CN109410121A - 人像胡须生成方法及装置 - Google Patents
人像胡须生成方法及装置 Download PDFInfo
- Publication number
- CN109410121A CN109410121A CN201811245625.9A CN201811245625A CN109410121A CN 109410121 A CN109410121 A CN 109410121A CN 201811245625 A CN201811245625 A CN 201811245625A CN 109410121 A CN109410121 A CN 109410121A
- Authority
- CN
- China
- Prior art keywords
- beard
- portrait
- image
- sense
- type
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供一种人像胡须生成方法及装置。该方法包括:获取人像图像并从所述人像图像中获取人像五官分割图像;将所述人像五官分割图像输入到预先训练的人像胡须预测模型中,获取所述人像五官分割图像中的胡须语义区域;生成与所述胡须语义区域对应的高斯噪声图,并对所述高斯噪声图进行径向模糊处理,得到对应的胡须纹理图;将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像。由此,本申请能够保证生成胡须位置的准确性,增强了应对不同人像角度的鲁棒性,使生成的胡须效果更加真实自然。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种人像胡须生成方法及装置。
背景技术
随着技术的不断发展,现今图像处理相比于传统的图像增强处理,出现了很多与原图片相比改变更大的现实增强效果,比如给没有眼镜的人戴眼镜,给没有帽子的人戴帽子,让没有胡须的人长出胡须等。目前常见的处理方式是用一张准备好的素材图片,选定固定的人脸区域将素材图直接叠加在原图该区域上。这样的方式出来的效果人工痕迹明显,并且较难在各种朝向角度的人像上都找到准确的位置,仅适合完成一些搞怪的图片效果,难以产生接近真实图片的效果。
发明内容
为了克服现有技术中的上述不足,本申请的目的在于提供一种人像胡须生成方法及装置,以解决或者改善上述问题。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种人像胡须生成方法,应用于电子设备,所述方法包括:
获取人像图像并从所述人像图像中获取人像五官分割图像;
将所述人像五官分割图像输入到预先训练的人像胡须预测模型中,获取所述人像五官分割图像中的胡须语义区域;
生成与所述胡须语义区域对应的高斯噪声图,并对所述高斯噪声图进行径向模糊处理,得到对应的胡须纹理图;
将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像。
可选地,所述将所述人像五官分割图像输入到预先训练的人像胡须预测模型中的步骤之前,所述方法还包括:
训练各种胡须类型的人像胡须预测模型;
所述训练各种胡须类型的人像胡须预测模型的方式,包括:
获取训练样本集,其中,所述训练样本集包括不同胡须类型的人像图像样本集,其中,所述人像图像样本集中包括有多个人像图像样本以及每个人像图像样本对应的人像五官分割图像,每个人像图像样本中标注有对应的胡须语义区域;
建立每种胡须类型对应的深度卷积网络模型,并针对每种胡须类型对应的深度卷积网络模型,基于该种胡须类型的人像图像样本集训练该种胡须类型对应的深度卷积网络模型,在该种胡须类型对应的深度卷积网络模型达到训练终止条件时输出该种胡须类型的人像胡须预测模型,以得到各种胡须类型的人像胡须预测模型。
可选地,所述将所述人像五官分割图像输入到预先训练的人像胡须预测模型中,获取所述人像五官分割图像中的胡须语义区域的步骤,包括:
获取所述人像五官分割图像需要生成的胡须的目标胡须类型;
将所述人像五官分割图像输入到所述目标胡须类型对应的人像胡须预测模型中,获取所述人像五官分割图像中的所述目标胡须类型的胡须语义区域。
可选地,所述对所述高斯噪声图进行径向模糊处理,得到对应的胡须纹理图的步骤,包括:
查找所述高斯噪声图的中心位置点;
以所述中心位置点为中心,依次缩放预设数量个像素,得到对应的预设数量张图片;
将所述预设数量张图片进行叠加,得到径向模糊后的胡须纹理图。
可选地,所述将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像的步骤,包括:
计算所述胡须纹理图的中各个第一RGB值和所述人像图像中对应的各个第二RGB值;
根据计算出的各个第一RGB值和对应的第二RGB值的乘积将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像。
第二方面,本申请实施例还提供一种人像胡须生成装置,应用于电子设备,所述装置包括:
获取模块,用于获取人像图像并从所述人像图像中获取人像五官分割图像;
输入模块,用于将所述人像五官分割图像输入到预先训练的人像胡须预测模型中,获取所述人像五官分割图像中的胡须语义区域;
