WO2021016896A1 - 图像处理方法、系统、设备、可移动平台和存储介质 - Google Patents

图像处理方法、系统、设备、可移动平台和存储介质 Download PDF

Info

Publication number
WO2021016896A1
WO2021016896A1 PCT/CN2019/098467 CN2019098467W WO2021016896A1 WO 2021016896 A1 WO2021016896 A1 WO 2021016896A1 CN 2019098467 W CN2019098467 W CN 2019098467W WO 2021016896 A1 WO2021016896 A1 WO 2021016896A1
Authority
WO
WIPO (PCT)
Prior art keywords
pixel
image
processed
area
sample
Prior art date
Application number
PCT/CN2019/098467
Other languages
English (en)
French (fr)
Inventor
席迎来
Original Assignee
深圳市大疆创新科技有限公司
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 深圳市大疆创新科技有限公司 filed Critical 深圳市大疆创新科技有限公司
Priority to PCT/CN2019/098467 priority Critical patent/WO2021016896A1/zh
Publication of WO2021016896A1 publication Critical patent/WO2021016896A1/zh

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformation in the plane of the image
    • G06T3/0012Context preserving transformation, e.g. by using an importance map
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/00221Acquiring or recognising human faces, facial parts, facial sketches, facial expressions
    • G06K9/00228Detection; Localisation; Normalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/00221Acquiring or recognising human faces, facial parts, facial sketches, facial expressions
    • G06K9/00268Feature extraction; Face representation
    • G06K9/00281Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformation in the plane of the image
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation

Abstract

本说明书公开了一种图像处理方法、系统、设备、可移动平台和存储介质,包括:确定待处理图像的样本像素(S110);根据所述多个样本像素中各样本像素的像素特征,确定样本像素对应于不同像素特征的概率分布模型(S120);根据概率分布模型以及待处理图像中各像素的像素特征确定各像素的目标概率,以生成目标概率图(S130);根据目标概率图对待处理图像进行处理(S140)。

