CN115205943A - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115205943A CN115205943A CN202210867291.9A CN202210867291A CN115205943A CN 115205943 A CN115205943 A CN 115205943A CN 202210867291 A CN202210867291 A CN 202210867291A CN 115205943 A CN115205943 A CN 115205943A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- target
- ratio
- rectangular frame
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Abstract
本实施例涉及人工智能技术领域,尤其涉及一种图像处理方法、装置、电子设备及存储介质。图像处理方法包括:获取目标对象的原始人脸图像;其中,原始人脸图像包括边界信息;根据原始人脸图像获取目标对象的人脸轮廓信息;根据人脸下顶点信息和边界信息得到采样区域;对采样区域进行肌肤识别,得到肌肤裸露区域;根据肌肤裸露区域和采样区域,计算肌肤裸露区域的占比值;若占比值大于预设值,则对采样区域进行预处理,得到目标人脸图像;其中,预处理包括以下其中一种:遮挡处理、剪切处理、填充处理。本申请实施例能够对原始人脸图像进行预处理,得到用于进行人脸识别的目标人脸图像,从而实现对目标对象的隐私保护。
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、装置、电子设备及存储介质。
背景技术
目前,人脸识别功能被广泛的应用于各类需要进行身份验证的场景,例如:金融场景、安防场景等。
相关技术中,对用户进行人脸图像采集时,除采集得到用户的人脸信息以外,还会获取用户的肢体信息等其他信息,从而对用户的隐私安全造成影响。
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、装置、电子设备及存储介质,能够对原始人脸图像进行预处理,得到用于进行人脸识别的目标人脸图像,从而实现对目标对象的隐私保护。
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方法,所述方法包括:
获取目标对象的原始人脸图像;其中,所述原始人脸图像包括边界信息;
根据所述原始人脸图像获取所述目标对象的人脸轮廓信息;其中,所述人脸轮廓信息包括用于表征人脸下巴的人脸下顶点信息;
根据所述人脸下顶点信息和所述边界信息得到采样区域;
对所述采样区域进行肌肤识别,得到肌肤裸露区域;
根据所述肌肤裸露区域和所述采样区域,计算所述肌肤裸露区域的占比值;
若所述占比值大于预设值,则对所述采样区域进行预处理,得到目标人脸图像;其中,所述预处理包括以下其中一种:遮挡处理、剪切处理、填充处理。
在一些实施例中,所述预处理包括所述遮挡处理;
所述对所述采样区域进行预处理,得到目标人脸图像,包括:
根据所述人脸轮廓信息构建人脸区域矩形框;
获取所述人脸区域矩形框的目标尺寸信息;
根据所述目标尺寸信息对预设的初始识别矩形框进行缩放处理,得到目标识别矩形框;其中,所述初始识别矩形框包括初始遮挡图像;
获取所述目标识别矩形框的缩放比例;
根据所述缩放比例和所述初始遮挡图像对所述采样区域进行所述遮挡处理,得到所述目标人脸图像。
在一些实施例中,所述目标尺寸信息包括第一长度和第一宽度;其中,所述第一宽度用于表征所述人脸区域矩形框在第一方向的尺寸值,所述第一长度用于表征所述人脸区域矩形框在第二方向的尺寸值,所述第一方向与所述第二方向垂直;
所述根据所述目标尺寸信息对预设的初始识别矩形框进行缩放处理,得到目标识别矩形框,包括:
获取所述初始识别矩形框的第二长度和第二宽度;其中,所述第二宽度用于表征所述初始识别矩形框在所述第一方向的尺寸值,所述第二长度用于表征所述初始识别矩形框在所述第一方向的尺寸值;
计算所述第二长度与所述第一长度之间的比值得到第一比值,并计算所述第二宽度与所述第一宽度之间的比值得到第二比值;
根据所述第一比值和所述第二比值得到缩放比例;
根据所述缩放比例对所述初始识别矩形框进行缩放处理,得到所述目标识别矩形框。
在一些实施例中,所述根据所述第一比值和所述第二比值得到缩放比例,包括:
若所述第一比值大于所述第二比值,则将所述第一比值作为所述缩放比例;
若所述第一比值小于所述第二比值,则将所述第二比值的倒数作为所述缩放比例。
在一些实施例中,所述根据所述缩放比例和所述初始遮挡图像对所述采样区域进行遮挡处理,得到所述目标人脸图像,包括:
获取所述人脸区域矩形框的第一坐标;
获取所述目标识别矩形框的第二坐标;
根据所述第一坐标和所述第二坐标得到移动数据;
根据所述移动数据、所述缩放比例和所述初始遮挡图像对所述采样区域进行所述遮挡处理,得到所述目标人脸图像。
在一些实施例中,所述预处理包括所述剪切处理;
所述对所述采样区域进行预处理,得到目标人脸图像,包括:
获取所述采样区域的第三坐标、所述采样区域的第三长度、所述采样区域的第三宽度;其中,所述第三宽度用于表征所述采样区域在第一方向的尺寸值,所述第三长度用于表征所述采样区域在第二方向的尺寸值,所述第一方向与所述第二方向垂直;
根据所述第三坐标、所述第三长度、所述第三宽度对所述采样区域进行所述剪切处理,得到所述目标人脸图像。
在一些实施例中,所述预处理包括所述填充处理;
所述对所述采样区域进行预处理,得到目标人脸图像,包括:
获取预设图像;其中,所述预设图像包括动态图像或者静态图像;
根据所述预设图像对所述采样区域的整体区域进行所述填充处理,得到所述目标人脸图像。
为实现上述目的,本申请实施例的第二方面提出了一种图像处理装置,所述装置包括:
图像获取模块,用于获取目标对象的原始人脸图像;其中,所述原始人脸图像包括边界信息;