径向模糊模块,用于生成与所述胡须语义区域对应的高斯噪声图,并对所述高斯噪声图进行径向模糊处理,得到对应的胡须纹理图;
融合模块,用于将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像。
第三方面,本申请实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述的人像胡须生成方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请实施例提供的人像胡须生成方法及装置,通过获取人像图像并从所述人像图像中获取人像五官分割图像,然后将所述人像五官分割图像输入到预先训练的人像胡须预测模型中,获取所述人像五官分割图像中的胡须语义区域,然后,生成与所述胡须语义区域对应的高斯噪声图,并对所述高斯噪声图进行径向模糊处理,得到对应的胡须纹理图,最后将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像。由此,本申请通过深度学习获取人像图像中的胡须语义区域,能够保证生成胡须位置的准确性,增强了应对不同人像角度的鲁棒性,使生成的胡须效果更加真实自然。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本申请实施例提供的人像胡须生成方法的流程示意图;
图2为本申请实施例提供的人像图像样本的胡须语义区域的标注示意图;
图3为本申请实施例提供的人像胡须预测模型的训练流程示意图;
图4为本申请实施例提供的胡须纹理图与所人像图像的融合示意图;
图5为本申请实施例提供的人像胡须生成装置的功能模块图;
图6为本申请实施例提供的用于上述人像胡须生成方法的电子设备的结构示意框图。
图标:100-电子设备;110-总线;120-处理器;130-存储介质;140-总线接口;150-网络适配器;160-用户接口;200-人像胡须生成装置;209-训练模块;210-获取模块;220-输入模块;230-径向模糊模块;240-融合模块。
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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。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的前提下所获得的所有其它实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
请参阅图1,为本申请实施例提供的人像胡须生成方法的一种流程示意图。所应说明的是,本申请实施例提供的人像胡须生成方法不以图1及以下的具体顺序为限制。该方法的具体流程如下:
步骤S210,获取人像图像并从所述人像图像中获取人像五官分割图像。
本实施例中,该人像图像的获取方式不作具体限制,例如可以实时拍摄获取,也可以从服务器中下载获取,又或者从相册中获取等等。
在获取到人像图像后,可以将人像五官分割图像输入到预先训练的五官分割网络中,获取对应的人像五官分割图像。
步骤S220,将人像五官分割图像输入到预先训练的人像胡须预测模型中,获取人像五官分割图像中的胡须语义区域。
详细地,在对步骤S220进行进一步阐述之前,下面首先对人像胡须预测模型的训练过程进行详细说明。可选地,在该步骤S220之前,本实施例提供的人像胡须生成方法还可以包括如下步骤:
训练各种胡须类型的人像胡须预测模型。
可选地,训练各种胡须类型的人像胡须预测模型的方式,可以包括:
首先,获取训练样本集,其中,训练样本集包括不同胡须类型的人像图像样本集,其中,人像图像样本集中包括有多个人像图像样本以及每个人像图像样本对应的人像五官分割图像,每个人像图像样本中标注有对应的胡须语义区域,例如参照图2所示,该人像图像样本中的黑色区域即为标注的胡须语义区域。可选地,胡须类型可以根据实际人像胡须生成需求进行选择,例如可以包括全胡须、络腮胡、山羊胡等等,然后分别收集这些类型的人像图像样本,从而构成该训练样本集。
然后,建立每种胡须类型对应的深度卷积网络模型,并针对每种胡须类型对应的深度卷积网络模型,基于该种胡须类型的人像图像样本集训练该种胡须类型对应的深度卷积网络模型,在该种胡须类型对应的深度卷积网络模型达到训练终止条件时输出该种胡须类型的人像胡须预测模型,以得到各种胡须类型的人像胡须预测模型。其中,训练终止条件可以是迭代次数达到预设次数、LOSS值不再下降等,在此不作具体限制。
例如,参阅图3所示,在训练阶段,通过将每种胡须类型的人像图像样本的人像五官分割图像输入到该种胡须类型的深度卷积神经网络模型中进行训练,使得训练后的深度卷积神经网络具有预测该种胡须类型的胡须语义区域的能力,而后可以在预测阶段将任意的人像图像,也即步骤S210中获取的人像五官分割图像输入到该种胡须类型的深度卷积神经网络模型中,则可以预测得到该人像五官分割图像中的胡须语义区域。
在实际实施过程中,用户可以预先设置需要生成的目标胡须类型,在设置好之后,在预测阶段,首先获取人像五官分割图像需要生成的胡须的目标胡须类型,然后,将人像五官分割图像输入到目标胡须类型对应的人像胡须预测模型中,获取人像五官分割图像中的目标胡须类型的胡须语义区域。
