CN115908119B - 基于人工智能的人脸图像美颜处理方法及系统 - Google Patents
基于人工智能的人脸图像美颜处理方法及系统 Download PDFInfo
- Publication number
- CN115908119B CN115908119B CN202310011437.4A CN202310011437A CN115908119B CN 115908119 B CN115908119 B CN 115908119B CN 202310011437 A CN202310011437 A CN 202310011437A CN 115908119 B CN115908119 B CN 115908119B
- Authority
- CN
- China
- Prior art keywords
- face image
- image
- reference face
- neural network
- distribution network
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,涉及一种基于人工智能的人脸图像美颜处理方法及系统。本发明采集构建待分析人脸图像的人脸图像关系分布网;基于多帧参考人脸图像中的至少一帧参考人脸图像和对应的真实人脸图像标识信息,对初始神经网络进行网络优化处理得到目标神经网络并利用目标神经网络输出待美颜的待分析人脸图像识别结果。本发明利用图像处理神经网络搭建人脸图像美颜处理系统,更便于后续对待分析人脸图像识别结果进一步进行美颜处理,从而使得该基于人工智能的人脸图像美颜处理系统实现了跨平台多终端实时运行的目的,提高了人脸图像美颜处理效率,使人脸图像美颜美型美妆呈现更加自然。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于人工智能的人脸图像美颜处理方法及系统。
背景技术
人工智能(英语:Artificial Intelligence,缩写为AI)亦称智械、机器智能,指由人制造出来的机器所表现出来的智能,通常人工智能是指通过普通计算机程序来呈现人类智能的技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。其中,机器学习(MachineLearning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
在人工智能的诸多应用中,一般包括基于人工智能对图像进行处理,如对人脸图像进行美颜识别等处理,但是,在现有技术中,基于人工智能对人脸图像进行处理的过程中,存在着处理的可靠度不佳的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于人工智能的人脸图像美颜处理方法及系统,以在一定程度上提高人脸图像异常识别的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于人工智能的人脸图像美颜处理方法,包括:
构建出人脸图像关系分布网,所述人脸图像关系分布网包括多帧参考人脸图像,所述多帧参考人脸图像中任意一帧参考人脸图像与至少一帧其它的参考人脸图像匹配;
基于所述多帧参考人脸图像中的至少一帧参考人脸图像和该参考人脸图像对应的真实人脸图像标识信息,对搭建的初始人脸图像异常识别神经网络进行网络优化处理,以形成该初始人脸图像异常识别神经网络对应的目标人脸图像异常识别神经网络,所述真实人脸图像标识信息用于反映对应的所述参考人脸图像的真实异常类型和/或真实异常程度;
在所述多帧参考人脸图像中,筛查出与待分析人脸图像最相似的第一参考人脸图像,以及,从所述人脸图像关系分布网中,确定出所述第一参考人脸图像对应的局部人脸图像关系分布网;
基于所述局部人脸图像关系分布网,利用所述目标人脸图像异常识别神经网络进行异常识别处理,以输出所述待分析人脸图像对应的目标人脸异常识别结果,所述目标人脸异常识别结果用于反映所述待分析人脸图像的异常类型和/或异常程度。
在一些优选的实施例中,在上述基于人工智能的人脸图像美颜处理方法中,所述基于所述多帧参考人脸图像中的至少一帧参考人脸图像和该参考人脸图像对应的人脸图像标识信息,对搭建的初始人脸图像异常识别神经网络进行网络优化处理,以形成该初始人脸图像异常识别神经网络对应的目标人脸图像异常识别神经网络的步骤,包括:
在所述多帧参考人脸图像中,筛选出示例性参考人脸图像;
在所述人脸图像关系分布网中,提取到所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网,所述示例性参考人脸图像配置有对应的真实人脸图像标识信息;
将所述示例性局部人脸图像关系分布网中的图像匹配信息进行图像匹配指向确定操作,形成具有图像匹配指向信息的更新示例性局部人脸图像关系分布网;
利用搭建的初始人脸图像异常识别神经网络,结合所述图像匹配指向信息,将所述更新示例性局部人脸图像关系分布网进行图像关键信息融合操作,输出所述更新示例性局部人脸图像关系分布网中各参考人脸图像对应的代表图像关键信息;
依据所述代表图像关键信息和所述真实人脸图像标识信息,将所述初始人脸图像异常识别神经网络进行网络权重的优化操作,输出对应的目标人脸图像异常识别神经网。
在一些优选的实施例中,在上述基于人工智能的人脸图像美颜处理方法中,所述在所述人脸图像关系分布网中,提取到所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网的步骤,包括:
从所述人脸图像关系分布网中,确定出与所述示例性参考人脸图像之间的图像匹配偏离程度不大于预先配置的参考图像匹配偏离程度的参考人脸图像;
依据所述示例性参考人脸图像与确定出的参考人脸图像之间的图像匹配信息,组建形成所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网。
在一些优选的实施例中,在上述基于人工智能的人脸图像美颜处理方法中,所述从所述人脸图像关系分布网中,确定出与所述示例性参考人脸图像之间的图像匹配偏离程度不大于预先配置的参考图像匹配偏离程度的参考人脸图像的步骤,包括:
对所述初始人脸图像异常识别神经网络包括的图像滤波单元的单元级联层级进行统计处理;
对与所述单元级联层级一致的数量进行标记处理,以标记形成对应的参考图像匹配偏离程度,使得所述参考图像匹配偏离程度等于对应的所述单元级联层级;
从所述人脸图像关系分布网中查找出与所述示例性参考人脸图像之间的图像匹配偏离程度不大于所述参考图像匹配偏离程度的参考人脸图像。
在一些优选的实施例中,在上述基于人工智能的人脸图像美颜处理方法中,所述利用搭建的初始人脸图像异常识别神经网络,结合所述图像匹配指向信息,将所述更新示例性局部人脸图像关系分布网进行图像关键信息融合操作,输出所述更新示例性局部人脸图像关系分布网中各参考人脸图像对应的代表图像关键信息的步骤,包括:
轮询所述更新示例性局部人脸图像关系分布网中的参考人脸图像,并筛选出当前轮询到的参考人脸图像在所述更新示例性局部人脸图像关系分布网中的相邻参考人脸图像;
利用搭建的初始人脸图像异常识别神经网络,基于所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像之间的图像匹配指向信息,对所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像的人脸图像关键信息进行融合操作,输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息;
依据所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息,确定出所述更新示例性局部人脸图像关系分布网中各参考人脸图像对应的代表图像关键信息。
