CN108985215B - 一种图片处理方法、图片处理装置及终端设备 - Google Patents
一种图片处理方法、图片处理装置及终端设备 Download PDFInfo
- Publication number
- CN108985215B CN108985215B CN201810746936.7A CN201810746936A CN108985215B CN 108985215 B CN108985215 B CN 108985215B CN 201810746936 A CN201810746936 A CN 201810746936A CN 108985215 B CN108985215 B CN 108985215B
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- model
- trained
- processing model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种图片处理方法、图片处理装置及终端设备,所述方法包括:获取人脸图片及年龄信息;将所述人脸图片及所述年龄信息输入至初始的人脸处理模型中,得到生成图片;将所述生成图片输入至训练后的第一判别模型和训练后的第二判别模型,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合第一条件以及第二条件;将所述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理。本申请可以获得符合要求的人脸处理模型,可以满足不同的用户或开发人员对于人脸的不同处理要求。
Description
技术领域
本申请属于计算机视觉技术领域,尤其涉及一种图片处理方法、图片处理装置、终端设备及计算机可读存储介质。
背景技术
目前,市场上存在很多模拟人脸老化以及年轻化的应用程序,比如,Oldify、oldage face以及时光相机等等,这些应用程序可以根据输入的人脸图片,预测该人脸图片中的人脸在某个年龄段的长相。
为了实现人脸的老化以及年轻化,目前通常使用的方法是对人脸图片中的人脸进行特征点定位,找出面部五官位置以及面部肌肉位置,然后对五官形态以及面部肌肉进行重构,从而实现人脸的老化以及年轻化。上述传统的方法对于人脸的老化以及年轻化的处理方法较为固定,缺少灵活性,然而,很多情况下,不同的用户或者开发人员对于人脸的处理要求并不相同,因此,上述传统的方法并不能满足不同用户或开发人员的不同处理要求。
发明内容
有鉴于此,本申请提供了一种图片处理方法、图片处理装置、终端设备及计算机可读存储介质,可以满足不同的用户或开发人员对于人脸的不同处理要求。
本申请第一方面提供了一种图片处理方法,包括:
获取人脸图片,并获取上述人脸图片中人脸待转换的年龄信息;
将上述人脸图片以及上述年龄信息输入至初始的人脸处理模型中,得到生成图片,上述人脸处理模型用于将上述人脸图片中的人脸转换为与上述年龄信息相应的人脸;
将上述生成图片输入至训练后的第一判别模型,并判断上述生成图片的第一要素是否符合第一条件,将上述生成图片输入至训练后的第二判别模型,并判断上述生成图片的第二要素是否符合第二条件,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合上述第一条件以及上述第二条件;
将上述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理。
本申请第二方面提供了一种图片处理装置,包括:
训练数据获取模块,用于获取人脸图片,并获取上述人脸图片中人脸待转换的年龄信息;
生成图片获取模块,用于将上述人脸图片以及上述年龄信息输入至初始的人脸处理模型中,得到生成图片,上述人脸处理模型用于将上述人脸图片中的人脸转换为与上述年龄信息相应的人脸;
模型训练模块,用于将上述生成图片输入至训练后的第一判别模型,并判断上述生成图片的第一要素是否符合第一条件,将上述生成图片输入至训练后的第二判别模型,并判断上述生成图片的第二要素是否符合第二条件,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合上述第一条件以及上述第二条件;
图片处理模块,用于将上述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理。
本申请第三方面提供了一种终端设备,包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,上述处理器执行上述计算机程序时实现如上述第一方面方法的步骤。
本申请第四方面提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现如上述第一方面方法的步骤。
本申请第五方面提供了一种计算机程序产品,上述计算机程序产品包括计算机程序,上述计算机程序被一个或多个处理器执行时实现如上述第一方面方法的步骤。
由上可见,本申请提供了一种图片处理方法,首先,获取一人脸图片,并获取上述人脸图片中人脸待转换的年龄信息;其次,将上述人脸图片以及上述年龄信息输入至初始的人脸处理模型中,得到生成图片,上述人脸处理模型用于将上述人脸图片中的人脸转换为与上述年龄信息相应的人脸;然后,将上述生成图片输入至训练后的第一判别模型并判断上述生成图片的第一要素是否符合第一条件,将上述生成图片输入至训练后的第二判别模型,并判断上述生成图片的第二要素是否符合第二条件,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合上述第一条件以及上述第二条件;最后,将上述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理。因此,相比于传统方法,本申请需要事先训练用于人脸老化以及年轻化的人脸处理模型,不断调整当前的人脸处理模型的参数直至当前的人脸处理模型符合要求,因此,本申请可以获得符合要求的人脸处理模型,因此,可以满足不同的用户或开发人员对于人脸的不同处理要求。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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它的附图。