采样区域确定模块,用于根据所述人脸图像获取所述目标对象的人脸轮廓信息;其中,所述人脸轮廓信息包括用于表征人脸下巴的人脸下顶点信息;根据所述人脸下顶点信息和所述边界信息得到采样区域;
计算模块,用于对所述采样区域进行肌肤识别,得到肌肤裸露区域;根据所述肌肤裸露区域和所述采样区域,计算所述肌肤裸露区域的占比值;
预处理模块,用于若所述占比值大于预设值,则对所述采样区域进行预处理,得到目标人脸图像;其中,所述预处理包括以下其中一种:遮挡处理、剪切处理、填充处理。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,包括:
至少一个存储器;
至少一个处理器;
至少一个计算机程序;
所述计算机程序被存储在所述存储器中,处理器执行所述至少一个计算机程序以实现:
如第一方面所述的图像处理方法。
为实现上述目的,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,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行:
如第一方面所述的图像处理方法。
本申请实施例提供的图像处理方法、装置、电子设备及存储介质,通过原始人脸图像中目标对象的人脸轮廓信息和原始人脸图像的边界信息确定采样区域,根据对该采样区域进行肌肤识别,判断采样区域是否包括裸露肌肤。当采样区域包括裸露肌肤,并且肌肤裸露区域与采样区域的占比值大于预设值时,判定原始人脸图像中除目标对象的脸部以外,还包括较多的裸露肢体。此时,若直接根据原始人脸图像进行人脸识别,将会存在隐私泄露风险。因此,本申请实施例提供的电子设备,当确定肌肤裸露区域与采样区域的占比值大于预设值时,对采样区域进行遮挡处理、剪切处理、填充处理等任一种预处理。将预处理后的原始人脸图像作为用于进行人脸识别的目标人脸图像,从而在不影响人脸识别准确性的基础上,实现了对目标对象的隐私保护。
附图说明
图1是本申请实施例图像处理方法的一流程示意图;
图2是本申请实施例原始人脸图像的一示意图;
图3是本申请实施例原始人脸图像的另一示意图;
图4是本申请实施例图像处理方法的另一流程示意图;
图5是本申请实施例原始人脸图像的另一示意图;
图6是本申请实施例初始识别矩形框和初始遮挡图像的一示意图;
图7是本申请实施例目标人脸图像的一示意图;
图8是本申请实施例图像处理方法的另一流程示意图;
图9a是本申请实施例对初始识别矩形框进行缩放处理的一示意图;
图9b是本申请实施例对初始识别矩形框进行缩放处理的另一示意图;
图10是本申请实施例图像处理方法的另一流程示意图;
图11是本申请实施例图像处理方法的另一流程示意图;
图12是本申请实施例原始人脸图像的另一示意图;
图13是本申请实施例图像处理方法的另一流程示意图;
图14是本申请实施例图像处理方法的另一流程示意图;
图15是本申请实施例图像处理装置的一示意图;
图16是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、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”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申请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申请实施例的目的,不是旨在限制本申请。
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做出反应的智能机器,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。
人脸识别:是基于人的脸部特征信息进行身份识别的一种生物识别技术。通过摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术。人脸识别也被称为人像识别、面部识别。人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来,它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提。与其他类型的生物识别比较,人脸识别具有如下特点:非强制性,用户不需要专门配合人脸采集设备,可以在无意识的状态下获取人脸图像;非接触性,用户无需与设备直接接触,设备即可实现对人脸图像的采集;并发性,在实际应用场景中,可以对多个人脸图像进行分拣、判断及识别。人脸识别技术主要包括如下四个部分:人脸图像采集及检测、人脸图像预处理、人脸图像特征提取、匹配与识别。
针对人脸图像采集及检测部分,人脸图像采集是指通过包含摄像模组的采集设备,对不同的人脸图像进行采集,包括静态图像、动态图像,以及不同位置、不同表情等的图像。当用户在采集设备的拍摄范围内时,采集设备会自动搜索并进行拍摄。人脸检测在实际中主要用于人脸识别的预处理,即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富,如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这些特征中有用的信息挑选出来,并利用这些特征实现人脸检测。针对人脸图像预处理部分,是基于人脸检测结果对图像进行处理,并最终服务于特征提取的过程。采集设备获取的原始人脸图像由于受到各种条件的限制和随机干扰,往往不能直接使用,因此必须在图像处理的早期阶段对原始人脸图像进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言,其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。针对人脸图像特征提取部分,人脸识别技术可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取,也称人脸表征,是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类:一种是基于知识的表征方法;另一种是基于代数特征或统计学习的表征方法。