由此,通过本实施例收集的每种胡须类型的人像图像样本集训练每种胡须类型对应的深度卷积网络模型,可以获取人像五官分割图像中的胡须语义区域,能够保证生成胡须位置的准确性,增强了应对不同人像角度的鲁棒性。
步骤S230,生成与胡须语义区域对应的高斯噪声图,并对高斯噪声图进行径向模糊处理,得到对应的胡须纹理图。
作为一种实施方式,首先查找高斯噪声图的中心位置点,然后以中心位置点为中心,依次缩放预设数量个像素,得到对应的预设数量张图片,最后将预设数量张图片进行叠加,得到径向模糊后的胡须纹理图。
例如,假设原始的高斯噪声图为N,图像大小为(h,w),设置径向模糊半径为r,此时则将N以(h/2,w/2)为中心依次缩放1,2,3,……,r个像素,得到图像大小分别为(h-1,w-1),(h-2,w-2),(h-3,w-3)……(h-r,w-r)共r张图片,然后将这r张图片叠加得到径向模糊的结果,也即径向模糊后的胡须纹理图。如此,基于生成的胡须纹理图,可以实现更真实自然的胡须效果。
步骤S240,将胡须纹理图与人像图像进行融合,得到融合后的包括有胡须的人像图像。
作为一种实施方式,首先,计算胡须纹理图的中各个第一RGB值和人像图像中对应的各个第二RGB值,然后,根据计算出的各个第一RGB值和对应的第二RGB值的乘积将胡须纹理图与人像图像进行融合,得到融合后的包括有胡须的人像图像。
例如,请结合参阅图4,假设胡须纹理图为A图,其各个第一RGB值为(Ra,Ga,Ba),值域为[0,255],原人像图像为B图,其各个第二RGB值为(Rb,Gb,Bb),值域为[0,255],则融合后的包括有胡须的人像图像,也即图4中的C图的各个RGB值的计算公式为:
Rc=Ra*Rb/255,同理,Gc=Ga*Gb/255,Bc=Ba*Bb/255。
如此,融合后的包括有胡须的人像图像中的胡须位置相较于现有技术更准确,生成的胡须效果更加真实自然。
进一步地,请参阅图5,本申请实施例还提供一种人像胡须生成装置200,该装置可以包括:
获取模块210,用于获取人像图像并从人像图像中获取人像五官分割图像;
输入模块220,用于将人像五官分割图像输入到预先训练的人像胡须预测模型中,获取人像五官分割图像中的胡须语义区域;
径向模糊模块230,用于生成与胡须语义区域对应的高斯噪声图,并对高斯噪声图进行径向模糊处理,得到对应的胡须纹理图;
融合模块240,用于将胡须纹理图与人像图像进行融合,得到融合后的包括有胡须的人像图像。
依旧参阅图5,可选地,装置还可以包括:
训练模块209,用于训练各种胡须类型的人像胡须预测模型。
训练各种胡须类型的人像胡须预测模型的方式,包括:
获取训练样本集,其中,训练样本集包括不同胡须类型的人像图像样本集,其中,人像图像样本集中包括有多个人像图像样本和每个人像图像样本对应的人像五官分割图像,每个人像图像样本中标注有对应的胡须语义区域;
建立每种胡须类型对应的深度卷积网络模型,并针对每种胡须类型对应的深度卷积网络模型,基于该种胡须类型的人像图像样本集训练该种胡须类型对应的深度卷积网络模型,在该种胡须类型对应的深度卷积网络模型达到训练终止条件时输出该种胡须类型的人像胡须预测模型,以得到各种胡须类型的人像胡须预测模型。
可选地,输入模块220,具体可以用于:
获取人像五官分割图像需要生成的胡须的目标胡须类型;
将人像五官分割图像输入到目标胡须类型对应的人像胡须预测模型中,获取人像五官分割图像中的目标胡须类型的胡须语义区域。
可选地,径向模糊模块230,具体可以用于:
查找高斯噪声图的中心位置点;
以中心位置点为中心,依次缩放预设数量个像素,得到对应的预设数量张图片;
将预设数量张图片进行叠加,得到径向模糊后的胡须纹理图。
可选地,融合模块240,具体可以用于:
计算胡须纹理图的中各个第一RGB值和人像图像中对应的各个第二RGB值;
根据计算出的各个第一RGB值和对应的第二RGB值的乘积将胡须纹理图与人像图像进行融合,得到融合后的包括有胡须的人像图像。
可以理解的是,本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述,在此不再重复赘述。
进一步地,请参阅图6,为本申请实施例提供的用于上述人像胡须生成方法的电子设备100的一种结构示意框图。本实施例中,所述电子设备100可以由总线110作一般性的总线体系结构来实现。根据电子设备100的具体应用和整体设计约束条件,总线110可以包括任意数量的互连总线和桥接。总线110将各种电路连接在一起,这些电路包括处理器120、存储介质130和总线接口140。可选地,电子设备100可以使用总线接口140将网络适配器150等经由总线110连接。网络适配器150可用于实现电子设备100中物理层的信号处理功能,并通过天线实现射频信号的发送和接收。用户接口160可以连接外部设备,例如:键盘、显示器、鼠标或者操纵杆等。总线110还可以连接各种其它电路,如定时源、***设备、电压调节器或者功率管理电路等,这些电路是本领域所熟知的,因此不再详述。
