WO2020000696A1 - 图像处理方法、装置、计算机设备及存储介质 - Google Patents

图像处理方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
WO2020000696A1
WO2020000696A1 PCT/CN2018/106427 CN2018106427W WO2020000696A1 WO 2020000696 A1 WO2020000696 A1 WO 2020000696A1 CN 2018106427 W CN2018106427 W CN 2018106427W WO 2020000696 A1 WO2020000696 A1 WO 2020000696A1
Authority
WO
WIPO (PCT)
Prior art keywords
vector
transformation
image data
difference vector
face image
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.)
Ceased
Application number
PCT/CN2018/106427
Other languages
English (en)
French (fr)
Inventor
周衍鑫
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2020000696A1 publication Critical patent/WO2020000696A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three-dimensional [3D] modelling for computer graphics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating three-dimensional [3D] models or images for computer graphics
    • G06T19/20—Editing of three-dimensional [3D] images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2004—Aligning objects, relative positioning of parts

Definitions

  • the present application relates to the field of image processing, and in particular, to an image processing method, device, computer equipment, and storage medium.
  • the three-dimensional data of a face can feedback more information on the face than the two-dimensional face data.
  • a data augmentation technology is proposed in the traditional technology, which is based on the linear model of the face for data augmentation.
  • the linear model of the face is produced by simple operations such as aligning and averaging multiple three-dimensional faces.
  • the average face is linear, but the linear model is suitable for 2D face data processing, but not for 3D face data.
  • the 3D face data augmented by the linear model is the linear average face data, resulting in the loss of some face data.
  • the augmentation results in distortion of the face, which ultimately results in less real three-dimensional face data.
  • An image processing method includes:
  • the first depth face image data and the second depth face image data are obtained, wherein the first depth face image data and the second depth face image data are the depth face images of the first face and the second face, respectively. data;
  • the target difference vector is used as the three-dimensional face image data.
  • An image processing device includes:
  • An obtaining module configured to obtain first depth face image data and second depth face image data, wherein the first depth face image data and the second depth face image data are a first face and a second face respectively Deep face image data;
  • a conversion module configured to perform coordinate conversion on the first depth face image data obtained by the acquisition module to obtain a first vector of the first face, and perform coordinate conversion on the second depth face image data obtained by the acquisition module to obtain a first The second vector of two faces;
  • a first determining module configured to determine a first transformation matrix according to a first vector transformed by the transformation module and a first transformation parameter, and determine a second transformation matrix according to a second vector transformed by the transformation module and a second transformation parameter;
  • a transformation module configured to perform vector transformation on the first vector according to the first transformation matrix determined by the first determination module to obtain a first difference vector, and perform vector transformation on the second vector according to the second transformation matrix determined by the first determination module to Obtaining a second difference vector;
  • a second determining module configured to determine a target difference vector according to the first difference vector and the second difference vector transformed by the transformation module
  • the third determining module is configured to use the target difference vector as the new deep face image data.
  • a computer device includes a memory, a processor, and computer-readable instructions stored in the memory and executable on the processor.
  • the processor executes the computer-readable instructions, the processor implements the following steps: acquiring first-depth face image data and Two-depth face image data, where the first depth face image data and the second depth face image data are the depth face image data of the first face and the second face respectively; for the first depth face image data Perform coordinate conversion to obtain a first vector of the first face, and perform coordinate conversion to the second depth face image data to obtain a second vector of the second face; determine the first transformation according to the first vector and the first transformation parameter Matrix, and determine a second transformation matrix according to the second vector and the second transformation parameter; perform vector transformation on the first vector according to the first transformation matrix to obtain a first difference vector, and perform vector transformation on the second vector according to the second transformation matrix To obtain a second difference vector; determine the target difference vector according to the first difference vector and the second difference vector; and use the target difference vector as New depth face image data.
  • One or more non-volatile readable storage media storing computer-readable instructions, wherein the computer-readable instructions, when executed by one or more processors, cause the one or more processors to perform the following steps: obtaining The first depth face image data and the second depth face image data, wherein the first depth face image data and the second depth face image data are the depth face image data of the first face and the second face, respectively ; Performing coordinate transformation on the first depth face image data to obtain a first vector of the first face, and performing coordinate transformation on the second depth face image data to obtain a second vector of the second face; according to the first vector And the first transformation parameter determines the first transformation matrix, and determines the second transformation matrix according to the second vector and the second transformation parameter; performing vector transformation on the first vector according to the first transformation matrix to obtain the first difference vector, and according to the second The transformation matrix performs vector transformation on the second vector to obtain a second difference vector; determines a target difference vector according to the first difference vector and the second difference vector; The difference vector image data as the new face of the depth of people
  • FIG. 1 is a schematic diagram of an application environment of an image processing method according to an embodiment of the present application.
  • FIG. 2 is a schematic flowchart of an image processing method according to an embodiment of the present application.
  • FIG. 3 is a schematic structural diagram of an image processing apparatus according to an embodiment of the present application.
  • FIG. 4 is a schematic structural diagram of a computer device according to an embodiment of the present application.
  • the image processing method and the image processing device, computer equipment, and storage medium corresponding to the image processing method provided in this application can be applied in the application environment diagram shown in FIG. 1, where the image processing device is used to implement the above image Processing method.
  • the image processing device is used to implement the above image Processing method.
  • a large amount of deep face image data is obtained, and a large amount of deep face image data is subjected to transformation calculations and other processing to obtain new three-dimensional face data instead of simple alignment.
  • the linear average face produced by the averaging operation has less face distortion in the obtained 3D face data, the face data is more realistic, and the number can be expanded to achieve the purpose of data augmentation.
  • the server refers to an independent server or a server cluster composed of multiple servers, and is not specifically limited.
  • FIG. 2 is a schematic flowchart of an image processing method according to an embodiment of the present application, including the following steps:
  • the first depth face image data and the second depth face image data are three-dimensional image data, and the first depth face image data and the second depth face image data are the first face, respectively.
  • deep face image data of the second face In the practical application of this solution, a depth camera can be used to obtain a large amount of depth face image data to build a preset depth face image database, and then the first depth is randomly obtained from the preset depth face image database.
  • the face image data and the second depth face image data, the first depth face image data and the second depth face image data are any two depth face image data in the preset depth face image database.
  • the depth camera refers to an image sensor that can observe the position of an object or a person in space.
  • the depth camera may be an active, passive, contact or non-contact depth camera, where Active, which is aimed at the target object and emits an energy beam (such as laser, electromagnetic waves, or ultrasound). Passive depth cameras mainly use the conditions of the target's surroundings to image. Contact depth cameras are those that need to be in contact with or closer to the target. Contact means no contact with the target object.
  • the above depth camera may specifically refer to a TOF (time-of-flight) depth camera.
  • it may also be a kinect depth camera, an XTion depth camera, or a RealSense depth camera, which is not specifically limited.
  • each frame of the depth face image obtained by the depth camera scan not only includes the color RGB image of each point of the depth face image in the real scene, but also the depth person.
  • the deep face image can be regarded as a gray image, in which the gray value of each point in the deep face image represents the depth value of the point, that is, the position of the point in reality to The true distance of the vertical plane in which the camera is located.
  • the gray value of each point in the deep face image represents the depth value of the point.
  • the depth camera can obtain its imaging point XM in the RGB image, and the distance between M and the vertical plane (the plane formed by X and Y) where the depth camera is located. This distance value is M's depth value.
  • a local three-dimensional coordinate system of the depth camera can be established, that is, the depth camera is used to obtain
  • the depth face image is a kind of three-dimensional face image data.
  • a preset geometric formula such as a triangular geometric formula, the three-dimensional coordinates of M in the local coordinate system of the depth camera can be obtained.
  • each pixel in the deep face image data contains information of each coordinate value in the local coordinate system, and the deep face image data feeds back three-dimensional information of the face image surface.
  • each point in the RGB image corresponds to a three-dimensional point in the local coordinate system of the depth camera.
  • the depth face image data of each frame of the depth camera is equivalent to a local three-dimensional coordinate in the depth camera.
  • Point cloud model in the system. Therefore, in this solution, the first depth face image data may be three-dimensional points in the local coordinate system of the depth camera, and have corresponding three-dimensional coordinates.
  • the point cloud model corresponding to the depth face image data of each frame is in the local three-dimensional coordinate system of the camera, and different depth camera positions (that is, different frames) correspond to different localities. Three-dimensional coordinate system.
  • the final deep 3D face image data needs to be located in a coordinate system, such as a world coordinate system or a global coordinate system. Therefore, in this solution, a vector of the corresponding first depth face is obtained by performing vector conversion on the acquired first depth face image data, and similarly, a vector conversion is performed by using the second depth face image data to obtain The second vector of the corresponding second human face, that is, the first vector is three-dimensional coordinate data corresponding to the first depth face image data, and the second vector is three-dimensional coordinate data corresponding to the second depth face image data.
  • first vector and the second vector are not limited in time sequence, and are not specifically limited, as long as the first depth face image data is obtained, coordinate transformation can be performed to obtain the first vector. Similarly, as long as the second depth face image data is obtained, coordinate conversion can be performed to obtain a second vector.
  • the first transformation parameter and the second transformation parameter are used to respectively determine the first transformation parameter and the second transformation parameter.
  • the vector and the second vector determine a corresponding transformation matrix. That is, the first transformation matrix is determined according to the first vector and the first transformation parameter, and the second transformation matrix is determined according to the second vector and the second transformation parameter.
  • the first transformation matrix can be determined after the first transformation parameter and the first vector are determined. Similarly, as long as the second transformation parameter and the second vector are determined, the first transformation matrix can be determined.
  • the first vector can be further transformed according to the first transformation matrix, and the first vector can be further transformed according to the second transformation matrix, thereby The corresponding first difference vector and the second difference vector are obtained, where the first difference vector refers to the energy representation required for the first vector to be transformed into the second vector, that is, the distance between the first vector and the second vector;
  • the two difference vectors refer to the energy representation required for the second vector to be transformed into the first vector, that is, the distance between the second vector and the first vector.
  • the above-mentioned vector transformation of the first vector and the second vector is not limited in time sequence, and is not specifically limited.
  • the first transformation matrix can be used to perform the first transformation matrix.
  • the vector is subjected to vector transformation to obtain the first difference vector.
  • the second vector may be vector transformed according to the second transformation matrix to obtain the second difference vector.
  • the target difference vector is further determined according to the first difference vector and the second difference vector.
  • the obtained target difference vector can be used as the new deep face image data, so as to achieve the data that has enhanced the image of the deep face image data.
  • the two pairs of them total 499,500 combinations, we can select 100,000 from them, and use the data augmentation method provided by this solution to augment the deep face image to achieve the purpose of image augmentation.
  • first depth face image data and second depth face image data are obtained, where the first depth face image data and the second depth face image data are the first face and the second depth face data, respectively.
  • Deep face image data of a human face coordinate conversion of the first deep face image data to obtain a first vector of the first face, and coordinate conversion of the second deep face image data to obtain a second face's A second vector; determining a first transformation matrix according to the first vector and the first transformation parameter, and determining a second transformation matrix according to the second vector and the second transformation parameter; performing vector transformation on the first vector according to the first transformation matrix to obtain a first A difference vector, and performing vector transformation on the second vector according to the second transformation matrix to obtain a second difference vector; determining a target difference vector according to the first difference vector and the second difference vector; and using the target difference vector as three-dimensional face image data.
  • a set of vectors is used to obtain new three-dimensional face image data, that is, in this solution, the three-dimensional coordinates of the deep face image data are combined for transformation.
  • the three-dimensional coordinates of the two deep face image data are stitched.
  • the data is transformed and processed. It is not simple to align a piece of deep face image data and make it by linear transformation operations such as averaging. It can effectively reduce the loss of face data, reduce face distortion, and compare face data. Real, the number of face data is expanded, and the amount of real deep face image data obtained by augmentation is effectively increased.
  • step S30 the determining the first transformation matrix according to the first vector and the first transformation parameter specifically includes:
  • the first transformation matrix is determined according to the following formula:
  • T 1 is the first transformation parameter
  • M 1 is the first transformation matrix
  • F i is the first vector
  • n is a positive integer.
  • the first transformation parameter T 1 is a random number, and is not specifically limited. It can be seen from this that this embodiment proposes a specific method for determining the first transformation matrix according to the first vector and the first transformation parameter, which improves the implementability of the solution.
  • step S40 performing a vector transformation on the first vector according to the first transformation matrix to obtain a first difference vector specifically includes:
  • a vector transformation is performed on the first vector to obtain a first difference vector, which improves the implementability of the solution.
  • step S30 determining the second transformation matrix according to the second vector and the second transformation parameter specifically includes:
  • the above-mentioned second transformation matrix is determined according to the following formula:
  • B 2 [1, x k , y k , z k ]
  • T 2 is the second transformation parameter
  • M 2 is the second transformation matrix
  • F j is the second vector
  • F j [x k , y k , z k ], k ⁇ [1, m]
  • m is a positive integer.
  • the first transformation parameter T 2 is a random number, and is not specifically limited. It can be seen from this that this embodiment proposes a specific method for determining the second transformation matrix according to the second vector and the second transformation parameter, which improves the implementability of the solution.
  • step S40 performing vector transformation on the second vector according to the second transformation matrix to obtain a second difference vector specifically includes:
  • M 2 is a second transformation matrix
  • ⁇ ji is a second difference vector
  • a vector transformation is performed on the second vector to obtain a second difference vector, which improves the implementability of the solution. It can be seen from this that in this solution, the first transformation matrix can be obtained in the same manner as the first difference vector is determined, and the first difference vector is obtained by vectoring the first vector according to the first transformation matrix.
  • T 2 and T 1 are the same transformation parameters, for example, the first transformation parameter may be 0.5, 1, 1.5, etc., and the second transformation parameter may be 0.5 , 1, 1.5, etc. are not specifically limited.
  • the first transformation matrix is determined according to the following formula:
  • T 1 is the first transformation parameter
  • M 1 ′ is the first transformation matrix
  • F i is the first vector
  • p ⁇ [1, n] n is a positive integer.
  • B 1 [1, x k , y k , z k ]
  • M 2 ' is the second transformation matrix
  • F j is the second Vector
  • F j [x k , y k , z k ], k ⁇ [1, m]
  • m is a positive integer.
  • step S50 that is, determining the target difference vector according to the first difference vector and the second difference vector, specifically includes:
  • s (i, j) is the target difference vector
  • ⁇ ij is the first difference vector
  • ⁇ ji is the second difference vector
  • s' (i, j) is the above-mentioned parameter difference vector
  • ⁇ ij is the first difference vector
  • ⁇ ji is the second difference vector
  • the above-mentioned parameter difference vector is affine transformed to obtain the above-mentioned target difference vector
  • Affine transformation refers to the process of linear transformation of one vector space and subsequent translation to another vector space.
  • the first face and the second face are faces of the same person.
  • the above image processing method is performed by using the depth image face data of the same person's face, because the belonging to the same person can make the new depth face image data obtained at last more realistic.
  • this application proposes an image processing method.
  • a set of deep face image data is collected to obtain a vector corresponding to the deep face image data, and then a vector corresponding to the set of deep face image data is obtained through a transformation matrix.
  • new three-dimensional face image data will be obtained based on a set of vectors after the vector transformation, that is, combining the three-dimensional coordinates of the deep face image data for transformation, instead of simply aligning and averaging
  • the linear average face produced by the other operations the new face data obtained has less face distortion, the face data is more real, and the number can be expanded to achieve the purpose of data augmentation.
  • an image processing apparatus corresponds to the image processing method in the above embodiment one-to-one.
  • the image processing apparatus includes an acquisition module 301, a conversion module 302, a first determination module 303, a conversion module 304, a second determination module 305, and a third determination module 306.
  • the detailed description of each function module is as follows:
  • the obtaining module 301 is configured to obtain first depth face image data and second depth face image data, wherein the first depth face image data and the second depth face image data are a first face and a second person, respectively. Face depth image data of the face; a conversion module 302, configured to perform coordinate conversion on the first depth face image data obtained by the acquisition module 301 to obtain a first vector of the first face, and a second vector obtained by the acquisition module 301 The depth face image data is subjected to coordinate transformation to obtain a second vector of the second face; a first determining module 303 is configured to determine a first transformation matrix according to the first vector transformed by the transformation module 302 and the first transformation parameter, and The second vector transformed by the transformation module 302 and the second transformation parameter determine a second transformation matrix; the transformation module 304 is configured to perform vector transformation on the first vector according to the first transformation matrix determined by the first determination module 303 to obtain a first difference Vector, and vector-transform the second vector according to the second transformation matrix determined by the first determining module 303 to obtain a second difference vector
  • the first determining module 303 is specifically configured to determine a first transformation matrix according to the following formula:
  • B 1 [1, x p , y p , z p ], T 1 is a first transformation parameter, M 1 is a first transformation matrix, and F i is a first vector, p ⁇ [1, n], n is a positive integer.
  • the transformation module 304 is specifically configured to perform vector transformation on the first vector according to the following formula to obtain a first difference vector: Among them, M 1 is a first transformation matrix, and ⁇ ij is a first difference vector.
  • the transformation module 304 is specifically configured to perform vector transformation on the second vector according to the following formula to obtain a second difference vector: Among them, M 2 is a second transformation matrix, and ⁇ ji is a second difference vector.
  • the second determining module 305 is specifically configured to determine a target difference vector according to the following formula: Among them, s (i, j) is the target difference vector, ⁇ ij is the first difference vector, and ⁇ ji is the second difference vector.
  • the first face and the second face are faces of the same person.
  • this application proposes an image processing device.
  • the image processing device first collects a set of deep face image data to obtain a vector corresponding to the deep face image data, and then uses a transformation matrix to correspond to the set of deep face image data. Perform vector transformation on vectors to obtain new three-dimensional face image data based on a set of vectors after vector transformation. That is, in this solution, the three-dimensional coordinates of the deep face image data are combined for transformation.
  • It is based on the transformation of three-dimensional coordinate data of two deep face image data. It is not simply produced by linear transformation operations such as aligning one deep face image data and averaging, which can effectively reduce the loss of face data. , Reduce the face distortion of the face, the face data is more realistic, the number of face data has been expanded, and the amount of real deep face image data obtained by the augmentation has been effectively increased.
  • Each module in the image processing apparatus may be implemented in whole or in part by software, hardware, and a combination thereof.
  • the above-mentioned modules may be embedded in the hardware in or independent of the processor in the computer device, or may be stored in the memory of the computer device in the form of software, so that the processor can call and execute the operations corresponding to the above modules.
  • a computer device is provided.
  • the computer device may be a server, and its internal structure diagram may be as shown in FIG. 4.
  • the computer device includes a processor, a memory, a network interface, and a database connected through a system bus.
  • the processor of the computer device is used to provide computing and control capabilities.
  • the memory of the computer device includes a non-volatile storage medium and an internal memory.
  • the non-volatile storage medium stores an operating system, computer-readable instructions, and a database.
  • the internal memory provides an environment for the operation of the operating system and computer-readable instructions in a non-volatile storage medium.
  • the database of the computer equipment is used to store the acquired face data of the first and second depth images, and store the above-mentioned transformation matrices, transformation parameters, etc. that are calculated.
  • the network interface of the computer device is used to communicate with an external computer device through a network connection.
  • the computer-readable instructions are executed by a processor to implement an image processing method.
  • a computer device including a memory, a processor, and computer-readable instructions stored on the memory and executable on the processor.
  • the processor executes the computer-readable instructions, the following steps are implemented: A depth face image data and a second depth face image data, wherein the first depth face image data and the second depth face image data are the depth face image data of the first face and the second face, respectively; Performing coordinate conversion on the first depth face image data to obtain a first vector of the first face, and performing coordinate conversion on the second depth face image data to obtain a second vector of the second face; according to the first vector and
  • the first transformation parameter determines a first transformation matrix, and determines a second transformation matrix according to the second vector and the second transformation parameter; performs vector transformation on the first vector according to the first transformation matrix to obtain a first difference vector, and according to the second transformation
  • the matrix performs vector transformation on the second vector to obtain a second difference vector; and determines a target difference direction according to the first difference vector and the second difference vector. ;
  • the difference vectors as the
  • the present application proposes a computer device that transforms the three-dimensional coordinates of the deep face image data.
  • the three-dimensional coordinate data of the two deep face image data is transformed and processed, which is not simple. It is produced by aligning a deep face image data, averaging and other linear transformation operations, which can effectively reduce the loss of face data, reduce the distortion of the face, the face data is more real, and the face data is realized.
  • the number of images is expanded, which effectively increases the number of real deep face image data obtained from the augmentation.
  • one or more non-volatile readable storage media storing computer readable instructions are provided, and the non readable storage medium stores computer readable instructions, the computer readable instructions When executed by one or more processors, the one or more processors are caused to implement the following steps: acquiring first depth face image data and second depth face image data, wherein the first depth face image data and the second depth face image data The depth face image data is the depth face image data of the first face and the second face respectively; coordinate conversion is performed on the first depth face image data to obtain a first vector of the first face, and the second depth Performing coordinate transformation on the face image data to obtain a second vector of the second face;
  • a computer storage medium When computer-readable instructions stored in the computer medium are executed by a processor, the three-dimensional coordinates of the deep face image data are combined for transformation.
  • the transformation processing of the three-dimensional coordinate data of two deep face image data is not simply made by linear transformation operations such as aligning one deep face image data and averaging, which can effectively reduce the loss of face data and reduce
  • the face is distorted, and the face data is relatively real.
  • the amount of face data has been expanded, and the amount of real deep face image data obtained by augmentation has been effectively increased.
  • Non-volatile memory may include read-only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), or flash memory.
  • Volatile memory can include random access memory (RAM) or external cache memory.
  • RAM is available in various forms, such as static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), dual data rate SDRAM (DDRSDRAM), enhanced SDRAM (ESDRAM), synchronous chain (Synchlink) DRAM (SLDRAM), memory bus (Rambus) direct RAM (RDRAM), direct memory bus dynamic RAM (DRDRAM), and memory bus dynamic RAM (RDRAM).