基于知识的表征方法主要是根据人脸器官的形状描述以及它们之间的距离特性来获得有助于人脸分类的特征数据,其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成,对这些局部和它们之间结构关系的几何描述,可作为识别人脸的重要特征,这些特征被称为几何特征。针对图像匹配与识别部分,提取的人脸图像的特征数据与数据库中存储的特征模块进行搜索匹配,通过设定一个阈值,若相似度超过这一阈值,则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较,根据相似程度对人脸的身份信息进行判断。对人脸的身份信息进行判断的过程又可分为两类:一类是确认,即一对一进行图像比对的过程;另一类是辨认,即一对多进行图像匹配对比的过程。
人脸对齐(Face Alignment):也被称为人脸关键点定位(Face Landmark),用于在人脸检测的基础上找到眉毛、眼睛、鼻子、嘴巴、人脸轮廓等的位置。人脸对齐最少用于定位五个人脸关键点(包括两只眼睛瞳孔中心点、鼻尖、左右嘴角),但常见的定位方式为六十八个关键点。
肤色检测:是在图像中选取对应于人体皮肤像素的过程。肤色检测的应用包括人脸检测与识别、表情识别、手势识别、基于部分内容的图像与视频检索、肌体检测等。根据是否涉及成像过程,肤色检测方法包括基于统计的方法和基于物理的方法。其中,基于统计的肤色检测通过建立肤色统计模型进行肤色检测,主要包括颜色空间变换和肤色建模两个步骤。基于物理的方法则是在肤色检测中引入光照与皮肤间的相互作用,通过研究肤色反射模型和光谱特性进行肤色检测。
目前,人脸识别功能被广泛的应用于各类需要进行身份验证的场景,例如:金融场景、安防场景等。
相关技术中,对用户进行人脸图像采集时,除采集得到用户的人脸信息以外,还会获取用户的肢体信息等其他信息,从而对用户的隐私安全造成影响。
基于此,本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质,能够对人脸图像中的肌肤裸露区域进行预处理,从而实现对用户的隐私保护。
本申请实施例提供的图像处理方法、装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的图像处理方法。
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。
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。
本申请实施例提供的图像处理方法,涉及人工智能技术领域,尤其涉及图像处理技术领域。本申请实施例提供的图像处理方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等;服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现图像处理方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用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、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。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。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户坐标信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关国家和地区的相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
参照图1,本申请实施例提供了一种图像处理方法,该图像处理方法包括但不限于有步骤S110至步骤S160。
S110、获取目标对象的原始人脸图像;其中,原始人脸图像包括边界信息;
可以理解的是,目标对象为需根据人脸识别结果才能进行对应操作的用户,例如,当将人脸识别技术应用于金融领域时,目标对象为人脸识别结果表示认证通过才能进行对应金融操作(包括资金交易、保险认购等操作)的用户。获取通过采集设备采集得到的原始人脸图像,该原始人脸图像包括边界信息。其中,边界信息包括原始人脸图像的边界尺寸信息、原始人脸图像的边界坐标信息等。可以理解的是,所获取的原始人脸图像应为能够进行人脸识别的图像,即原始人脸图像应包含人脸识别所需的人脸特征。其次,根据处理精度需求,原始人脸图像可以为经过光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波、锐化等处理的图像,或为未经过上述处理的图像,对此本申请实施例不作具体限定。
S120、根据原始人脸图像获取目标对象的人脸轮廓信息;其中,人脸轮廓信息包括用于表征人脸下巴的人脸下顶点信息;
可以理解的是,对原始人脸图像中目标对象的脸部进行人脸关键点提取,以得到用于表征目标对象人脸边缘几何信息的人脸轮廓信息。例如,参照图2,根据人脸对齐方法获取关键点A、关键点B、关键点C和关键点D。其中,关键点A用于表征目标对象的下巴;关键点B和关键点C用于分别表征目标对象的头部左侧凸出点和头部右侧凸出点;关键点D用于表征目标对象头部顶点。或者,通过梯度算子、变换法、基本函数的表面拟合、松弛迭代法、Canny滤波、优化法等边缘提取算法对目标对象的脸部进行边缘识别,从而得到关键点A至关键点D四个关键点。可以理解的是,还可以采用其他方法对原始人脸图像进行人脸轮廓信息提取,上述方法仅为示例性的,本申请实施例对此不作具体限定。
S130、根据人脸下顶点信息和边界信息得到采样区域;