Description

图像处理方法、系统、设备、可移动平台和存储介质 技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像处理方法、系统、设备、可移动平台和存储介质。
背景技术
随着互联网技术的发展,视频娱乐和视频内容的消费趋向于大众化,视频、图像作品逐渐流行,拍摄者、素材使用者对图像处理的需求也日益增长。
例如,人像美颜已经成为在移动终端进行人像视频拍摄的必备功能。其中,肤色检测是美颜功能的重要组成部分,确定肤色区域是进行如肤色美白和磨皮美肌等处理的前提条件,肤色检测的精度很大程度决定了磨皮和美白效果的好坏。常用的皮肤检测算法存在着诸多缺点,如检测精度不高,肤色区域和非肤色区域边界没有过渡,不能适应于不同肤色人种等,很难满足多种美颜需求。
发明内容
基于此,本说明书提供了一种图像处理方法、系统、设备、可移动平台和存储介质,旨在解决现有的肤色检测检测精度不高,肤色区域和非肤色区域边界没有过渡,不能适应于不同肤色人种等技术问题。
第一方面,本说明书提供了一种图像处理方法,包括:
获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
根据所述目标概率图,对所述待处理图像进行处理。
第二方面,本说明书提供了一种图像处理系统,包括一个或多个处理器, 单独地或共同地工作,用于执行如下步骤:获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
根据所述目标概率图,对所述待处理图像进行处理。
第三方面,本说明书提供了一种可移动平台,包括拍摄装置,所述拍摄装置用于获取图像;
还包括一个或多个处理器,单独地或共同地工作,用于执行如下步骤:
获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
根据所述目标概率图,对所述待处理图像进行处理。
第四方面,本说明书提供了一种可移动平台,所述可移动平台用于与拍摄装置通信连接,以获取图像;
还包括一个或多个处理器,单独地或共同地工作,用于执行如下步骤:
获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
根据所述目标概率图,对所述待处理图像进行处理。
第五方面,本说明书提供了一种图像处理设备,包括一个或多个处理器,单独地或共同地工作,用于执行如下步骤:
获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
根据所述目标概率图,对所述待处理图像进行处理。
第六方面,本说明书提供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程序,所述计算机程序可被处理器以实现上述的图像处理方法。
本说明书实施例提供了一种图像处理方法、系统、设备、可移动平台和存储介质,通过在待处理图像的脸部区域中确定多个样本像素,然后根据样本像素的像素特征,确定脸部区域的概率分布模型;由于脸部区域的像素特征和其他部位皮肤的像素特征有很高的相似度,可以根据概率分布模型确定待处理图像中各像素为目标像素的目标概率。生成的目标概率图在不同区域之间具有合理过渡,如在非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割,检测精度较高。而且根据所述目标概率图对待处理图像进行处理得到的图像也没有明显的区域分割;也不会受到人种肤色变化的影响,可以适用于不同肤色的图像。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书的公开内容。
附图说明
为了更清楚地说明本说明书实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书一实施例提供的一种图像处理方法的流程示意图;
图2是图像处理方法的一种应用场景的示意图;
图3是图1中确定样本像素的一实施方式的子流程示意图;
图4是人脸关键点的示意图;
图5是根据人脸关键点确定的脸部区域的示意图;
图6是图1中确定概率分布子模型的一实施方式的子流程示意图;
图7是概率分布子模型的示意图;
图8是图1中生成目标概率图的一实施方式的子流程示意图;
图9是图5中待处理图像的目标概率图的示意图;
图10是图1中对待处理图像进行处理的一实施方式的子流程示意图;
图11是本说明书另一实施例提供的一种图像处理方法的流程示意图;
图12是待处理图像中包括多个脸部区域的示意图;
图13是图12中待处理图像的概率分布模型的示意图;
图14是图12中待处理图像的目标概率图的示意图;
图15是本说明书一实施例提供的一种图像处理系统的示意性框图;
图16是本说明书一实施例提供的一种可移动平台的示意性框图;
图17是本说明书另一实施例提供的一种可移动平台的示意性框图;
图18是本说明书一实施例提供的一种图像处理设备的示意性框图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
下面结合附图,对本说明书的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本说明书一实施例提供的一种图像处理方法的流程示意图,用于根据待处理图像中脸部区域的特征对待处理图像进行处理等过程。
所述图像处理方法可以应用在图像处理系统中。例如,图像处理方法可以应用在可移动平台,如无人飞行器、手持云台、云台车等;也可以应用于图像处理设备,如相机、手机、电脑等。
进一步而言,无人飞行器可以为旋翼型无人机,例如四旋翼无人机、六旋 翼无人机、八旋翼无人机,也可以是固定翼无人机。
如图2所示为本实施例的图像处理方法的应用场景示意图。
在一些应用场景中,如图2所示,可移动平台10搭载的摄像装置11实时获取图像,并根据图像处理方法对图像进行处理;然后将处理后的图像发送给与可移动平台10通信连接的地面端20。地面端20例如可以为手机、电脑、FPV(First Person View,第一人称主视角)眼镜等。地面端20包括的显示装置21可以显示从可移动平台10接收的图像,以供用户观看。
在另一些应用场景中,如图2所示,可移动平台10搭载的摄像装置11实时获取图像,并将获取的图像发送给与可移动平台10通信连接的地面端20。地面端20根据图像处理方法对从可移动平台10接收的图像进行处理,并显示处理后的图像,以供用户观看。
如图1所示,本实施例的遥控图像处理方法包括步骤S110至步骤S140。
S110、获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素。
具体的,待处理图像可以为RGB颜色空间、CMY/CMYK颜色空间、HSV/HSB颜色空间、HSI/HSL颜色空间、Lab颜色空间或者YUV/YCbCr颜色空间的图像。
具体的,待处理图像为包括人脸的图像,人脸区域的颜色特征可以作为人体肤色的颜色特征的代表。从而可以根据待处理图像中脸部区域的特征对待处理图像进行处理。
示例性的,如图3所示,步骤S110中获取待处理图像,包括步骤S111至步骤S112。
S111、获取视频流中的图像。
例如,可移动平台将获取视频流,即一系列图像实时发送给地面端;地面端接收视频流中的图像。又例如,拍摄装置如相机、手机直接获取视频流,并获取视频流中的图像。
S112、若检测到所述图像中包括脸部区域,将所述图像确定为所述待处理图像。
例如,地面端对获取的图像进行人脸检测,如果检测到某图像中包括人脸则将该图像确定为待处理图像。从而可以实现对视频流中的待处理图像进行处理,得到经过图像处理的视频流。
示例性的,所述获取待处理图像,包括根据用户的选择操作从图库中确定 待处理图像。如此,可以有目的性的获取到待处理图像,减少从视频流中提取图像的时间,提高处理效率。
例如,用户通过操作图像处理设备,如相机、手机、电脑等,从图像处理设备的存储区域中选定某图像为待处理图像。
具体的,若在用户选择的图像中未检测到人脸,则输出提示信息以提示用户选择包括人脸的图像。
在一些实施方式中,所述获取待处理图像,包括:获取YCbCr颜色空间的待处理图像。
示例性的,若获取的图像不是YCbCr颜色空间的图像,则将其他颜色空间的图像转换为YCbCr颜色空间的待处理图像。
在YCbCr颜色空间中,Y为颜色的亮度(luma)成分、Cb是蓝色的浓度偏移量成分,Cr是红色的浓度偏移量成分。
通过将其他颜色空间的图像转换为YCbCr颜色空间的待处理图像,可以分离出容易受光照等因素影响的亮度成分,在图像处理时主要依据肤色本身进行处理。减少因亮度成分的影响而造成的检测误差,提高检测的准确度。
在一些实施方式中,如图3所示,步骤S110中确定所述待处理图像中脸部区域的多个样本像素,包括步骤S113至步骤S114。
S113、确定所述待处理图像中的脸部区域。
示例性的,可以根据整体轮廓法、器官分布法、模板匹配法等方法确定所述待处理图像中的脸部区域。
示例性的,所述确定所述待处理图像中的脸部区域,包括:对所述待处理图像进行人脸检测处理和人脸关键点检测处理,得到若干关键点的位置;根据所述若干关键点的位置确定脸部区域。具体的,通过人脸检测和人脸关键点对齐可以确定人脸主要器官68个关键点的位置,如图4所示;然后可以根据其中若干关键点的位置确定脸部区域。通过人脸关键点确定脸部区域,得到的脸部区域的准确度较高。
具体的,如图4和图5所示,所述根据所述若干关键点的位置确定脸部区域,包括:根据两侧脸颊的关键点和下颌的关键点确定面部椭圆,将所述面部椭圆围成的区域确定为脸部区域。根据三个关键点就可以较为准确的确定脸部区域,计算效率更高。
示例性的,首先将左边脸颊第二个关键点(图4中的点2)、右边脸颊第二个关键点(图4中的点16)分别作为面部椭圆的短轴顶点B1、B2。
然后根据短轴顶点B1、B2的坐标计算面部椭圆短轴的长度b,具体根据下式计算:
Figure PCTCN2019098467-appb-000001
其中,B1.x、B1.y分别为短轴顶点B1的横坐标和纵坐标;B2.x、B2.y分别为短轴顶点B2的横坐标和纵坐标。
之后根据短轴顶点B1、B2的坐标计算椭圆中心O的坐标(O.x,O.y),具体根据下式计算:
Figure PCTCN2019098467-appb-000002
之后再将下颌中心的关键点(图4中的点9)作为面部椭圆的长轴顶点A1,计算面部椭圆长轴的长度a,即椭圆中心O到长轴顶点A1的距离,具体根据下式计算:
Figure PCTCN2019098467-appb-000003
然后计算面部椭圆的焦距c,具体根据下式计算:
Figure PCTCN2019098467-appb-000004
那么面部椭圆的两个焦点F1、F2的坐标可以由下式计算得出:
Figure PCTCN2019098467-appb-000005
Figure PCTCN2019098467-appb-000006
其中,F1.x、F1.y分别为焦点F1的横坐标和纵坐标;F2.x、F2.y分别为焦点F2的横坐标和纵坐标。
进一步,将所述面部椭圆围成的区域确定为脸部区域。椭圆可以较为准确的描述脸部的轮廓,以该椭圆内部的区域定义脸部区域,可以获得脸部区域中更多的肤色像素。
如图5所示,面部椭圆可根据椭圆几何定义确定如下:对于待处理图像中任意一点P,如果P到焦点F1、F2的距离之和小于或等于两倍的长轴长度a,即小于或等于2×a,那么该点P就位于面部椭圆内部;可以表达为下式:
Figure PCTCN2019098467-appb-000007
其中,P.x、P.y分别为待处理图像中点P的横坐标和纵坐标,U表示脸部区域。
S114、根据所述脸部区域确定样本像素。
步骤S113检测的脸部区域可以作为皮肤样本的提取区域。
但是脸部区域内部依然存在眼睛,眉毛,嘴巴,鼻孔等器官,甚至会有胡须和头发,这些区域的颜色特征和皮肤存在较大差别,因此在进行皮肤像素采样的时候将这些区域的像素排除在外,可以提高肤色的识别精度。
示例性的,使用梯度门限方法对人脸椭圆区域内部的肤色像素进行提取。
在一些实施方式中,步骤S114根据所述脸部区域确定样本像素,包括:确定所述脸部区域中各像素的像素梯度值;将像素梯度值不大于预设梯度阈值的像素确定为样本像素。
眼睛,眉毛,嘴巴,鼻孔等器官和胡须和头发所在的区域纹理更多,理论上皮肤区域比这些区域更加平滑。根据像素梯度值可以准确地排除这些区域,提高肤色检测的准确性。
示例性的,使用Sobel算子计算脸部区域中各像素的像素梯度值。
Sobel算子包含两组3×3的矩阵,分别为横向滤波系数和纵向滤波系数;将横向滤波系数、纵向滤波系数分别与脸部区域所在区域的图像的亮度分量Y作平面卷积,即可分别得出横向的亮度差分值、纵向的亮度差分值,即横轴方向的梯度值、纵轴方向的梯度值。
如果A表示原始图像,*表示平面卷积,G x、G y分别表示横轴方向的梯度值、纵轴方向的梯度值,其公式如下:
Figure PCTCN2019098467-appb-000008
脸部区域中每一个像素的横向梯度值G x及纵向梯度值G y可用以下的公式结合,来计算每一个像素的像素梯度值G:
Figure PCTCN2019098467-appb-000009
之后,将像素梯度值不大于预设梯度阈值的像素确定为样本像素。
具体的,预先设置一个梯度阈值T,当脸部区域中像素的像素梯度值小于梯度阈值T时,才会被确定为样本像素。
通过将像素梯度值不大于预设梯度阈值的像素确定为样本像素,可以排除纹理较多的非肤色像素;确定的样本像素更准确,更能准确确定肤色的像素特征。
在另一些实施方式中,步骤S114根据所述脸部区域确定样本像素,包括:确定所述脸部区域中的肤色区域,以及将所述肤色区域的像素确定为样本像素。
通过识别脸部区域中的肤色区域和非肤色区域确定样本像素。
示例性的,所述确定所述脸部区域中的肤色区域,包括:确定所述脸部区域中的非肤色区域;确定所述脸部区域中不是非肤色区域的区域为肤色区域。
可以通过识别非肤色区域的边缘,确定非肤色区域;然后将非肤色区域从脸部区域中排除,得到肤色区域。从而将肤色区域与非肤色区域区分开,避免造成肤色区域与非肤色区域的混淆。
具体的,所述确定所述脸部区域中的非肤色区域,包括:确定所述脸部区域中各像素的像素梯度值;根据像素梯度值不小于预设梯度阈值的像素确定非肤色区域的轮廓,根据所述轮廓确定非肤色区域。如此,将脸部区域中的非肤色区域准确界定出来。
示例性的,使用Sobel算子计算脸部区域中各像素的像素梯度值。
图像梯度常用于边缘检测,通过将像素梯度值不小于预设梯度阈值的像素确定非肤色区域的轮廓,可以进一步提高非肤色区域识别的准确性,排除眼白等非肤色区域。
在其他一些实施方式中,还可以根据人脸关键点中的眼部关键点、眉毛关键点等确定非肤色区域。根据关键点来确定非肤色区域,提高准确度与计算效率。
示例性的,根据眉毛关键点确定眉毛所在的非肤色区域,根据眼部关键点确定眼睛所在的非肤色区域。
在确定所述脸部区域中的非肤色区域之后,确定所述脸部区域中不是非肤 色区域的区域为肤色区域。
S120、根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型。
示例性的,像素特征包括像素的亮度分量和/或颜色分量的值,如蓝色分量的值、红色分量的值。
一个像素可以对应于多个像素特征。如在YCbCr颜色空间,亮度分量Y的值、蓝色分量Cb的值和红色分量Cr的值分别作为三种像素特征,一个像素对应于多个像素特征,即,一个像素对应于亮度分量Y的值、蓝色分量Cb的值和红色分量Cr的值;在RGB颜色空间,红色分量R的值、绿色分量G的值和蓝色分量B的值分别作为三种像素特征,一个像素对应于多个像素特征,即,一个像素对应于红色分量R的值、绿色分量G的值和蓝色分量B的值。