在一些优选的实施例中,在上述基于人工智能的人脸图像美颜处理方法中,所述利用搭建的初始人脸图像异常识别神经网络,基于所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像之间的图像匹配指向信息,对所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像的人脸图像关键信息进行融合操作,输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息的步骤,包括:
分析出所述当前轮询到的参考人脸图像与所述相邻参考人脸图像之间的每一个图像匹配指向信息的位置朝向;
将位置朝向的末端位置属于所述当前轮询到的参考人脸图像的图像匹配指向信息进行标记,以标记为对应的第一图像匹配指向信息;
在所述当前轮询到的参考人脸图像与所述相邻参考人脸图像中,分析出所述第一图像匹配指向信息的位置朝向的初始位置对应的参考人脸图像,并对该参考人脸图像进行标记,以标记为对应的需融合参考人脸图像;
利用搭建的初始人脸图像异常识别神经网络,对所述需融合参考人脸图像与所述当前轮询到的参考人脸图像的人脸图像关键信息进行信息融合操作,以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息。
在一些优选的实施例中,在上述基于人工智能的人脸图像美颜处理方法中,所述需融合参考人脸图像的帧数大于或等于1;
所述利用搭建的初始人脸图像异常识别神经网络,对所述需融合参考人脸图像与所述当前轮询到的参考人脸图像的人脸图像关键信息进行信息融合操作,以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息的步骤,包括:
确定出每一帧所述需融合参考人脸图像对应的重要性参数分布;
利用搭建的初始人脸图像异常识别神经网络,对所述当前轮询到的参考人脸图像与每一帧所述需融合参考人脸图像的人脸图像关键信息,分别依据每一帧所述需融合参考人脸图像对应的重要性参数分布进行聚焦特征分析处理,输出每一帧所述需融合参考人脸图像对应的聚焦重要性参数;
利用所述初始人脸图像异常识别神经网络,对每一帧所述需融合参考人脸图像对应的人脸图像关键信息和对应的聚焦重要性参数进行融合映射操作,以形成每一帧所述需融合参考人脸图像对应的融合映射信息;
利用所述初始人脸图像异常识别神经网络,将全部的所述需融合参考人脸图像对应的融合映射信息进行融合激励输出操作,以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息。
在一些优选的实施例中,在上述基于人工智能的人脸图像美颜处理方法中,所述轮询所述更新示例性局部人脸图像关系分布网中的参考人脸图像,并筛选出当前轮询到的参考人脸图像在所述更新示例性局部人脸图像关系分布网中的相邻参考人脸图像的步骤,包括:
对所述初始人脸图像异常识别神经网络包括的每一个图像滤波单元的单元级联层级进行统计处理;
分析出每一个所述图像滤波单元的单元级联层级对应的图像匹配偏离程度,并基于所述图像匹配偏离程度确定出每一个所述图像滤波单元在所述更新示例性局部人脸图像关系分布网中对应的参考人脸图像轮询区域;
轮询每一个所述图像滤波单元对应的参考人脸图像轮询区域内的参考人脸图像,使得分析出每一个所述图像滤波单元当前轮询到的参考人脸图像在所述更新示例性局部人脸图像关系分布网中的相邻参考人脸图像。
在一些优选的实施例中,在上述基于人工智能的人脸图像美颜处理方法中,所述依据所述代表图像关键信息和所述真实人脸图像标识信息,将所述初始人脸图像异常识别神经网络进行网络权重的优化操作,输出对应的目标人脸图像异常识别神经网络的步骤,包括:
依据所述代表图像关键信息,将所述示例性参考人脸图像进行异常识别处理,以输出所述示例性参考人脸图像对应的识别人脸图像标识信息;
基于所述识别人脸图像标识信息和所述真实人脸图像标识信息,分析出对应的网络学习代价值,以及,依据所述网络学习代价值将所述初始人脸图像异常识别神经网络进行网络权重的优化操作,输出对应的目标人脸图像异常识别神经网络;
其中,所述依据所述代表图像关键信息,将所述示例性参考人脸图像进行异常识别处理,以输出所述示例性参考人脸图像对应的识别人脸图像标识信息的步骤,包括:
对所述代表图像关键信息进行线性映射输出操作,以输出所述示例性参考人脸图像对应的异常可能性指标;
基于所述异常可能性指标,分析出所述示例性参考人脸图像对应的识别人脸图像标识信息。
本发明实施例还提供一种基于人工智能的人脸图像美颜处理系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于人工智能的人脸图像美颜处理方法。
本发明实施例提供的基于人工智能的人脸图像美颜处理方法及系统,可以先构建出人脸图像关系分布网;基于多帧参考人脸图像中的至少一帧参考人脸图像和对应的真实人脸图像标识信息,对初始人脸图像异常识别神经网络进行网络优化处理,以形成目标人脸图像异常识别神经网络;筛查出与待分析人脸图像最相似的第一参考人脸图像,以及,确定出第一参考人脸图像对应的局部人脸图像关系分布网;基于局部人脸图像关系分布网,利用目标人脸图像异常识别神经网络进行异常识别处理,以输出待分析人脸图像对应的目标人脸异常识别结果。基于前述的步骤,由于在进行异常识别处理之前,是先在多帧参考人脸图像中筛查出与待分析人脸图像最相似的第一参考人脸图像,使得可以在人脸图像关系分布网中确定出第一参考人脸图像对应的局部人脸图像关系分布网,如此,可以通过具有更多信息的局部人脸图像关系分布网来替代待分析人脸图像,以进行异常识别处理,使得异常识别处理依据更为丰富,从而可以在一定程度上提高人脸图像异常识别的可靠度,进而改善现有技术中存在的可靠度不佳的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于人工智能的人脸图像美颜处理系统的结构框图。
图2为本发明实施例提供的基于人工智能的人脸图像美颜处理方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于人工智能的人脸图像美颜处理装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于人工智能的人脸图像美颜处理系统。其中,所述基于人工智能的人脸图像美颜处理系统可以包括存储器和处理器,所述基于人工智能的人脸图像美颜处理系统还可以包括其它器件。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于人工智能的人脸图像美颜处理方法。
可以理解的是,在一些可行的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
可以理解的是,在一些可行的实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解的是,在一些可行的实施方式中,所述基于人工智能的人脸图像美颜处理系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于人工智能的人脸图像美颜处理方法,可应用于上述基于人工智能的人脸图像美颜处理系统。其中,所述基于人工智能的人脸图像美颜处理方法有关的流程所定义的方法步骤,可以由所述基于人工智能的人脸图像美颜处理系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,构建出人脸图像关系分布网。
在本发明实施例中,所述基于人工智能的人脸图像美颜处理系统可以构建出人脸图像关系分布网。所述人脸图像关系分布网包括多帧参考人脸图像,所述多帧参考人脸图像中任意一帧参考人脸图像与至少一帧其它的参考人脸图像匹配(示例性地,所述人脸图像关系分布网中具有用于反映参考人脸图像之间是否匹配的信息,该信息的具体表现形式不受限制)。
步骤S120,基于所述多帧参考人脸图像中的至少一帧参考人脸图像和该参考人脸图像对应的真实人脸图像标识信息,对搭建的初始人脸图像异常识别神经网络进行网络优化处理,以形成该初始人脸图像异常识别神经网络对应的目标人脸图像异常识别神经网络。
