CN114764927B - 一种分区域增强的人脸逆光图片的制作方法 - Google Patents

一种分区域增强的人脸逆光图片的制作方法 Download PDF

Info

Publication number
CN114764927B
CN114764927B CN202011622491.5A CN202011622491A CN114764927B CN 114764927 B CN114764927 B CN 114764927B CN 202011622491 A CN202011622491 A CN 202011622491A CN 114764927 B CN114764927 B CN 114764927B
Authority
CN
China
Prior art keywords
face
image
point
contour
line
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.)
Active
Application number
CN202011622491.5A
Other languages
English (en)
Other versions
CN114764927A (zh
Inventor
马艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Ingenic Technology Co ltd
Original Assignee
Hefei Ingenic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Ingenic Technology Co ltd filed Critical Hefei Ingenic Technology Co ltd
Priority to CN202011622491.5A priority Critical patent/CN114764927B/zh
Publication of CN114764927A publication Critical patent/CN114764927A/zh
Application granted granted Critical
Publication of CN114764927B publication Critical patent/CN114764927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种分区域增强的人脸逆光图片的制作方法，包括：S1，确定区域分界线：S1.1，人脸轮廓点检测；S1.2，确定人脸区域分界线；S1.3，确定人脸区域掩模；S2，构造渐变函数，生成渐变权重系数矩阵；S2.1构造渐变函数；S2.2生成渐变权重系数矩阵；S3，人脸分区域增强及合成：S3.1，人脸增强；S3.2，人脸合成。对一张正常光照的人脸图像，检测出人脸特征区域及其区域轮廓线，然后对轮廓线内的特征区域进行不均匀亮度增强，对轮廓外的环境进行过曝光增强，最后拼接两部分增强图像合成一张人脸逆光图像。对同一图像进行不均匀亮度增强，不会因变换导致人脸扭曲等问题。