通过确定脸部区域中多个样本像素对应于不同像素特征的概率分布模型,可以以该概率分布模型描述待处理图像中肤色区域的像素特征的分布规律。从而能够直观的、准确的展示待处理图像中肤色区域的像素特征的分布规律。
在本实施例中,如图5所示,所述待处理图像中包括一个脸部区域,即包括一张人脸。因此仅需根据该脸部区域的肤色区域中各样本像素的像素特征,确定所述肤色区域中样本像素对应于不同像素特征的概率分布模型。仅获取该脸部区域的肤色区域中各样本像素的像素特征,避免了获取非肤色区域的样本像素,从而节约检测时间,检测效率高。
示例性的,步骤S120根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型。然后将所述概率分布子模型确定为所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
示例性的,如图6所示,所述根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,包括步骤S121、步骤S122。
S121、根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数。
在一些实施方式中,概率分布子模型采用高斯统计模型,服从正态分布, 如二维高斯分布。高斯分布可以更为准确的描述脸部区域中各样本像素的像素分量的值所服从的统计规律,使得概率分布子模型可以准确体现肤色的像素特征。
示例性的,根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于一种像素特征的概率分布子模型,则概率分布子模型可以表示为一维高斯分布。
示例性的,根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于两种像素特征的概率分布子模型,则概率分布子模型可以表示为二维高斯分布。
示例性的,根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于三种像素特征的概率分布子模型,则概率分布子模型可以表示为三维高斯分布。
均值、方差是高斯分布中重要的分布参数,根据所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差,可以确定概率分布子模型,如一维高斯分布、二维高斯分布、三维高斯分布的概率分布子模型。
示例性的,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差。
具体的,可以根据脸部区域中样本像素对应于一种像素分量的均值、方差,确定一维高斯分布的概率分布子模型。
示例性的,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差,包括;根据所述脸部区域中各样本像素第一分量的值和第二分量的值,确定所述脸部区域中样本像素对应于所述第一分量的第一均值和第一方差以及对应于所述第二分量的第二均值和第二方差。
具体的,可以根据脸部区域中样本像素对应于两种像素分量的均值、方差,确定二维高斯分布的概率分布子模型。
在一些实施方式中,将待处理图像转换为YCbCr颜色空间的待处理图像。由于待处理图像中的亮度分量Y受环境光线影响较大,如果用作肤色检测会导 致鲁棒性较差。因此,确定所述脸部区域中样本像素对应于非亮度分量的概率分布子模型。以提高概率分布模型对肤色区域描述的准确性,提高肤色检测的鲁棒性。
示例性的,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:根据所述脸部区域中,所述多个样本像素中各所述样本像素蓝色分量的值和红色分量的值,确定所述脸部区域中样本像素对应于所述蓝色分量的分布参数和对应于所述红色分量的分布参数。通过不将亮度分量的分布参数融合在概率分布子模型,可以减少因亮度成分的影响而造成的检测误差,提高检测的准确度。
示例性的,使用CbCr颜色空间的二维高斯分布来建立肤色统计模型,即概率分布子模型。首先要将待处理图像从RGB颜色空间转换到YCbCr颜色空间。然后根据脸部区域中各样本像素统计二维高斯分布的分布参数。
具体的,确定所述脸部区域中样本像素对应于蓝色分量Cb的均值μ 1和方差σ 1 2,以及确定所述脸部区域中样本像素对应于红色分量Cr的均值μ 2和方差σ 2 2
示例性的,μ 1、σ 1 2、μ 2、σ 2 2根据下式计算:
Figure PCTCN2019098467-appb-000010
Figure PCTCN2019098467-appb-000011
其中,V表示样本像素的集合或者脸部区域,n表示V中样本像素的总数;Cb i表示第i个样本像素的蓝色分量的值,Cr i表示第i个样本像素的红色分量的值。
S122、根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型。
示例性的,概率分布子模型可以表示为一维高斯分布,根据一种像素分量对应的分布参数,如均值和方差就可以确定概率分布子模型。
具体的,所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型,如一维高斯分布。
示例性的,所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:根据所述蓝色分量对应的分布参数和所述红色分量对应的分布参数确定所述脸部区域的概率分布子模型。
由于样本像素对应于蓝色分量和红色分量两维的分量,可以进一步统计样本像素的蓝色分量和红色分量之间的关系,即协方差,然后根据蓝色分量、红色分量的均值和方差以及蓝色分量和红色分量之间的协方差确定脸部区域的概率分布子模型。概率分布子模型可以更好的体现样本像素的像素特征,利于提高肤色像素检测的准确率。
示例性的,所述根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型,包括:根据所述第一均值和所述第二均值确定第一分量和第二分量的协方差;根据所述第一均值、所述第一方差、所述第二均值、所述第二方差和所述协方差确定所述脸部区域的二维高斯分布子模型。
具体的,先根据所述蓝色分量对应的均值μ 1和所述红色分量对应的均值μ 2和确定蓝色分量和红色分量的协方差。可通过下式确定协方差cov 12
Figure PCTCN2019098467-appb-000012
具体的,然后根据蓝色分量对应的均值μ 1、方差σ 1 2和所述红色分量对应的均值μ 2和方差σ 2 2,以及所述协方差cov 12确定所述脸部区域的二维高斯分布子模型。
示例性的,概率分布子模型可以表示为以下二维高斯分布:
Figure PCTCN2019098467-appb-000013
其中,f(Cb,Cr|μ 1212)表示蓝色分量、红色的值分别为Cb、Cr的像素为样本像素的概率。μ 1表示样本像素蓝色分量的均值,σ 1 2表示样本像素蓝色分量的方差;μ 2表示样本像素红色分量的均值,σ 2 2表示样本像素红色分量的方差;cov 12表示蓝色分量和红色分量的协方差;Σ表示蓝色分量和红色分量的协方差矩阵,|Σ|表示蓝色分量和红色分量的协方差矩阵的行列式。
具体的,协方差矩阵、和协方差矩阵的行列式表示如下式:
Figure PCTCN2019098467-appb-000014
|Σ|=σ 1 2×σ 2 2-cov 12 2
示例性的,根据蓝色分量和红色分量对应的分布参数确定的脸部区域的概率分布子模型如图7所示。
如图7所示,各样本像素的像素特征相同或近似,如蓝色分量和红色分量具有相同或近似的值。
通过对脸部区域中样本像素的像素特征,如红色分量和蓝色分量进行统计,以根据统计结果构建脸部区域的概率分布子模型。
当待处理图像中包括一个脸部区域时,可以将脸部区域的概率分布子模型确定为所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
S130、根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图。
由于样本像素主要根据肤色区域确定,而同一个人其余部位的皮肤和脸部的皮肤具有相同或近似的像素特征;因此可以将通过脸部区域分析得到的概率分布模型应用于整个待处理图像,以确定待处理图像中各像素为目标像素的概率。目标像素为与脸部的皮肤具有相同或近似像素特征的像素,即颜色为皮肤颜色的像素。
在一些实施方式中,步骤S130中根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,包括:获取所述待处理图像中各像素的像素特征;根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率。根据概率分布模型限定的肤色像素的像素特征的分布规律,确定待处理图像中像素对应的概率值,并根据该概率值确定该像素是肤色像素的概率。像素的检测结果不是二值化的结果,而是一个概率值,从而可以实现待处理图像中肤色区域和非肤色区域的软分割,在非肤色区域和肤色区域之间平滑过渡。
示例性的,所述获取所述待处理图像中各像素的像素特征,包括:获取所述待处理图像中各像素至少一种像素分量的值。
具体的,获取待处理图像中某像素的像素特征,例如,包括蓝色分量的值Cb i和红色分量的值Cr i
示例性的,将所述待处理图像中像素的像素特征带入概率分布模型,计算 该像素对应的概率值,将这一概率值作为该像素为目标像素的目标概率。
示例性的,根据所述概率分布模型,以及所述像素至少一种像素分量的值,确定所述像素对应的概率值,以得到所述像素为目标像素的目标概率。
例如,某像素蓝色分量的值Cb i为100,红色分量的值Cr i为100,带入二维高斯分布的概率分布模型,得到该像素为目标像素的目标概率p i=f(Cb,Cr|μ 1212)为0.13,如图7所示。
计算出待处理图像中所有的目标概率后,可以得到所述待处理图像对应的目标概率图。
具体的,根据各像素的位置关系和像素与目标概率的对应关系,排列所有像素的目标概率,以生成待处理图像对应的目标概率图。目标概率图中的目标概率与待处理图像中的像素一一对应,生成的目标概率图在不同区域之间具有合理过渡,如在非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割。
示例性的,由于概率分布模型是根据脸部区域中样本像素的像素特征统计的,概率分布模型直接计算出的目标概率会被限制在很狭小的范围内,无法体现像素为皮肤像素的真实概率;可以通过归一化处理将目标概率适当放大。经过归一化处理,肤色概率整体分布趋于正常的概率值,方便后续的处理过程。
在一些实施方式中,如图8所示,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图,包括步骤S131至步骤S133。
S131、根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率。
示例性的,根据所述概率分布模型确定待处理图像中像素对应的最大的目标概率为p max,最小的目标概率为p min;根据所述概率分布模型确定某像素为目标像素的目标概率为p i
S132、对所述待处理图像中各像素的目标概率进行归一化处理。
示例性的,根据下式对所述待处理图像中各像素的目标概率进行归一化处理:
Figure PCTCN2019098467-appb-000015
其中,p′ i为归一化处理后的目标概率,且p′ i的范围为[0,1]。
例如,如图7所示,p max等于0.13,p min等于0,则若根据所述概率分布模型确定某像素为目标像素的目标概率为p i为0.13时,归一化处理后的目标概率p′ i为1,即该像素为目标像素的目标概率为100%。
因此,归一化处理可以使得目标概率更真实的体现像素为目标像素的概率。
S133、根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图。
具体的,根据各像素的位置关系和像素与目标概率的对应关系,排列所有像素的归一化处理后的目标概率,以生成待处理图像对应的目标概率图。目标概率图中的目标概率与待处理图像中的像素一一对应,生成的目标概率图在不同区域之间具有合理过渡,如在非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割。
示例性的,所述根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图,包括:对所述待处理图像中各像素归一化处理的目标概率进行平滑处理;根据所述待处理图像中各像素平滑处理的目标概率生成所述待处理图像对应的目标概率图。
具体的,有些待处理图像中包括一些噪声像素,可以通过平滑处理去除噪声的影响,让目标概率图更加平滑。
例如,使用指数曲线对所述待处理图像中各像素归一化处理的目标概率进行平滑处理。具体可以根据下式实现:
Figure PCTCN2019098467-appb-000016
其中,p″ i为p′经平滑处理后的目标概率。
然后根据所述待处理图像中各像素平滑处理的目标概率生成所述待处理图像对应的目标概率图。具体的,据各像素的位置关系和像素与目标概率的对应关系,排列所有像素的归一化处理后的目标概率,以生成待处理图像对应的目标概率图。
示例性的,如图9所示为步骤S130生成的如图5所示待处理图像对应的目标概率图。其中,颜色越白的像素表示该像素为皮肤像素的概率越高,如脖子和耳朵处的像素。
由于目标概率图是通过确定待处理图像中所有像素为目标像素的目标概率 生成的,目标概率图相对于待处理图像中的不同区域,没有明显的界限区分。目标概率图是一张具有合理过渡的肤色检测图,非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割。
S140、根据所述目标概率图,对所述待处理图像进行处理。
在一些实施方式中,步骤S140根据所述目标概率图,对所述待处理图像进行处理,包括:根据图像处理参数和所述目标概率图,对所述待处理图像进行处理。实现根据目标概率图对待处理图像进行例如磨皮等处理。
具体的,所述目标概率图包括所述待处理图像中各像素的目标概率。
根据目标概率图可以确定待处理图像中各像素为肤色的概率,从而可以根据图像处理参数,对目标概率不同的像素进行不同程度的调整。例如,对目标概率较高的像素进行较大程度的调整,对目标概率低的像素进行较小程度的调整。实现对待处理图像的某类区域进行针对性的处理。
示例性的,所述根据所述目标概率图,对所述待处理图像进行处理,包括:根据磨皮参数和所述目标概率图,对所述待处理图像进行磨皮处理;和/或根据色彩调整参数和所述目标概率图,对所述待处理图像进行色彩调整处理;和/或根据亮度调整参数和所述目标概率图,对所述待处理图像进行亮度调整处理;和/或根据虚化参数和所述目标概率图,对所述待处理图像进行虚化处理;和/或根据滤镜参数和所述目标概率图,对所述待处理图像进行滤镜处理。以实现根据目标概率图对待处理图像进行相应的处理操作。
示例性的,如图10所示,所述根据图像处理参数和所述目标概率图,对所述待处理图像进行处理,包括步骤S141至步骤S143。
S141、获取图像处理参数。
例如,获取色彩调整参数,以对待处理图像进行色彩调整处理。
S142、将所述待处理图像中各像素的目标概率乘以所述图像处理参数,得到各像素的处理参数。
具体的,若某像素的目标概率较大,则该像素对应的处理参数也较大;若某像素的目标概率较小,则该像素对应的处理参数也较小;若某像素的目标概率为0,则该像素对应的处理参数也为0。当然,该图像处理参数可以由用户自定义,用户可根据实际需求设置与待处理图像中个像素的目标概率相对应的图像处理参数,以得到用户期望的处理参数。