在本发明实施例中,所述基于人工智能的人脸图像美颜处理系统可以基于所述多帧参考人脸图像中的至少一帧参考人脸图像和该参考人脸图像对应的真实人脸图像标识信息,对搭建的初始人脸图像异常识别神经网络进行网络优化处理,以形成该初始人脸图像异常识别神经网络对应的目标人脸图像异常识别神经网络。所述真实人脸图像标识信息用于反映对应的所述参考人脸图像的真实异常类型和/或真实异常程度(也就是说,所述真实人脸图像标识信息可以包括真实异常类型和真实异常程度中的一种或两种;另外,所述真实人脸图像标识信息可以基于标注等方式形成)。
步骤S130,在所述多帧参考人脸图像中,筛查出与待分析人脸图像最相似的第一参考人脸图像,以及,从所述人脸图像关系分布网中,确定出所述第一参考人脸图像对应的局部人脸图像关系分布网。
在本发明实施例中,所述基于人工智能的人脸图像美颜处理系统可以在所述多帧参考人脸图像中,筛查出与待分析人脸图像最相似的第一参考人脸图像(也就是说,所述第一参考人脸图像和所述待分析人脸图像之间的人脸图像相似度最大),以及,从所述人脸图像关系分布网中,确定出所述第一参考人脸图像对应的局部人脸图像关系分布网(也就是说,所述局部人脸图像关系分布网包括所述第一参考人脸图像)。
步骤S140,基于所述局部人脸图像关系分布网,利用所述目标人脸图像异常识别神经网络进行异常识别处理,以输出所述待分析人脸图像对应的目标人脸异常识别结果。
在本发明实施例中,所述基于人工智能的人脸图像美颜处理系统可以基于所述局部人脸图像关系分布网,利用所述目标人脸图像异常识别神经网络进行异常识别处理,以输出所述待分析人脸图像对应的目标人脸异常识别结果。所述目标人脸异常识别结果用于反映所述待分析人脸图像的异常类型和/或异常程度(也就是说,所述目标人脸异常识别结果用于反映出所述待分析人脸图像的异常类型和异常程度中的一种或多种,其中,异常可以是指人脸形状变形、非活体等)。
基于前述的步骤,即步骤S110-步骤S140,由于在进行异常识别处理之前,是先在多帧参考人脸图像中筛查出与待分析人脸图像最相似的第一参考人脸图像,使得可以在人脸图像关系分布网中确定出第一参考人脸图像对应的局部人脸图像关系分布网,如此,可以通过具有更多信息的局部人脸图像关系分布网来替代待分析人脸图像,以进行异常识别处理,使得异常识别处理依据更为丰富,从而可以在一定程度上提高人脸图像异常识别的可靠度,进而改善现有技术中存在的可靠度不佳的问题。本发明利用图像处理神经网络搭建人脸图像美颜处理系统,更便于后续对待分析人脸图像识别结果进一步进行美颜处理,从而使得该基于人工智能的人脸图像美颜处理系统实现了跨平台多终端实时运行的目的,提高了人脸图像美颜处理效率,使人脸图像美颜美型美妆呈现更加自然。
可以理解的是,在一些可行的实施方式中,对于步骤S120,即所述基于所述多帧参考人脸图像中的至少一帧参考人脸图像和该参考人脸图像对应的人脸图像标识信息,对搭建的初始人脸图像异常识别神经网络进行网络优化处理,以形成该初始人脸图像异常识别神经网络对应的目标人脸图像异常识别神经网络的步骤,可以进一步包括以下的各项内容:
在所述多帧参考人脸图像中,筛选出示例性参考人脸图像(示例性地,在所述多帧参考人脸图像中筛选出示例性参考人脸图像时,可以从每一种真实人脸图像标识信息对应的参考人脸图像中分别筛选出指定数量帧参考人脸图像作为示例性参考人脸图像,另外,所述示例性参考人脸图像帧数大于或等于1。具体来说,多帧参考人脸图像中包括“真实人脸图像标识信息1”对应的500帧参考人脸图像,“真实人脸图像标识信息2”对应的500帧参考人脸图像,“真实人脸图像标识信息3”对应的1000帧参考人脸图像,可以从每一种真实人脸图像标识信息对应的参考人脸图像中分别确定200帧参考人脸图像作为示例性参考人脸图像,如此,可以的得到600帧示例性参考人脸图像,具体数量根据实际需求进行配置即可);
在所述人脸图像关系分布网中,提取到所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网(所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网,就是人脸图像关系分布网中示例性参考人脸图像所在的局部人脸图像关系分布网,该局部人脸图像关系分布网中的参考人脸图像与示例性参考人脸图像的匹配程度较大,使得可以在所述示例性参考人脸图像进行异常识别过程中作为参考信息。如此,对于每一帧示例性参考人脸图像,可以从所述人脸图像关系分布网中筛选出该示例性参考人脸图像对应的示例性局部人脸图像关系分布网),所述示例性参考人脸图像配置有对应的真实人脸图像标识信息;
将所述示例性局部人脸图像关系分布网中的图像匹配信息进行图像匹配指向确定操作,形成具有图像匹配指向信息的更新示例性局部人脸图像关系分布网(即对所述示例性局部人脸图像关系分布网中的图像匹配信息进行更新或调整,以得到更新示例性局部人脸图像关系分布网);
利用搭建的初始人脸图像异常识别神经网络,结合所述图像匹配指向信息,将所述更新示例性局部人脸图像关系分布网进行图像关键信息融合操作,输出所述更新示例性局部人脸图像关系分布网中各参考人脸图像对应的代表图像关键信息(示例性地,所述图像关键信息和所述代表图像关键信息都可以用向量的形式来标识,如对参考人脸图像进行关键信息的挖掘,以得到可以标识参考人脸图像的图像关键信息);
依据所述代表图像关键信息和所述真实人脸图像标识信息,将所述初始人脸图像异常识别神经网络进行网络权重的优化操作,输出对应的目标人脸图像异常识别神经网络。
可以理解的是,在一些可行的实施方式中,对于所述在所述人脸图像关系分布网中,提取到所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网的步骤,可以进一步包括以下的各项内容:
从所述人脸图像关系分布网中,确定出与所述示例性参考人脸图像之间的图像匹配偏离程度不大于预先配置的参考图像匹配偏离程度的参考人脸图像(所述参考图像匹配偏离程度的具体数值不受限制);
依据所述示例性参考人脸图像与确定出的参考人脸图像之间的图像匹配信息,组建形成所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网(也就是说,所述示例性局部人脸图像关系网由所述示例性参考人脸图像和与所述示例性参考人脸图像之间的图像匹配偏离程度不大于预先配置的参考图像匹配偏离程度的参考人脸图像构成,还包括对应的参考人脸图像之间的图像匹配信息)。
可以理解的是,在一些可行的实施方式中,对于所述从所述人脸图像关系分布网中,确定出与所述示例性参考人脸图像之间的图像匹配偏离程度不大于预先配置的参考图像匹配偏离程度的参考人脸图像的步骤,可以进一步包括以下的各项内容:
对所述初始人脸图像异常识别神经网络包括的图像滤波单元的单元级联层级进行统计处理(示例性地,所述初始人脸图像异常识别神经网络可以包括多个图像滤波单元,所述多个图像滤波单元可以级联连接,即第一个图像滤波单元的输出数据作为第二个图像滤波单元的输入数据,第二个图像滤波单元的输出数据作为第三个图像滤波单元的输入数据,依此类推,所述单元级联层级可以是指所述多个图像滤波单元的数量);
对与所述单元级联层级一致的数量进行标记处理,以标记形成对应的参考图像匹配偏离程度,使得所述参考图像匹配偏离程度等于对应的所述单元级联层级(即将所述多个图像滤波单元的数量作为所述参考图像匹配偏离程度,如所述多个图像滤波单元的数量等于5,则所述参考图像匹配偏离程度等于5,如所述多个图像滤波单元的数量等于4,则所述参考图像匹配偏离程度等于4,如所述多个图像滤波单元的数量等于6,则所述参考图像匹配偏离程度等于6);