可以理解的是,根据关键点A的人脸下顶点信息和原始人脸图像的边界信息,得到用于确定是否需要对原始人脸图像进行预处理的采样区域,从而实现对原始人脸图像进行隐私保护。参照图3,以采样区域呈矩形为例,人脸下顶点信息包括关键点A的坐标信息,边界信息包括原始人脸图像边界点E的坐标信息,从而根据关键点A的坐标信息和边界点E的坐标信息得到采样区域(如图3中阴影区域)。
可以理解的是,在本申请实施例以及下列各实施例中,坐标信息为以像素坐标系作为目标坐标系的坐标值,或以图像坐标系作为目标坐标系的坐标值,对此本申请实施例不作具体限定。但为了便于说明,在本申请实施例中,均以像素坐标系作为目标坐标系为例进行举例说明。因此,在图3中,假设关键点A的坐标信息为(4,8),原始人脸图像边界点E的坐标信息为(8,10),则可以得到一个在左右方向包括8个像素、上下方向包括2个像素的采样区域。
S140、对采样区域进行肌肤识别,得到肌肤裸露区域;
可以理解的是,对根据上述方法确定的采样区域进行肤色检测,以实现对采样区域中各像素的肌肤识别。其中,将肤色检测结果表示为肌肤颜色的像素作为肌肤裸露像素,根据采样区域中所有肌肤裸露像素确定肌肤裸露区域。
可以理解的是,为了使本申请实施例提供的图像处理方法能够对不同肤色的目标对象的原始人脸图像进行处理,可以先对原始人脸图像进行人脸检测,以确定目标对象的脸部区域。而后,对该脸部区域进行肤色识别,以确定该目标对象肌肤的肤色值范围,进而根据该肤色值范围对采样区域中各像素进行肌肤识别。
S150、根据肌肤裸露区域和采样区域,计算肌肤裸露区域的占比值;
可以理解的是,获取肌肤裸露区域的第一像素个数,以及采样区域的第二像素个数,根据第一像素个数与第二像素个数的比值计算得到肌肤裸露区域占采样区域的占比值。
S160、若占比值大于预设值,则对采样区域进行预处理,得到目标人脸图像;其中,预处理包括以下其中一种:遮挡处理、剪切处理、填充处理。
可以理解的是,将占比值与预设值进行比较,当占比值大于预设值(如假设预设值为50%)时,表明采样区域中肌肤裸露区域占比较大。此时,确定原始人脸图像除包含目标对象的脸部信息以外,在采样区域中还包括较多目标对象的肢体信息。因此,为了保护目标对象的隐私安全,对采样区域进行遮挡处理、剪切处理、填充处理等任一种预处理。将经过上述预处理的原始人脸图像作为目标人脸图像,即在目标人脸图像中,与目标对象个体相关的信息仅包括后续人脸识别时所需的脸部信息。可以理解的是,本申请实施例所描述的肢体信息包括四肢信息和躯干信息。
本申请实施例提供的图像处理方法,通过目标对象的人脸轮廓信息和原始人脸图像的边界信息得到采样区域,通过对采样区域进行肌肤识别确定目标对象肌肤的裸露情况。当通过占比值和预设值确定采样区域包含较多裸露肌肤时,对采样区域进行遮挡处理。将遮挡处理后的原始人脸图像作为后续用于人脸识别的目标人脸图像。由此可知,本申请实施例提供的图像处理方法,避免了相关技术中直接根据原始人脸图像进行人脸识别时造成的隐私泄露问题,实现了对目标对象的隐私保护。并且,本申请实施例提供的图像处理方法是直接对采样设备采样的原始人脸图像进行处理,即处理过程无需与目标对象交互,在一定程度上提升了用户体验。
以下,结合上述各实施例的描述,分别对遮挡处理、剪切处理、填充处理进行说明。
首先,对遮挡处理进行说明。参照图4,在一些实施例中,步骤S160包括但不限于有子步骤S410至子步骤S450。
S410、根据人脸轮廓信息构建人脸区域矩形框;
可以理解的是,根据关键点A、关键点B、关键点C、关键点D构建用于表征目标对象脸部区域范围的人脸区域矩形框。具体地,参照图5,将关键点A、关键点B、关键点C、关键点D分别作为待构建人脸区域矩形框各条边长上的一个像素点,其中,关键点A所在的边长与关键点D所在的边长平行,关键点B所在的边长与关键点C所在的边长平行,从而构建得到人脸区域矩形框100。
S420、获取人脸区域矩形框的目标尺寸信息;
可以理解的是,参照图5,根据关键点A、关键点B、关键点C、关键点D对应的像素坐标,获取人脸区域矩形框的目标尺寸信息。或者,获取该人脸区域矩形框的顶点像素坐标,根据四个顶点像素坐标计算得到该目标尺寸信息。其中,目标尺寸信息包括用于表征长边尺寸值的长度和用于表征宽边尺寸值的宽度。
可以理解的是,在本申请实施例及下列各实施例中,将与第一方向(即图5所示的上下方向)平行的矩形框边长作为宽边,将与第二方向(即图5所示的左右方向)平行的矩形框边长作为长边。
S430、根据目标尺寸信息对预设的初始识别矩形框进行缩放处理,得到目标识别矩形框;其中,初始识别矩形框包括初始遮挡图像;
可以理解的是,参照图6,预设用于对采样区域进行遮挡的初始识别矩形框200,该初始识别矩形框包括初始遮挡图像300。其中,初始遮挡图像300用于进行遮挡处理;初始识别矩形框200用于对初始遮挡图像300进行辅助定位和辅助缩放,即初始遮挡图像300与初始识别矩形框200具有相同的缩放关系和移动关系。根据目标尺寸信息对初始识别矩形框200进行缩放处理,使得人脸区域矩形框在缩放处理后的初始识别矩形框200的框定范围内。将缩放处理后的初始识别矩形框200作为目标识别矩形框。可以理解的是,根据实际需要,可以设置各类样式的初始遮挡图像300,如设置图6所示的西装样式或其他样式,对此本申请实施例不作具体限定。
S440、获取目标识别矩形框的缩放比例;
具体地,对初始识别矩形框进行缩放处理,获取初始识别矩形框刚好框定人脸区域识别框时的缩放比例,以保证目标对象的脸部信息不被初始识别矩形框遮挡,并且初始遮挡图像对采样区域的遮挡效果最大化。
S450、根据缩放比例和初始遮挡图像对采样区域进行遮挡处理,得到目标人脸图像。
具体地,根据初始识别矩形框的缩放比例同时对初始遮挡图像进行缩放处理,以得到目标遮挡图像,根据该目标遮挡图像对采样区域进行遮挡处理(如图7所示)。将遮挡处理后的原始人脸图像作为目标人脸图像,根据该目标人脸图像对目标对象进行人脸识别,从而实现对目标对象在人脸识别操作中的隐私保护。
可以理解的是,对初始识别矩形框的缩放处理,以及对初始遮挡图像的缩放处理均为等比例缩放。
可以理解的是,为了保证后续根据目标人脸图像进行人脸识别时的准确性,可以将目标人脸图像中的目标识别矩形框去除,以避免目标识别矩形框对其他人脸识别特征进行遮挡。