图1是本申请实施例一提供的一种图片处理方法的实现流程示意图;
图2是本申请实施例一提供的人脸处理模型的训练过程示意图;
图3是本申请实施例二提供的另一种图片处理方法的实现流程示意图;
图4是本申请实施例二提供的一种第一判别模型的训练过程示意图;
图5是本申请实施例二提供的一种第二判别模型的训练过程示意图;
图6是本申请实施例二提供的一种人脸处理模型的训练过程示意图;
图7是本申请实施例三提供的一种图片处理装置的结构示意图;
图8是本申请实施例四提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
本申请实施例提供的图片处理方法可以适用于终端设备,示例性地,上述终端设备包括但不限于:智能手机、平板电脑、学习机、智能穿戴设备等。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请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申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请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。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本申请实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,上述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端设备。然而,应当理解的是,终端设备可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端设备支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了说明本申请上述的技术方案,下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例一提供的图片处理方法进行描述,请参阅附图1,本申请实施例一中的图片处理方法包括:
在步骤S101中,获取人脸图片,并获取上述人脸图片中人脸待转换的年龄信息;
在本申请实施例一中,可以从样本数据库中获取上述人脸图片,上述样本数据库中可以包括多个不同的样本人脸图片,可以选取该样本数据库中的任意一样本人脸图片作为训练初始的人脸处理模型的人脸图片,由于本申请中的人脸处理模型用以实现人脸的老化及年轻化,因此,为训练本申请中的人脸处理模型,还需要获取人脸待转换的年龄信息,比如5岁、30岁、50岁或者80岁等等。
此外,通常情况下,人脸处理模型只能对图片大小固定的图片进行处理,因此,在本申请实施例一中,在获取上述人脸图片之后,还可以对该人脸图片进行预处理。比如,首先,对上述人脸图片进行人脸对齐;其次,根据对齐得到的人脸位置对上述人脸图片进行裁剪和缩放得到统一大小的图片。预处理操作可以去除上述人脸图片中大量的干扰信息,并且可以满足人脸处理模型的需求。
在步骤S102中,将上述人脸图片以及上述年龄信息输入至初始的人脸处理模型中,得到生成图片,上述人脸处理模型用于将上述人脸图片中的人脸转换为与上述年龄信息相应的人脸;
在本申请实施例一中,将上述步骤S101获取的人脸图片以及年龄信息输入至初始的人脸处理模型中,以使得该初始的人脸处理模型将该人脸图片中的人脸转换为与该年龄信息相应的人脸,并输出生成图片。如图2所示,假设从样本数据库中选取的样本人脸图片为人脸图片201,年龄信息指示将人脸图片201中的人脸转换为80岁对应的人脸,初始的人脸处理模型根据年龄信息对人脸图片201进行处理,输出生成图片202,由于初始的人脸处理模型是还未训练完成的人脸处理模型,因此,该初始的人脸处理模型输出的生成图片中的人脸有可能非常生硬不自然,或者是并不满足用户或者开发人员的一些需求,在这种情况下,需要利用本申请实施例一所提供的技术方案中的后续步骤对该初始的人脸处理模型进行训练。
在步骤S103中,将上述生成图片输入至训练后的第一判别模型,并判断上述生成图片的第一要素是否符合第一条件,将上述生成图片输入至训练后的第二判别模型,并判断上述生成图片的第二要素是否符合第二条件,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合上述第一条件以及上述第二条件;
在本申请实施例中,在获取到上述初始的人脸处理模型输出的生成图片后,将该生成图片输入至训练后的第一判别模型以及训练后的第二判别模型中。
其中,上述判断上述生成图片的第一要素是否符合第一条件的执行主体可以为上述训练后的第一判别模型,上述判断上述生成图片的第二要素是否符合第二条件的执行主体可以为上述训练后的第二判别模型。也即是,上述训练后的第一判别模型用于判定该生成图片的第一要素是否符合第一条件,比如,该训练后的第一判别模型可以用于判定该生成图片中的最左侧的人脸是否戴帽子;或者,可以用于判定该生成图片中的最右侧的人脸是否戴眼镜;或者,可以用于判定该生成图片中的人脸是否化妆;或者,还可以用于判定该生成图片是否属于上述样本数据库等等,此处对上述第一要素以及上述第一条件不作限定。上述训练后的第二判别模型用于判定该生成图片的第二要素是否符合第二条件,比如,该训练后的第二判定模型可以用于判定该生成图片中的人脸所戴的帽子颜色是否是红色;或者,可以判定该生成图片中的人脸所戴的眼镜是否为圆形框;或者,还可以判定该生成图片中的人脸是否符合面部衰老规律等等,此处对上述第二要素以及上述第二条件不作限定。