从所述人脸图像关系分布网中查找出与所述示例性参考人脸图像之间的图像匹配偏离程度不大于所述参考图像匹配偏离程度的参考人脸图像(所述图像匹配偏离程度可以是指在所述人脸图像关系分布网中其它参考人脸图像与所述示例性参考人脸图像之间的距离,例如,在所述人脸图像关系分布网中,两帧参考人脸图像匹配,则确定对应的图像匹配偏离程度可以等于1,在所述人脸图像关系分布网中,两帧参考人脸图像不匹配,则确定对应的图像匹配偏离程度可以大于1,具体来说,倘若参考人脸图像1与参考人脸图像2不匹配,但参考人脸图像1与参考人脸图像3匹配,且参考人脸图像3与参考人脸图像2匹配,则参考人脸图像1通过参考人脸图像3与参考人脸图像2间接匹配,如此,可以确定对应的图像匹配偏离程度可以等于2;倘若参考人脸图像1与参考人脸图像2不匹配,但参考人脸图像1与参考人脸图像3匹配,且参考人脸图像3与参考人脸图像2不匹配,且参考人脸图像3与参考人脸图像4匹配,以及,参考人脸图像4与参考人脸图像2匹配,则参考人脸图像1通过参考人脸图像3和参考人脸图像4与参考人脸图像2间接匹配,如此,可以确定对应的图像匹配偏离程度可以等于3,也就是说,从所述人脸图像关系分布网中,确定出两帧帧参考人脸图像之间最短的匹配路径,以确定对应的图像匹配偏离程度)。
其中,可以理解的是,在一些可行的实施方式中,对于所述将所述示例性局部人脸图像关系分布网中的图像匹配信息进行图像匹配指向确定操作,形成具有图像匹配指向信息的更新示例性局部人脸图像关系分布网的步骤,可以进一步包括以下的各项内容:
将所述示例性局部人脸图像关系分布网中每一帧参考人脸图像配置对应的第一图像匹配信息,所述第一图像匹配信息用于反映图像匹配指向的初始位置和末端位置都属于对应的参考人脸图像(示例性地,对于参考人脸图像A,该参考人脸图像A对应的第一图像匹配信息用于反映图像匹配指向的初始位置和末端位置都属于对应的参考人脸图像A);
对所述示例性局部人脸图像关系分布网中参考人脸图像之间的每一个图像匹配信息,调整为参考人脸图像之间的两个第二图像匹配信息,在所述两个第二图像匹配信息中,一个第二图像匹配信息反映出的图像匹配指向的初始位置与另一第二图像匹配信息反映出的图像匹配指向的末端位置属于相同的参考人脸图像(示例性地,对于两个参考人脸图像,如参考人脸图像A和参考人脸图像B,具有两个第二图像匹配信息,第一个第二图像匹配信息反映出的图像匹配指向的初始位置可以为参考人脸图像A、末端位置可以为参考人脸图像B,第二个第二图像匹配信息反映出的图像匹配指向的初始位置可以为参考人脸图像B、末端位置可以为参考人脸图像A);
对全部的所述第一图像匹配信息和所述第二图像匹配信息进行标记处理,以标记形成对应的图像匹配指向信息,以及,将所述示例性局部人脸图像关系分布网中的全部参考人脸图像执行匹配关系确定操作,形成对应的更新示例性局部人脸图像关系分布网(也就是说,所述更新示例性局部人脸图像关系分布网包括所述图像匹配指向信息和所述图像匹配指向信息对应的参考人脸图像,即初始位置和初始位置的参考人脸图像)。
其中,可以理解的是,在一些可行的实施方式中,对于所述对全部的所述第一图像匹配信息和所述第二图像匹配信息进行标记处理,以标记形成对应的图像匹配指向信息的步骤,可以进一步包括以下的各项内容:
在全部的所述第二图像匹配信息中,将所述示例性参考人脸图像作为初始位置的第二图像匹配信息筛除,输出保留第二图像匹配信息;
对全部的所述第一图像匹配信息和所述保留第二图像匹配信息进行标记处理,以形成对应的图像匹配指向信息。
可以理解的是,在一些可行的实施方式中,对于所述利用搭建的初始人脸图像异常识别神经网络,结合所述图像匹配指向信息,将所述更新示例性局部人脸图像关系分布网进行图像关键信息融合操作,输出所述更新示例性局部人脸图像关系分布网中各参考人脸图像对应的代表图像关键信息的步骤,可以进一步包括以下的各项内容:
轮询所述更新示例性局部人脸图像关系分布网中的参考人脸图像,并筛选出当前轮询到的参考人脸图像在所述更新示例性局部人脸图像关系分布网中的相邻参考人脸图像;
利用搭建的初始人脸图像异常识别神经网络,基于所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像之间的图像匹配指向信息,对所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像的人脸图像关键信息进行融合操作,输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息;
依据所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息,确定出所述更新示例性局部人脸图像关系分布网中各参考人脸图像对应的代表图像关键信息(示例性地,可以将所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息作为对应的参考人脸图像对应的代表图像关键信息,在所述初始人脸图像异常识别神经网络包括的多个级联的图像滤波单元的情况下,可以将最后一个图像滤波单元输出的融合人脸图像关键信息,作为最终的代表图像关键信息;具体来说,在初始人脸图像异常识别神经网络中的每一个图像滤波单元中都可以进行一次图像关键信息融合操作,每一个图像滤波单元可以输出参考人脸图像象的融合人脸图像关键信息,其中,后一个图像滤波单元的输入数据为前一个图像滤波单元输出的融合人脸图像关键信息,即第一个图像滤波单元输出的融合人脸图像关键信息,为第二个图像滤波单元的输入数据,如此,基于当前轮询到的参考人脸图像的融合人脸图像关键信息生成更新示例性局部人脸图像关系分布网中参考人脸图像的代表图像关键信息时,可以将基于初始人脸图像异常识别神经网络中最后一个图像滤波单元输出的当前轮询到的参考人脸图像的融合人脸图像关键信息,作为更新示例性局部人脸图像关系分布网中参考人脸图像的代表图像关键信息,所述图像滤波单元包括滤波矩阵)。
可以理解的是,在一些可行的实施方式中,对于所述轮询所述更新示例性局部人脸图像关系分布网中的参考人脸图像,并筛选出当前轮询到的参考人脸图像在所述更新示例性局部人脸图像关系分布网中的相邻参考人脸图像的步骤,可以进一步包括以下的各项内容:
对所述初始人脸图像异常识别神经网络包括的每一个图像滤波单元的单元级联层级进行统计处理(即级联的所述图像滤波单元的数量);
分析出每一个所述图像滤波单元的单元级联层级对应的图像匹配偏离程度(示例性地,每一个所述图像滤波单元的单元级联层级与对应的图像匹配偏离程度之间负相关,例如,第一个图像滤波单元的单元级联层级为1,即最小,对应的图像匹配偏离程度可以最大,等于最后一个图像滤波单元的单元级联层级,最后一个图像滤波单元对应的图像匹配偏离程度则最小,如1),并基于所述图像匹配偏离程度确定出每一个所述图像滤波单元在所述更新示例性局部人脸图像关系分布网中对应的参考人脸图像轮询区域(所述参考人脸图像轮询区域可以以所述示例性参考人脸图像为中心,将所述示例性参考人脸图像和与所述示例性参考人脸图像的图像匹配偏离程度小于或等于每一个图像滤波单元的单元级联层级对应的图像匹配偏离程度的参考人脸图像,作为每一个图像滤波单元在所述更新示例性局部人脸图像关系分布网中对应的参考人脸图像轮询区域);
轮询每一个所述图像滤波单元对应的参考人脸图像轮询区域内的参考人脸图像,使得分析出每一个所述图像滤波单元当前轮询到的参考人脸图像在所述更新示例性局部人脸图像关系分布网中的相邻参考人脸图像(示例性地,可以将参考人脸图像轮询区域内的参考人脸图像作为当前轮询到的参考人脸图像的相邻参考人脸图像)。
可以理解的是,在一些可行的实施方式中,对于所述利用搭建的初始人脸图像异常识别神经网络,基于所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像之间的图像匹配指向信息,对所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像的人脸图像关键信息进行融合操作,输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息的步骤,可以进一步包括以下的各项内容:
分析出所述当前轮询到的参考人脸图像与所述相邻参考人脸图像之间的每一个图像匹配指向信息的位置朝向(如初始位置朝向末端位置);
将位置朝向的末端位置属于所述当前轮询到的参考人脸图像的图像匹配指向信息进行标记,以标记为对应的第一图像匹配指向信息;
在所述当前轮询到的参考人脸图像与所述相邻参考人脸图像中,分析出所述第一图像匹配指向信息的位置朝向的初始位置对应的参考人脸图像,并对该参考人脸图像进行标记,以标记为对应的需融合参考人脸图像;
利用搭建的初始人脸图像异常识别神经网络,对所述需融合参考人脸图像与所述当前轮询到的参考人脸图像的人脸图像关键信息进行信息融合操作(即基于所述需融合参考人脸图像与所述当前轮询到的参考人脸图像的人脸图像关键信息,确定出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息),以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息。
可以理解的是,在一些可行的实施方式中,所述需融合参考人脸图像的帧数大于或等于1,基于此,对于所述利用搭建的初始人脸图像异常识别神经网络,对所述需融合参考人脸图像与所述当前轮询到的参考人脸图像的人脸图像关键信息进行信息融合操作,以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息的步骤,可以包括以下的各项内容:
确定出每一帧所述需融合参考人脸图像对应的重要性参数分布(示例性地,可以预先配置多个示例性人脸图像关键信息,并分布为每一个示例性人脸图像关键信息配置对应的示例性重要性参数分布,然后,对于每一帧所述需融合参考人脸图像,可以计算该需融合参考人脸图像对应的人脸图像关键信息和每一个示例性人脸图像关键信息之间的相似度,然后,可以将具有最大值的相似度对应的示例性人脸图像关键信息对应的示例性重要性参数分布,作为该需融合参考人脸图像对应的重要性参数分布);
利用搭建的初始人脸图像异常识别神经网络,对所述当前轮询到的参考人脸图像与每一帧所述需融合参考人脸图像的人脸图像关键信息,分别依据每一帧所述需融合参考人脸图像对应的重要性参数分布进行聚焦特征分析处理,输出每一帧所述需融合参考人脸图像对应的聚焦重要性参数(所述聚焦重要性参数可以用于反映需融合参考人脸图像的人脸图像关键信息对当前轮询到的参考人脸图像的重要程度,举例来说,可以对所述当前轮询到的参考人脸图像的人脸图像关键信息进行参数的行列对换,然后,对所述需融合参考人脸图像的人脸图像关键信息和行列对换的结果进行相乘,然后,对相乘结果和所述当前轮询到的参考人脸图像的人脸图像关键信息再次进行相乘,然后,对再次相乘的结果进行非线性的激励映射输出,如此,可以得到所述需融合参考人脸图像对应的聚焦重要性参数);
利用所述初始人脸图像异常识别神经网络,对每一帧所述需融合参考人脸图像对应的人脸图像关键信息和对应的聚焦重要性参数进行融合映射操作,以形成每一帧所述需融合参考人脸图像对应的融合映射信息(示例性地,倘若所述聚焦重要性参数未经过上述的非线性的激励映射输出,则先进行非线性的激励映射输出,若经过上述的非线性的激励映射输出,则将所述需融合参考人脸图像对应的人脸图像关键信息和对应的聚焦重要性参数进行相乘,以形成所述需融合参考人脸图像对应的融合映射信息);
利用所述初始人脸图像异常识别神经网络,将全部的所述需融合参考人脸图像对应的融合映射信息进行融合激励输出操作,以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息(示例性地,可以将全部的所述需融合参考人脸图像对应的融合映射信息进行叠加,然后,可以对叠加的结果进行行非线性的激励映射输出,以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息)。
可以理解的是,在一些可行的实施方式中,对于所述依据所述代表图像关键信息和所述真实人脸图像标识信息,将所述初始人脸图像异常识别神经网络进行网络权重的优化操作,输出对应的目标人脸图像异常识别神经网络的步骤,可以进一步包括以下的各项内容:
依据所述代表图像关键信息,将所述示例性参考人脸图像进行异常识别处理,以输出所述示例性参考人脸图像对应的识别人脸图像标识信息;
基于所述识别人脸图像标识信息和所述真实人脸图像标识信息(之间的误差),分析出对应的网络学习代价值,以及,依据所述网络学习代价值将所述初始人脸图像异常识别神经网络进行网络权重的优化操作,输出对应的目标人脸图像异常识别神经网络。
可以理解的是,在一些可行的实施方式中,对于所述依据所述代表图像关键信息,将所述示例性参考人脸图像进行异常识别处理,以输出所述示例性参考人脸图像对应的识别人脸图像标识信息的步骤,可以进一步包括以下的各项内容:
对所述代表图像关键信息进行线性映射输出操作,以输出所述示例性参考人脸图像对应的异常可能性指标(示例性地,可以基于配置的第一参数对所述代表图像关键信息进行加权处理,然后,可以基于配置的第二参数对加权处理的结果进行叠加以实现移位处理,从而得到所述示例性参考人脸图像对应的异常可能性指标,所述第一参数和所述第二参数可以作为网络优化的对象,所述异常可能性指标可以是多维,每一维的参数可以反映索赔书待示例性参考人脸图像对应的一个异常类型或异常程度的可能);
基于所述异常可能性指标,分析出所述示例性参考人脸图像对应的识别人脸图像标识信息(示例性地,可以将所述异常可能性指标中最大的异常可能性对应的异常类型或异常程度,作为所述示例性参考人脸图像对应的识别人脸图像标识信息)。
其中,可以理解的是,在一些可行的实施方式中,对于步骤S130,即所述在所述多帧参考人脸图像中,筛查出与待分析人脸图像最相似的第一参考人脸图像的步骤,可以进一步包括以下的各项内容:
对于所述多帧参考人脸图像中的每一帧参考人脸图像,计算该参考人脸图像与待分析人脸图像之间的图像相似度,然后,确定出具有最大相似度的参考人脸图像,作为所述待分析人脸图像最相似的第一参考人脸图像。
其中,可以理解的是,在一些可行的实施方式中,对于所述对于所述多帧参考人脸图像中的每一帧参考人脸图像,计算该参考人脸图像与待分析人脸图像之间的图像相似度的步骤,可以进一步包括以下的各项内容:
对所述参考人脸图像进行人脸关键点的识别处理,以得到所述参考人脸图像对应的参考人脸关键点集合,并对所述待分析人脸图像进行人脸关键点的识别处理,以得到所述待分析人脸图像对应的待分析人脸关键点集合,所述参考人脸关键点集合中的参考人脸关键点属于所述参考人脸图像,所述待分析人脸关键点集合中的待分析人脸关键点属于所述待分析人脸图像;另外,人脸关键点的识别处理的具体方式可以参照相关的现有技术;
对所述参考人脸关键点集合进行信息补充处理,以得到补充参考人脸关键点集合,所述补充参考人脸关键点集合包括每一个所述参考人脸关键点和每一个所述参考人脸关键点对应的像素分布信息(所述像素分布信息包括对应的所述参考人脸关键点的像素位置坐标和所述参考人脸关键点与周围区域中的其它像素点之间的像素位置关系、像素值大小关系,所述周围区域的具体定义不受限制,如半径为一定数值的圆形区域等);
对所述待分析人脸关键点集合进行信息补充处理,以得到补充待分析人脸关键点集合,所述补充待分析人脸关键点集合包括每一个所述待分析人脸关键点和每一个所述待分析人脸关键点对应的像素分布信息;
分别对所述补充参考人脸关键点集合包括的每一个所述参考人脸关键点对应的像素分布信息进行编码处理,以得到每一个所述参考人脸关键点对应的像素分布编码特征表示,以及,分别对所述补充待分析人脸关键点集合包括的每一个所述待分析人脸关键点对应的像素分布信息进行编码处理,以得到每一个所述待分析人脸关键点对应的像素分布编码特征表示;