参照图8,在一些实施例中,目标尺寸信息包括第一长度和第一宽度。其中,第一宽度用于表征人脸区域矩形框在第一方向的尺寸值,第一长度用于表征人脸区域矩形框在第二方向的尺寸值,第一方向与第二方向垂直。步骤S430包括但不限于有子步骤S810至子步骤S840。
S810、获取初始识别矩形框的第二长度和第二宽度;其中,第二宽度用于表征初始识别矩形框在第一方向的尺寸值,第二长度用于表征初始识别矩形框在第一方向的尺寸值;
可以理解的是,获取初始识别矩形框的长边尺寸值(即第二长度),以及初始识别矩形框的宽边尺寸值(即第二宽度)。
S820、计算第二长度与第一长度之间的比值得到第一比值,并计算第二宽度与第一宽度之间的比值得到第二比值;
可以理解的是,根据如下式(1)和式(2)分别计算得到第一比值X1和第二比值X2。
X1=c/a......式(1)
X2=b/d......式(2)
其中,a表示第一长度,b表示第一宽度,c表示第二长度,d表示第二宽度。
S830、根据第一比值和第二比值得到缩放比例;
可以理解的是,将第一比值X1与第二比值X2进行比值比对,根据比对结果得到对应的缩放比例。具体地,如图9a和图9b所示,当第一比值X1大于第二比值X2时,表明初始识别矩形框200与人脸识别矩形框100相比,其形状为横宽纵窄(如图9a所示)。此时,初始识别矩形框200将遮挡目标对象脸部区域上下两侧的脸部信息,因此应根据第二长度与第一长度的关系确定缩放比例。当第一比值X1小于第二比值X2时,表明初始识别矩形框200与人脸识别矩形框100相比,其形状为横窄纵宽(如图9b所示)。此时,初始识别矩形框200将遮挡目标对象脸部区域左右两侧的脸部信息,因此应根据第二宽度与第一宽度的关系确定缩放比例。
S840、根据缩放比例对初始识别矩形框进行缩放处理,得到目标识别矩形框。
可以理解的是,根据上述步骤得到的缩放比例对初始识别矩形框进行等比例缩放,以得到目标识别矩形框。
参照图10,在一些实施例中,步骤S830包括但不限于有子步骤S831至子步骤S832。
S831、若第一比值大于第二比值,则将第一比值作为缩放比例;
可以理解的是,参照图9a,当第一比值X1大于第二比值X2时,表明初始识别矩形框200与人脸识别矩形框100相比,其形状为横宽纵窄。此时,初始识别矩形框200将遮挡目标对象脸部区域上下两侧的脸部信息,因此将X1=c/a作为缩放比例。
S832、若第一比值小于第二比值,则将第二比值的倒数作为缩放比例。
可以理解的是,参照图9b,当第一比值X1小于第二比值X2时,表明初始识别矩形框200与人脸识别矩形框100相比,其形状为横窄纵宽。此时,初始识别矩形框200将遮挡目标对象脸部区域左右两侧的脸部信息,因此将第二比值X2的倒数d/b作为缩放比例。
参照图11,在一些实施例中,步骤S450包括但不限于有子步骤S451至子步骤S454。
S451、获取人脸区域矩形框的第一坐标;
可以理解的是,根据人脸区域矩形框的顶点像素坐标,获取用于表征人脸区域矩形框任一条宽边中心点的第一坐标。例如,参照图12,根据人脸区域矩形框100的顶点G和顶点F的像素坐标,得到该人脸区域矩形框100左侧宽边中心点H的第一坐标。
S452、获取目标识别矩形框的第二坐标;
可以理解的是,根据人脸区域矩形框的顶点像素坐标,获取用于表征人脸区域矩形框任一条长边中心点的第二坐标。例如,参照图12,根据人脸区域矩形框100的顶点F和顶点I的像素坐标,得到该人脸区域矩形框100下侧长边中心点J的第二坐标。
S453、根据第一坐标和第二坐标得到移动数据;
可以理解的是,将第一坐标作为目标识别矩形框任一条宽边中心点的第一目标坐标,将第二坐标作为目标识别矩形框任一条长边中心点的第二目标坐标。获取目标识别矩形框的当前坐标(包括对应的宽边中心点的第一当前坐标,以及对应的长边中心点的第二当前坐标),根据第一目标坐标和第一当前坐标得到目标识别矩形框在第一方向上的移动数据,根据第二目标坐标和第二当前坐标得到目标识别矩形框在第二方向上的移动数据。即移动数据(包括第一方向上的移动数据和第二方向上的移动数据)用于表征目标识别矩形框与人脸区域矩形框居中对齐时,目标识别矩形框的移动像素值。
S454、根据移动数据、缩放比例和初始遮挡图像对采样区域进行所述遮挡处理,得到目标人脸图像。
可以理解的是,根据移动数据同时对初始遮挡图像的放置位置进行调整,并通过缩放比例同时对初始遮挡图像进行缩放处理,以得到目标遮挡图像。根据该目标遮挡图像对采样区域进行遮挡处理(如图7所示),从而实现对采样区域的隐私保护。
其次,对剪切处理进行说明。参照图13,在另一些实施例中,步骤S160包括但不限于有子步骤S161至子步骤S162。
S161、获取采样区域的第三坐标、采样区域的第三长度、采样区域的第三宽度;其中,第三宽度用于表征采样区域在第一方向的尺寸值,第三长度用于表征采样区域在第二方向的尺寸值,第一方向与第二方向垂直;
可以理解的是,采样区域为矩形区域。获取采样区域任一条宽边的顶点坐标(即第三坐标),以及采样区域的宽边尺寸值(即第三宽度)、采样区域的长边尺寸值(即第三长度)。
S162、根据第三坐标、第三长度、第三宽度对采样区域进行剪切处理,得到目标人脸图像。
可以理解的是,根据第三坐标、第三长度、第三宽度确定采样区域在原始人脸图像中的位置信息和面积信息,根据位置信息和面积信息对采样区域的整体区域进行剪切处理,以得到用于进行人脸识别的目标人脸图像。
最后,对填充处理进行说明。参照图14,在另一些实施例中,步骤S160包括但不限于有子步骤S163至子步骤S164。
S163、获取预设图像;其中,预设图像包括动态图像或者静态图像;
可以理解的是,获取预先设置的、用于进行填充处理的预设图像。预设图像包括动态图像或者静态图像。其中,动态图像表示随时间流动而改变形态的图像;反之,即为静态图像。例如,静态图像包括黑白棋盘格图像、波纹图像等。动态图像包括能够形成动态模糊效果的图像。
S164、根据预设图像对采样区域的整体区域进行填充处理,得到目标人脸图像。
