参数，可以影响对发型区域图像的直线提取效果。密度越大提取的线段越多。

在本公开实施例中，第一发丝走向图像中发丝所在线段确定之后，需要为线段添加方向，以获得人脸图像的第二发丝走向图像。下述实施例将对基于第一发丝走向图像将线段转换为有向线段，并对有向线段进行平合并处理，得到第二发丝走向图像进行说明。

图7示出了本公开实施例提供的一种确定原始人脸图像的第二发丝走向图像的流程示意图，如图7中所示，该方法可以包括：

在步骤S710中，获取第二数量线段在第一发丝走向图像中对应的方向，将第二数量线段转换为第二数量有向线段。

在步骤S720中，对第二数量有向线段进行平均归一化处理，确定第二发丝走向图像。

在本公开实施例中，可以获取第二数量线段在第一发丝走向图像中对应的方向，利用与第一发丝走向图像中发丝对应的方向的角度近似度，将第二数量无向线段转换为第二数量有向线段。

进一步的，对第二数量有向线段进行平均归一化处理，得到原始人脸图像的第二发丝走向图像。其中对第二数量有向线段进行处理的方式还可以是加权归一，非线性归一等处理方式，在此不在一一列举说明。

根据得到的第二发丝走向图像，确定原始人脸图像的发丝走向，从而可以渲染出原始人脸图像的精细发丝走向图像。确定的第二发丝走向图像，可以减少发送数据标注成本和发丝解析难度，且提高了发丝的精度。

图8示出了本公开实施例提供的一种发丝生成效果示意图。如图8中所示，最左边一列为原始人脸图像，中间一列为构建的与发型区域图像对应的第一发丝走向对应的图像。最右边一列为第二发丝走向对应的图像。其中，第一发丝走向和第二发丝走向对应的图像均可以是RGB图像。

本公开提供的发型图像确定方法，可以应用于虚拟形象生成中的发型生成项目中，能够有效提升虚拟形象生成内在技术实力，扩大产品纬度，增强用户粘性。并且可以为用户的虚拟形象制定个性化的发丝走向图像，通过原始人脸图像生成式的虚拟形象生成可以有效在满足用户的个性化需求,同时能够降低后续构建三维发丝模型的成本。

基于与图1中所示的方法相同的原理，图9示出了本公开实施例提供的一种发型图像确定装置的结构示意图，如图9所示，该发型图像确定装置900可以包括：

获取模块901，用于获取原始人脸图像的第一发丝走向图像；检测模块902，用于在所述原始人脸图像中，检测与所述第一发丝走向图像的发丝相关的线段；处理模块903，用于基于所述第一发丝走向图像将所述线段转换为有向线段，并对所述有向线段进行合并处理，得到第二发丝走向图像，还用于基于所述第二发丝走向图像，确定所述原始人脸图像的发型图像。

在本公开实施例中，所述获取模块901，用于获取原始人脸图像，并基于第一网络提取所述原始人脸图像的特征标识；根据所述特征标识，提取所述原始人脸图像的发型区域图像，并预测与所述发型区域图像对应的第一发丝走向图像。

在本公开实施例中，所述装置还包括预测模块904，所述预测模块904用于所述预测模块，用于确定预先构建的发丝走向预测模型；基于所述发丝走向预测模型，预测所述发型区域图像对应的第一发丝走向图像。

在本公开实施例中，所述预测模块904，还用于获取已有发型区域图像，以及与所述已有发型区域图像对应的三维发丝走向图像；确定所述已有发型区域图像和三维发丝走向图像的图像对，并基于所述图像对训练第二网络，得到所述发丝走向预测模型。

在本公开实施例中，所述检测模块902，用于基于直线检测算法，对所述原始人脸图像中的发型区域图像进行检测，得到与第一发丝走向图像的发丝相关的第一数量线段；基于所述发型区域图像，获取与第一发丝走向图像的发丝相关的所有像素；在所述第一数量线段中，检索与每个像素邻近的第二数量线段，并将所述第二数量线段确定为与第一发丝走向图像的发丝相关的线段。

在本公开实施例中，所述处理模块903，用于获取所述第二数量线段在所述第一发丝走向图像中对应的方向，将所述第二数量线段转换为第二数量有向线段；对所述第二数量有向线段进行平均归一化处理，确定第二发丝走向图像。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，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10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如方法发丝走向确定。例如，在一些实施例中，方法发丝走向确定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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法发丝走向确定的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法发丝走向确定。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (13)

1.一种发型图像确定方法，其特征在于，所述方法包括：

获取原始人脸图像的第一发丝走向图像，并在所述原始人脸图像中，检测与所述第一发丝走向图像相关的像素信息，并基于所述像素信息，确定所述第一发丝走向图像的发丝相关的线段；