从所述补充参考人脸关键点集合中确定出第一参考人脸关键点(所述第一参考人脸关键点属于未进行分类的参考人脸关键点);统计所述第一参考人脸关键点的相关参考人脸关键点的数量,以得到对应的参考数量,所述相关参考人脸关键点对应的像素分布编码特征表示和所述第一参考人脸关键点对应的像素分布编码特征表示之间的相似度大于或等于预先配置的特征表示相似度;在所述参考数量大于预先配置的参考数量阈值的情况下,将所述第一参考人脸关键点和所述相关参考人脸关键点进行组合处理,以形成对应的参考关键点分类集合,以完成分类处理,并再次执行所述从所述补充参考人脸关键点集合中确定出第一参考人脸关键点的步骤,直到不能确定出新的第一参考人脸关键点;在所述参考数量小于或等于所述参考数量阈值的情况下,再次执行所述从所述补充参考人脸关键点集合中确定出第一参考人脸关键点的步骤;
从所述补充待分析人脸关键点集合中确定出第一待分析人脸关键点(所述第一待分析人脸关键点属于未进行分类的待分析人脸关键点);统计所述第一待分析人脸关键点的相关待分析人脸关键点的数量,以得到对应的待分析数量,所述相关待分析人脸关键点对应的像素分布编码特征表示和所述第一待分析人脸关键点对应的像素分布编码特征表示之间的相似度大于或等于预先配置的特征表示相似度;在所述待分析数量大于预先配置的待分析数量阈值的情况下,将所述第一待分析人脸关键点和所述相关待分析人脸关键点进行组合处理,以形成对应的待分析关键点分类集合,以完成分类处理,并再次执行所述从所述补充待分析人脸关键点集合中确定出第一待分析人脸关键点的步骤,直到不能确定出新的第一待分析人脸关键点,所述待分析数量阈值可以等于所述参考数量阈值;在所述待分析数量小于或等于所述待分析数量阈值的情况下,再次执行所述从所述补充待分析人脸关键点集合中确定出第一待分析人脸关键点的步骤;
对于每一个所述参考关键点分类集合,对该参考关键点分类集合包括的全部参考人脸关键点对应的像素分布信息进行编码处理,以输出该参考关键点分类集合对应的集合像素分布编码特征表示,以及,对于每一个所述待分析关键点分类集合,对该待分析关键点分类集合包括的全部待分析人脸关键点对应的像素分布信息进行编码处理,以输出该待分析关键点分类集合对应的集合像素分布编码特征表示;
对于每一个所述参考关键点分类集合,分别对该参考关键点分类集合以外的其它参考关键点分类集合对应的集合像素分布编码特征表示进行参数的行列对换操作,然后,分别将每一个行列对换操作的结果和对该参考关键点分类集合对应的集合像素分布编码特征表示进行相乘运算,以及,分别对每一个相乘运算的结果进行参数的归一化处理,以得到对应的相关性参数分布阵列,以及,对所述相关性参数分布阵列和对应的其它参考关键点分类集合对应的集合像素分布编码特征表示之间的乘积进行叠加,再将叠加的结果与该参考关键点分类集合对应的集合像素分布编码特征表示进行叠加,以形成该参考关键点分类集合对应的叠加编码特征表示,以及,将每一个所述参考关键点分类集合对应的叠加编码特征表示进行拼接,以形成对应的拼接参考编码特征表示;
对于每一个所述待分析关键点分类集合,分别对该待分析关键点分类集合以外的其它待分析关键点分类集合对应的集合像素分布编码特征表示进行参数的行列对换操作,然后,分别将每一个行列对换操作的结果和对该待分析关键点分类集合对应的集合像素分布编码特征表示进行相乘运算,以及,分别对每一个相乘运算的结果进行参数的归一化处理,以得到对应的相关性参数分布阵列,以及,对所述相关性参数分布阵列和对应的其它待分析关键点分类集合对应的集合像素分布编码特征表示之间的乘积进行叠加,再将叠加的结果与该待分析关键点分类集合对应的集合像素分布编码特征表示进行叠加,以形成该待分析关键点分类集合对应的叠加编码特征表示,以及,将每一个所述待分析关键点分类集合对应的叠加编码特征表示进行拼接,以形成对应的拼接待分析编码特征表示;
对所述拼接参考编码特征表示和所述拼接待分析编码特征表示进行相似度计算(如余弦相似度计算),得到所述参考人脸图像与所述待分析人脸图像之间的图像相似度。
结合图3,本发明实施例还提供一种基于人工智能的人脸图像美颜处理装置,可应用于上述基于人工智能的人脸图像美颜处理系统。其中,所述基于人工智能的人脸图像美颜处理装置可以包括以下的各软件功能模块:
关系分布网构建模块,用于构建出人脸图像关系分布网,所述人脸图像关系分布网包括多帧参考人脸图像,所述多帧参考人脸图像中任意一帧参考人脸图像与至少一帧其它的参考人脸图像匹配;
神经网络优化处理模块,用于基于所述多帧参考人脸图像中的至少一帧参考人脸图像和该参考人脸图像对应的真实人脸图像标识信息,对搭建的初始人脸图像异常识别神经网络进行网络优化处理,以形成该初始人脸图像异常识别神经网络对应的目标人脸图像异常识别神经网络,所述真实人脸图像标识信息用于反映对应的所述参考人脸图像的真实异常类型和/或真实异常程度;
关系分布网确定模块,用于在所述多帧参考人脸图像中,筛查出与待分析人脸图像最相似的第一参考人脸图像,以及,从所述人脸图像关系分布网中,确定出所述第一参考人脸图像对应的局部人脸图像关系分布网;
异常识别处理模块,用于基于所述局部人脸图像关系分布网,利用所述目标人脸图像异常识别神经网络进行异常识别处理,以输出所述待分析人脸图像对应的目标人脸异常识别结果,所述目标人脸异常识别结果用于反映所述待分析人脸图像的异常类型和/或异常程度。
综上所述,本发明提供的基于人工智能的人脸图像美颜处理方法及系统,可以先构建出人脸图像关系分布网;基于多帧参考人脸图像中的至少一帧参考人脸图像和对应的真实人脸图像标识信息,对初始人脸图像异常识别神经网络进行网络优化处理,以形成目标人脸图像异常识别神经网络;筛查出与待分析人脸图像最相似的第一参考人脸图像,以及,确定出第一参考人脸图像对应的局部人脸图像关系分布网;基于局部人脸图像关系分布网,利用目标人脸图像异常识别神经网络进行异常识别处理,以输出待分析人脸图像对应的目标人脸异常识别结果。基于前述的步骤,由于在进行异常识别处理之前,是先在多帧参考人脸图像中筛查出与待分析人脸图像最相似的第一参考人脸图像,使得可以在人脸图像关系分布网中确定出第一参考人脸图像对应的局部人脸图像关系分布网,如此,可以通过具有更多信息的局部人脸图像关系分布网来替代待分析人脸图像,以进行异常识别处理,使得异常识别处理依据更为丰富,从而可以在一定程度上提高人脸图像异常识别的可靠度,进而改善现有技术中存在的可靠度不佳的问题。
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 (8)
1.一种基于人工智能的人脸图像美颜处理方法,其特征在于,包括:
构建出人脸图像关系分布网,所述人脸图像关系分布网包括多帧参考人脸图像,所述多帧参考人脸图像中任意一帧参考人脸图像与至少一帧其它的参考人脸图像匹配;
基于所述多帧参考人脸图像中的至少一帧参考人脸图像和该参考人脸图像对应的真实人脸图像标识信息,对搭建的初始人脸图像异常识别神经网络进行网络优化处理,以形成该初始人脸图像异常识别神经网络对应的目标人脸图像异常识别神经网络,所述真实人脸图像标识信息用于反映对应的所述参考人脸图像的真实异常类型和/或真实异常程度;
在所述多帧参考人脸图像中,筛查出与待分析人脸图像最相似的第一参考人脸图像,以及,从所述人脸图像关系分布网中,确定出所述第一参考人脸图像对应的局部人脸图像关系分布网;
基于所述局部人脸图像关系分布网,利用所述目标人脸图像异常识别神经网络进行异常识别处理,以输出所述待分析人脸图像对应的目标人脸异常识别结果,所述目标人脸异常识别结果用于反映所述待分析人脸图像的异常类型和/或异常程度,异常是指人脸形状变形,所述目标人脸异常识别结果作为对所述待分析人脸图像进行进一步的美颜处理的依据;
其中,所述基于所述多帧参考人脸图像中的至少一帧参考人脸图像和该参考人脸图像对应的人脸图像标识信息,对搭建的初始人脸图像异常识别神经网络进行网络优化处理,以形成该初始人脸图像异常识别神经网络对应的目标人脸图像异常识别神经网络的步骤,包括:
在所述多帧参考人脸图像中,筛选出示例性参考人脸图像;
在所述人脸图像关系分布网中,提取到所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网,所述示例性参考人脸图像配置有对应的真实人脸图像标识信息;