不断调整当前的人脸处理模型的参数,直至上述训练后的第一判别模型判定当前的人脸处理模型的生成图片符合上述第一条件,且上述训练后的第二判别模型判定当前的人脸处理模型的生成图片符合上述第二条件。
为了更直观的描述该步骤S103所提供的人脸处理模型的训练过程,下面利用附图2,对该步骤S103进行详细描述。如图2所示,假设上述训练后的第一判别模型用于判定当前的人脸处理模型的生成图片中的人脸是否戴眼镜,上述训练后的第二判别模型用于判定当前的人脸处理模型的生成图片中的人脸所戴的眼镜是否为圆形框。将初始的人脸处理模型输出的生成图片202输入至该训练后的第一判别模型中,该训练后的第一判别模型判定该生成图片202中的人脸是否戴眼镜,若不戴眼镜,则调整该初始的人脸处理模型的参数,并将该参数调整后的人脸处理模型输出的生成图片重新输入至该训练后的第一判别模型中,以使得该第一判别模型继续判定该参数调整后的人脸处理模型的生成图片中的人脸是否戴眼镜,不断调整当前的人脸处理模型的参数,直至该训练后的第一判别模型判定当前的人脸处理模型输出的生成图片中的人脸戴眼镜为止;然后,将上述训练后的第一判别模型训练完成后的人脸处理模型的生成图片输入至训练后的第二判别模型中,以使得该训练后的第二判别模型判定当前的人脸处理模型的生成图片中的人脸所戴的眼镜是否为圆形框,不断调整当前的人脸处理模型的参数,直至该第二判别模型判定当前的人脸处理模型的生成图片中的人脸所戴的眼镜为圆形框为止。以上训练过程仅仅是举例说明,并不构成对人脸处理模型训练方法的限定。也即是,在本申请实施例中,可以首先利用上述训练后的第一判别模型对当前的人脸处理模型进行训练,在上述训练后的第一判别模型训练完成后,再利用上述训练后的第二判别模型对上述训练后的第一判别模型训练完成后的人脸处理模型再接着进行训练。
此外,还可以利用上述训练后的第一判别模型以及训练后的第二判别模型使得训练后的人脸处理模型所输出的生成图片中的人脸更加自然真实,具体可以参见本申请实施例二的描述。
在步骤S104中,将上述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理;
在本申请实施例中,将利用上述训练后的第一判别模型以及训练后的第二判别模型训练完成的当前的人脸处理模型作为训练后的人脸处理模型,并可以利用该训练后的人脸处理模型对待处理人脸图片进行处理。
其中,上述通过训练后的人脸处理模型对待处理人脸图片进行处理可以为:
获取待处理人脸图片,以及上述待处理人脸图片中人脸待转换的年龄信息;
将上述待处理人脸图片,以及上述待处理人脸图片中人脸待转换的年龄信息输入至上述训练后的人脸处理模型中,获得上述训练后的人脸处理模型输出的人脸图片。
此外,在本申请实施例中,在上述获得上述训练后的人脸处理模型输出的人脸图片之后,还可以包括:
判断上述训练后的人脸处理模型输出的人脸图片是否满足用户需求;
若否,则将上述训练后的人脸处理模型作为初始的人脸处理模型,并返回执行步骤S101,以对当前训练后的人脸处理模型进行重新训练。
其中,本申请实施例一中的步骤S101-S103中的人脸处理模型的训练过程可以是在终端设备出厂之前进行的,在终端设备出厂之前,预先获取训练后的人脸处理模型,并将训练后的人脸处理模型储存在终端设备的存储器中,以便于后续用户可以直接利用存储器中的训练后的人脸处理模型对待处理人脸图片进行处理;或者,也可以在终端设备准备对待处理人脸图片进行处理时,才对初始的人脸处理模型进行训练,获取训练后的人脸处理模型,然后利用训练后的人脸处理模型对该待处理人脸图片进行处理,此处对此不作限定。
在本申请实施例一中,需要事先训练用于人脸老化以及年轻化的人脸处理模型,不断调整当前的人脸处理模型的参数直至训练后的第一判别模型以及训练后的第二判别来判定当前的人脸处理模型符合要求。因此,本申请可以获得符合要求的人脸处理模型,可以满足不同的用户或开发人员对于人脸的不同处理要求。
实施例二
下面对本申请实施例二提供的另一种图片处理方法进行描述,请参阅附图3,本申请实施例二中的图片处理方法包括:
在步骤S201中,从样本数据库中获取任一人脸图片,并获取上述人脸图片中人脸待转换的年龄信息;
在步骤S202中,将上述人脸图片以及上述年龄信息输入至初始的人脸处理模型中,得到生成图片,上述人脸处理模型用于将上述人脸图片中的人脸转换为与上述年龄信息相应的人脸;
在本申请实施例二中,上述步骤S201-S202与在实施例一中的步骤S101-S102执行方式相同,具体可参见实施例一的描述,在此不再赘述。
在步骤S203中,将上述生成图片输入至上述训练后的第一判别模型中,判断当前的人脸处理模型的生成图片是否属于上述样本数据库;
在本申请实施例二中,将实施例一中的判断上述生成图片的第一要素是否符合第一条件限定为“判断上述生成图片是否属于上述样本数据库”,此外,在本申请实施例中,上述判断当前的人脸处理模型的生成图片是否属于上述样本数据库的执行主体可以为上述训练后的第一判别模型,也即是,该训练后的第一判别模型用于判断当前的人脸处理模型输出的生成图片是否属于上述样本数据库。比如,样本数据库中包含的是各个不同的人脸照片,则该训练后的第一判别模型用于不断训练当前的人脸处理模型,使得该人脸处理模型输出的生成图片尽可能的像样本数据库中的人脸照片,从而使得该训练后的第一判别模型训练完成的人脸处理模型所输出的生成图片更加自然。
此外,在该步骤S203之前,可以利用上述初始的人脸处理模型以及上述样本数据库,对初始的第一判别模型进行训练,从而获得上述训练后的第一判别模型。