S143、根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像。
具体的,若某像素对应的处理参数较大,则对该像素进行色彩调整的幅度较大;若某像素对应的处理参数较小,则对该像素进行色彩调整的幅度较小;若某像素对应的处理参数为0,则可以不对该像素进行色彩调整。当然,对于色彩的调节可以是色彩的强弱、对比度、亮度、黑白、饱和度等常规图像参数,在此不做限定。
由于目标概率图是一张具有合理过渡的肤色检测图,非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割,因此根据目标概率图,对所述待处理图像进行处理得到的处理图像中,非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割。
在一些实施方式中,如图10所示,步骤S143根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像之后,包括步骤S144。
S144、将所述待处理图像与所述处理图像进行融合处理,以得到融合图像。
示例性的,将待处理图像原图和处理图像叠加,得到融合图像,以保留较多原图的特征。
上述实施例提供的图像处理方法,通过在待处理图像的脸部区域中确定多个样本像素,然后根据样本像素的像素特征,确定脸部区域的概率分布模型;由于脸部区域的像素特征和其他部位皮肤的像素特征有很高的相似度,可以根据概率分布模型确定待处理图像中各像素为目标像素的目标概率。例如,利用肤色像素建立高斯模型,使用高斯模型对整幅图像进行肤色检测。
生成的目标概率图在不同区域之间具有合理过渡,如在非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割,检测精度较高。而且根据所述目标概率图对待处理图像进行处理得到的图像也没有明显的区域分割;也不会受到人种肤色变化的影响,可以适用于不同肤色的图像。
示例性的,利用人脸检测和人脸关键点对齐技术来确定人脸椭圆形区域,然后对人脸区域的皮肤像素进行提取和统计,建立肤色的高斯统计模型。使用统计得到的高斯混合模型来计算图像中每一个点的肤色概率,生成肤色概率图。肤色概率图给每一个像素点赋予一个位于范围[0,1]之间的肤色概率值。使用肤色概率图对肤色区域进行磨皮和美白可以得到比较理想的效果。检测出肤色区 域和非肤色区域之间有合理的过渡区,而且高斯模型是基于人脸区域皮肤像素统计的,可以有效地应对不同肤色,不同光照环境,提高检测精度;对待处理图像进行美白磨皮等处理后皮肤区域边界处不会有明显的不协调。
本实施例的图像处理方法,可以避免传统的肤色检测方法,如将图像转换到不同的色彩空间,利用固定阈值对肤色区域和非肤色区域进行分割存在的以下问题:由于种族的差异,人脸肤色差异很大,再加上环境光照的变化,使得肤色变化范围较大,利用固定门限进行肤色区域检测,会造成较大的检测误差。检测误差通常有两种:一是误检,一是漏检。误检会将背景区域误认为是肤色区域,对背景进行美白磨皮操作会造成背景的细节丢失和亮度增强。漏检会错失部分肤色区域,使这部分皮肤得不到正确的美白和磨皮效果。还可以避免:利用固定阈值分割肤色区域得到的是硬分割,肤色区域和非肤色区域之间缺乏过渡,这样磨皮和美白后皮肤区域边界处会有明显的不协调。
具体的,若确定脸部区域的概率分布模型时,确定的是脸部区域中样本像素对应于非亮度分量的概率分布模型,还可以实现目标像素的检测精度不会受到环境光照的影响。
请参阅图11,图11是本说明书另一实施例提供的一种图像处理方法的流程示意图,用于根据待处理图像中脸部区域的特征对待处理图像进行处理等过程。
所述图像处理方法可以应用在图像处理系统中。例如,图像处理方法可以应用在可移动平台,如无人飞行器、手持云台、云台车等;也可以应用于图像处理设备,如相机、手机、电脑等。
进一步而言,无人飞行器可以为旋翼型无人机,例如四旋翼无人机、六旋翼无人机、八旋翼无人机,也可以是固定翼无人机。
如图2所示为本实施例的图像处理方法的应用场景示意图。
在一些应用场景中,如图2所示,可移动平台10搭载的摄像装置11实时获取图像,并根据图像处理方法对图像进行处理;然后将处理后的图像发送给与可移动平台10通信连接的地面端20。地面端20例如可以为手机、电脑、FPV(First Person View,第一人称主视角)眼镜等。地面端20包括的显示装置21可以显示从可移动平台10接收的图像,以供用户观看。
在另一些应用场景中,如图2所示,可移动平台10搭载的摄像装置11实 时获取图像,并将获取的图像发送给与可移动平台10通信连接的地面端20。地面端20根据图像处理方法对从可移动平台10接收的图像进行处理,并显示处理后的图像,以供用户观看。
如图11所示,本实施例的遥控图像处理方法包括步骤S210至步骤S250。
S210、获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素。
具体的,待处理图像为包括人脸的图像,人脸区域的颜色特征可以作为人体肤色的颜色特征的代表。从而可以根据待处理图像中脸部区域的特征对待处理图像进行处理。
示例性的,所述获取待处理图像,包括:获取视频流中的图像;若检测到所述图像中包括脸部区域,将所述图像确定为所述待处理图像。
例如,可移动平台将获取视频流,即一系列图像实时发送给地面端;地面端接收视频流中的图像。又例如,拍摄装置如相机、手机直接获取视频流,并获取视频流中的图像。
例如,地面端对获取的图像进行人脸检测,如果检测到某图像中包括人脸则将该图像确定为待处理图像。从而可以实现对视频流中的待处理图像进行处理,得到经过图像处理的视频流。
示例性的,所述获取待处理图像,包括根据用户的选择操作从图库中确定待处理图像。如此,可以有目的性的获取到待处理图像,减少从视频流中提取图像的时间,提高处理效率。
例如,用户通过操作图像处理设备,如相机、手机、电脑等,从图像处理设备的存储区域中选定某图像为待处理图像。
具体的,若在用户选择的图像中未检测到人脸,则输出提示信息以提示用户选择包括人脸的图像。
在一些实施方式中,所述获取待处理图像,包括:获取YCbCr颜色空间的待处理图像。
示例性的,若获取的图像不是YCbCr颜色空间的图像,则将其他颜色空间的图像转换为YCbCr颜色空间的待处理图像。
通过将其他颜色空间的图像转换为YCbCr颜色空间的待处理图像,可以分离出容易受光照等因素影响的亮度成分,在图像处理时主要依据肤色本身进行处理。减少因亮度成分的影响而造成的检测误差,提高检测的准确度。
示例性的,所述确定所述待处理图像中脸部区域的多个样本像素,包括:确定所述待处理图像中的脸部区域;根据所述脸部区域确定样本像素。
示例性的,可以根据整体轮廓法、器官分布法、模板匹配法等方法确定所述待处理图像中的脸部区域。
示例性的,所述确定所述待处理图像中的脸部区域,包括:对所述待处理图像进行人脸检测处理和人脸关键点检测处理,得到若干关键点的位置;根据所述若干关键点的位置确定脸部区域。具体的,通过人脸检测和人脸关键点对齐可以确定人脸主要器官68个关键点的位置,如图4所示;然后可以根据其中若干关键点的位置确定脸部区域。通过人脸关键点确定脸部区域,得到的脸部区域的准确度较高。
具体的,如图4和图5所示,所述根据所述若干关键点的位置确定脸部区域,包括:根据两侧脸颊的关键点和下颌的关键点确定面部椭圆,将所述面部椭圆围成的区域确定为脸部区域。根据三个关键点就可以较为准确的确定脸部区域,计算效率更高。椭圆可以较为准确的描述脸部的轮廓,以该椭圆内部的区域定义脸部区域,可以获得脸部区域中更多的肤色像素。
步骤S113检测的脸部区域可以作为皮肤样本的提取区域。
但是脸部区域内部依然存在眼睛,眉毛,嘴巴,鼻孔等器官,甚至会有胡须和头发,这些区域的颜色特征和皮肤存在较大差别,因此在进行皮肤像素采样的时候将这些区域的像素排除在外,可以提高肤色的识别精度。
示例性的,使用梯度门限方法对人脸椭圆区域内部的肤色像素进行提取。
示例性的,所述根据所述脸部区域确定样本像素,包括:确定所述脸部区域中各像素的像素梯度值;将像素梯度值不大于预设梯度阈值的像素确定为样本像素。
眼睛,眉毛,嘴巴,鼻孔等器官和胡须和头发所在的区域纹理更多,理论上皮肤区域比这些区域更加平滑。根据像素梯度值可以准确地排除这些区域,提高肤色检测的准确性。
通过将像素梯度值不大于预设梯度阈值的像素确定为样本像素,可以排除纹理较多的非肤色像素;确定的样本像素更准确,更能肤色的像素特征。
示例性的,所述根据所述脸部区域确定样本像素,包括:确定所述脸部区域中的肤色区域,以及将所述肤色区域的像素确定为样本像素。
通过识别脸部区域中的肤色区域和非肤色区域确定样本像素。
示例性的,所述确定所述脸部区域中的肤色区域,包括:确定所述脸部区域中的非肤色区域;确定所述脸部区域中不是非肤色区域的区域为肤色区域。
具体的,可以通过识别非肤色区域的边缘,确定非肤色区域;然后将非肤色区域从脸部区域中排除,得到肤色区域。从而将肤色区域与非肤色区域区分开,避免造成肤色区域与非肤色区域的混淆。
具体的,所述确定所述脸部区域中的非肤色区域,包括:确定所述脸部区域中各像素的像素梯度值;根据像素梯度值不小于预设梯度阈值的像素确定非肤色区域的轮廓,根据所述轮廓确定非肤色区域。如此,将脸部区域中的非肤色区域准确界定出来。
图像梯度常用于边缘检测,通过将像素梯度值不小于预设梯度阈值的像素确定非肤色区域的轮廓,可以进一步提高非肤色区域识别的准确性,排除眼白等非肤色区域。
在其他一些实施方式中,还可以根据人脸关键点中的眼部关键点、眉毛关键点等确定非肤色区域。根据关键点来确定非肤色区域,提高准确度与计算效率。
示例性的,根据眉毛关键点确定眉毛所在的非肤色区域,根据眼部关键点确定眼睛所在的非肤色区域。
在确定所述脸部区域中的非肤色区域之后,确定所述脸部区域中不是非肤色区域的区域为肤色区域。
在一些实施例中,如图5所示,所述待处理图像中包括一个脸部区域,即包括一张人脸。则可以根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型。然后将所述概率分布子模型确定为所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
在本实施例中,如图12所示,所述待处理图像中包括多个脸部区域,需要对每一张人脸进行人脸检测和人脸对齐,确定面部椭圆并分别提取各脸部区域样本像素。之后可以通过确定各个脸部区域的概率分布子模型,并进一步确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
具体的,在获取待处理图像时,检测待处理图像中脸部区域的个数。若待 处理图像中包括一个脸部区域,则执行前一实施例的步骤S110至步骤S140;若待处理图像中包括多个脸部区域,执行本实施例的步骤S210至步骤S250。
S220、根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型。
示例性的,像素特征包括像素的亮度分量和/或颜色分量的值,如蓝色分量的值、红色分量的值。
一个像素对应于多个像素特征。如在YCbCr颜色空间,亮度分量Y的值、蓝色分量Cb的值和红色分量Cr的值分别作为三种像素特征,一个像素对应于多个像素特征,即,一个像素对应于亮度分量Y的值、蓝色分量Cb的值和红色分量Cr的值;在RGB颜色空间,红色分量R的值、绿色分量G的值和蓝色分量B的值分别作为三种像素特征,一个像素对应于多个像素特征,即,一个像素对应于红色分量R的值、绿色分量G的值和蓝色分量B的值。
通过确定各脸部区域中多个样本像素对应于不同像素特征的概率分布子模型,可以以该概率分布子模型描述待处理图像中各脸部区域的像素特征的分布规律。从而能够直观的、准确的展示待处理图像中肤色区域的像素特征的分布规律。
在一些实施方式中,S220根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,包括:根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数;根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型。仅获取各脸部区域的肤色区域中各样本像素的像素特征,避免了获取非肤色区域的样本像素,从而节约检测时间,检测效率高。
示例性的,概率分布子模型采用高斯统计模型,服从正态分布,如二维高斯分布。高斯分布可以更为准确的描述脸部区域中各样本像素的像素分量的值所服从的统计规律,使得概率分布子模型可以准确体现肤色的像素特征。
示例性的,根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于一种像素特征的概率分布子模型,则概率分布子模型可以表示为一维高斯分布。
示例性的,根据所述脸部区域中样本像素的像素特征,确定所述脸部区域 中样本像素对应于两种像素特征的概率分布子模型,则概率分布子模型可以表示为二维高斯分布。
示例性的,根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于三种像素特征的概率分布子模型,则概率分布子模型可以表示为三维高斯分布。
均值、方差是高斯分布中重要的分布参数,根据所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差,可以确定概率分布子模型,如一维高斯分布、二维高斯分布、三维高斯分布的概率分布子模型。
示例性的,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差。
具体的,可以根据脸部区域中样本像素对应于一种像素分量的均值、方差,确定一维高斯分布的概率分布子模型。
示例性的,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差,包括;根据所述脸部区域中各样本像素第一分量的值和第二分量的值,确定所述脸部区域中样本像素对应于所述第一分量的第一均值和第一方差以及对应于所述第二分量的第二均值和第二方差。
具体的,可以根据脸部区域中样本像素对应于两种像素分量的均值、方差,确定二维高斯分布的概率分布子模型。
在一些实施方式中,将待处理图像转换为YCbCr颜色空间的待处理图像。由于待处理图像中的亮度分量Y受环境光线影响较大,如果用作肤色检测会导致鲁棒性较差。因此,确定所述脸部区域中样本像素对应于非亮度分量的概率分布子模型。以提高概率分布模型对肤色区域描述的准确性,提高肤色检测的鲁棒性。
示例性的,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:根据所述脸部区域中,所述多个样本像素中各所述样本像素蓝色分量的值和红色分量的值,确定所述脸部区域中样本像素对应于所述蓝色分量的分布参数和 对应于所述红色分量的分布参数。通过不将亮度分量的分布参数融合在概率分布子模型,可以减少因亮度成分的影响而造成的检测误差,提高检测的准确度。
示例性的,使用CbCr颜色空间的二维高斯分布来建立肤色统计模型,即概率分布子模型。首先要将待处理图像从RGB颜色空间转换到YCbCr颜色空间。然后根据脸部区域中各样本像素统计二维高斯分布的分布参数。
具体的,确定所述脸部区域中样本像素对应于蓝色分量Cb的均值μ 1和方差σ 1 2,以及确定所述脸部区域中样本像素对应于红色分量Cr的均值μ 2和方差σ 2 2
示例性的,概率分布子模型可以表示为一维高斯分布,根据一种像素分量对应的分布参数,如均值和方差就可以确定概率分布子模型。
具体的,所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型,如一维高斯分布。
示例性的,所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:根据所述蓝色分量对应的分布参数和所述红色分量对应的分布参数确定所述脸部区域的概率分布子模型。
由于样本像素对应于蓝色分量和红色分量两维的分量,可以进一步统计样本像素的蓝色分量和红色分量之间的关系,即协方差,然后根据蓝色分量、红色分量的均值和方差以及蓝色分量和红色分量之间的协方差确定脸部区域的概率分布子模型。概率分布子模型可以更好的体现样本像素的像素特征,利于提高肤色像素检测的准确率。
示例性的,所述根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型,包括:根据所述第一均值和所述第二均值确定第一分量和第二分量的协方差;根据所述第一均值、所述第一方差、所述第二均值、所述第二方差和所述协方差确定所述脸部区域的二维高斯分布子模型。
通过对各脸部区域中样本像素的像素特征,如红色分量和蓝色分量进行统计,以根据统计结果构建各脸部区域的概率分布子模型。
具体的,若待处理图像中包括多个脸部区域,则可以根据步骤S220确定所述多个脸部区域中样本像素对应于不同像素特征的概率分布子模型,如二维高斯模型。
例如待处理图像中包括k个脸部区域,则确定k个脸部区域各自对应的概率 分布子模型,其中,第i个脸部区域对应的概率分布子模型为:
f(Cb,Cr|μ 1i2i1i2i)
其中,该概率分布子模型的均值和方差参数为μ 1i、μ 2i、σ 1i、σ 2i
S230、根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
对于有些待处理图像,其中多个人的肤色可能会有较大的差异。如果以其中某个人的脸部区域的概率分布子模型作为概率分布模型,在检测其他人的肤色区域时会产生较大的误差。
例如,如果图像中存在多张肤色不同的人脸时,如果只对其中一张人脸建立高斯模型,很难准确检测出所有肤色区域。因此需要对每张人脸进行采样和建模,然后建立高斯混合模型。
在一些实施方式中,所述根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。通过对待处理图像中所有脸部区域的概率分布子模型进行融合,得到可以均衡检测待处理图像中所有人肤色的概率分布模型,可以有效的检测出待处理图像中所有肤色区域。
线性加成的计算量较小,且可以较好的均衡各脸部区域的概率分布子模型。
具体的,将待处理图像中各脸部区域的概率分布子模型进行线性加成,如将各脸部区域的二维高斯模型线性加成在一起就组成了高斯混合模型的概率密度函数,即概率分布模型。
示例性的,所述对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:根据各脸部区域的大小或者各脸部区域中样本像素的数目确定各脸部区域的权重参数;根据各脸部区域的权重参数对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。例如,待处理图像中的脸部区域越大,则该脸部区域的权重参数越大;和/或待处理图像中脸部区域的样本像素越多,则该脸部区域的权重参数越大。
根据不同脸部区域的面积或者不同脸部区域样本像素的数目确定各概率分布子模型的权重参数。当某个人的脸部区域在待处理图像中所占的比重较大时, 整个待处理图像中这个人的肤色区域也有较大的可能所占面积较多,因此可以测重用这个人脸部区域的概率分布子模型对待处理图像的肤色区域进行识别。是的肤色检测的准确率更高。
示例性的,根据下式对k个脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型:
Figure PCTCN2019098467-appb-000017
其中,π i为第i个概率分布子模型对应的权重参数。各概率分布子模型对应的权重参数为正数,所有k个权重参数的和等于1,即:
Figure PCTCN2019098467-appb-000018
所有k个权重参数的和等于1,可以保证概率分布模型,如概率密度函数的积分还是1。
通过对各脸部区域中样本像素的像素特征,如红色分量和蓝色分量进行统计,以根据统计结果构建各脸部区域的概率分布子模型。之后将各脸部区域的概率分布子模型线性加成,得到概率分布模型,如二维高斯混合概率模型。概率分布模型可以均衡检测待处理图像中所有人的肤色,可以有效的检测出待处理图像中所有肤色区域。
示例性的,如图12所示的待处理图像中两个脸部区域的概率分布子模型,线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,如图13所示。
如图13所示,相同脸部区域中,样本像素的像素特征相同或近似,如蓝色分量和红色分量具有相同或近似的值。而不同脸部区域中,样本像素的像素特征有明显差别。
S240、根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图。
由于样本像素主要根据肤色区域确定,而同一个人其余部位的皮肤和脸部 的皮肤具有相同或近似的像素特征。步骤S230通过对待处理图像中所有脸部区域的概率分布子模型进行融合,得到可以均衡检测待处理图像中所有人肤色的概率分布模型,可以有效的检测出待处理图像中所有肤色区域。
该概率分布模型可以应用于整个待处理图像,以确定待处理图像中各像素为目标像素的概率。目标像素为与脸部的皮肤具有相同或近似像素特征的像素,即颜色为皮肤颜色的像素。根据概率分布模型限定的肤色像素的像素特征的分布规律,确定待处理图像中像素对应的概率值,并根据该概率值确定该像素是肤色像素的概率。像素的检测结果不是二值化的结果,而是一个概率值,从而可以实现待处理图像中肤色区域和非肤色区域的软分割,在非肤色区域和肤色区域之间平滑过渡。
示例性的,所述获取所述待处理图像中各像素的像素特征,包括:获取所述待处理图像中各像素至少一种像素分量的值。
具体的,获取待处理图像中某像素的像素特征,包括蓝色分量的值Cb i和红色分量的值Cr i
示例性的,将所述待处理图像中像素的像素特征带入概率分布模型,计算该像素对应的概率值,将这一概率值作为该像素为目标像素的目标概率。
示例性的,根据所述概率分布模型,以及所述像素至少一种像素分量的值,确定所述像素对应的概率值,以得到所述像素为目标像素的目标概率。
计算出待处理图像中所有的目标概率后,可以得到所述待处理图像对应的目标概率图。
具体的,根据各像素的位置关系和像素与目标概率的对应关系,排列所有像素的目标概率,以生成待处理图像对应的目标概率图。。目标概率图中的目标概率与待处理图像中的像素一一对应,生成的目标概率图在不同区域之间具有合理过渡,如在非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割。
示例性的,由于概率分布模型是根据脸部区域中样本像素的像素特征统计的,概率分布模型直接计算出的目标概率会被限制在很狭小的范围内,无法体现像素为皮肤像素的真实概率。可以通过归一化处理将目标概率适当放大,归一化处理可以使得目标概率更真实的体现像素为目标像素的概率。经过归一化处理,肤色概率整体分布趋于正常的概率值,方便后续的处理过程。
示例性的,所述根据所述待处理图像中各像素归一化处理的目标概率生成 所述待处理图像对应的目标概率图,包括:对所述待处理图像中各像素归一化处理的目标概率进行平滑处理;根据所述待处理图像中各像素平滑处理的目标概率生成所述待处理图像对应的目标概率图。
具体的,有些待处理图像中包括一些噪声像素,可以通过平滑处理去除噪声的影响,让目标概率图更加平滑。
示例性的,如图14所示为步骤S240生成的如图12所示待处理图像对应的目标概率图。其中,颜色越白的像素表示该像素为皮肤像素的概率越高,如脖子和耳朵处的像素。
由于目标概率图是通过确定待处理图像中所有像素为目标像素的目标概率生成的,目标概率图相对于待处理图像中的不同区域,没有明显的界限区分。目标概率图是一张具有合理过渡的肤色检测图,非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割。
S250、根据所述目标概率图,对所述待处理图像进行处理。
示例性的,根据图像处理参数和所述目标概率图,对所述待处理图像进行处理。实现根据目标概率图对待处理图像进行例如磨皮等处理。
具体的,所述目标概率图包括所述待处理图像中各像素的目标概率。
根据目标概率图可以确定待处理图像中各像素为肤色的概率,从而可以根据图像处理参数,对目标概率不同的像素进行不同程度的调整。例如,对目标概率较高的像素进行较大程度的调整,对目标概率低的像素进行较小程度的调整。实现对待处理图像的某类区域进行针对性的处理。
示例性的,所述根据所述目标概率图,对所述待处理图像进行处理,包括:根据磨皮参数和所述目标概率图,对所述待处理图像进行磨皮处理;和/或根据色彩调整参数和所述目标概率图,对所述待处理图像进行色彩调整处理;和/或根据亮度调整参数和所述目标概率图,对所述待处理图像进行亮度调整处理;和/或根据虚化参数和所述目标概率图,对所述待处理图像进行虚化处理;和/或根据滤镜参数和所述目标概率图,对所述待处理图像进行滤镜处理。以实现根据目标概率图对待处理图像进行相应的处理操作。
由于目标概率图是一张具有合理过渡的肤色检测图,非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割,因此根据目标概率图,对所述待处理图像进行处理得到的处理图像中,非肤色区域和肤色区域之间平滑过渡,没有 明显的区域分割。
在一些实施方式中,根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像之后,还包括:将所述待处理图像与所述处理图像进行融合处理,以得到融合图像。
示例性的,将待处理图像原图和处理图像叠加,得到融合图像,以保留较多原图的特征。
上述实施例提供的图像处理方法,通过确定待处理图像中各脸部区域的样本像素,确定各脸部区域的概率分布子模型;然后通过各脸部区域的概率分布子模型进行融合,得到可以均衡检测待处理图像中所有人肤色的概率分布模型;之后可以根据概率分布模型确定待处理图像中各像素为目标像素的目标概率。当待处理图像中存在有多张不同肤色的人脸时,该方法仍然能够高效的检测出所有肤色区域。例如,当图像中存在多张人脸时,对每一张人脸提取肤色样本,建立高斯混合模型,并使用该模型对整幅图像进行肤色检测,可以有效的检测出每个人像的肤色区域。避免传统的肤色检测方法在画面中存在多张肤色差异较大的人脸时,固定阈值法无法兼顾每张人脸的肤色区域,会存在某些人脸区域无法正确检出的问题。
生成的目标概率图在不同区域之间具有合理过渡,如在非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割,检测精度较高。而且根据所述目标概率图对待处理图像进行处理得到的图像也没有明显的区域分割,更加适应于美颜过程中的美白和磨皮等处理;也不会受到人种肤色变化的影响,可以适用于不同肤色的图像。
请结合上述实施例参阅图15,图15是本说明书一实施例提供的图像处理系统的示意性框图。
如图15所示,该图像处理系统100包括一个或多个处理器101,一个或多个处理器101可单独地或共同地工作,用于执行前述实施例的图像处理方法的步骤。
示例性的,处理器101用于:获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素 的目标概率,以生成所述待处理图像对应的目标概率图;根据所述目标概率图,对所述待处理图像进行处理。
本说明书实施例提供的图像处理系统的具体原理和实现方式均与前述实施例的图像处理方法类似,此处不再赘述。
请参阅图16,图16是本说明书一实施例提供的可移动平台200的示意性框图。该可移动平台200包括拍摄装置20,所述拍摄装置20用于获取图像。
可移动平台200还包括一个或多个处理器201,一个或多个处理器201可单独地或共同地工作,用于执行前述实施例的图像处理方法的步骤。
示例性的,处理器201用于:获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;根据所述目标概率图,对所述待处理图像进行处理。
示例性的,所述可移动平台包括如下至少一种:无人飞行器、手持云台、云台车。
本说明书实施例提供的可移动平台的具体原理和实现方式均与前述实施例的图像处理方法类似,此处不再赘述。
请参阅图17,图17是本说明书另一实施例提供的一种可移动平台300的示意性框图。
该可移动平台300用于与拍摄装置30通信连接,以获取图像。
可移动平台300还包括一个或多个处理器301,一个或多个处理器301可单独地或共同地工作,用于执行前述实施例的图像处理方法的步骤。
示例性的,处理器301用于:获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;根据所述目标概率图,对所述待处理图像进行处理。
示例性的,所述可移动平台包括如下至少一种:无人飞行器、手持云台、 云台车。
本说明书实施例提供的可移动平台的具体原理和实现方式均与前述实施例的图像处理方法类似,此处不再赘述。
请参阅图18,图18是本说明书一实施例提供的图像处理设备400的示意性框图。该图像处理设备400包括一个或多个处理器401,单独地或共同地工作,用于执行前述实施例的图像处理方法的步骤。
示例性的,处理器401用于:获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;根据所述目标概率图,对所述待处理图像进行处理。
示例性的,所述图像处理设备包括如下至少一种:相机、手机、电脑。
本说明书实施例提供的图像处理设备的具体原理和实现方式均与前述实施例的图像处理方法类似,此处不再赘述。
本说明书的实施例中还提供一种计算机可读存储介质,该计算机存储介质中存储有程序指令,该计算机存储介质中存储有程序指令,所述程序执行前述实施例的图像处理方法。
就本说明书而言,所述计算机可读介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本说明书上述实施例提供的图像处理系统、可移动平台、图像处理设备,通过在待处理图像的脸部区域中确定多个样本像素,然后根据样本像素的像素特征,确定脸部区域的概率分布模型;由于脸部区域的像素特征和其他部位皮肤的像素特征有很高的相似度,可以根据概率分布模型确定待处理图像中各像素为目标像素的目标概率。生成的目标概率图在不同区域之间具有合理过渡,如在非肤色区域和肤色区域之间平滑过渡,没有明显的区域分割,检测精度较高。而且根据所述目标概率图对待处理图像进行处理得到的图像也没有明显的区域分割;也不会受到人种肤色变化的影响,可以适用于不同肤色的图像。
应当理解,在此本说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本说明书。
还应当理解,在本说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
以上所述,仅为本说明书的具体实施方式,但本说明书的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本说明书揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本说明书的保护范围之内。因此,本说明书的保护范围应以权利要求的保护范围为准。