Description

一种分区域增强的人脸逆光图片的制作方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种分区域增强的人脸逆光图片的制作方法。
背景技术
现有的人脸识别技术，其本质上是建立一个人脸识别模型，基于该模型提取人脸部的特征向量，通过将新图片(“新人物”)和语料库中的特征向量进行匹配，从而判断“新人物”身份信息。基于深度学习的人脸识别模型，需要大量的人脸数据集来不断训练模型，从而使模型提取的特征向量能更好的表征人脸特征。而且训练人脸识别模型的数据集不仅要求体量大，还需要提供准确的标签，并可以兼容各种应用场景(即非限制场景下的人脸图片)。
限制场景是指某一特定环境(差不多的背景，差不多的光照)，比如一个证件照的数据集就是在基本相同的环境下采集的。而非限制场景则与之相反，是指不限制某一特定场景。因此，为了使模型具有更好的识别泛化能力，训练集中的场景需要多样化。常规的训练集增强方法一般包括：图像(亮度、色度、饱和度)增强，图像翻转、旋转、缩放、裁剪、平移，添加高斯噪声等；这些数据增强方法一方面增加了训练的数据量，提高了模型的泛化能力；另一方面增加了噪声数据，提升了模型的鲁棒性。
然而，目前网络上公开的大型人脸训练集基本没有或包括很少逆光环境下采集的人脸，而且通过常规的数据增强无法产生逆光环境下采集的人脸图像效果，如果单纯依靠人力采集逆光人脸数据集，将耗费大量人力财力。
如果对一张正常光照的人脸图像抠出人脸，替换逆光背景人脸，然后合成一张人脸逆光图像。这种方法要求人脸基本角度保持一致(例如：同为正脸或侧脸)，否则脸部会因为透视或单应性变换而出现扭曲变形。
发明内容
为了解决上述问题，本方法的目的在于：对一张正常光照的人脸图像，检测出人脸特征区域及其区域轮廓线，然后对轮廓线内的特征区域进行不均匀亮度增强，对轮廓外的环境进行过曝光增强，最后拼接两部分增强图像合成一张人脸逆光图像。对同一图像进行不均匀亮度增强，不会因变换导致人脸扭曲等问题。
具体地，本发明提供一种分区域增强的人脸逆光图片的制作方法，所述方法包括以下步骤：
S1，确定区域分界线：
S1.1，人脸轮廓点检测：
将人脸图像送入人脸检测模型，检测出人脸轮廓点；
S1.2，确定人脸区域分界线：
创建一个与人脸图像相同大小的全黑图像模板M，在该模板上按上述步骤S1.1中检测的人脸最外围的轮廓点进行逐点连接，具体的连接顺序为：
(1)先分段将各个外围特征部分逐点连接成折线；
(2)再将曲折连线的端点进行连接，这样就形成了一个闭合的人脸轮廓线line，可使用现有的FindContours算法找到line上的所有点坐标，设l(x,y)∈line为轮廓线上的所有坐标点；
S1.3，确定人脸区域掩模：
对轮廓线line内区域使用洪水填充法，填充像素255，即可获得人脸区域掩模Mask；
S2，构造渐变函数，生成渐变权重系数矩阵；
S2.1构造渐变函数，如公式1所示，
其中i,j表示图像上任何一点的坐标，以左上角为坐标原点，d表示图像上任何一点到图像中心点的距离，R表示图像的半径；
假设图像的高为H宽为W，则图像中心为那么R，d的计算方法如公式2，3所示；
S2.2生成渐变权重系数矩阵：
逆光背景一般亮度很亮，而人脸趋于一般亮度偏暗，故在渐变函数基础上根据要求作相应改动，如公式4所示，其中dl的计算方法如公式4所示，表示中心点不再是中心某一点，而是轮廓线，距离轮廓线越近，权重系数越大，反之亦然；
其中I(i,j)表示图像上任何一点的坐标，l(x,y)为轮廓线上点的坐标；
S3，人脸分区域增强及合成：
S3.1，人脸增强：
按照人脸轮廓线，将图像划分为背景和人脸两个区域，分别设为B和F；
对B和F分别进行渐变权重系数的增强；
S3.2，人脸合成：
将各分区增强结果相加，结果为人脸合成结果。
所述步骤S1.1中，将正常人脸图像送入人脸检测模型，检测出人脸轮廓点采用72点人脸特征点检测模型检测出人脸的轮廓点，p0～p71具体分布为：脸部边缘p0～p12，左眼p13～p21，左眉p22～p29，右眼p30～p38，右眉p39～p46，鼻p47～p57，上嘴唇的上边界p58～p62，下嘴唇的下边界p63～p65，上嘴唇的下边界p66～p68，下嘴唇的上边界p69～p71。
所述步骤S1.2中，最外围的轮廓为脸部边缘以及左右眉毛上半部分的区域。
所述步骤S1.2的
(1)中连接成折线具体为：脸部边缘折线左边眉毛上边缘折线右边眉毛上边缘折线/>
(2)中三个曲折连线具体为：左脸边缘端点与左眉折线左端点连接左眉折线右端点与右眉折线左端点连接/>右脸边缘端点与右眉折线右端点连接
所述步骤S3.1中所述的渐变权重系数的增强，如公式6、7所示；
其中，要求σb≤0.1，σf≥5；可根据具体效果调试参数σb、σf。
所述步骤S3.2中各分区增强结果相加，如公式8所示；
Fmix＝Mask*Faug+(1-Mask)*Baug 公式8
其中，Fmix为人脸合成结果。
由此，本申请的优势在于：
1.对同一张图像进行分区域亮度增强，不会导致人脸扭曲变形的问题；
2.渐变系数矩阵，可产生图像光照或亮或暗的平稳过渡。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
图1是本发明方法的流程示意图。
图2是人脸特征点及人脸轮廓线示意图。
图3是本发明方法实现的示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容及优点，现结合附图对本发明进行进一步的详细说明。
如图1所示，本发明涉及一种分区域增强的人脸逆光图片的制作方法，所述方法包括以下步骤：
S1，确定区域分界线：
S1.1，人脸轮廓点检测：
将人脸图像送入人脸检测模型，检测出人脸轮廓点；
S1.2，确定人脸区域分界线：
创建一个与人脸图像相同大小的全黑图像模板M，在该模板上按上述步骤S1.1中检测的人脸最外围的轮廓点进行逐点连接，具体的连接顺序为：
(1)先分段将各个外围特征部分逐点连接成折线；
(2)再将曲折连线的端点进行连接，这样就形成了一个闭合的人脸轮廓线line，可使用现有的FindContours算法找到line上的所有点坐标，设l(x,y)∈line为轮廓线上的所有坐标点；
S1.3，确定人脸区域掩模：
对轮廓线line内区域使用洪水填充法，填充像素255，即可获得人脸区域掩模Mask；
S2，构造渐变函数，生成渐变权重系数矩阵；
S2.1构造渐变函数，如公式1所示，
其中i,j表示图像上任何一点的坐标，以左上角为坐标原点，d表示图像上任何一点到图像中心点的距离，R表示图像的半径；
假设图像的高为H宽为W，则图像中心为那么R，d的计算方法如公式2，3所示；
S2.2生成渐变权重系数矩阵：
逆光背景一般亮度很亮，而人脸趋于一般亮度偏暗，故在渐变函数基础上根据要求作相应改动，如公式4所示，其中dl的计算方法如公式4所示，表示中心点不再是中心某一点，而是轮廓线，距离轮廓线越近，权重系数越大，反之亦然；
其中I(i,j)表示图像上任何一点的坐标，l(x,y)为轮廓线上点的坐标；
S3，人脸分区域增强及合成：
S3.1，人脸增强：
按照人脸轮廓线，将图像划分为背景和人脸两个区域，分别设为B和F；
对B和F分别进行渐变权重系数的增强；
S3.2，人脸合成：
将各分区增强结果相加，结果为人脸合成结果。
具体地，图3为该方法实现示意图，现将该方法的具体实施步骤陈述如下：
步骤S1.确定区域分界线
S1.1人脸轮廓点检测
将人脸图像送入人脸检测模型，检测出人脸轮廓点；其中附图2为采用72点人脸特征点检测模型检测出人脸的轮廓点，p0～p71具体分布为：脸部边缘p0～p12，左眼p13～p21，左眉p22～p29，右眼p30～p38，右眉p39～p46，鼻p47～p57，上嘴唇的上边界p58～p62，下嘴唇的下边界p63～p65，上嘴唇的下边界p66～p68，下嘴唇的上边界p69～p71。将正常人脸图像送入人脸检测模型，检测出人脸轮廓点；
S1.2确定人脸区域分界线
创建一个与人脸图像相同大小的全黑图像模板M，在该模板上按上述步骤S1.1中检测的人脸最外围的轮廓点(脸部边缘以及左右眉毛上半部分)进行逐点连接，具体的连接顺序为：
(1)先分段将各个外围特征部分逐点连接成折线：脸部边缘折线左边眉毛上边缘折线/>右边眉毛上边缘折线/>
(2)再将三个曲折连线的端点进行连接：左脸边缘端点与左眉折线左端点连接左眉折线右端点与右眉折线左端点连接/>右脸边缘端点与右眉折线右端点连接/>这样就形成了一个闭合的人脸轮廓线line(如附图1中人脸轮廓线所示)，可使用现有的FindContours算法找到line上的所有点坐标，设l(x,y)∈line为轮廓线上的所有坐标点。
S1.3确定人脸区域掩模
对轮廓线line内区域使用洪水填充法，填充像素255，即可获得人脸区域掩模Mask；
步骤S2.构造渐变函数，生成渐变权重系数矩阵
S2.1构造渐变函数，如公式1所示，
其中i,j表示图像上任何一点的坐标，以左上角为坐标原点，d表示图像上任何一点到图像中心点的距离，R表示图像的半径。假设图像的高为H宽为W，则图像中心为那么R，d的计算方法如公式2，3所示；
S2.2生成渐变权重系数矩阵
逆光背景一般亮度很亮，而人脸趋于一般亮度偏暗，故在渐变函数基础上根据要求作相应改动，如公式4所示，其中dl的计算方法如公式4所示，表示中心点不再是中心某一点，而是轮廓线，距离轮廓线越近，权重系数越大，反之亦然；
其中I(i,j)表示图像上任何一点的坐标，l(x,y)为轮廓线上点的坐标；
步骤S3.人脸分区域增强及合成
S3.1人脸增强
按照人脸轮廓线，将图像划分为背景和人脸两个区域，分别设为B和F；对B和F分别进行渐变权重系数的增强，如公式6、7所示；
其中，要求σb≤0.1，σf≥5；可根据具体效果调试参数σb、σf。
S3.2人脸合成
将各分区增强结果相加，如公式8所示；
Fmix＝Mask*Faug+(1-Mask)*Baug 公式8
其中，Fmix为人脸合成结果。
此外，所述的FindContours算法：findContours函数原型：findContours(InputOutputArray image,
OutputArrayOfArrays contours,
OutputArray hierarchy,
int mode,
int method,
Point offset＝Point())；
其中，第一个参数：image，单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边；
第二个参数：contours，定义为“vector<vector<Point>>contours”，是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。
有多少轮廓，向量contours就有多少元素。
第三个参数：hierarchy，定义为“vector<Vec4i>hierarchy”，先来看一下Vec4i的定义：typedef Vec<int,4>Vec4i；
Vec4i是Vec<int,4>的别名，定义了一个“向量内每一个元素包含了4个int型变量”的向量。所以从定义上看，hierarchy也是一个向量，向量内每个元素保存了一个包含4个int整型的数组。向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0]～hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0]～hierarchy[i][3]的相应位被设置为默认值-1。
第四个参数：int型的mode，定义轮廓的检索模式：
取值一：CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略；
取值二：CV_RETR_LIST检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1；取值三：CV_RETR_CCOMP检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层；
取值四：CV_RETR_TREE，检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。
第五个参数：int型的method，定义轮廓的近似方法：
取值一：CV_CHAIN_APPROX_NONE保存物体边界上所有连续的轮廓点到contours向量内；
取值二：CV_CHAIN_APPROX_SIMPLE仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留；
取值三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain近似算法；
第六个参数：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值。
所述洪水填充(Flood fill)算法：从一个起始节点开始把附近与其连通的节点提取出或填充成不同颜色颜色，直到封闭区域内的所有节点都被处理过为止，是从一个区域中提取若干个连通的点与其他相邻区域区分开(或分别染成不同颜色)的经典算法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种分区域增强的人脸逆光图片的制作方法，其特征在于，所述方法包括以下步骤：
S1，确定区域分界线：
S1.1，人脸轮廓点检测：
将人脸图像送入人脸检测模型，检测出人脸轮廓点；
S1.2，确定人脸区域分界线：
创建一个与人脸图像相同大小的全黑图像模板M，在该模板上按上述步骤S1.1中检测的人脸最外围的轮廓点进行逐点连接，具体的连接顺序为：
(1)先分段将各个外围特征部分逐点连接成折线；
(2)再将曲折连线的端点进行连接，这样就形成了一个闭合的人脸轮廓线line，可使用现有的FindContours算法找到line上的所有点坐标，设l(x,y)∈line为轮廓线上的所有坐标点；
S1.3，确定人脸区域掩模：
对轮廓线line内区域使用洪水填充法，填充像素255，即可获得人脸区域掩模Mask；
S2，构造渐变函数，生成渐变权重系数矩阵；
S2.1构造渐变函数，如公式1所示，
其中i,j表示图像上任何一点的坐标，以左上角为坐标原点，d表示图像上任何一点到图像中心点的距离，R表示图像的半径；
假设图像的高为H宽为W，则图像中心为那么R，d的计算方法如公式2、3所示；
S2.2生成渐变权重系数矩阵：
逆光背景一般亮度很亮，而人脸趋于一般亮度偏暗，故在渐变函数基础上根据要求作相应改动，如公式4所示，其中dl的计算方法如公式4所示，表示中心点不再是中心某一点，而是轮廓线，距离轮廓线越近，权重系数越大，反之亦然；
其中I(i,j)表示图像上任何一点的坐标，l(x,y)为轮廓线上点的坐标；S3，人脸分区域增强及合成：
S3.1，人脸增强：
按照人脸轮廓线，将图像划分为背景和人脸两个区域，分别设为B和F；对B和F分别进行渐变权重系数的增强；
S3.2，人脸合成：
将各分区增强结果相加，结果为人脸合成结果。
2.根据权利要求1所述的一种分区域增强的人脸逆光图片的制作方法，其特征在于，所述步骤S1.1中，将正常人脸图像送入人脸检测模型，检测出人脸轮廓点采用72点人脸特征点检测模型检测出人脸的轮廓点，p0～p71具体分布为：脸部边缘p0～p12，左眼p13～p21，左眉p22～p29，右眼p30～p38，右眉p39～p46，鼻p47～p57，上嘴唇的上边界p58～p62，下嘴唇的下边界p63～p65，上嘴唇的下边界p66～p68，下嘴唇的上边界p69～p71。
3.根据权利要求1所述的一种分区域增强的人脸逆光图片的制作方法，其特征在于，所述步骤S1.2中，最外围的轮廓为脸部边缘以及左右眉毛上半部分的区域。
4.根据权利要求1所述的一种分区域增强的人脸逆光图片的制作方法，其特征在于，所述步骤S1.2的
(1)中连接成折线具体为：脸部边缘折线左边眉毛上边缘折线右边眉毛上边缘折线/>
(2)中三个曲折连线具体为：左脸边缘端点与左眉折线左端点连接左眉折线右端点与右眉折线左端点连接/>右脸边缘端点与右眉折线右端点连接/>
5.根据权利要求1所述的一种分区域增强的人脸逆光图片的制作方法，其特征在于，所述步骤S3.1中所述的渐变权重系数的增强，如公式6、7所示；
其中，要求σb≤0.1，σf≥5；可根据具体效果调试参数σb、σf。
6.根据权利要求5所述的一种分区域增强的人脸逆光图片的制作方法，其特征在于，所述步骤S3.2中各分区增强结果相加，如公式8所示；
Fmix＝Mask*Faug+(1-Mask)*Baug 公式8
其中，Fmix为人脸合成结果。
CN202011622491.5A 2020-12-31 2020-12-31 一种分区域增强的人脸逆光图片的制作方法 Active CN114764927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011622491.5A CN114764927B (zh) 2020-12-31 2020-12-31 一种分区域增强的人脸逆光图片的制作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011622491.5A CN114764927B (zh) 2020-12-31 2020-12-31 一种分区域增强的人脸逆光图片的制作方法