可以替换的,电子设备100也可配置成通用处理***,例如通称为芯片,该通用处理***包括:提供处理功能的一个或多个微处理器,以及提供存储介质130的至少一部分的外部存储器,所有这些都通过外部总线体系结构与其它支持电路连接在一起。
可替换的,电子设备100可以使用下述来实现:具有处理器120、总线接口140、用户接口160的ASIC(专用集成电路);以及集成在单个芯片中的存储介质130的至少一部分,或者,电子设备100可以使用下述来实现:一个或多个FPGA(现场可编程门阵列)、PLD(可编程逻辑器件)、控制器、状态机、门逻辑、分立硬件部件、任何其它适合的电路、或者能够执行本申请通篇所描述的各种功能的电路的任意组合。
其中,处理器120负责管理总线110和一般处理(包括执行存储在存储介质130上的软件)。处理器120可以使用一个或多个通用处理器和/或专用处理器来实现。处理器120的例子包括微处理器、微控制器、DSP处理器和能够执行软件的其它电路。应当将软件广义地解释为表示指令、数据或其任意组合,而不论是将其称作为软件、固件、中间件、微代码、硬件描述语言还是其它。
在图6中存储介质130被示为与处理器120分离,然而,本领域技术人员很容易明白,存储介质130或其任意部分可位于电子设备100之外。举例来说,存储介质130可以包括传输线、用数据调制的载波波形、和/或与无线节点分离开的计算机制品,这些介质均可以由处理器120通过总线接口140来访问。可替换地,存储介质130或其任意部分可以集成到处理器120中,例如,可以是高速缓存和/或通用寄存器。
所述处理器120可执行上述实施例,具体地,所述存储介质130中可以存储有所述人像胡须生成装置200,所述处理器120可以用于执行所述人像胡须生成装置200。
进一步地,本申请实施例还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的人像胡须生成方法。
综上所述,本申请实施例提供的人像胡须生成方法及装置,通过获取人像图像并从人像图像中获取人像五官分割图像,然后将人像五官分割图像输入到预先训练的人像胡须预测模型中,获取人像五官分割图像中的胡须语义区域,然后,生成与胡须语义区域对应的高斯噪声图,并对高斯噪声图进行径向模糊处理,得到对应的胡须纹理图,最后将胡须纹理图与人像图像进行融合,得到融合后的包括有胡须的人像图像。由此,本申请通过深度学习获取人像图像中的胡须语义区域,能够保证生成胡须位置的准确性,增强了应对不同人像角度的鲁棒性,使生成的胡须效果更加真实自然。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其它可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的电子设备、服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句"包括一个……"限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种人像胡须生成方法,其特征在于,应用于电子设备,所述方法包括:
获取人像图像并从所述人像图像中获取人像五官分割图像;
将所述人像五官分割图像输入到预先训练的人像胡须预测模型中,获取所述人像五官分割图像中的胡须语义区域;
生成与所述胡须语义区域对应的高斯噪声图,并对所述高斯噪声图进行径向模糊处理,得到对应的胡须纹理图;
将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像。
2.根据权利要求1所述的人像胡须生成方法,其特征在于,所述将所述人像五官分割图像输入到预先训练的人像胡须预测模型中的步骤之前,所述方法还包括:
训练各种胡须类型的人像胡须预测模型;
所述训练各种胡须类型的人像胡须预测模型的方式,包括:
获取训练样本集,其中,所述训练样本集包括不同胡须类型的人像图像样本集,其中,所述人像图像样本集中包括有多个人像图像样本和每个人像图像样本对应的人像五官分割图像,每个人像图像样本中标注有对应的胡须语义区域;
建立每种胡须类型对应的深度卷积网络模型,并针对每种胡须类型对应的深度卷积网络模型,基于该种胡须类型的人像图像样本集训练该种胡须类型对应的深度卷积网络模型,在该种胡须类型对应的深度卷积网络模型达到训练终止条件时输出该种胡须类型的人像胡须预测模型,以得到各种胡须类型的人像胡须预测模型。
3.根据权利要求1所述的人像胡须生成方法,其特征在于,所述将所述人像五官分割图像输入到预先训练的人像胡须预测模型中,获取所述人像五官分割图像中的胡须语义区域的步骤,包括:
获取所述人像五官分割图像需要生成的胡须的目标胡须类型;
将所述人像五官分割图像输入到所述目标胡须类型对应的人像胡须预测模型中,获取所述人像五官分割图像中的所述目标胡须类型的胡须语义区域。
4.根据权利要求1所述的人像胡须生成方法,其特征在于,所述对所述高斯噪声图进行径向模糊处理,得到对应的胡须纹理图的步骤,包括:
查找所述高斯噪声图的中心位置点;
以所述中心位置点为中心,依次缩放预设数量个像素,得到对应的预设数量张图片;
将所述预设数量张图片进行叠加,得到径向模糊后的胡须纹理图。
5.根据权利要求1所述的人像胡须生成方法,其特征在于,所述将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像的步骤,包括:
计算所述胡须纹理图的中各个第一RGB值和所述人像图像中对应的各个第二RGB值;
根据计算出的各个第一RGB值和对应的第二RGB值的乘积将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像。
6.一种人像胡须生成装置,其特征在于,应用于电子设备,所述装置包括:
获取模块,用于获取人像图像并从所述人像图像中获取人像五官分割图像;
输入模块,用于将所述人像五官分割图像输入到预先训练的人像胡须预测模型中,获取所述人像五官分割图像中的胡须语义区域;
径向模糊模块,用于生成与所述胡须语义区域对应的高斯噪声图,并对所述高斯噪声图进行径向模糊处理,得到对应的胡须纹理图;
融合模块,用于将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像。
7.根据权利要求6所述的人像胡须生成装置,其特征在于,所述装置还包括:
训练模块,用于训练各种胡须类型的人像胡须预测模型;
所述训练各种胡须类型的人像胡须预测模型的方式,包括:
获取训练样本集,其中,所述训练样本集包括不同胡须类型的人像图像样本集,其中,所述人像图像样本集中包括有多个人像图像样本和每个人像图像样本对应的人像五官分割图像,每个人像图像样本中标注有对应的胡须语义区域;
建立每种胡须类型对应的深度卷积网络模型,并针对每种胡须类型对应的深度卷积网络模型,基于该种胡须类型的人像图像样本集训练该种胡须类型对应的深度卷积网络模型,在该种胡须类型对应的深度卷积网络模型达到训练终止条件时输出该种胡须类型的人像胡须预测模型,以得到各种胡须类型的人像胡须预测模型。
8.根据权利要求6所述的人像胡须生成装置,其特征在于,所述输入模块,具体用于:
获取所述人像五官分割图像需要生成的胡须的目标胡须类型;
将所述人像五官分割图像输入到所述目标胡须类型对应的人像胡须预测模型中,获取所述人像五官分割图像中的所述目标胡须类型的胡须语义区域。
9.根据权利要求6所述的人像胡须生成装置,其特征在于,所述径向模糊模块,具体用于:
查找所述高斯噪声图的中心位置点;
以所述中心位置点为中心,依次缩放预设数量个像素,得到对应的预设数量张图片;
将所述预设数量张图片进行叠加,得到径向模糊后的胡须纹理图。
10.根据权利要求6所述的人像胡须生成装置,其特征在于,所述融合模块,具体用于:
计算所述胡须纹理图的中各个第一RGB值和所述人像图像中对应的各个第二RGB值;
根据计算出的各个第一RGB值和对应的第二RGB值的乘积将所述胡须纹理图与所述人像图像进行融合,得到融合后的包括有胡须的人像图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245625.9A CN109410121B (zh) | 2018-10-24 | 2018-10-24 | 人像胡须生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245625.9A CN109410121B (zh) | 2018-10-24 | 2018-10-24 | 人像胡须生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410121A true CN109410121A (zh) | 2019-03-01 |
CN109410121B CN109410121B (zh) | 2022-11-01 |
Family
ID=65468972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811245625.9A Active CN109410121B (zh) | 2018-10-24 | 2018-10-24 | 人像胡须生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410121B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934895A (zh) * | 2019-03-18 | 2019-06-25 | 北京海益同展信息科技有限公司 | 图像局部特征迁移方法与装置 |
CN111784811A (zh) * | 2020-06-01 | 2020-10-16 | 北京像素软件科技股份有限公司 | 一种图像处理方法、装置,电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130121608A1 (en) * | 2009-09-04 | 2013-05-16 | Holger Winnemoeller | Methods and Apparatus for Procedural Directional Texture Generation |
CN107358573A (zh) * | 2017-06-16 | 2017-11-17 | 广东欧珀移动通信有限公司 | 图像美颜处理方法和装置 |