如图4所示,训练后的第一判别模型的训练过程可以如下:
首先,选取样本数据库中一个或多个样本人脸图片,比如图片A和图片B,利用上述初始的人脸处理模型对图片A以及图片B进行处理,生成相应的生成图片,比如图片A1和图片B1;其次,设置上述图片A1和图片B1的标签为“不属于上述样本数据库”,并从样本数据库中选择一个或多个样本图片,比如图片C、图片D和图片E,并设置图片C、图片D以及图片E的标签为“属于上述样本数据库”;最后,利用上述图片A1、图片B1、图片C、图片D、图片E以及其所对应的标签训练初始的第一判别模型,以使得训练后的第一判别模型能够对输入的图片进行正确分类,能够识别输入的图片是否属于上述样本数据库。
在步骤S204中,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型的生成图片属于上述样本数据库;
在本申请实施例中,首先将初始的人脸处理模型根据上述人脸图片以及上述年龄信息输出的生成图片输入至上述训练后的第一判别模型中,然后不断调整当前的人脸处理模型的参数,直至上述训练后的第一判别模型判定当前的人脸处理模型输出的生成图片属于上述样本数据库为止,从而该训练后的第一判别模型训练完成的人脸处理模型所输出的生成图片会与上述样本数据库中的样本人脸图片比较相似。
在步骤S205中,将上述训练后的第一判别模型训练后的当前的人脸处理模型的生成图片输入至上述训练后的第二判别模型中,判断当前的人脸处理模型的生成图片中的人脸是否符合面部衰老规律;
在本申请实施例二中,将实施例一中的判断上述生成图片的第二要素是否符合第二条件限定为“判断上述生成图片中的人脸是否符合面部衰老规律”,此外,在本申请实施例中,上述判断当前的人脸处理模型的生成图片中的人脸是否符合面部衰老规律的执行主体可以为上述训练后的第二判别模型,也即是,该训练后的第二判别模型用于判断当前的人脸处理模型输出的生成图片中的人脸是否符合面部衰老规律,在本申请实施例中,为了保证训练后的人脸处理模型输出的生成图片中的人脸更加逼真,上述面部衰老规律可以指“同一个人的面部衰老规律”。下面描述当“面部衰老规律”特指“同一个人的面部衰老规律”时,训练后的第二判别模型的训练过程。
在该步骤S205之前,可以利用上述初始的人脸处理模型以及上述样本数据库,对初始的第二判别模型进行训练,从而获得上述训练后的第二判别模型。
如图5所示,上述训练后的第二判别模型的训练过程可以如下:
首先,选取样本数据库中一个或多个样本人脸图片,比如图片F和图片G,其中,该样本数据库中包括多个不同样本个体在不同年龄段的样本人脸图片,比如,该样本数据库中将小红、小明和小刚分别在0-5岁、5-10岁、10-15岁、15-10岁、20-30岁、30-40岁、40-50岁、50-60岁、60-70岁以及70-80岁的人脸照片作为各个样本人脸图片,其中,上述图片F可以为小红在0-5岁的人脸照片,上述图片G可以为小明在15-20岁的人脸照片;其次,利用上述初始的人脸处理模型对图片F以及图片G进行处理,生成相应的生成图片,假设生成图片分别为图片F1(对应的年龄信息为X,比如为55岁)和图片G1(对应的年龄信息为Y,比如为80岁);再次,在样本数据库中获取图片F所对应的样本个体(即小红)在与年龄信息X所在年龄段(即50-60岁)的相邻年龄段(即40-50岁或者60-70岁)的样本人脸图片F2(即获取样本数据库中的小红在40-50岁的人脸照片,或者也可以获取样本数据库中的小红在60-70岁的人脸照片,本申请对此不作限定),在样本数据库中获取图片G所对应的样本个体在与年龄信息Y所在年龄段的相邻年龄段的样本人脸图片G2(即获取样本数据库中的小明在60-70岁的人脸照片);从次,将图片F1以及图片F2作为图片组1,并设置该图片组1的标签为“不符合面部衰老规律”,将图片G1以及图片G2作为一个图片组2,并设置该图片组2的标签为“不符合面部衰老规律”;然后,从样本数据库中选取一个或多个样本个体在相邻年龄段的图片组,并设置图片组的标签为“符合面部衰老规律”,比如,选取样本数据库中小刚在40-50岁以及50-60岁的人脸照片图片H和图片I作为图片组3,且该图片组3的标签为“符合面部衰老规律”;最后,根据上述每个图片组以及相应的标签,对初始的第二判别模型进行训练,以使得训练后的第二判别模型能够识别输入的图片组中的人脸是否符合同一个人的面部衰老规律。
在步骤S206中,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型的生成图片中的人脸符合面部衰老规律;
在本申请实施例中,若上述训练后的第二判别模型用于判断输入图片是否符合“同一个人的面部衰老规律”,且训练过程为步骤S205所述,则为了利用上述训练后的第二判别模型对当前的人脸处理模型进行训练,可以首先获取训练个体以及训练年龄段,其中,上述训练个体为上述样本数据库中上述人脸图片所对应的样本个体,上述训练年龄段为上述样本数据库中上述年龄信息所对应的年龄段;其次,获取参考图片,其中,该参考图片为上述样本数据库中的上述训练个体在与上述训练年龄段相邻的年龄段的样本人脸图片;再次,将当前的人脸处理模型输出的生成图片以及该参考图片同时输入至上述训练后的第二判别模型中,不断调整当前的人脸处理模型的参数,直至该训练后的第二判别模型判定当前的人脸处理模型输出的生成图片中的人脸符合面部衰老规律为止。
在步骤S207中,将上述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理;
在本申请实施例二中,上述步骤S207与在实施例一中的步骤S104执行方式相同,具体可参见实施例一的描述,在此不再赘述。
在本申请实施例二中,上述步骤S201-S206提供了一种人脸处理模型的训练方法,即:
首先,利用初始的人脸处理模型以及样本数据库训练初始的第一判别模型以及初始的第二判别模型,生成训练后的第一判别模型以及第二判别模型;
最后,利用训练后的第一判别模型以及训练后的第二判别模型训练初始的人脸处理模型,从而生成训练后的生成模型。
利用上述训练方法所产生的训练后的人脸处理模型所输出的生成图片会与样本数据库中的样本人脸图片比较相似,而且输出的生成图片中的人脸满足面部衰老规律,从而使得训练后的人脸处理模型所生成的图片对人脸的老化以及年轻化处理更加真实逼真。此外,在本申请实施例中,还可以对上述训练过程进行循环迭代,从而生成性能更好的人脸处理模型,具体如图6所示:
首先,同步骤S201-S206所公开的训练方法相同,即,利用初始的人脸处理模型以及样本数据库训练初始的第一判别模型以及初始的第二判别模型,生成训练后的第一判别模型以及训练后的第二判别模型;然后,利用训练后的第一判别模型以及训练后的第二判别模型,训练初始的人脸处理模型,从而生成训练后的人脸处理模型;
其次,更新初始的人脸处理模型、初始的第一判别模型以及初始的第二判别模型,即,将上个步骤中获取的训练后的人脸处理模型作为初始的人脸处理模型,将上个步骤中获取的训练后的第一判别模型作为初始的第一判别模型,将上个步骤中获取的训练后的第二判别模型作为初始的第二判别模型,重复执行上个步骤,再次生成训练后的第一判别模型、训练后的第二判别模型以及训练后的人脸处理模型;
最后,不断的更新初始的人脸处理模型,初始的第一判别模型以及初始的第二判别模型,直至循环迭代的次数达到一定要求时为止,将最后一次获取的训练后的人脸处理模型作为最终训练完成的人脸处理模型,并利用该最终训练完成的人脸处理模型来处理待处理人脸图片。
在本申请实施例二中,需要事先训练用于人脸老化以及年轻化的人脸处理模型,不断调整当前的人脸处理模型的参数直至训练后的第一判别模型以及训练后的第二判别来判定当前的人脸处理模型所输出的生成图片属于上述样本数据库且当前人脸处理模型所输出的生成图片中的人脸符合面部衰老规律。因此,本申请可以获得对人脸老化以及年轻化的处理更为自然逼真的人脸处理模型,可以提高用户体验。
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。
实施例三
本申请实施例三提供了一种图片处理装置,为便于说明,仅示出与本申请相关的部分,如图7所示图片处理装置300包括,
训练数据获取模块301,用于获取人脸图片,并获取上述人脸图片中人脸待转换的年龄信息;
生成图片获取模块302,用于将上述人脸图片以及上述年龄信息输入至初始的人脸处理模型中,得到生成图片,上述人脸处理模型用于将上述人脸图片中的人脸转换为与上述年龄信息相应的人脸;
模型训练模块303,用于将上述生成图片输入至训练后的第一判别模型,并判断上述生成图片的第一要素是否符合第一条件,将上述生成图片输入至训练后的第二判别模型,并判断上述生成图片的第二要素是否符合第二条件,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合上述第一条件以及上述第二条件;
图片处理模块304,用于将上述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理。
可选地,上述人脸图片为样本数据库中的任一样本人脸图片,上述模型训练模块303包括:
第一判别输入单元,用于将上述生成图片输入至上述训练后的第一判别模型中,判断当前的人脸处理模型的生成图片是否属于上述样本数据库;
第一模型训练单元,用于不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型的生成图片属于上述样本数据库;
第二判别输入单元,用于将上述训练后的第一判别模型训练后的当前的人脸处理模型的生成图片输入至上述训练后的第二判别模型中,判断当前的人脸处理模型的生成图片中的人脸是否符合面部衰老规律;
第二模型训练单元,用于不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型的生成图片中的人脸符合面部衰老规律。
可选地,上述样本数据库中包括多个不同样本个体在不同年龄段的样本人脸图片,上述第二判别输入单元,包括:
训练数据获取子单元,用于获取训练个体以及训练年龄段,上述训练个体为上述样本数据库中上述人脸图片所对应的样本个体,上述训练年龄段为上述样本数据库中上述年龄信息所对应的年龄段;
参考图片获取子单元,用于获取参考图片,上述参考图片为上述样本数据库中的上述训练个体在与上述训练年龄段相邻的年龄段的样本人脸图片;
第二判别输入子单元,用于将上述训练后的第一判别模型训练后的当前的人脸处理模型的生成图片以及上述参考图片输入至上述训练后的第二判别模型中,判断上述生成图片中的人脸是否符合面部衰老规律。
可选地,上述模型训练模块303,还包括:
第一判别训练单元,用于利用上述初始的人脸处理模型以及上述样本数据库,对初始的第一判别模型进行训练,从而获得上述训练后的第一判别模型;
第二判别训练单元,用于利用上述初始的人脸处理模型以及上述样本数据库,对初始的第二判别模型进行训练,从而获得上述训练后的第二判别模型。
可选地,上述图片处理模块304包括:
待处理数据获取单元,用于获取待处理人脸图片,以及上述待处理人脸图片中人脸待转换的年龄信息;
图片处理单元,用于将上述待处理人脸图片,以及上述待处理人脸图片中人脸待转换的年龄信息输入至上述训练后的人脸处理模型中,获得上述训练后的人脸处理模型输出的人脸图片。
可选地,上述图片处理模块304还包括:
判断满意单元,用于判断上述训练后的人脸处理模型输出的人脸图片是否满足用户需求;
更新单元,用于若上述判断满意单元判断上述训练后的人脸处理模型输出的人脸图片不满足用户需求,则将上述训练后的人脸处理模型作为初始的人脸处理模型。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