Publications (2)

Publication Number Publication Date
CN114764927A CN114764927A (zh) 2022-07-19
CN114764927B true CN114764927B (zh) 2024-05-28

Family

ID=82363497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011622491.5A Active CN114764927B (zh) 2020-12-31 2020-12-31 一种分区域增强的人脸逆光图片的制作方法

Country Status (1)

Country Link
CN (1) CN114764927B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362972B (zh) * 2023-05-22 2023-08-08 飞狐信息技术（天津）有限公司 图像处理方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156730A (zh) * 2016-06-30 2016-11-23 腾讯科技（深圳）有限公司 一种人脸图像的合成方法和装置
CN107103265A (zh) * 2016-02-19 2017-08-29 合肥君正科技有限公司 一种评估人脸检测算法的方法及装置
CN108875594A (zh) * 2018-05-28 2018-11-23 腾讯科技（深圳）有限公司 一种人脸图像的处理方法、装置以及存储介质
WO2019011147A1 (zh) * 2017-07-10 2019-01-17 Oppo广东移动通信有限公司 逆光场景的人脸区域处理方法和装置
WO2019051683A1 (zh) * 2017-09-13 2019-03-21 深圳传音通讯有限公司 补光拍照方法、移动终端及计算机可读存储介质
CN109918993A (zh) * 2019-01-09 2019-06-21 杭州中威电子股份有限公司 一种基于人脸区域曝光的控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006338377A (ja) * 2005-06-02 2006-12-14 Fujifilm Holdings Corp 画像補正方法および装置並びにプログラム
CN106919911A (zh) * 2008-07-30 2017-07-04 快图有限公司 使用脸部检测的自动脸部和皮肤修饰

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103265A (zh) * 2016-02-19 2017-08-29 合肥君正科技有限公司 一种评估人脸检测算法的方法及装置
CN106156730A (zh) * 2016-06-30 2016-11-23 腾讯科技（深圳）有限公司 一种人脸图像的合成方法和装置
WO2019011147A1 (zh) * 2017-07-10 2019-01-17 Oppo广东移动通信有限公司 逆光场景的人脸区域处理方法和装置
WO2019051683A1 (zh) * 2017-09-13 2019-03-21 深圳传音通讯有限公司 补光拍照方法、移动终端及计算机可读存储介质
CN108875594A (zh) * 2018-05-28 2018-11-23 腾讯科技（深圳）有限公司 一种人脸图像的处理方法、装置以及存储介质
CN109918993A (zh) * 2019-01-09 2019-06-21 杭州中威电子股份有限公司 一种基于人脸区域曝光的控制方法

Also Published As

Publication number Publication date
CN114764927A (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN103914699B (zh) 一种基于色彩空间的自动唇彩的图像增强的方法
CN1475969B (zh) 用于增强人像图像的方法和系统
CN111046763B (zh) 一种人像卡通化的方法和装置
CN108932493B (zh) 一种面部皮肤质量评价方法
CN106991462B (zh) 三维码生成方法
CN111667400B (zh) 一种基于无监督学习的人脸轮廓特征风格化生成方法
CN103093203B (zh) 一种人体再识别方法以及人体再识别系统
CN110853119B (zh) 一种鲁棒的基于参考图片的妆容迁移方法
CN108596197A (zh) 一种印章匹配方法及装置
CN112884637A (zh) 特效生成方法、装置、设备及存储介质
CN116583878A (zh) 用于个性化3d头部模型变形的方法和系统
CN111445384A (zh) 一种通用人像照片漫画风格化方法
JP2014016688A (ja) 顕著性マップを利用した非写実変換プログラム、装置及び方法
CN113379764A (zh) 一种基于域对抗自监督学习的病理图像分割方法
CN114764927B (zh) 一种分区域增强的人脸逆光图片的制作方法
CN108596992B (zh) 一种快速实时的唇彩化妆方法
CN114359030B (zh) 一种人脸逆光图片的合成方法
US6674907B1 (en) Color image quantization using a hierarchical color perception model
CN111080754B (zh) 一种头部肢体特征点连线的人物动画制作方法及装置
CN110298365B (zh) 一种基于人眼视觉的主题色提取方法
JP3923243B2 (ja) カラー文書画像からの文字抽出方法
Kehtarnavaz et al. Color image segmentation using multi-scale clustering
CN109300170B (zh) 肖像照片光影传递方法
KR20010084996A (ko) 단일 이미지를 이용한 3차원 아바타 제작 방법 및 이를이용한 자판기
CN110020986A (zh) 基于欧氏子空间群两重映射的单帧图像超分辨率重建方法

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