CN107808136A (zh) * | 2017-10-31 | 2018-03-16 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、可读存储介质和计算机设备 |
CN108012091A (zh) * | 2017-11-29 | 2018-05-08 | 北京奇虎科技有限公司 | 图像处理方法、装置、设备及其存储介质 |
-
2018
- 2018-10-24 CN CN201811245625.9A patent/CN109410121B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130121608A1 (en) * | 2009-09-04 | 2013-05-16 | Holger Winnemoeller | Methods and Apparatus for Procedural Directional Texture Generation |
CN107358573A (zh) * | 2017-06-16 | 2017-11-17 | 广东欧珀移动通信有限公司 | 图像美颜处理方法和装置 |
CN107808136A (zh) * | 2017-10-31 | 2018-03-16 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、可读存储介质和计算机设备 |
CN108012091A (zh) * | 2017-11-29 | 2018-05-08 | 北京奇虎科技有限公司 | 图像处理方法、装置、设备及其存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934895A (zh) * | 2019-03-18 | 2019-06-25 | 北京海益同展信息科技有限公司 | 图像局部特征迁移方法与装置 |
CN111784811A (zh) * | 2020-06-01 | 2020-10-16 | 北京像素软件科技股份有限公司 | 一种图像处理方法、装置,电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109410121B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198191B (zh) | 图像处理方法及装置 | |
CN109189682A (zh) | 一种脚本录制方法和装置 | |
CN111078940B (zh) | 图像处理方法、装置、计算机存储介质及电子设备 | |
CN108446227A (zh) | 一种基于selenium的虚拟机浏览器兼容性测试方法 | |
CN111669502B (zh) | 目标对象显示方法、装置及电子设备 | |
CN110633709B (zh) | 一种基于残差网络的特征图处理方法 | |
CN109766925A (zh) | 特征融合方法、装置、电子设备及存储介质 | |
CN107506376A (zh) | 获取区域内信息点数据的客户端 | |
CN110598095B (zh) | 一种识别包含指定信息文章的方法、装置及存储介质 | |
CN111553362A (zh) | 一种视频处理方法、电子设备和计算机可读存储介质 | |
CN107368820A (zh) | 一种精细化手势识别方法、装置及设备 | |
Han et al. | Realflow: Em-based realistic optical flow dataset generation from videos | |
CN109271587A (zh) | 一种页面生成方法和装置 | |
CN110046293A (zh) | 一种用户身份关联方法及装置 | |
CN115100334B (zh) | 一种图像描边、图像动漫化方法、设备及存储介质 | |
CN107566723A (zh) | 一种拍摄方法、移动终端及计算机可读存储介质 | |
CN109410121A (zh) | 人像胡须生成方法及装置 | |
CN110457974A (zh) | 图像叠加方法、装置、电子设备及可读存储介质 | |
Gao et al. | Sketchsampler: Sketch-based 3d reconstruction via view-dependent depth sampling | |
CN107959798A (zh) | 视频数据实时处理方法及装置、计算设备 | |
CN107391540A (zh) | 一种小程序展示方法、装置及分类器 | |
Fan et al. | Salient object detection for point clouds | |
CN113163135B (zh) | 视频的动画添加方法、装置、设备及介质 | |
CN108388886A (zh) | 图像场景识别的方法、装置、终端和计算机可读存储介质 | |
CN114598610B (zh) | 网络业务规则识别 |
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 |