实施例四
图8是本申请实施例四提供的终端设备的示意图。如图8所示,该实施例的终端设备4包括:处理器40、存储器41以及存储在上述存储器41中并可在上述处理器40上运行的计算机程序42。上述处理器40执行上述计算机程序42时实现上述各个方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,上述处理器40执行上述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图7所示模块301至304的功能。
示例性的,上述计算机程序42可以被分割成一个或多个模块/单元,上述一个或者多个模块/单元被存储在上述存储器41中,并由上述处理器40执行,以完成本申请。上述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述上述计算机程序42在上述终端设备4中的执行过程。例如,上述计算机程序42可以被分割成训练数据获取模块、生成图片获取模块、模型训练模块及图片处理模块,各模块具体功能如下:
获取人脸图片,并获取上述人脸图片中人脸待转换的年龄信息;
将上述人脸图片以及上述年龄信息输入至初始的人脸处理模型中,得到生成图片,上述人脸处理模型用于将上述人脸图片中的人脸转换为与上述年龄信息相应的人脸;
将上述生成图片输入至训练后的第一判别模型,并判断上述生成图片的第一要素是否符合第一条件,将上述生成图片输入至训练后的第二判别模型,并判断上述生成图片的第二要素是否符合第二条件,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合上述第一条件以及上述第二条件;
将上述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理。
上述终端设备4可以是智能手机、平板电脑、学习机、智能穿戴设备等计算设备。上述终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图8仅仅是终端设备4的示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如上述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器41可以是上述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。上述存储器41也可以是上述终端设备4的外部存储设备,例如上述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,上述存储器41还可以既包括上述终端设备4的内部存储单元也包括外部存储设备。上述存储器41用于存储上述计算机程序以及上述终端设备所需的其它程序和数据。上述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
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,即将上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。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
上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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上上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 (7)
1.一种图片处理方法,其特征在于,包括:
获取人脸图片,并获取所述人脸图片中人脸待转换的年龄信息;
将所述人脸图片以及所述年龄信息输入至初始的人脸处理模型中,得到生成图片,所述人脸处理模型用于将所述人脸图片中的人脸转换为与所述年龄信息相应的人脸;
将所述生成图片输入至训练后的第一判别模型,并判断所述生成图片的第一要素是否符合第一条件,将所述生成图片输入至训练后的第二判别模型,并判断所述生成图片的第二要素是否符合第二条件,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合所述第一条件以及所述第二条件;
将所述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理;
所述人脸图片为样本数据库中的任一样本人脸图片,所述将所述生成图片输入至训练后的第一判别模型,并判断所述生成图片的第一要素是否符合第一条件,将所述生成图片输入至训练后的第二判别模型,并判断所述生成图片的第二要素是否符合第二条件,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合所述第一条件以及所述第二条件,包括:
将所述生成图片输入至所述训练后的第一判别模型中,判断当前的人脸处理模型的生成图片是否属于所述样本数据库;
不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型的生成图片属于所述样本数据库;
将所述训练后的第一判别模型训练后的当前的人脸处理模型的生成图片输入至所述训练后的第二判别模型中,判断当前的人脸处理模型的生成图片中的人脸是否符合面部衰老规律;
不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型的生成图片中的人脸符合面部衰老规律;