将所述示例性局部人脸图像关系分布网中的图像匹配信息进行图像匹配指向确定操作,形成具有图像匹配指向信息的更新示例性局部人脸图像关系分布网;
利用搭建的初始人脸图像异常识别神经网络,结合所述图像匹配指向信息,将所述更新示例性局部人脸图像关系分布网进行图像关键信息融合操作,输出所述更新示例性局部人脸图像关系分布网中各参考人脸图像对应的代表图像关键信息;
依据所述代表图像关键信息和所述真实人脸图像标识信息,将所述初始人脸图像异常识别神经网络进行网络权重的优化操作,输出对应的目标人脸图像异常识别神经网络;
其中,所述在所述人脸图像关系分布网中,提取到所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网的步骤,包括:
从所述人脸图像关系分布网中,确定出与所述示例性参考人脸图像之间的图像匹配偏离程度不大于预先配置的参考图像匹配偏离程度的参考人脸图像;
依据所述示例性参考人脸图像与确定出的参考人脸图像之间的图像匹配信息,组建形成所述示例性参考人脸图像对应的示例性局部人脸图像关系分布网。
2.如权利要求1所述的基于人工智能的人脸图像美颜处理方法,其特征在于,所述从所述人脸图像关系分布网中,确定出与所述示例性参考人脸图像之间的图像匹配偏离程度不大于预先配置的参考图像匹配偏离程度的参考人脸图像的步骤,包括:
对所述初始人脸图像异常识别神经网络包括的图像滤波单元的单元级联层级进行统计处理;
对与所述单元级联层级一致的数量进行标记处理,以标记形成对应的参考图像匹配偏离程度,使得所述参考图像匹配偏离程度等于对应的所述单元级联层级;
从所述人脸图像关系分布网中查找出与所述示例性参考人脸图像之间的图像匹配偏离程度不大于所述参考图像匹配偏离程度的参考人脸图像。
3.如权利要求1所述的基于人工智能的人脸图像美颜处理方法,其特征在于,所述利用搭建的初始人脸图像异常识别神经网络,结合所述图像匹配指向信息,将所述更新示例性局部人脸图像关系分布网进行图像关键信息融合操作,输出所述更新示例性局部人脸图像关系分布网中各参考人脸图像对应的代表图像关键信息的步骤,包括:
轮询所述更新示例性局部人脸图像关系分布网中的参考人脸图像,并筛选出当前轮询到的参考人脸图像在所述更新示例性局部人脸图像关系分布网中的相邻参考人脸图像;
利用搭建的初始人脸图像异常识别神经网络,基于所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像之间的图像匹配指向信息,对所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像的人脸图像关键信息进行融合操作,输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息;
依据所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息,确定出所述更新示例性局部人脸图像关系分布网中各参考人脸图像对应的代表图像关键信息。
4.如权利要求3所述的基于人工智能的人脸图像美颜处理方法,其特征在于,所述利用搭建的初始人脸图像异常识别神经网络,基于所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像之间的图像匹配指向信息,对所述当前轮询到的参考人脸图像与每一帧所述相邻参考人脸图像的人脸图像关键信息进行融合操作,输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息的步骤,包括:
分析出所述当前轮询到的参考人脸图像与所述相邻参考人脸图像之间的每一个图像匹配指向信息的位置朝向;
将位置朝向的末端位置属于所述当前轮询到的参考人脸图像的图像匹配指向信息进行标记,以标记为对应的第一图像匹配指向信息;
在所述当前轮询到的参考人脸图像与所述相邻参考人脸图像中,分析出所述第一图像匹配指向信息的位置朝向的初始位置对应的参考人脸图像,并对该参考人脸图像进行标记,以标记为对应的需融合参考人脸图像;
利用搭建的初始人脸图像异常识别神经网络,对所述需融合参考人脸图像与所述当前轮询到的参考人脸图像的人脸图像关键信息进行信息融合操作,以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息。
5.如权利要求4所述的基于人工智能的人脸图像美颜处理方法,其特征在于,所述需融合参考人脸图像的帧数大于或等于1;
所述利用搭建的初始人脸图像异常识别神经网络,对所述需融合参考人脸图像与所述当前轮询到的参考人脸图像的人脸图像关键信息进行信息融合操作,以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息的步骤,包括:
确定出每一帧所述需融合参考人脸图像对应的重要性参数分布;
利用搭建的初始人脸图像异常识别神经网络,对所述当前轮询到的参考人脸图像与每一帧所述需融合参考人脸图像的人脸图像关键信息,分别依据每一帧所述需融合参考人脸图像对应的重要性参数分布进行聚焦特征分析处理,输出每一帧所述需融合参考人脸图像对应的聚焦重要性参数;
利用所述初始人脸图像异常识别神经网络,对每一帧所述需融合参考人脸图像对应的人脸图像关键信息和对应的聚焦重要性参数进行融合映射操作,以形成每一帧所述需融合参考人脸图像对应的融合映射信息;
利用所述初始人脸图像异常识别神经网络,将全部的所述需融合参考人脸图像对应的融合映射信息进行融合激励输出操作,以输出所述当前轮询到的参考人脸图像对应的融合人脸图像关键信息。
6.如权利要求3所述的基于人工智能的人脸图像美颜处理方法,其特征在于,所述轮询所述更新示例性局部人脸图像关系分布网中的参考人脸图像,并筛选出当前轮询到的参考人脸图像在所述更新示例性局部人脸图像关系分布网中的相邻参考人脸图像的步骤,包括:
对所述初始人脸图像异常识别神经网络包括的每一个图像滤波单元的单元级联层级进行统计处理;
分析出每一个所述图像滤波单元的单元级联层级对应的图像匹配偏离程度,并基于所述图像匹配偏离程度确定出每一个所述图像滤波单元在所述更新示例性局部人脸图像关系分布网中对应的参考人脸图像轮询区域;
轮询每一个所述图像滤波单元对应的参考人脸图像轮询区域内的参考人脸图像,使得分析出每一个所述图像滤波单元当前轮询到的参考人脸图像在所述更新示例性局部人脸图像关系分布网中的相邻参考人脸图像。
7.如权利要求1所述的基于人工智能的人脸图像美颜处理方法,其特征在于,所述依据所述代表图像关键信息和所述真实人脸图像标识信息,将所述初始人脸图像异常识别神经网络进行网络权重的优化操作,输出对应的目标人脸图像异常识别神经网络的步骤,包括:
依据所述代表图像关键信息,将所述示例性参考人脸图像进行异常识别处理,以输出所述示例性参考人脸图像对应的识别人脸图像标识信息;
基于所述识别人脸图像标识信息和所述真实人脸图像标识信息,分析出对应的网络学习代价值,以及,依据所述网络学习代价值将所述初始人脸图像异常识别神经网络进行网络权重的优化操作,输出对应的目标人脸图像异常识别神经网络;
其中,所述依据所述代表图像关键信息,将所述示例性参考人脸图像进行异常识别处理,以输出所述示例性参考人脸图像对应的识别人脸图像标识信息的步骤,包括:
对所述代表图像关键信息进行线性映射输出操作,以输出所述示例性参考人脸图像对应的异常可能性指标;
基于所述异常可能性指标,分析出所述示例性参考人脸图像对应的识别人脸图像标识信息。
8.一种基于人工智能的人脸图像美颜处理系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011437.4A CN115908119B (zh) | 2023-01-05 | 2023-01-05 | 基于人工智能的人脸图像美颜处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011437.4A CN115908119B (zh) | 2023-01-05 | 2023-01-05 | 基于人工智能的人脸图像美颜处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908119A CN115908119A (zh) | 2023-04-04 |