可以理解的是,根据预设图像对采样区域中的各个像素点进行像素填充,以实现对采样区域的隐私保护。例如,预先获取采样区域的第三长度、第三宽度,以及采样区域所包括的像素点数量,根据第三长度和第三宽度对预设图像进行剪切,并根据像素点数据对预设图像的分辨率进行调整,使得预设图像的尺寸值和像素点个数与采样区域匹配。根据预设图像中的像素点,对采样区域中对应像素坐标的像素点进行像素填充,从而实现对采样区域的填充处理。
本申请实施例提供的图像处理方法,通过原始人脸图像中目标对象的人脸轮廓信息和原始人脸图像的边界信息确定采样区域,根据对该采样区域进行肌肤识别,判断采样区域是否包括裸露肌肤。当采样区域包括裸露肌肤,并且肌肤裸露区域与采样区域的占比值大于预设值时,判定原始人脸图像中除目标对象的脸部以外,还包括较多的裸露肢体。此时,若直接根据原始人脸图像进行人脸识别,将会存在隐私泄露风险。因此,本申请实施例提供的图像处理方法,当确定肌肤裸露区域与采样区域的占比值大于预设值时,对采样区域进行遮挡处理、剪切处理、填充处理等任一种预处理。将预处理后的原始人脸图像作为用于进行人脸识别的目标人脸图像,从而在不影响人脸识别准确性的基础上,实现了对目标对象的隐私保护。
参照图15,本申请实施例还提供了一种图像处理装置。该图像处理装置包括:
图像获取模块1510,用于获取目标对象的原始人脸图像;其中,原始人脸图像包括边界信息;
采样区域确定模块1520,用于根据人脸图像获取目标对象的人脸轮廓信息;其中,人脸轮廓信息包括用于表征人脸下巴的人脸下顶点信息;根据人脸下顶点信息和边界信息得到采样区域;
计算模块1530,用于对采样区域进行肌肤识别,得到肌肤裸露区域;根据肌肤裸露区域和采样区域,计算肌肤裸露区域的占比值;
预处理模块1540,用于若占比值大于预设值,则对采样区域进行预处理,得到目标人脸图像;其中,预处理包括以下其中一种:遮挡处理、剪切处理、填充处理。
本申请实施例提供的图像处理装置,通过原始人脸图像中目标对象的人脸轮廓信息和原始人脸图像的边界信息确定采样区域,根据对该采样区域进行肌肤识别,判断采样区域是否包括裸露肌肤。当采样区域包括裸露肌肤,并且肌肤裸露区域与采样区域的占比值大于预设值时,判定原始人脸图像中除目标对象的脸部以外,还包括较多的裸露肢体。此时,若直接根据原始人脸图像进行人脸识别,将会存在隐私泄露风险。因此,本申请实施例提供的图像处理装置,当确定肌肤裸露区域与采样区域的占比值大于预设值时,对采样区域进行遮挡处理、剪切处理、填充处理等任一种预处理。将预处理后的原始人脸图像作为用于进行人脸识别的目标人脸图像,从而在不影响人脸识别准确性的基础上,实现了对目标对象的隐私保护。
需要说明的是,本申请实施例的图像处理装置与前述的图像处理方法相对应,具体的图像处理步骤请参照前述的图像处理方法,在此不一一赘述。
本申请实施例还提供了一种电子设备,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
程序被存储在存储器中,处理器执行至少一个程序以实现本申请实施上述的图像处理方法。该电子设备可以为包括手机、平板电脑、个人数字助理(Personal DigitalAssistant,PDA)、车载电脑等任意智能终端。
本申请实施例的电子设备,用于执行上述图像处理方法,通过原始人脸图像中目标对象的人脸轮廓信息和原始人脸图像的边界信息确定采样区域,根据对该采样区域进行肌肤识别,判断采样区域是否包括裸露肌肤。当采样区域包括裸露肌肤,并且肌肤裸露区域与采样区域的占比值大于预设值时,判定原始人脸图像中除目标对象的脸部以外,还包括较多的裸露肢体。此时,若直接根据原始人脸图像进行人脸识别,将会存在隐私泄露风险。因此,本申请实施例提供的电子设备,当确定肌肤裸露区域与采样区域的占比值大于预设值时,对采样区域进行遮挡处理、剪切处理、填充处理等任一种预处理。将预处理后的原始人脸图像作为用于进行人脸识别的目标人脸图像,从而在不影响人脸识别准确性的基础上,实现了对目标对象的隐私保护。
下面结合图16对本申请实施例的电子设备进行详细介绍。
如图16,图16示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器1610,可以采用通用的中央处理器(Central Processing Unit,CPU)、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,以实现本公开实施例所提供的技术方案;
存储器1620,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器1620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1620中,并由处理器1610来调用执行本公开实施例的图像处理方法;
输入/输出接口1630,用于实现信息输入及输出;
通信接口1640,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;
总线1650,在设备的各个组件(例如处理器1610、存储器1620、输入/输出接口1630和通信接口1640)之间传输信息;
其中处理器1610、存储器1620、输入/输出接口1630和通信接口1640通过总线1650实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行上述图像处理方法。
本申请实施例的存储介质,用于执行上述图像处理方法,通过原始人脸图像中目标对象的人脸轮廓信息和原始人脸图像的边界信息确定采样区域,根据对该采样区域进行肌肤识别,判断采样区域是否包括裸露肌肤。当采样区域包括裸露肌肤,并且肌肤裸露区域与采样区域的占比值大于预设值时,判定原始人脸图像中除目标对象的脸部以外,还包括较多的裸露肢体。此时,若直接根据原始人脸图像进行人脸识别,将会存在隐私泄露风险。因此,本申请实施例提供的存储介质,当确定肌肤裸露区域与采样区域的占比值大于预设值时,对采样区域进行遮挡处理、剪切处理、填充处理等任一种预处理。将预处理后的原始人脸图像作为用于进行人脸识别的目标人脸图像,从而在不影响人脸识别准确性的基础上,实现了对目标对象的隐私保护。