基于所述第一发丝走向图像将所述线段转换为有向线段，并对所述有向线段进行合并处理，得到第二发丝走向图像；

基于所述第二发丝走向图像，确定所述原始人脸图像的发型图像；

其中，使用直线检测算法对所述原始人脸图像中的发型区域图像中的每个发丝所在的直线进行提取，得到与所述第一发丝走向图像中每个发丝相关的第一数量线段，所述第一数量线段为无向线段；获取所述原始人脸图像中的发型区域图像中与所述第一发丝走向图像中的发丝相关的所有像素，使用近邻算法获取检索与所述第一发丝走向图像中的发丝相关的每个像素临近的第二数量线段，将所述第二数量线段确定为与所述第一发丝走向图像的发丝相关的线段。

2.根据权利要求1所述的方法，其中，所述获取原始人脸图像的第一发丝走向图像，包括：

获取原始人脸图像，并基于第一网络提取所述原始人脸图像的特征标识；

根据所述特征标识，提取所述原始人脸图像的发型区域图像，并预测与所述发型区域图像对应的第一发丝走向图像。

3.根据权利要求2所述的方法，其中，预测与所述发型区域图像对应的第一发丝走向图像，包括：

确定预先构建的发丝走向预测模型；

基于所述发丝走向预测模型，预测所述发型区域图像对应的第一发丝走向图像。

4.根据权利要求3所述的方法，其中，所述发丝走向预测模型的构建方式如下：

获取已有发型区域图像，以及与所述已有发型区域图像对应的三维发丝走向图像；

确定所述已有发型区域图像和三维发丝走向图像的图像对，并基于所述图像对训练第二网络，得到所述发丝走向预测模型。

5.根据权利要求1所述的方法，其中，所述基于所述第一发丝走向图像将所述线段转换为有向线段，并对所述有向线段进行合并处理，得到第二发丝走向图像，包括：

获取所述第二数量线段在所述第一发丝走向图像中对应的方向，将所述第二数量线段转换为第二数量有向线段；

对所述第二数量有向线段进行平均归一化处理，确定第二发丝走向图像。

6.一种发型图像确定装置，其特征在于，所述装置包括：

获取模块，用于获取原始人脸图像的第一发丝走向图像；

检测模块，用于在所述原始人脸图像中，检测与所述第一发丝走向图像相关的像素信息，并基于所述像素信息，确定所述第一发丝走向图像的发丝相关的线段；

处理模块，用于基于所述第一发丝走向图像将所述线段转换为有向线段，并对所述有向线段进行合并处理，得到所述原始人脸图像的第二发丝走向图像，还用于基于所述第二发丝走向图像，确定所述原始人脸图像的发型图像；

其中，所述检测模块，具体用于使用直线检测算法对所述原始人脸图像中的发型区域图像中的每个发丝所在的直线进行提取，得到与所述第一发丝走向图像中每个发丝相关的第一数量线段，所述第一数量线段为无向线段；获取所述原始人脸图像中的发型区域图像中与所述第一发丝走向图像中的发丝相关的所有像素，使用近邻算法获取检索与所述第一发丝走向图像中的发丝相关的每个像素临近的第二数量线段，将所述第二数量线段确定为与所述第一发丝走向图像的发丝相关的线段。

7.根据权利要求6所述的装置，其中，所述获取模块，用于：

获取原始人脸图像，并基于第一网络提取所述原始人脸图像的特征标识；

根据所述特征标识，提取所述原始人脸图像的发型区域图像，并预测与所述发型区域图像对应的第一发丝走向图像。

8.根据权利要求7所述的装置，其中，所述装置还包括预测模块；

所述预测模块，用于确定预先构建的发丝走向预测模型；

基于所述发丝走向预测模型，预测所述发型区域图像对应的第一发丝走向图像。

9.根据权利要求8所述的装置，其中，所述预测模块，还用于：

获取已有发型区域图像，以及与所述已有发型区域图像对应的三维发丝走向图像；

确定所述已有发型区域图像和三维发丝走向图像的图像对，并基于所述图像对训练第二网络，得到所述发丝走向预测模型。

10.根据权利要求6所述的装置，其中，所述处理模块，用于：

获取所述第二数量线段在所述第一发丝走向图像中对应的方向，将所述第二数量线段转换为第二数量有向线段；

对所述第二数量有向线段进行平均归一化处理，确定第二发丝走向图像。

11.一种电子设备，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1-5中任一项所述的方法。

12.一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根据权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，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1-5中任一项所述的方法。