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Architecture (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请公开了一种图像处理方法、装置、计算机设备及存储介质，有效地提高了增广得到的真实的三维人脸数据的数量。上述方法部分包括：获取第一深度人脸图像数据、第二深度人脸图像数据；对第一、第二深度人脸图像数据进行坐标转换以获得第一人脸的第一向量和第二人脸的第二向量；根据第一向量以及第一变换参数确定第一变换矩阵，根据第二向量以及第二变换参数确定第二变换矩阵；根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；根据第一差异向量和第二差异向量确定目标差异向量；将目标差异向量作为新的深度人脸图像数据。

Description

图像处理方法、装置、计算机设备及存储介质
本申请以2018年6月29日提交的申请号为201810698470.8，名称为“图像处理方法、装置、计算机设备及存储介质”的中国发明专利申请为基础，并要求其优先权。
技术领域
本申请涉及图像处理领域，尤其涉及一种图像处理方法、装置、计算机设备及存储介质。
背景技术
随着人脸识别技术的快速发展，人们对于人脸识别技术的精确性、快速性要求越来越高，从二维人脸识别，继而发展到三维人脸识别，三维人脸作为一种反馈人脸在现实中的三维数据，相比于二维人脸数据，能反馈更多人脸上的信息。
但是，目前的深度人脸图像的公开数据库非常少，然而进行深度学习等复杂算法对深度人脸图像数据进行训练时，通常需要大量的深度人脸图像数据，所以在深度人脸图像的训练常常会对现有深度人脸图像数据进行数据增广。因此，传统技术上提出了一种数据增广技术，是基于人脸线性模型进行数据增广，其中，人脸的线性模型是对多个三维人脸通过对齐，求平均等简单操作制作出来的线性平均人脸，但线性模型适用于二维人脸数据处理，不适用于三维人脸数据，使用线性模型增广出来的三维人脸数据是线性平均人脸数据，导致失去部分人脸数据，增广得到导致脸部扭曲，最终使得增广得到的真实的三维人脸数据较少。
发明内容
基于此，有必要针对上述技术问题，提供一种可以有效地提高了增广得到的真实的三维人脸数据的数量的图像处理方法、装置、计算机设备及存储介质。
一种图像处理方法，包括：
获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；
对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；
根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；
根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；
根据第一差异向量和第二差异向量确定目标差异向量；
将目标差异向量作为三维人脸图像数据。
一种图像处理装置，包括：
获取模块，用于获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一 深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；
转换模块，用于对获取模块获取的第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对获取模块获取的第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；
第一确定模块，用于根据转换模块转换的第一向量，以及第一变换参数确定第一变换矩阵，并根据转换模块转换的第二向量，以及第二变换参数确定第二变换矩阵；
变换模块，用于根据第一确定模块确定的第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第一确定模块确定的第二变换矩阵对第二向量进行向量变换以获得第二差异向量；
第二确定模块，用于根据变换模块变换的第一差异向量和第二差异向量确定目标差异向量；
第三确定模块，用于将目标差异向量作为新的深度人脸图像数据。
一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现如下步骤：获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；根据第一差异向量和第二差异向量确定目标差异向量；将目标差异向量作为新的深度人脸图像数据。
一个或多个存储有计算机可读指令的非易失性可读存储介质，其特征在于，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如下步骤：获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；根据第一差异向量和第二差异向量确定目标差异向量；将目标差异向量作为新的深度人脸图像数据。
本申请的一个或多个实施例的细节在下面的附图和描述中提出，本申请的其他特征和优点将从说明书、附图以及权利要求变得明显。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获 得其他的附图。
图1是本申请一实施例中图像处理方法的一应用环境示意图；
图2是本申请一实施例中图像处理方法的流程示意图；
图3是本申请一实施例中图像处理装置的结构示意图；
图4是本申请一实施例中计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请提供的图像处理方法、以及该图像处理方法所对应的图像处理装置，计算机设备及存储介质可应用在如图1的所示的应用环境示意图中，其中，图像处理装置用于实现上述图像处理方法，在上述图像处理方法中，通过获取大量深度人脸图像数据，并大量深度人脸图像数据两两进行变换计算等处理，从而得到新的三维人脸数据，而不是简单的对齐，求平均等操作制作出来的线性平均人脸，得到的三维人脸数据脸部扭曲较少，人脸数据比较真实，并且能够实现了数量的扩展，达到数据增广的目的。另外，服务器是指独立的服务器或者是多个服务器组成的服务器集群来实现，具体不做限定。下面通过具体的实施例对本申请中的图像处理方法、以及该图像处理方法所对应的图像处理装置，计算机设备及存储介质进行介绍。
在一实施例中，请参阅图2所示，图2为本申请一实施例中图像处理方法的流程示意图，包括如下步骤：
S10、获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；
其中，在本方案中，第一深度人脸图像数据以及第二深度人脸图像数据是一种三维图像数据，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据。在本方案的实际应用中，可以利用深度相机(depth camera)获取大量深度人脸图像数据以构建预设深度人脸图像数据库，再从该预设深度人脸图像数据库中随机获取上述第一深度人脸图像数据以及第二深度人脸图像数据，该第一深度人脸图像数据以及第二深度人脸图像数据为该预设深度人脸图像数据库中的任意两个深度人脸图像数据。其中，深度相机指的是一种图像传感器，该图像传感器能够观察到物体或人物在空间中的位置，具体的，该深度相机可以是主动式、被动式，接触式或非接触式深度相机，其中，主动式是指向目标对象发射能量束(如激光、电磁波或超声波等)，被动式深度相机主要利用目标对象的周围环境的条件成像，接触式深度相机是指需与目标对象接触或比较靠近，非接触式是指不需要与目标对象接触。示例性的，上述深度相机具体可以是指TOF(time-of-flight)深度相机，除此之外，还可以是kinect深度相机，XTion深度相机或RealSense深度相机，具体不做限定。
S20、对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；
其中，需要说明的是，对于现实场景中的点，深度相机扫描得到的每一帧深度人脸图像不仅包括了现实场景中，该深度人脸图像每个点的彩色RGB图像，还包括深度人脸图像每个点到深度相机所在的垂直平面的距离值。该个距离值被称为深度值(depth)，这些深度值共同组成了这一帧的深度人脸图像。也就是说，深度人脸图像可以看做是一副灰度图像，其中，该深度人脸图像中每个点的灰度值代表了这个点的深度值，即该点在现实中的位置到相机所在垂直平面的真实距离。换句话说，利用深度相机获取到的现实场景中的深度人脸图像中，该深度人脸图像中的每个点的灰度值代表了该点的深度值。例如，对于现实场景中点M，深度相机能够获取其在RGB图像中的成像点XM，以及M到深度相机所在的垂直平面(X、Y所构成的平面)的距离值，这个距离值便是M的深度值。以深度相机位置为原点，深度相机所朝方向为Z轴，深度相机的垂直平面的两个轴向为X、Y轴，可以建立深度相机的局部三维坐标系，也即，利用深度相机，获取的深度人脸图像是一种三维人脸图像数据，通过这些三维人脸图像数据并使用预设几何公式，例如三角几何公式，可以得到M在深度相机的局部坐标系中的三维坐标，简而言之，深度人脸图像数据中的每个像素都包含了局部坐标系下各个坐标值的信息，深度人脸图像数据反馈了人脸图像表面的三维信息。
由以上可知，RGB图像中的每个点，都会对应一个在深度相机的局部坐标系中的三维点，深度相机的每一帧的深度人脸图像数据就相当于一个在深度相机的局部三维坐标系中的点云模型。因此，在本方案中，第一深度人脸图像数据，都可以是深度相机的局部坐标系中的三维点，具有对应的三维坐标。另外，需要说明的是，由前述可知，每一帧深度人脸图像数据对应的点云模型是在相机的局部三维坐标系中，不同的深度相机位置(即不同帧)便对应着不同的局部三维坐标系。在本方案中，最后的深度三维人脸图像数据需要坐落在一个坐标系，如世界坐标系或全局坐标系。因此，在本方案中，通过对获取的第一深度人脸图像数据进行向量转换得到对应的第一深度人脸的第一向量，同理，通过第二深度人脸图像数据进行向量转换以获得对应的第二人脸的第二向量，也即，第一向量为第一深度人脸图像数据对应的三维坐标数据，第二向量为第二深度人脸图像数据对应的三维坐标数据。
这里需要说明的是，上述确定第一向量以及第二向量的动作并无时间先后顺序限定，具体不做限定，只要获取了第一深度人脸图像数据后即可进行坐标转换从而得到第一向量，同理，只要获取了第二深度人脸图像数据后即可进行坐标转换从而得到第二向量。
S30、根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；
本方案中，在得到第一深度人脸图像数据对应的第一向量，以及第二深度人脸图像数据对应的第二向量后，通过确定的第一变换参数和第二变换参数分别对第一向量以及第二向量确定出对应的变换矩阵。也即：根据第一向量以及第一变换参数确定第一变换矩阵，根据第二向量以及第二变换参数确定第二变换矩阵。
这里需要说明的是，上述确定第一变换矩阵以及第二变换矩阵的动作并无时间先后顺序限定，具体不做限定，只要确定了第一变换参数以及第一向量后即可确定第一变换矩阵，同理，只要确定了第二变换参数以及第二向量后后即可确定第一变换矩阵。
S40、根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二 变换矩阵对第二向量进行向量变换以获得第二差异向量；
在本方案中，在确定了第一变换矩阵以及第二变换矩阵后，可以进一步根据该第一变换矩阵对第一向量进行变换，以及进一步根据该第二变换矩阵对第一向量进行变换，从而得到对应的第一差异向量以及第二差异向量，其中，第一差异向量是指第一向量变换为第二向量所需要的能量表象，也即第一向量到第二向量之间的距离；第二差异向量是指第二向量变换为第一向量所需要的能量表象，也即第二向量到第一向量之间的距离。
这里需要说明的是，上述对第一向量以及第二向量进行向量变换的动作并无时间先后顺序限定，具体不做限定，只要确定了第一变换矩阵后即可根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，同理，只要确定了第二变换矩阵后即可根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量。
S50、根据第一差异向量和第二差异向量确定目标差异向量；
在本方案中，在确定了第一差异向量以及第二差异向量后，进一步根据该第一差异向量以及第二差异向量确定目标差异向量。
S60、将目标差异向量作为新的深度人脸图像数据。
本方案中，可以将求得的目标差异向量作为新的深度人脸图像数据，从而对达到了对深度人脸图像数据起到了图像增广的数据，示例性的，对于1000个深度人脸图像数据，则其两两组合共有499500组合，我们可以从中选取10万个，采取本方案提供的数据增广方法，以对深度人脸图像进行增广，达到图像增广的目的。
综上，本方案中，获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；根据第一差异向量和第二差异向量确定目标差异向量；将目标差异向量作为三维人脸图像数据。也就是说，先是采集一组深度人脸图像数据以得到深度人脸图像数据对应的向量，再通过变换矩阵对该组深度人脸图像数据对应的向量进行向量变换，将根据经过向量变换后的一组向量得到新的三维人脸图像数据，也就是说，在本方案中，结合了深度人脸图像数据的三维坐标进行变换，在处理过程中是针两张深度人脸图像数据的三维坐标数据进行变换处理，不是简单的对一张深度人脸图像数据进行对齐，求平均等线性变换操作制作出来的，可以有效地降低了丢失人脸数据，降低人脸脸部扭曲，人脸数据比较真实，实现了人脸数据的数量扩展，有效地提高了增广得到的真实的深度人脸图像数据的数量。
在一实施例中，步骤S30中，所述根据第一向量以及第一变换参数确定第一变换矩阵，具体包括：
根据以下公式确定出第一变换矩阵：
Figure PCTCN2018106427-appb-000001
其中，
Figure PCTCN2018106427-appb-000002
T 1为第一变换参数， M 1为第一变换矩阵，F i为第一向量，
Figure PCTCN2018106427-appb-000003
n为正整数。
另外需要说明的是，在一些实施方式中，上述第一变换参数T 1为随机数，具体不做限定。从这里可以看出，本实施例提出了具体的确定根据第一向量以及第一变换参数确定第一变换矩阵的方式，提高了方案的可实施性。
在一实施例中，步骤S40中，根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，具体包括：
根据以下公式对第一向量进行向量变换以获得第一差异向量：
Figure PCTCN2018106427-appb-000004
其中，为第一变换矩阵，为第一差异向量。
这里，提出了一种对第一向量进行向量变换以获得第一差异向量，提高了方案的可实施性。
在一实施例中，步骤S30中，根据第二向量以及第二变换参数确定第二变换矩阵，具体包括：
根据以下公式确定出上述第二变换矩阵：
Figure PCTCN2018106427-appb-000005
其中，
Figure PCTCN2018106427-appb-000006
a',b'∈[1,m]，B 2＝[1,x k,y k,z k]，T 2为第二变换参数，M 2为第二变换矩阵，F j为第二向量，F j＝[x k,y k,z k],k∈[1,m]，m为正整数。
需要说明的是，在一些实施方式中，上述第一变换参数T 2为随机数，具体不做限定。从这里可以看出，本实施例提出了具体的确定根据第二向量以及第二变换参数确定第二变换矩阵的方式，提高了方案的可实施性。
在一实施例中，步骤S40中，根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量，具体包括：
根据以下公式对第二向量进行向量变换以获得第二差异向量：
Figure PCTCN2018106427-appb-000007
其中，M 2为第二变换矩阵，α ji为第二差异向量。
这里，提出了一种对第二向量进行向量变换以获得第二差异向量，提高了方案的可实施性。从这里可以看出，本方案中，可采用与确定第一差异向量同样的方式获得第一变换矩阵，以及根据第一变换矩阵对第一向量进行向量获得第一差异向量。
需要说明的是，在一些实施方式中，在一些实施方式中，上述T 2和T 1为相同的变换参数，例如第一变换参数可以为0.5、1、1.5等，第二变换参数可以为0.5、1、1.5等，具体也不做限定。
另外需要说明的是，除了上述确定第一变换矩阵以及第二变换矩阵的方式外，还有其他确定第一变换矩阵以及第二变换矩阵的方式，例如:
根据以下公式确定出第一变换矩阵：
Figure PCTCN2018106427-appb-000008
其中，
Figure PCTCN2018106427-appb-000009
a,b∈[1,n]，B 1＝[1,x p,y p,z p]，T 1为第一变换参数，M 1'为第一变换矩阵，F i为第一向量，
Figure PCTCN2018106427-appb-000010
p∈[1,n]，n为正整数。
根据据以下公式确定第二变换矩阵：
Figure PCTCN2018106427-appb-000011
其中，
Figure PCTCN2018106427-appb-000012
a',b'∈[1,m]，B 1＝[1,x k,y k,z k]，T 2为第二变换参数，M 2'为第二变换矩阵，F j为第二向量，F j＝[x k,y k,z k],k∈[1,m]，m为正整数。
在一实施例中，步骤S50，也即根据第一差异向量和第二差异向量确定目标差异向量，具体包括：
根据以下公式确定目标差异向量：
Figure PCTCN2018106427-appb-000013
其中，s(i,j)为目标差异向量，α ij为第一差异向量，α ji为第二差异向量。
需要说明的是，根据第一差异向量以及第二差异向量，除了根据上述方式确定目标差异向量外，还可以有其他的方式，具体不做限定，例如：
根据以下公式确定参数差异向量：
Figure PCTCN2018106427-appb-000014
其中，s'(i,j)为上述参数差异向量，α ij为第一差异向量，α ji为第二差异向量，并将上述参数差异向量进行仿射变换以得到上述目标差异向量，其中，仿射变换是指一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间的过程。
在一实施例中，第一人脸与第二人脸为同一个人的人脸。采用相同人的人脸的深度图像人脸数据进行上述图像处理方法，由于属于同个人，可以使得最后得到的新的深度人脸图像数据更为真实。
综上所述，本申请提出了一种图像处理方法，先是采集一组深度人脸图像数据以得到深度人脸图像数据对应的向量，再通过变换矩阵对该组深度人脸图像数据对应的向量进行向量变换，将根据经过向量变换后的一组向量得到新的三维人脸图像数据，也就是说，结合了深度人脸图像数据的三维坐标进行变换，而不再是简单的对齐，求平均等操作制作出来的线性平均人脸，得到的新的人脸数据脸部扭曲较少，人脸数据比较真实，并且能够实 现了数量的扩展，达到数据增广的目的。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种图像处理装置，该图像处理装置与上述实施例中图像处理方法一一对应。如图3所示，该图像处理装置包括获取模块301、转换模块302、第一确定模块303、变换模块304、第二确定模块305和第三确定模块306。各功能模块详细说明如下：
获取模块301，用于获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；转换模块302，用于对获取模块301获取的第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对获取模块301获取的第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；第一确定模块303，用于根据转换模块302转换的第一向量，以及第一变换参数确定第一变换矩阵，并根据转换模块302转换的第二向量，以及第二变换参数确定第二变换矩阵；变换模块304，用于根据第一确定模块303确定的第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第一确定模块303确定的第二变换矩阵对第二向量进行向量变换以获得第二差异向量；第二确定模块305，用于根据变换模块304变换的第一差异向量和第二差异向量确定目标差异向量；第三确定模块306，用于将第二确定模块305确定的目标差异向量作为三维人脸图像数据。
在一实施例中，第一确定模块303具体用于：根据以下公式确定出第一变换矩阵：
Figure PCTCN2018106427-appb-000015
其中，，B 1＝[1,x p,y p,z p]，T 1为第一变换参数，M 1为第一变换矩阵，F i为第一向量，
Figure PCTCN2018106427-appb-000016
p∈[1,n]，n为正整数。
在一实施例中，变换模块304具体用于：根据以下公式对第一向量进行向量变换以获得第一差异向量：
Figure PCTCN2018106427-appb-000017
其中，M 1为第一变换矩阵，α ij为第一差异向量。
在一实施例中，第一确定模块303具体用于：根据以下公式确定出上述第二变换矩阵：
Figure PCTCN2018106427-appb-000018
其中，
Figure PCTCN2018106427-appb-000019
a',b'∈[1,m]，B 2＝[1,x k,y k,z k]，T 2为第二变换参数，M 2为第二变换矩阵，F j为第二向量，F j＝[x k,y k,z k],k∈[1,m]，m为正整数。
在一实施例中，变换模块304具体用于：根据以下公式对第二向量进行向量变换以获得第二差异向量：
Figure PCTCN2018106427-appb-000020
其中，M 2为第二变换矩阵，α ji为第二差异向量。
在一实施例中，第二确定模块305具体用于：根据以下公式确定目标差异向量：
Figure PCTCN2018106427-appb-000021
其中，s(i,j)为目标差异向量，α ij为第一差异向量，α ji为第二差异向量。
在一实施例中，第一人脸与第二人脸为同一个人的人脸。
可得，本申请提出了一种图像处理装置，图像处理装置先是采集一组深度人脸图像数据以得到深度人脸图像数据对应的向量，再通过变换矩阵对该组深度人脸图像数据对应的向量进行向量变换，将根据经过向量变换后的一组向量得到新的三维人脸图像数据，也就是说，在本方案中，结合了深度人脸图像数据的三维坐标进行变换，在处理过程中是针两张深度人脸图像数据的三维坐标数据进行变换处理，不是简单的对一张深度人脸图像数据进行对齐，求平均等线性变换操作制作出来的，可以有效地降低了丢失人脸数据，降低人脸脸部扭曲，人脸数据比较真实，实现了人脸数据的数量扩展，有效地提高了增广得到的真实的深度人脸图像数据的数量。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储获取的第一、第二深度图像人脸数据，并存储计算出来的上述变换矩阵、变换参数等。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机可读指令被处理器执行时以实现一种图像处理方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现以下步骤：获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；根据第一差异向量和第二差异向量确定目标差异向量；将所述目标差异向量作为新的深度人脸图像数据。
可得，本申请提出了一种计算机设备，该计算机设备对深度人脸图像数据的三维坐标进行变换，在处理过程中是针两张深度人脸图像数据的三维坐标数据进行变换处理，不是简单的对一张深度人脸图像数据进行对齐，求平均等线性变换操作制作出来的，可以有效地降低了丢失人脸数据，降低人脸脸部扭曲，人脸数据比较真实，实现了人脸数据的数量 扩展，有效地提高了增广得到的真实的深度人脸图像数据的数量。
在一个实施例中，提供了一个或多个存储有计算机可读指令的非易失性可读存储介质，该非易失性可读存储介质上存储有计算机可读指令，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器实现以下步骤：获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；
根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；根据第一差异向量和第二差异向量确定目标差异向量；将所述目标差异向量作为新的深度人脸图像数据。
可得，在本方案中提出了一种计算机存储介质，当存储在计算机介质的计算机可读指令被处理器执行时，结合了深度人脸图像数据的三维坐标进行变换，在处理过程中是针两张深度人脸图像数据的三维坐标数据进行变换处理，不是简单的对一张深度人脸图像数据进行对齐，求平均等线性变换操作制作出来的，可以有效地降低了丢失人脸数据，降低人脸脸部扭曲，人脸数据比较真实，实现了人脸数据的数量扩展，有效地提高了增广得到的真实的深度人脸图像数据的数量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (20)

  1. 一种图像处理方法，其特征在于，包括：
    获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，所述第一深度人脸图像数据和所述第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；
    对所述第一深度人脸图像数据进行坐标转换以获得所述第一人脸的第一向量，并对所述第二深度人脸图像数据进行坐标转换以获得所述第二人脸的第二向量；
    根据所述第一向量以及第一变换参数确定第一变换矩阵，并根据所述第二向量以及第二变换参数确定第二变换矩阵；
    根据所述第一变换矩阵对所述第一向量进行向量变换以获得第一差异向量，并根据所述第二变换矩阵对所述第二向量进行向量变换以获得第二差异向量；
    根据所述第一差异向量和所述第二差异向量确定目标差异向量；
    将所述目标差异向量作为新的深度人脸图像数据。
  2. 如权利要求1所述的图像处理方法，其特征在于，所述根据第一向量以及第一变换参数确定第一变换矩阵，包括：
    根据以下公式确定出所述第一变换矩阵：
    Figure PCTCN2018106427-appb-100001
    其中，所述
    Figure PCTCN2018106427-appb-100002
    a,b∈[1,n]，所述B 1＝[1,x p,y p,z p]，所述T 1为所述第一变换参数，所述M 1为所述第一变换矩阵，所述F i为所述第一向量，所述
    Figure PCTCN2018106427-appb-100003
    p∈[1,n]，所述n为正整数。
  3. 如权利要求2所述的图像处理方法，其特征在于，所述根据所述第一变换矩阵对所述第一向量进行向量变换以获得第一差异向量，包括：
    根据以下公式对所述第一向量进行向量变换以获得所述第一差异向量：
    Figure PCTCN2018106427-appb-100004
    其中，所述M 1为所述第一变换矩阵，所述α ij为所述第一差异向量。
  4. 如权利要求1-3任一项所述的图像处理方法，其特征在于，所述根据第二向量以及第二变换参数确定第二变换矩阵，包括：
    根据以下公式确定出上述第二变换矩阵：
    Figure PCTCN2018106427-appb-100005
    其中，所述
    Figure PCTCN2018106427-appb-100006
    a',b'∈[1,m]，所述B 2＝[1,x k,y k,z k]，所述T 2为所述第二变换参数，所述M 2为所述第二变换矩阵，所述F j为所述第二向量，所述F j＝[x k,y k,z k],k∈[1,m]，所述m为正整数。
  5. 如权利要求4所述的图像处理方法，其特征在于，所述根据所述第二变换矩阵对所述第二向量进行向量变换以获得第二差异向量，包括：
    根据以下公式对所述第二向量进行向量变换以获得所述第二差异向量：
    Figure PCTCN2018106427-appb-100007
    其中，所述M 2为所述第二变换矩阵，所述α ji为所述第二差异向量。
  6. 如权利要求5所述的图像处理方法，其特征在于，所述根据第一差异向量和第二差异向量确定目标差异向量，具体包括：
    根据以下公式确定所述目标差异向量：
    Figure PCTCN2018106427-appb-100008
    其中，所述s(i,j)为所述目标差异向量，所述α ij为所述第一差异向量，所述α ji为所述第二差异向量。
  7. 如权利要求6所述的图像处理方法，其特征在于，所述第一人脸与所述第二人脸为同一个人的人脸。
  8. 一种图像处理装置，其特征在于，包括：
    获取模块，用于获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，所述第一深度人脸图像数据和所述第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；
    转换模块，用于对所述获取模块获取的所述第一深度人脸图像数据进行坐标转换以获得所述第一人脸的第一向量，并对所述获取模块获取的第二深度人脸图像数据进行坐标转换以获得所述第二人脸的第二向量；
    第一确定模块，用于根据所述转换模块转换的所述第一向量，以及第一变换参数确定第一变换矩阵，并根据所述转换模块转换的所述第二向量，以及第二变换参数确定第二变换矩阵；
    变换模块，用于根据所述第一确定模块确定的所述第一变换矩阵对所述第一向量进行向量变换以获得第一差异向量，并根据所述第一确定模块确定的所述第二变换矩阵对所述第二向量进行向量变换以获得第二差异向量；
    第二确定模块，用于根据所述变换模块变换的所述第一差异向量和所述第二差异向量确定目标差异向量；
    第三确定模块，用于将所述目标差异向量作为新的深度人脸图像数据。
  9. 一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器 上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：
    获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，所述第一深度人脸图像数据和所述第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；
    对所述第一深度人脸图像数据进行坐标转换以获得所述第一人脸的第一向量，并对所述第二深度人脸图像数据进行坐标转换以获得所述第二人脸的第二向量；
    根据所述第一向量以及第一变换参数确定第一变换矩阵，并根据所述第二向量以及第二变换参数确定第二变换矩阵；
    根据所述第一变换矩阵对所述第一向量进行向量变换以获得第一差异向量，并根据所述第二变换矩阵对所述第二向量进行向量变换以获得第二差异向量；
    根据所述第一差异向量和所述第二差异向量确定目标差异向量；
    将所述目标差异向量作为新的深度人脸图像数据。
  10. 如权利要求9所述的计算机设备，其特征在于，所述根据第一向量以及第一变换参数确定第一变换矩阵，包括：
    根据以下公式确定出所述第一变换矩阵：
    Figure PCTCN2018106427-appb-100009
    其中，所述
    Figure PCTCN2018106427-appb-100010
    a,b∈[1,n]，所述B 1＝[1,x p,y p,z p]，所述T 1为所述第一变换参数，所述M 1为所述第一变换矩阵，所述F i为所述第一向量，所述
    Figure PCTCN2018106427-appb-100011
    p∈[1,n]，所述n为正整数。
  11. 如权利要求10所述的计算机设备，其特征在于，所述根据所述第一变换矩阵对所述第一向量进行向量变换以获得第一差异向量，包括：
    根据以下公式对所述第一向量进行向量变换以获得所述第一差异向量：
    Figure PCTCN2018106427-appb-100012
    其中，所述M 1为所述第一变换矩阵，所述α ij为所述第一差异向量。
  12. 如权利要求9-11任一项所述的计算机设备，其特征在于，所述根据第二向量以及第二变换参数确定第二变换矩阵，包括：
    根据以下公式确定出上述第二变换矩阵：
    Figure PCTCN2018106427-appb-100013
    其中，所述
    Figure PCTCN2018106427-appb-100014
    a',b'∈[1,m]，所述B 2＝[1,x k,y k,z k]，所述T 2为所述第二变换参数，所述M 2为所述第二变换矩阵，所述F j为所述第二向量，所述F j＝[x k,y k,z k],k∈[1,m]，所述m为正整数。
  13. 如权利要求12所述的计算机设备，其特征在于，所述根据所述第二变换矩阵对所述第二向量进行向量变换以获得第二差异向量，包括：
    根据以下公式对所述第二向量进行向量变换以获得所述第二差异向量：
    Figure PCTCN2018106427-appb-100015
    其中，所述M 2为所述第二变换矩阵，所述α ji为所述第二差异向量。
  14. 如权利要求13所述的计算机设备，其特征在于，所述根据第一差异向量和第二差异向量确定目标差异向量，具体包括：
    根据以下公式确定所述目标差异向量：
    Figure PCTCN2018106427-appb-100016
    其中，所述s(i,j)为所述目标差异向量，所述α ij为所述第一差异向量，所述α ji为所述第二差异向量。
  15. 一个或多个存储有计算机可读指令的非易失性可读存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如下步骤：
    获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，所述第一深度人脸图像数据和所述第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；
    对所述第一深度人脸图像数据进行坐标转换以获得所述第一人脸的第一向量，并对所述第二深度人脸图像数据进行坐标转换以获得所述第二人脸的第二向量；
    根据所述第一向量以及第一变换参数确定第一变换矩阵，并根据所述第二向量以及第二变换参数确定第二变换矩阵；
    根据所述第一变换矩阵对所述第一向量进行向量变换以获得第一差异向量，并根据所述第二变换矩阵对所述第二向量进行向量变换以获得第二差异向量；
    根据所述第一差异向量和所述第二差异向量确定目标差异向量；
    将所述目标差异向量作为新的深度人脸图像数据。
  16. 如权利要求15所述的非易失性可读存储介质，其特征在于，所述根据第一向量以及第一变换参数确定第一变换矩阵，包括：
    根据以下公式确定出所述第一变换矩阵：
    Figure PCTCN2018106427-appb-100017
    其中，所述
    Figure PCTCN2018106427-appb-100018
    a,b∈[1,n]，所述B 1＝[1,x p,y p,z p]，所述T 1为 所述第一变换参数，所述M 1为所述第一变换矩阵，所述F i为所述第一向量，所述
    Figure PCTCN2018106427-appb-100019
    p∈[1,n]，所述n为正整数。
  17. 如权利要求16所述的非易失性可读存储介质，其特征在于，所述根据所述第一变换矩阵对所述第一向量进行向量变换以获得第一差异向量，包括：
    根据以下公式对所述第一向量进行向量变换以获得所述第一差异向量：
    Figure PCTCN2018106427-appb-100020
    其中，所述M 1为所述第一变换矩阵，所述α ij为所述第一差异向量。
  18. 如权利要求15-17任一项所述的非易失性可读存储介质，其特征在于，所述根据第二向量以及第二变换参数确定第二变换矩阵，包括：
    根据以下公式确定出上述第二变换矩阵：
    Figure PCTCN2018106427-appb-100021
    其中，所述
    Figure PCTCN2018106427-appb-100022
    a',b'∈[1,m]，所述B 2＝[1,x k,y k,z k]，所述T 2为所述第二变换参数，所述M 2为所述第二变换矩阵，所述F j为所述第二向量，所述F j＝[x k,y k,z k],k∈[1,m]，所述m为正整数。
  19. 如权利要求18所述的非易失性可读存储介质，其特征在于，所述根据所述第二变换矩阵对所述第二向量进行向量变换以获得第二差异向量，包括：
    根据以下公式对所述第二向量进行向量变换以获得所述第二差异向量：
    Figure PCTCN2018106427-appb-100023
    其中，所述M 2为所述第二变换矩阵，所述α ji为所述第二差异向量。
  20. 如权利要求19所述的非易失性可读存储介质，其特征在于，所述根据第一差异向量和第二差异向量确定目标差异向量，具体包括：
    根据以下公式确定所述目标差异向量：
    Figure PCTCN2018106427-appb-100024
    其中，所述s(i,j)为所述目标差异向量，所述α ij为所述第一差异向量，所述α ji为所述第二差异向量。
PCT/CN2018/106427 2018-06-29 2018-09-19 图像处理方法、装置、计算机设备及存储介质 Ceased WO2020000696A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810698470.8A CN109003327B (zh) 2018-06-29 2018-06-29 图像处理方法、装置、计算机设备及存储介质
CN201810698470.8 2018-06-29

Publications (1)

Publication Number Publication Date
WO2020000696A1 true WO2020000696A1 (zh) 2020-01-02

Family

ID=64602138

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/106427 Ceased WO2020000696A1 (zh) 2018-06-29 2018-09-19 图像处理方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN109003327B (zh)
WO (1) WO2020000696A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972008A (zh) * 2021-11-04 2022-08-30 华为技术有限公司 一种坐标还原方法、装置以及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160364905A1 (en) * 2015-06-15 2016-12-15 Electronics And Telecommunications Research Institute Apparatus and method for generating 3d model
CN106651767A (zh) * 2016-12-30 2017-05-10 北京星辰美豆文化传播有限公司 一种获取全景图像的方法及装置
CN107341841A (zh) * 2017-07-26 2017-11-10 厦门美图之家科技有限公司 一种渐变动画的生成方法及计算设备
CN108122280A (zh) * 2017-12-20 2018-06-05 北京搜狐新媒体信息技术有限公司 一种三维点云的重建方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5075182B2 (ja) * 2009-10-20 2012-11-14 楽天株式会社 画像処理装置、画像処理方法、および、画像処理プログラム
JP5375676B2 (ja) * 2010-03-04 2013-12-25 富士通株式会社 画像処理装置、画像処理方法、および画像処理プログラム
CN105956582B (zh) * 2016-06-24 2019-07-30 深圳市唯特视科技有限公司 一种基于三维数据的人脸识别系统
CN107066559B (zh) * 2017-03-30 2019-12-27 天津大学 一种基于深度学习的三维模型检索方法
CN107330904B (zh) * 2017-06-30 2020-12-18 北京乐蜜科技有限责任公司 图像处理方法、装置、电子设备及存储介质
CN107967677B (zh) * 2017-12-15 2020-02-04 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160364905A1 (en) * 2015-06-15 2016-12-15 Electronics And Telecommunications Research Institute Apparatus and method for generating 3d model
CN106651767A (zh) * 2016-12-30 2017-05-10 北京星辰美豆文化传播有限公司 一种获取全景图像的方法及装置
CN107341841A (zh) * 2017-07-26 2017-11-10 厦门美图之家科技有限公司 一种渐变动画的生成方法及计算设备
CN108122280A (zh) * 2017-12-20 2018-06-05 北京搜狐新媒体信息技术有限公司 一种三维点云的重建方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972008A (zh) * 2021-11-04 2022-08-30 华为技术有限公司 一种坐标还原方法、装置以及相关设备

Also Published As

Publication number Publication date
CN109003327B (zh) 2022-09-30
CN109003327A (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
US10628949B2 (en) Image processing with iterative closest point (ICP) technique
CN110197109B (zh) 神经网络模型训练、人脸识别方法、装置、设备及介质
WO2021051543A1 (zh) 人脸旋转模型的生成方法、装置、计算机设备及存储介质
CN111091075B (zh) 人脸识别方法、装置、电子设备及存储介质
JP7064257B2 (ja) 画像深度確定方法及び生き物認識方法、回路、装置、記憶媒体
CN104537707B (zh) 像方型立体视觉在线移动实时测量系统
KR20210053202A (ko) 컴퓨터 비전 훈련 시스템 및 그 방법
US11315313B2 (en) Methods, devices and computer program products for generating 3D models
TWI738196B (zh) 一種圖像深度估計方法、電子設備、儲存介質
WO2018068678A1 (zh) 一种立体摄像机外部参数的确定方法及装置
CN112258631B (zh) 一种基于深度神经网络的三维目标检测方法及系统
CN110738730B (zh) 点云匹配方法、装置、计算机设备和存储介质
WO2018188277A1 (zh) 视线校正方法、装置、智能会议终端及存储介质
CN111325828B (zh) 一种基于三目相机的三维人脸采集方法及装置
WO2019041660A1 (zh) 人脸去模糊方法及装置
CN109992809A (zh) 一种建筑模型的构建方法、装置及存储装置
CN115941924A (zh) 纠偏方法、装置、电子设备以及存储介质
CN114066950A (zh) 单目散斑结构光图像匹配方法、电子设备及存储介质
CN113436269B (zh) 图像稠密立体匹配方法、装置和计算机设备
WO2020173194A1 (zh) 图像特征点的跟踪方法、匹配方法和坐标获取方法、装置
WO2024037562A1 (zh) 三维重建方法、装置及计算机可读存储介质
CN108009576A (zh) 一种目标匹配的物体识别方法、设备及存储设备
WO2020000696A1 (zh) 图像处理方法、装置、计算机设备及存储介质
WO2026081988A1 (zh) 一种匹配点对生成方法及装置
Lee et al. Lccraft: Lidar and camera calibration using recurrent all-pairs field transforms without precise initial guess

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18924940

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 29/03/2021)

122 Ep: pct application non-entry in european phase

Ref document number: 18924940

Country of ref document: EP

Kind code of ref document: A1