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。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开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,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本公开实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
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,上文中所公开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,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。
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。
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电子设备(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,ROM)、随机存取存储器(Random Access Memory,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公开实施例的优选实施例,并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本公开实施例的权利范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取目标对象的原始人脸图像;其中,所述原始人脸图像包括边界信息;
根据所述原始人脸图像获取所述目标对象的人脸轮廓信息;其中,所述人脸轮廓信息包括用于表征人脸下巴的人脸下顶点信息;
根据所述人脸下顶点信息和所述边界信息得到采样区域;
对所述采样区域进行肌肤识别,得到肌肤裸露区域;
根据所述肌肤裸露区域和所述采样区域,计算所述肌肤裸露区域的占比值;
若所述占比值大于预设值,则对所述采样区域进行预处理,得到目标人脸图像;其中,所述预处理包括以下其中一种:遮挡处理、剪切处理、填充处理。
2.根据权利要求1所述的图像处理方法,其特征在于,所述预处理包括所述遮挡处理;
所述对所述采样区域进行预处理,得到目标人脸图像,包括:
根据所述人脸轮廓信息构建人脸区域矩形框;
获取所述人脸区域矩形框的目标尺寸信息;
根据所述目标尺寸信息对预设的初始识别矩形框进行缩放处理,得到目标识别矩形框;其中,所述初始识别矩形框包括初始遮挡图像;
获取所述目标识别矩形框的缩放比例;
根据所述缩放比例和所述初始遮挡图像对所述采样区域进行所述遮挡处理,得到所述目标人脸图像。
3.根据权利要求2所述的图像处理方法,其特征在于,所述目标尺寸信息包括第一长度和第一宽度;其中,所述第一宽度用于表征所述人脸区域矩形框在第一方向的尺寸值,所述第一长度用于表征所述人脸区域矩形框在第二方向的尺寸值,所述第一方向与所述第二方向垂直;
所述根据所述目标尺寸信息对预设的初始识别矩形框进行缩放处理,得到目标识别矩形框,包括:
获取所述初始识别矩形框的第二长度和第二宽度;其中,所述第二宽度用于表征所述初始识别矩形框在所述第一方向的尺寸值,所述第二长度用于表征所述初始识别矩形框在所述第一方向的尺寸值;
计算所述第二长度与所述第一长度之间的比值得到第一比值,并计算所述第二宽度与所述第一宽度之间的比值得到第二比值;
根据所述第一比值和所述第二比值得到缩放比例;
根据所述缩放比例对所述初始识别矩形框进行缩放处理,得到所述目标识别矩形框。
4.根据权利要求3所述的图像处理方法,其特征在于,所述根据所述第一比值和所述第二比值得到缩放比例,包括:
若所述第一比值大于所述第二比值,则将所述第一比值作为所述缩放比例;
若所述第一比值小于所述第二比值,则将所述第二比值的倒数作为所述缩放比例。
5.根据权利要求3或4所述的图像处理方法,其特征在于,所述根据所述缩放比例和所述初始遮挡图像对所述采样区域进行遮挡处理,得到所述目标人脸图像,包括:
获取所述人脸区域矩形框的第一坐标;
获取所述目标识别矩形框的第二坐标;
根据所述第一坐标和所述第二坐标得到移动数据;
根据所述移动数据、所述缩放比例和所述初始遮挡图像对所述采样区域进行所述遮挡处理,得到所述目标人脸图像。
6.根据权利要求1所述的图像处理方法,其特征在于,所述预处理包括所述剪切处理;
所述对所述采样区域进行预处理,得到目标人脸图像,包括:
获取所述采样区域的第三坐标、所述采样区域的第三长度、所述采样区域的第三宽度;其中,所述第三宽度用于表征所述采样区域在第一方向的尺寸值,所述第三长度用于表征所述采样区域在第二方向的尺寸值,所述第一方向与所述第二方向垂直;
根据所述第三坐标、所述第三长度、所述第三宽度对所述采样区域进行所述剪切处理,得到所述目标人脸图像。
7.根据权利要求1所述的图像处理方法,其特征在于,所述预处理包括所述填充处理;
所述对所述采样区域进行预处理,得到目标人脸图像,包括:
获取预设图像;其中,所述预设图像包括动态图像或者静态图像;
根据所述预设图像对所述采样区域的整体区域进行所述填充处理,得到所述目标人脸图像。
8.一种图像处理装置,其特征在于,包括:
图像获取模块,用于获取目标对象的原始人脸图像;其中,所述原始人脸图像包括边界信息;
采样区域确定模块,用于根据所述人脸图像获取所述目标对象的人脸轮廓信息;其中,所述人脸轮廓信息包括用于表征人脸下巴的人脸下顶点信息;根据所述人脸下顶点信息和所述边界信息得到采样区域;
计算模块,用于对所述采样区域进行肌肤识别,得到肌肤裸露区域;根据所述肌肤裸露区域和所述采样区域,计算所述肌肤裸露区域的占比值;