CN115908119B true CN115908119B (zh) | 2023-06-06 |
Family
ID=86489721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310011437.4A Active CN115908119B (zh) | 2023-01-05 | 2023-01-05 | 基于人工智能的人脸图像美颜处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908119B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410131A (zh) * | 2018-09-28 | 2019-03-01 | 杭州格像科技有限公司 | 基于条件生成对抗神经网络的人脸美颜方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978754A (zh) * | 2017-12-28 | 2019-07-05 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN110111246B (zh) * | 2019-05-15 | 2022-02-25 | 北京市商汤科技开发有限公司 | 一种虚拟头像生成方法及装置、存储介质 |
CN110263737A (zh) * | 2019-06-25 | 2019-09-20 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
CN110399849B (zh) * | 2019-07-30 | 2021-07-27 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、处理器、电子设备及存储介质 |
CN112926369A (zh) * | 2019-12-06 | 2021-06-08 | 中兴通讯股份有限公司 | 一种人脸图像处理方法、装置、计算机设备及介质 |
CN111222446B (zh) * | 2019-12-31 | 2023-05-16 | Oppo广东移动通信有限公司 | 人脸识别方法、人脸识别装置及移动终端 |
CN113409204A (zh) * | 2021-06-10 | 2021-09-17 | Oppo广东移动通信有限公司 | 待处理图像的优化方法及装置、存储介质及电子设备 |
CN113538274A (zh) * | 2021-07-14 | 2021-10-22 | Oppo广东移动通信有限公司 | 图像美颜处理方法、装置、存储介质与电子设备 |
CN114972014A (zh) * | 2022-05-18 | 2022-08-30 | 北京金山云网络技术有限公司 | 图像处理方法、装置和电子设备 |
-
2023
- 2023-01-05 CN CN202310011437.4A patent/CN115908119B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410131A (zh) * | 2018-09-28 | 2019-03-01 | 杭州格像科技有限公司 | 基于条件生成对抗神经网络的人脸美颜方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115908119A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815339B (zh) | 基于TextCNN知识抽取方法、装置、计算机设备及存储介质 | |
US20220058426A1 (en) | Object recognition method and apparatus, electronic device, and readable storage medium | |
WO2021022521A1 (zh) | 数据处理的方法、训练神经网络模型的方法及设备 | |
US11176446B2 (en) | Compositional prototypes for scalable neurosynaptic networks | |
US10719693B2 (en) | Method and apparatus for outputting information of object relationship | |
CN113822209B (zh) | 高光谱图像识别方法、装置、电子设备及可读存储介质 | |
Baek et al. | Deep self-representative subspace clustering network | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
US20230334893A1 (en) | Method for optimizing human body posture recognition model, device and computer-readable storage medium | |
Zhu et al. | Object-difference drived graph convolutional networks for visual question answering | |
CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
CN113536856A (zh) | 图像识别方法和系统、数据处理方法 | |
CN111832440A (zh) | 人脸特征提取模型的构建方法、计算机存储介质及设备 | |
CN113822264A (zh) | 一种文本识别方法、装置、计算机设备和存储介质 | |
US20240046067A1 (en) | Data processing method and related device | |
CN114332893A (zh) | 表格结构识别方法、装置、计算机设备和存储介质 | |
CN111652181A (zh) | 目标跟踪方法、装置及电子设备 | |
CN115776401A (zh) | 基于少样本学习对网络攻击事件进行溯源的方法、装置 | |
WO2022063076A1 (zh) | 对抗样本的识别方法及装置 | |
CN115908119B (zh) | 基于人工智能的人脸图像美颜处理方法及系统 | |
CN110490876B (zh) | 一种基于轻量级神经网络的图像分割方法 | |
Lespinats et al. | ClassiMap: A new dimension reduction technique for exploratory data analysis of labeled data | |
CN116048944A (zh) | 用于大数据平台的负载趋势预测方法及系统 | |
CN114462491A (zh) | 一种行为分析模型训练方法、行为分析方法及其设备 | |
Ghebriout et al. | Harmonic-NAS: Hardware-Aware Multimodal Neural Architecture Search on Resource-constrained Devices |
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 | ||
GR01 | Patent grant |