Claims (129)

  1. 一种图像处理方法,其特征在于,包括:
    获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
    根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
    根据所述目标概率图,对所述待处理图像进行处理。
  2. 根据权利要求1所述的图像处理方法,其特征在于,所述确定所述待处理图像中脸部区域的多个样本像素,包括:
    确定所述待处理图像中的脸部区域;
    根据所述脸部区域确定所述多个样本像素。
  3. 根据权利要求2所述的图像处理方法,其特征在于,所述确定所述待处理图像中的脸部区域,包括:
    对所述待处理图像进行人脸检测处理和人脸关键点检测处理,得到若干关键点的位置;
    根据所述若干关键点的位置确定脸部区域。
  4. 根据权利要求3所述的图像处理方法,其特征在于,所述根据所述若干关键点的位置确定脸部区域,包括:
    根据两侧脸颊的关键点和下颌的关键点确定面部椭圆,将所述面部椭圆围成的区域确定为脸部区域。
  5. 根据权利要求2所述的图像处理方法,其特征在于,所述根据所述脸部区域确定样本像素,包括:
    确定所述脸部区域中各像素的像素梯度值;
    将像素梯度值不大于预设梯度阈值的像素确定为样本像素。
  6. 根据权利要求2所述的图像处理方法,其特征在于,所述根据所述脸部区域确定样本像素,包括:
    确定所述脸部区域中的肤色区域,以及将所述肤色区域的像素确定为样本 像素。
  7. 根据权利要求6所述的图像处理方法,其特征在于,所述确定所述脸部区域中的肤色区域,包括:
    确定所述脸部区域中的非肤色区域;
    确定所述脸部区域中不是非肤色区域的区域为肤色区域。
  8. 根据权利要求7所述的图像处理方法,其特征在于,所述确定所述脸部区域中的非肤色区域,包括:
    确定所述脸部区域中各像素的像素梯度值;
    根据像素梯度值不小于预设梯度阈值的像素确定非肤色区域的轮廓,根据所述轮廓确定非肤色区域。
  9. 根据权利要求1所述的图像处理方法,其特征在于,若所述待处理图像中包括一个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,以将所述概率分布子模型确定为所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  10. 根据权利要求1所述的图像处理方法,其特征在于,若所述待处理图像中包括多个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型;
    根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  11. 根据权利要求9或10所述的图像处理方法,其特征在于,所述根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数;
    根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型。
  12. 根据权利要求11所述的图像处理方法,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型。
  13. 根据权利要求12所述的图像处理方法,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差,包括;
    根据所述脸部区域中各样本像素第一分量的值和第二分量的值,确定所述脸部区域中样本像素对应于所述第一分量的第一均值和第一方差以及对应于所述第二分量的第二均值和第二方差;
    所述根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型,包括:
    根据所述第一均值和所述第二均值确定第一分量和第二分量的协方差;
    根据所述第一均值、所述第一方差、所述第二均值、所述第二方差和所述协方差确定所述脸部区域的二维高斯分布子模型。
  14. 根据权利要求11所述的图像处理方法,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中所述多个样本像素中各所述样本像素蓝色分量的值和红色分量的值,确定所述脸部区域中样本像素对应于所述蓝色分量的分布参数和对应于所述红色分量的分布参数;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述蓝色分量对应的分布参数和所述红色分量对应的分布参数确定所述脸部区域的概率分布子模型。
  15. 根据权利要求10所述的图像处理方法,其特征在于,所述根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  16. 根据权利要求15所述的图像处理方法,其特征在于,所述对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    根据各脸部区域的大小或者各脸部区域中样本像素的数目确定各脸部区域的权重参数;
    根据各脸部区域的权重参数对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  17. 根据权利要求1-10、15-16中任一项所述的图像处理方法,其特征在于,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,包括:
    获取所述待处理图像中各像素的像素特征;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率。
  18. 根据权利要求17所述的图像处理方法,其特征在于,所述获取所述待处理图像中各像素的像素特征,包括:
    获取所述待处理图像中各像素至少一种像素分量的值;
    所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率,包括:
    根据所述概率分布模型,以及所述像素至少一种像素分量的值,确定所述像素对应的概率值,以得到所述像素为目标像素的目标概率。
  19. 根据权利要求1-10、15-16中任一项所述的图像处理方法,其特征在于,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图,包括:
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各 所述像素为目标像素的目标概率;
    对所述待处理图像中各像素的目标概率进行归一化处理;
    根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图。
  20. 根据权利要求19所述的图像处理方法,其特征在于,所述根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图,包括:
    对所述待处理图像中各像素归一化处理的目标概率进行平滑处理;
    根据所述待处理图像中各像素平滑处理的目标概率生成所述待处理图像对应的目标概率图。
  21. 根据权利要求1-10、15-16中任一项所述的图像处理方法,其特征在于,所述获取待处理图像,包括:
    获取视频流中的图像;
    若检测到所述图像中包括脸部区域,将所述图像确定为所述待处理图像。
  22. 根据权利要求1-10、15-16中任一项所述的图像处理方法,其特征在于,所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据图像处理参数和所述目标概率图,对所述待处理图像进行处理。
  23. 根据权利要求22所述的图像处理方法,其特征在于,所述目标概率图包括所述待处理图像中各像素的目标概率;
    所述根据图像处理参数和所述目标概率图,对所述待处理图像进行处理,包括:获取图像处理参数;
    将所述待处理图像中各像素的目标概率乘以所述图像处理参数,得到各像素的处理参数;
    根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像。
  24. 根据权利要求23所述的图像处理方法,其特征在于,所述根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像之后,包括:
    将所述待处理图像与所述处理图像进行融合处理,以得到融合图像。
  25. 根据权利要求1-10、15-16中任一项所述的图像处理方法,其特征在于, 所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据磨皮参数和所述目标概率图,对所述待处理图像进行磨皮处理;和/或
    根据色彩调整参数和所述目标概率图,对所述待处理图像进行色彩调整处理;和/或
    根据亮度调整参数和所述目标概率图,对所述待处理图像进行亮度调整处理;和/或
    根据虚化参数和所述目标概率图,对所述待处理图像进行虚化处理;和/或
    根据滤镜参数和所述目标概率图,对所述待处理图像进行滤镜处理。
  26. 一种图像处理系统,其特征在于,包括一个或多个处理器,单独地或共同地工作,用于执行如下步骤:获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
    根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
    根据所述目标概率图,对所述待处理图像进行处理。
  27. 根据权利要求26所述的图像处理系统,其特征在于,所述确定所述待处理图像中脸部区域的多个样本像素,包括:
    确定所述待处理图像中的脸部区域;
    根据所述脸部区域确定样本像素。
  28. 根据权利要求27所述的图像处理系统,其特征在于,所述确定所述待处理图像中的脸部区域,包括:
    对所述待处理图像进行人脸检测处理和人脸关键点检测处理,得到若干关键点的位置;
    根据所述若干关键点的位置确定脸部区域。
  29. 根据权利要求28所述的图像处理系统,其特征在于,所述根据所述若干关键点的位置确定脸部区域,包括:
    根据两侧脸颊的关键点和下颌的关键点确定面部椭圆,将所述面部椭圆围 成的区域确定为脸部区域。
  30. 根据权利要求27所述的图像处理系统,其特征在于,所述根据所述脸部区域确定样本像素,包括:
    确定所述脸部区域中各像素的像素梯度值;
    将像素梯度值不大于预设梯度阈值的像素确定为样本像素。
  31. 根据权利要求27所述的图像处理系统,其特征在于,所述根据所述脸部区域确定样本像素,包括:
    确定所述脸部区域中的肤色区域,以及将所述肤色区域的像素确定为样本像素。
  32. 根据权利要求31所述的图像处理系统,其特征在于,所述确定所述脸部区域中的肤色区域,包括:
    确定所述脸部区域中的非肤色区域;
    确定所述脸部区域中不是非肤色区域的区域为肤色区域。
  33. 根据权利要求32所述的图像处理系统,其特征在于,所述确定所述脸部区域中的非肤色区域,包括:
    确定所述脸部区域中各像素的像素梯度值;
    根据像素梯度值不小于预设梯度阈值的像素确定非肤色区域的轮廓,根据所述轮廓确定非肤色区域。
  34. 根据权利要求26所述的图像处理系统,其特征在于,若所述待处理图像中包括一个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,以将所述概率分布子模型确定为所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  35. 根据权利要求26所述的图像处理系统,其特征在于,若所述待处理图像中包括多个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型;
    根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对 应于相应的像素特征的概率分布模型。
  36. 根据权利要求34或35所述的图像处理系统,其特征在于,所述根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数;
    根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型。
  37. 根据权利要求36所述的图像处理系统,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型。
  38. 根据权利要求37所述的图像处理系统,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差,包括;
    根据所述脸部区域中各样本像素第一分量的值和第二分量的值,确定所述脸部区域中样本像素对应于所述第一分量的第一均值和第一方差以及对应于所述第二分量的第二均值和第二方差;
    所述根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型,包括:
    根据所述第一均值和所述第二均值确定第一分量和第二分量的协方差;
    根据所述第一均值、所述第一方差、所述第二均值、所述第二方差和所述协方差确定所述脸部区域的二维高斯分布子模型。
  39. 根据权利要求36所述的图像处理系统,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对 应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中,所述多个样本像素中各所述样本像素蓝色分量的值和红色分量的值,确定所述脸部区域中样本像素对应于所述蓝色分量的分布参数和对应于所述红色分量的分布参数;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述蓝色分量对应的分布参数和所述红色分量对应的分布参数确定所述脸部区域的概率分布子模型。
  40. 根据权利要求35所述的图像处理系统,其特征在于,所述根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  41. 根据权利要求40所述的图像处理系统,其特征在于,所述对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    根据各脸部区域的大小或者各脸部区域中样本像素的数目确定各脸部区域的权重参数;
    根据各脸部区域的权重参数对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  42. 根据权利要求26-35、40-41中任一项所述的图像处理系统,其特征在于,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,包括:
    获取所述待处理图像中各像素的像素特征;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率。
  43. 根据权利要求42所述的图像处理系统,其特征在于,所述获取所述待处理图像中各像素的像素特征,包括:
    获取所述待处理图像中各像素至少一种像素分量的值;
    所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确 定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率,包括:
    根据所述概率分布模型,以及所述像素至少一种像素分量的值,确定所述像素对应的概率值,以得到所述像素为目标像素的目标概率。
  44. 根据权利要求26-35、40-41中任一项所述的图像处理系统,其特征在于,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图,包括:
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率;
    对所述待处理图像中各像素的目标概率进行归一化处理;
    根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图。
  45. 根据权利要求44所述的图像处理系统,其特征在于,所述根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图,包括:
    对所述待处理图像中各像素归一化处理的目标概率进行平滑处理;
    根据所述待处理图像中各像素平滑处理的目标概率生成所述待处理图像对应的目标概率图。
  46. 根据权利要求26-35、40-41中任一项所述的图像处理系统,其特征在于,所述获取待处理图像,包括:
    获取视频流中的图像;
    若检测到所述图像中包括脸部区域,将所述图像确定为所述待处理图像。
  47. 根据权利要求26-35、40-41中任一项所述的图像处理系统,其特征在于,所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据图像处理参数和所述目标概率图,对所述待处理图像进行处理。
  48. 根据权利要求47所述的图像处理系统,其特征在于,所述目标概率图包括所述待处理图像中各像素的目标概率;
    所述根据图像处理参数和所述目标概率图,对所述待处理图像进行处理,包括:获取图像处理参数;
    将所述待处理图像中各像素的目标概率乘以所述图像处理参数,得到各像 素的处理参数;
    根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像。
  49. 根据权利要求48所述的图像处理系统,其特征在于,所述根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像之后,包括:
    将所述待处理图像与所述处理图像进行融合处理,以得到融合图像。
  50. 根据权利要求26-35、40-41中任一项所述的图像处理系统,其特征在于,所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据磨皮参数和所述目标概率图,对所述待处理图像进行磨皮处理;和/或
    根据色彩调整参数和所述目标概率图,对所述待处理图像进行色彩调整处理;和/或
    根据亮度调整参数和所述目标概率图,对所述待处理图像进行亮度调整处理;和/或
    根据虚化参数和所述目标概率图,对所述待处理图像进行虚化处理;和/或
    根据滤镜参数和所述目标概率图,对所述待处理图像进行滤镜处理。
  51. 一种可移动平台,其特征在于,包括拍摄装置,所述拍摄装置用于获取图像;
    还包括一个或多个处理器,单独地或共同地工作,用于执行如下步骤:
    获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
    根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
    根据所述目标概率图,对所述待处理图像进行处理。
  52. 根据权利要求51所述的可移动平台,其特征在于,所述确定所述待处理图像中脸部区域的多个样本像素,包括:
    确定所述待处理图像中的脸部区域;
    根据所述脸部区域确定样本像素。
  53. 根据权利要求52所述的可移动平台,其特征在于,所述确定所述待处理图像中的脸部区域,包括:
    对所述待处理图像进行人脸检测处理和人脸关键点检测处理,得到若干关键点的位置;
    根据所述若干关键点的位置确定脸部区域。
  54. 根据权利要求53所述的可移动平台,其特征在于,所述根据所述若干关键点的位置确定脸部区域,包括:
    根据两侧脸颊的关键点和下颌的关键点确定面部椭圆,将所述面部椭圆围成的区域确定为脸部区域。
  55. 根据权利要求52所述的可移动平台,其特征在于,所述根据所述脸部区域确定样本像素,包括:
    确定所述脸部区域中各像素的像素梯度值;
    将像素梯度值不大于预设梯度阈值的像素确定为样本像素。
  56. 根据权利要求52所述的可移动平台,其特征在于,所述根据所述脸部区域确定样本像素,包括:
    确定所述脸部区域中的肤色区域,以及将所述肤色区域的像素确定为样本像素。
  57. 根据权利要求56所述的可移动平台,其特征在于,所述确定所述脸部区域中的肤色区域,包括:
    确定所述脸部区域中的非肤色区域;
    确定所述脸部区域中不是非肤色区域的区域为肤色区域。
  58. 根据权利要求57所述的可移动平台,其特征在于,所述确定所述脸部区域中的非肤色区域,包括:
    确定所述脸部区域中各像素的像素梯度值;
    根据像素梯度值不小于预设梯度阈值的像素确定非肤色区域的轮廓,根据所述轮廓确定非肤色区域。
  59. 根据权利要求51所述的可移动平台,其特征在于,若所述待处理图像中包括一个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,以将所述概率分布子模型确定为所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  60. 根据权利要求51所述的可移动平台,其特征在于,若所述待处理图像中包括多个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型;
    根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  61. 根据权利要求59或60所述的可移动平台,其特征在于,所述根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数;
    根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型。
  62. 根据权利要求61所述的可移动平台,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型。
  63. 根据权利要求62所述的可移动平台,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差,包括;
    根据所述脸部区域中各样本像素第一分量的值和第二分量的值,确定所述 脸部区域中样本像素对应于所述第一分量的第一均值和第一方差以及对应于所述第二分量的第二均值和第二方差;
    所述根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型,包括:
    根据所述第一均值和所述第二均值确定第一分量和第二分量的协方差;
    根据所述第一均值、所述第一方差、所述第二均值、所述第二方差和所述协方差确定所述脸部区域的二维高斯分布子模型。
  64. 根据权利要求61所述的可移动平台,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中,所述多个样本像素中各所述样本像素蓝色分量的值和红色分量的值,确定所述脸部区域中样本像素对应于所述蓝色分量的分布参数和对应于所述红色分量的分布参数;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述蓝色分量对应的分布参数和所述红色分量对应的分布参数确定所述脸部区域的概率分布子模型。
  65. 根据权利要求60所述的可移动平台,其特征在于,所述根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  66. 根据权利要求65所述的可移动平台,其特征在于,所述对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    根据各脸部区域的大小或者各脸部区域中样本像素的数目确定各脸部区域的权重参数;
    根据各脸部区域的权重参数对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  67. 根据权利要求51-60、65-66中任一项所述的可移动平台,其特征在于, 所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,包括:
    获取所述待处理图像中各像素的像素特征;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率。
  68. 根据权利要求67所述的可移动平台,其特征在于,所述获取所述待处理图像中各像素的像素特征,包括:
    获取所述待处理图像中各像素至少一种像素分量的值;
    所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率,包括:
    根据所述概率分布模型,以及所述像素至少一种像素分量的值,确定所述像素对应的概率值,以得到所述像素为目标像素的目标概率。
  69. 根据权利要求51-60、65-66中任一项所述的可移动平台,其特征在于,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图,包括:
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率;
    对所述待处理图像中各像素的目标概率进行归一化处理;
    根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图。
  70. 根据权利要求69所述的可移动平台,其特征在于,所述根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图,包括:
    对所述待处理图像中各像素归一化处理的目标概率进行平滑处理;
    根据所述待处理图像中各像素平滑处理的目标概率生成所述待处理图像对应的目标概率图。
  71. 根据权利要求51-60、65-66中任一项所述的可移动平台,其特征在于,所述获取待处理图像,包括:
    获取视频流中的图像;
    若检测到所述图像中包括脸部区域,将所述图像确定为所述待处理图像。
  72. 根据权利要求51-60、65-66中任一项所述的可移动平台,其特征在于,所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据图像处理参数和所述目标概率图,对所述待处理图像进行处理。
  73. 根据权利要求72所述的可移动平台,其特征在于,所述目标概率图包括所述待处理图像中各像素的目标概率;
    所述根据图像处理参数和所述目标概率图,对所述待处理图像进行处理,包括:获取图像处理参数;
    将所述待处理图像中各像素的目标概率乘以所述图像处理参数,得到各像素的处理参数;
    根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像。
  74. 根据权利要求73所述的可移动平台,其特征在于,所述根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像之后,包括:
    将所述待处理图像与所述处理图像进行融合处理,以得到融合图像。
  75. 根据权利要求51-60、65-66中任一项所述的可移动平台,其特征在于,所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据磨皮参数和所述目标概率图,对所述待处理图像进行磨皮处理;和/或
    根据色彩调整参数和所述目标概率图,对所述待处理图像进行色彩调整处理;和/或
    根据亮度调整参数和所述目标概率图,对所述待处理图像进行亮度调整处理;和/或
    根据虚化参数和所述目标概率图,对所述待处理图像进行虚化处理;和/或
    根据滤镜参数和所述目标概率图,对所述待处理图像进行滤镜处理。
  76. 根据权利要求51-60、65-66中任一项所述的可移动平台,其特征在于,所述可移动平台包括如下至少一种:无人飞行器、手持云台、云台车。
  77. 一种可移动平台,其特征在于,所述可移动平台用于与拍摄装置通信连接,以获取图像;
    还包括一个或多个处理器,单独地或共同地工作,用于执行如下步骤:
    获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
    根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
    根据所述目标概率图,对所述待处理图像进行处理。
  78. 根据权利要求77所述的可移动平台,其特征在于,所述确定所述待处理图像中脸部区域的多个样本像素,包括:
    确定所述待处理图像中的脸部区域;
    根据所述脸部区域确定样本像素。
  79. 根据权利要求78所述的可移动平台,其特征在于,所述确定所述待处理图像中的脸部区域,包括:
    对所述待处理图像进行人脸检测处理和人脸关键点检测处理,得到若干关键点的位置;
    根据所述若干关键点的位置确定脸部区域。
  80. 根据权利要求79所述的可移动平台,其特征在于,所述根据所述若干关键点的位置确定脸部区域,包括:
    根据两侧脸颊的关键点和下颌的关键点确定面部椭圆,将所述面部椭圆围成的区域确定为脸部区域。
  81. 根据权利要求78所述的可移动平台,其特征在于,所述根据所述脸部区域确定样本像素,包括:
    确定所述脸部区域中各像素的像素梯度值;
    将像素梯度值不大于预设梯度阈值的像素确定为样本像素。
  82. 根据权利要求78所述的可移动平台,其特征在于,所述根据所述脸部区域确定样本像素,包括:
    确定所述脸部区域中的肤色区域,以及将所述肤色区域的像素确定为样本像素。
  83. 根据权利要求82所述的可移动平台,其特征在于,所述确定所述脸部区域中的肤色区域,包括:
    确定所述脸部区域中的非肤色区域;
    确定所述脸部区域中不是非肤色区域的区域为肤色区域。
  84. 根据权利要求83所述的可移动平台,其特征在于,所述确定所述脸部区域中的非肤色区域,包括:
    确定所述脸部区域中各像素的像素梯度值;
    根据像素梯度值不小于预设梯度阈值的像素确定非肤色区域的轮廓,根据所述轮廓确定非肤色区域。
  85. 根据权利要求77所述的可移动平台,其特征在于,若所述待处理图像中包括一个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,以将所述概率分布子模型确定为所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  86. 根据权利要求77所述的可移动平台,其特征在于,若所述待处理图像中包括多个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型;
    根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  87. 根据权利要求85或86所述的可移动平台,其特征在于,所述根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数;
    根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型。
  88. 根据权利要求87所述的可移动平台,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型。
  89. 根据权利要求88所述的可移动平台,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差,包括;
    根据所述脸部区域中各样本像素第一分量的值和第二分量的值,确定所述脸部区域中样本像素对应于所述第一分量的第一均值和第一方差以及对应于所述第二分量的第二均值和第二方差;
    所述根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型,包括:
    根据所述第一均值和所述第二均值确定第一分量和第二分量的协方差;
    根据所述第一均值、所述第一方差、所述第二均值、所述第二方差和所述协方差确定所述脸部区域的二维高斯分布子模型。
  90. 根据权利要求87所述的可移动平台,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中,所述多个样本像素中各所述样本像素蓝色分量的值和红色分量的值,确定所述脸部区域中样本像素对应于所述蓝色分量的分布参数和对应于所述红色分量的分布参数;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述蓝色分量对应的分布参数和所述红色分量对应的分布参数确定所述脸部区域的概率分布子模型。
  91. 根据权利要求86所述的可移动平台,其特征在于,所述根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  92. 根据权利要求91所述的可移动平台,其特征在于,所述对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    根据各脸部区域的大小或者各脸部区域中样本像素的数目确定各脸部区域的权重参数;
    根据各脸部区域的权重参数对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  93. 根据权利要求77-86、91-92中任一项所述的可移动平台,其特征在于,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,包括:
    获取所述待处理图像中各像素的像素特征;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率。
  94. 根据权利要求93所述的可移动平台,其特征在于,所述获取所述待处理图像中各像素的像素特征,包括:
    获取所述待处理图像中各像素至少一种像素分量的值;
    所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率,包括:
    根据所述概率分布模型,以及所述像素至少一种像素分量的值,确定所述像素对应的概率值,以得到所述像素为目标像素的目标概率。
  95. 根据权利要求77-86、91-92中任一项所述的可移动平台,其特征在于,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图,包括:
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率;
    对所述待处理图像中各像素的目标概率进行归一化处理;
    根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像 对应的目标概率图。
  96. 根据权利要求95所述的可移动平台,其特征在于,所述根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图,包括:
    对所述待处理图像中各像素归一化处理的目标概率进行平滑处理;
    根据所述待处理图像中各像素平滑处理的目标概率生成所述待处理图像对应的目标概率图。
  97. 根据权利要求77-86、91-92中任一项所述的可移动平台,其特征在于,所述获取待处理图像,包括:
    获取视频流中的图像;
    若检测到所述图像中包括脸部区域,将所述图像确定为所述待处理图像。
  98. 根据权利要求77-86、91-92中任一项所述的可移动平台,其特征在于,所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据图像处理参数和所述目标概率图,对所述待处理图像进行处理。
  99. 根据权利要求98所述的可移动平台,其特征在于,所述目标概率图包括所述待处理图像中各像素的目标概率;
    所述根据图像处理参数和所述目标概率图,对所述待处理图像进行处理,包括:获取图像处理参数;
    将所述待处理图像中各像素的目标概率乘以所述图像处理参数,得到各像素的处理参数;
    根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像。
  100. 根据权利要求99所述的可移动平台,其特征在于,所述根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像之后,包括:
    将所述待处理图像与所述处理图像进行融合处理,以得到融合图像。
  101. 根据权利要求77-86、91-92中任一项所述的可移动平台,其特征在于,所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据磨皮参数和所述目标概率图,对所述待处理图像进行磨皮处理;和/或
    根据色彩调整参数和所述目标概率图,对所述待处理图像进行色彩调整处 理;和/或
    根据亮度调整参数和所述目标概率图,对所述待处理图像进行亮度调整处理;和/或
    根据虚化参数和所述目标概率图,对所述待处理图像进行虚化处理;和/或
    根据滤镜参数和所述目标概率图,对所述待处理图像进行滤镜处理。
  102. 根据权利要求77-86、91-92中任一项所述的可移动平台,其特征在于,所述可移动平台包括如下至少一种:无人飞行器、手持云台、云台车。
  103. 一种图像处理设备,其特征在于,包括一个或多个处理器,单独地或共同地工作,用于执行如下步骤:
    获取待处理图像,确定所述待处理图像中脸部区域的多个样本像素;
    根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图;
    根据所述目标概率图,对所述待处理图像进行处理。
  104. 根据权利要求103所述的图像处理设备,其特征在于,所述确定所述待处理图像中脸部区域的多个样本像素,包括:
    确定所述待处理图像中的脸部区域;
    根据所述脸部区域确定样本像素。
  105. 根据权利要求104所述的图像处理设备,其特征在于,所述确定所述待处理图像中的脸部区域,包括:
    对所述待处理图像进行人脸检测处理和人脸关键点检测处理,得到若干关键点的位置;
    根据所述若干关键点的位置确定脸部区域。
  106. 根据权利要求105所述的图像处理设备,其特征在于,所述根据所述若干关键点的位置确定脸部区域,包括:
    根据两侧脸颊的关键点和下颌的关键点确定面部椭圆,将所述面部椭圆围成的区域确定为脸部区域。
  107. 根据权利要求104所述的图像处理设备,其特征在于,所述根据所述 脸部区域确定样本像素,包括:
    确定所述脸部区域中各像素的像素梯度值;
    将像素梯度值不大于预设梯度阈值的像素确定为样本像素。
  108. 根据权利要求104所述的图像处理设备,其特征在于,所述根据所述脸部区域确定样本像素,包括:
    确定所述脸部区域中的肤色区域,以及将所述肤色区域的像素确定为样本像素。
  109. 根据权利要求108所述的图像处理设备,其特征在于,所述确定所述脸部区域中的肤色区域,包括:
    确定所述脸部区域中的非肤色区域;
    确定所述脸部区域中不是非肤色区域的区域为肤色区域。
  110. 根据权利要求109所述的图像处理设备,其特征在于,所述确定所述脸部区域中的非肤色区域,包括:
    确定所述脸部区域中各像素的像素梯度值;
    根据像素梯度值不小于预设梯度阈值的像素确定非肤色区域的轮廓,根据所述轮廓确定非肤色区域。
  111. 根据权利要求103所述的图像处理设备,其特征在于,若所述待处理图像中包括一个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,以将所述概率分布子模型确定为所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  112. 根据权利要求103所述的图像处理设备,其特征在于,若所述待处理图像中包括多个脸部区域;所述根据所述多个样本像素中各所述样本像素的像素特征,确定所述多个样本像素对应于不同像素特征的概率分布模型,包括:
    根据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型;
    根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  113. 根据权利要求111或112所述的图像处理设备,其特征在于,所述根 据所述脸部区域中样本像素的像素特征,确定所述脸部区域中样本像素对应于不同像素特征的概率分布子模型,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数;
    根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型。
  114. 根据权利要求113所述的图像处理设备,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型。
  115. 根据权利要求114所述的图像处理设备,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的均值、方差,包括;
    根据所述脸部区域中各样本像素第一分量的值和第二分量的值,确定所述脸部区域中样本像素对应于所述第一分量的第一均值和第一方差以及对应于所述第二分量的第二均值和第二方差;
    所述根据所述至少一种像素分量对应的均值、方差确定所述脸部区域的高斯分布子模型,包括:
    根据所述第一均值和所述第二均值确定第一分量和第二分量的协方差;
    根据所述第一均值、所述第一方差、所述第二均值、所述第二方差和所述协方差确定所述脸部区域的二维高斯分布子模型。
  116. 根据权利要求113所述的图像处理设备,其特征在于,所述根据所述脸部区域中各样本像素至少一种像素分量的值,确定所述脸部区域中样本像素对应于所述至少一种像素分量的分布参数,包括:
    根据所述脸部区域中,所述多个样本像素中各所述样本像素蓝色分量的值 和红色分量的值,确定所述脸部区域中样本像素对应于所述蓝色分量的分布参数和对应于所述红色分量的分布参数;
    所述根据所述至少一种像素分量对应的分布参数确定所述脸部区域的概率分布子模型,包括:
    根据所述蓝色分量对应的分布参数和所述红色分量对应的分布参数确定所述脸部区域的概率分布子模型。
  117. 根据权利要求112所述的图像处理设备,其特征在于,所述根据所有脸部区域的概率分布子模型,确定所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  118. 根据权利要求117所述的图像处理设备,其特征在于,所述对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型,包括:
    根据各脸部区域的大小或者各脸部区域中样本像素的数目确定各脸部区域的权重参数;
    根据各脸部区域的权重参数对所有脸部区域的概率分布子模型进行线性加成,得到所述待处理图像中样本像素对应于相应的像素特征的概率分布模型。
  119. 根据权利要求103-112、117-118中任一项所述的图像处理设备,其特征在于,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,包括:
    获取所述待处理图像中各像素的像素特征;
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率。
  120. 根据权利要求119所述的图像处理设备,其特征在于,所述获取所述待处理图像中各像素的像素特征,包括:
    获取所述待处理图像中各像素至少一种像素分量的值;
    所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素对应的概率值,以得到各所述像素为目标像素的目标概率,包括:
    根据所述概率分布模型,以及所述像素至少一种像素分量的值,确定所述像 素对应的概率值,以得到所述像素为目标像素的目标概率。
  121. 根据权利要求103-112、117-118中任一项所述的图像处理设备,其特征在于,所述根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率,以生成所述待处理图像对应的目标概率图,包括:
    根据所述概率分布模型,以及所述待处理图像中各像素的像素特征,确定各所述像素为目标像素的目标概率;
    对所述待处理图像中各像素的目标概率进行归一化处理;
    根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图。
  122. 根据权利要求121所述的图像处理设备,其特征在于,所述根据所述待处理图像中各像素归一化处理的目标概率生成所述待处理图像对应的目标概率图,包括:
    对所述待处理图像中各像素归一化处理的目标概率进行平滑处理;
    根据所述待处理图像中各像素平滑处理的目标概率生成所述待处理图像对应的目标概率图。
  123. 根据权利要求103-112、117-118中任一项所述的图像处理设备,其特征在于,所述获取待处理图像,包括:
    获取视频流中的图像;
    若检测到所述图像中包括脸部区域,将所述图像确定为所述待处理图像。
  124. 根据权利要求103-112、117-118中任一项所述的图像处理设备,其特征在于,所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据图像处理参数和所述目标概率图,对所述待处理图像进行处理。
  125. 根据权利要求124所述的图像处理设备,其特征在于,所述目标概率图包括所述待处理图像中各像素的目标概率;
    所述根据图像处理参数和所述目标概率图,对所述待处理图像进行处理,包括:获取图像处理参数;
    将所述待处理图像中各像素的目标概率乘以所述图像处理参数,得到各像素的处理参数;
    根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处 理图像。
  126. 根据权利要求125所述的图像处理设备,其特征在于,所述根据各像素的处理参数对所述待处理图像中的各像素进行处理,以得到处理图像之后,包括:
    将所述待处理图像与所述处理图像进行融合处理,以得到融合图像。
  127. 根据权利要求103-112、117-118中任一项所述的图像处理设备,其特征在于,所述根据所述目标概率图,对所述待处理图像进行处理,包括:
    根据磨皮参数和所述目标概率图,对所述待处理图像进行磨皮处理;和/或
    根据色彩调整参数和所述目标概率图,对所述待处理图像进行色彩调整处理;和/或
    根据亮度调整参数和所述目标概率图,对所述待处理图像进行亮度调整处理;和/或
    根据虚化参数和所述目标概率图,对所述待处理图像进行虚化处理;和/或
    根据滤镜参数和所述目标概率图,对所述待处理图像进行滤镜处理。
  128. 根据权利要求103-112、117-118中任一项所述的图像处理设备,其特征在于,所述图像处理设备包括如下至少一种:相机、手机、电脑。
  129. 一种确定机可读存储介质,其特征在于,所述确定机可读存储介质存储有确定机程序,所述确定机程序被处理器执行时使所述处理器实现如权利要求1-25中任一项所述的图像处理方法。
PCT/CN2019/098467 2019-07-30 2019-07-30 图像处理方法、系统、设备、可移动平台和存储介质 WO2021016896A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/098467 WO2021016896A1 (zh) 2019-07-30 2019-07-30 图像处理方法、系统、设备、可移动平台和存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/CN2019/098467 WO2021016896A1 (zh) 2019-07-30 2019-07-30 图像处理方法、系统、设备、可移动平台和存储介质
CN201980031834.XA CN112106102A (zh) 2019-07-30 2019-07-30 图像处理方法、系统、设备、可移动平台和存储介质