所述样本数据库中包括多个不同样本个体在不同年龄段的样本人脸图片,所述将所述训练后的第一判别模型训练后的当前的人脸处理模型的生成图片输入至所述训练后的第二判别模型中,判断当前的人脸处理模型的生成图片中的人脸是否符合面部衰老规律,包括:
获取训练个体以及训练年龄段,所述训练个体为所述样本数据库中所述人脸图片所对应的样本个体,所述训练年龄段为所述样本数据库中所述年龄信息所对应的年龄段;
获取参考图片,所述参考图片为所述样本数据库中的所述训练个体在与所述训练年龄段相邻的年龄段的样本人脸图片;
将所述训练后的第一判别模型训练后的当前的人脸处理模型的生成图片以及所述参考图片输入至所述训练后的第二判别模型中,判断所述生成图片中的人脸是否符合面部衰老规律。
2.如权利要求1所述的图片处理方法,其特征在于,在所述将所述生成图片输入至所述训练后的第一判别模型中,判断当前的人脸处理模型的生成图片是否属于所述样本数据库的步骤之前,还包括:
利用所述初始的人脸处理模型以及所述样本数据库,对初始的第一判别模型进行训练,从而获得所述训练后的第一判别模型;
在所述将所述训练后的第一判别模型训练后的当前的人脸处理模型的生成图片输入至所述训练后的第二判别模型中,判断当前的人脸处理模型的生成图片中的人脸是否符合面部衰老规律的步骤之前,还包括:
利用所述初始的人脸处理模型以及所述样本数据库,对初始的第二判别模型进行训练,从而获得所述训练后的第二判别模型。
3.如权利要求1或2所述的图片处理方法,其特征在于,所述通过训练后的人脸处理模型对待处理人脸图片进行处理,包括:
获取待处理人脸图片,以及所述待处理人脸图片中人脸待转换的年龄信息;
将所述待处理人脸图片,以及所述待处理人脸图片中人脸待转换的年龄信息输入至所述训练后的人脸处理模型中,获得所述训练后的人脸处理模型输出的人脸图片。
4.如权利要求3所述的图片处理方法,其特征在于,在所述获得所述训练后的人脸处理模型输出的人脸图片之后,还包括:
判断所述训练后的人脸处理模型输出的人脸图片是否满足用户需求;
若否,则将所述训练后的人脸处理模型作为初始的人脸处理模型,并返回执行获取人脸图片,并获取所述人脸图片中人脸待转换的年龄信息的步骤以及后续步骤。
5.一种图片处理装置,其特征在于,包括:
训练数据获取模块,用于获取人脸图片,并获取所述人脸图片中人脸待转换的年龄信息;
生成图片获取模块,用于将所述人脸图片以及所述年龄信息输入至初始的人脸处理模型中,得到生成图片,所述人脸处理模型用于将所述人脸图片中的人脸转换为与所述年龄信息相应的人脸;
模型训练模块,用于将所述生成图片输入至训练后的第一判别模型,并判断所述生成图片的第一要素是否符合第一条件,将所述生成图片输入至训练后的第二判别模型,并判断所述生成图片的第二要素是否符合第二条件,不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型输出的生成图片的第一要素以及第二要素分别符合所述第一条件以及所述第二条件;
图片处理模块,用于将所述当前的人脸处理模型作为训练后的人脸处理模型,并通过训练后的人脸处理模型对待处理人脸图片进行处理;
所述人脸图片为样本数据库中的任一样本人脸图片;
所述模型训练模块包括:
第一判别输入单元,用于将所述生成图片输入至所述训练后的第一判别模型中,判断当前的人脸处理模型的生成图片是否属于所述样本数据库;
第一模型训练单元,用于不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型的生成图片属于所述样本数据库;
第二判别输入单元,用于将所述训练后的第一判别模型训练后的当前的人脸处理模型的生成图片输入至所述训练后的第二判别模型中,判断当前的人脸处理模型的生成图片中的人脸是否符合面部衰老规律;
第二模型训练单元,用于不断调整当前的人脸处理模型的参数,直至当前的人脸处理模型的生成图片中的人脸符合面部衰老规律;
所述样本数据库中包括多个不同样本个体在不同年龄段的样本人脸图片,所述第二判别输入单元,包括:
训练数据获取子单元,用于获取训练个体以及训练年龄段,所述训练个体为所述样本数据库中所述人脸图片所对应的样本个体,所述训练年龄段为所述样本数据库中所述年龄信息所对应的年龄段;
参考图片获取子单元,用于获取参考图片,所述参考图片为所述样本数据库中的所述训练个体在与所述训练年龄段相邻的年龄段的样本人脸图片;
第二判别输入子单元,用于将所述训练后的第一判别模型训练后的当前的人脸处理模型的生成图片以及所述参考图片输入至所述训练后的第二判别模型中,判断所述生成图片中的人脸是否符合面部衰老规律。
6.一种终端设备,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程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
7.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810746936.7A CN108985215B (zh) | 2018-07-09 | 2018-07-09 | 一种图片处理方法、图片处理装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810746936.7A CN108985215B (zh) | 2018-07-09 | 2018-07-09 | 一种图片处理方法、图片处理装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985215A CN108985215A (zh) | 2018-12-11 |
CN108985215B true CN108985215B (zh) | 2020-05-22 |
Family