预处理模块,用于若所述占比值大于预设值,则对所述采样区域进行预处理,得到目标人脸图像;其中,所述预处理包括以下其中一种:遮挡处理、剪切处理、填充处理。
9.一种电子设备,其特征在于,包括:
至少一个存储器;
至少一个处理器;
至少一个计算机程序;
所述计算机程序被存储在所述存储器中,处理器执行所述至少一个计算机程序以实现:
如权利要求1至7任一项所述的图像处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行:
如权利要求1至7任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867291.9A CN115205943A (zh) | 2022-07-22 | 2022-07-22 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867291.9A CN115205943A (zh) | 2022-07-22 | 2022-07-22 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115205943A true CN115205943A (zh) | 2022-10-18 |
Family
ID=83583830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210867291.9A Pending CN115205943A (zh) | 2022-07-22 | 2022-07-22 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205943A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703701A (zh) * | 2022-12-15 | 2023-09-05 | 荣耀终端有限公司 | 一种图片裁剪方法及电子设备 |
-
2022
- 2022-07-22 CN CN202210867291.9A patent/CN115205943A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703701A (zh) * | 2022-12-15 | 2023-09-05 | 荣耀终端有限公司 | 一种图片裁剪方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147721B (zh) | 一种三维人脸识别方法、模型训练方法和装置 | |
US10262190B2 (en) | Method, system, and computer program product for recognizing face | |
Baskan et al. | Projection based method for segmentation of human face and its evaluation | |
KR101198322B1 (ko) | 얼굴 표정 인식 방법 및 시스템 | |
CN110705392A (zh) | 一种人脸图像检测方法及装置、存储介质 | |
CN111199230B (zh) | 目标检测的方法、装置、电子设备及计算机可读存储介质 | |
EP4207079A1 (en) | Parameter estimation model training method and apparatus, and device and storage medium | |
EP3975039A1 (en) | Masked face recognition | |
CN110569731A (zh) | 一种人脸识别方法、装置及电子设备 | |
CN105518710B (zh) | 视频检测方法、视频检测系统以及计算机程序产品 | |
CN111914775B (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN111814194B (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
CN110705353A (zh) | 基于注意力机制的遮挡人脸的识别方法和装置 | |
KR101326691B1 (ko) | 지역적 특징의 통계적 학습을 통한 강건한 얼굴인식방법 | |
CN111597910A (zh) | 一种人脸识别方法、装置、终端设备及介质 | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
CN114519877A (zh) | 人脸识别方法、人脸识别装置、计算机设备及存储介质 | |
CN111784658A (zh) | 一种用于人脸图像的质量分析方法和系统 | |
CN115205943A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111126250A (zh) | 一种基于ptgan的行人重识别方法及装置 | |
Bharadi et al. | Multi-instance iris recognition | |
CN109598201B (zh) | 动作检测方法、装置、电子设备及可读存储介质 | |
Kumar et al. | SVM based adaptive Median filter design for face detection in noisy images | |
CN110135362A (zh) | 一种基于红外摄像头下的人脸快速识别方法 | |
Geetha et al. | 3D face recognition using Hadoop |
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 |