Publications (1)

Publication Number Publication Date
WO2021016896A1 true WO2021016896A1 (zh) 2021-02-04

Family

ID=73750056

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/098467 WO2021016896A1 (zh) 2019-07-30 2019-07-30 图像处理方法、系统、设备、可移动平台和存储介质

Country Status (2)

Country Link
CN (1) CN112106102A (zh)
WO (1) WO2021016896A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100166310A1 (en) * 2008-12-31 2010-07-01 Altek Corporation Method of establishing skin color model
CN102592115A (zh) * 2011-12-26 2012-07-18 Tcl集团股份有限公司 一种人手定位方法及系统
CN105844242A (zh) * 2016-03-23 2016-08-10 湖北知本信息科技有限公司 图像中的肤色检测方法
CN107633252A (zh) * 2017-09-19 2018-01-26 广州市百果园信息技术有限公司 肤色检测方法、装置及存储介质
CN109447031A (zh) * 2018-11-12 2019-03-08 北京旷视科技有限公司 图像处理方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100166310A1 (en) * 2008-12-31 2010-07-01 Altek Corporation Method of establishing skin color model
CN102592115A (zh) * 2011-12-26 2012-07-18 Tcl集团股份有限公司 一种人手定位方法及系统
CN105844242A (zh) * 2016-03-23 2016-08-10 湖北知本信息科技有限公司 图像中的肤色检测方法
CN107633252A (zh) * 2017-09-19 2018-01-26 广州市百果园信息技术有限公司 肤色检测方法、装置及存储介质
CN109447031A (zh) * 2018-11-12 2019-03-08 北京旷视科技有限公司 图像处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112106102A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN107771336B (zh) 基于颜色分布的图像中的特征检测和掩模
US8983152B2 (en) Image masks for face-related selection and processing in images
JP4214420B2 (ja) 瞳色補正装置およびプログラム
US7539342B2 (en) Image correction apparatus
US8675960B2 (en) Detecting skin tone in images
CN106326823B (zh) 一种获取图片中头像的方法和系统
US9378564B2 (en) Methods for color correcting digital images and devices thereof
JP4148903B2 (ja) 画像処理装置、画像処理方法およびデジタルカメラ
WO2020125631A1 (zh) 视频压缩方法、装置和计算机可读存储介质
JP2010003118A (ja) 画像処理装置、画像処理方法および画像処理プログラム
EP3654643B1 (en) White balance processing method and apparatus
JP2007272435A (ja) 顔特徴抽出装置及び顔特徴抽出方法
US7692697B2 (en) Pupil color correction device and program
KR20030091471A (ko) YCrCb 칼라 기반 얼굴 영역 추출 방법
WO2021016896A1 (zh) 图像处理方法、系统、设备、可移动平台和存储介质
JP2004013768A (ja) 個人識別方法
US9251567B1 (en) Providing color corrections to photos
JP2009050035A (ja) 画像処理方法、画像処理システムおよび画像処理プログラム
JP2006133875A (ja) 画像処理方法及びその装置と、プリントサービスシステム
US10909351B2 (en) Method of improving image analysis
CN112686965A (zh) 一种肤色检测方法、装置、移动终端和存储介质
CN110648336A (zh) 一种舌质和舌苔的分割方法及装置
CN113344836A (zh) 人脸图像处理方法及装置、计算机可读存储介质、终端
Zeng et al. Preferred skin color enhancement of digital photographic images
Lichtenauer et al. A calibrationless skin color model

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: 19939903

Country of ref document: EP

Kind code of ref document: A1