ID=64536465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810746936.7A Active CN108985215B (zh) | 2018-07-09 | 2018-07-09 | 一种图片处理方法、图片处理装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985215B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321802B (zh) * | 2019-06-10 | 2021-10-01 | 达闼机器人有限公司 | 面部图像生成方法和装置、存储设备和电子设备 |
CN111145080B (zh) * | 2019-12-02 | 2023-06-23 | 北京达佳互联信息技术有限公司 | 一种图像生成模型的训练方法、图像生成方法及装置 |
CN111553838A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 模型参数的更新方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787974A (zh) * | 2014-12-24 | 2016-07-20 | 中国科学院苏州纳米技术与纳米仿生研究所 | 仿生人脸衰老模型建立方法 |
CN107169454A (zh) * | 2017-05-16 | 2017-09-15 | 中国科学院深圳先进技术研究院 | 一种人脸图像年龄估算方法、装置及其终端设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563283B (zh) * | 2017-07-26 | 2023-01-06 | 百度在线网络技术(北京)有限公司 | 生成攻击样本的方法、装置、设备及存储介质 |
CN108021905A (zh) * | 2017-12-21 | 2018-05-11 | 广东欧珀移动通信有限公司 | 图片处理方法、装置、终端设备及存储介质 |
-
2018
- 2018-07-09 CN CN201810746936.7A patent/CN108985215B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787974A (zh) * | 2014-12-24 | 2016-07-20 | 中国科学院苏州纳米技术与纳米仿生研究所 | 仿生人脸衰老模型建立方法 |
CN107169454A (zh) * | 2017-05-16 | 2017-09-15 | 中国科学院深圳先进技术研究院 | 一种人脸图像年龄估算方法、装置及其终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108985215A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345553B (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
CN109118447B (zh) | 一种图片处理方法、图片处理装置及终端设备 | |
CN108985215B (zh) | 一种图片处理方法、图片处理装置及终端设备 | |
CN111047509B (zh) | 一种图像特效处理方法、装置及终端 | |
CN108961267B (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN108898082B (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN108924440B (zh) | 贴纸显示方法、装置、终端及计算机可读存储介质 | |
CN109086742A (zh) | 场景识别方法、场景识别装置及移动终端 | |
CN110363084A (zh) | 一种上课状态检测方法、装置、存储介质及电子 | |
CN110266994B (zh) | 一种视频通话方法、视频通话装置及终端 | |
CN112839223B (zh) | 图像压缩方法、装置、存储介质及电子设备 | |
CN111009031B (zh) | 一种人脸模型生成的方法、模型生成的方法及装置 | |
CN115661912B (zh) | 图像处理方法、模型训练方法、电子设备及可读存储介质 | |
CN113553039A (zh) | 算子的可执行代码的生成方法及装置 | |
CN111176533A (zh) | 壁纸切换方法、装置、存储介质以及终端 | |
CN111984803B (zh) | 多媒体资源处理方法、装置、计算机设备及存储介质 | |
CN110555102A (zh) | 媒体标题识别方法、装置及存储介质 | |
CN113192639A (zh) | 信息预测模型的训练方法、装置、设备及存储介质 | |
CN110929159A (zh) | 资源投放方法、装置、设备及介质 | |
CN116741197B (zh) | 多模态图像生成方法、装置、存储介质及电子设备 | |
CN108810401A (zh) | 引导拍照的方法及*** | |
CN110059739B (zh) | 图像合成方法、装置、电子设备和计算机可读存储介质 | |
CN104469092A (zh) | 一种图像采集方法及电子设备 | |
CN108932704B (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN113032560B (zh) | 语句分类模型训练方法、语句处理方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |