CN109948397A - 一种人脸图像校正方法、***及终端设备 - Google Patents

Abstract

本发明适用于人脸识别技术领域，提供了一种人脸图像校正方法、***及终端设备，其中，人脸图像校正方法包括：获取原始图像；对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标；根据所述人脸位置坐标提取人脸特征点坐标；根据所述人脸特征点坐标对所述原始图像进行仿射变换，得到目标图像。本发明通过获取人脸位置坐标进而准确地提取人脸特征点坐标，再根据人脸特征点坐标对待处理的图像进行仿射变换，进而获取目标图像，能够有效地对原始图像中的所有人脸进行校正，提高人脸图像校正的准确性，有效地解决现有的人脸图像校正方法存在准确性低的问题。

Description

一种人脸图像校正方法、***及终端设备

技术领域

本发明属于人脸识别技术领域，尤其涉及一种人脸图像校正方法、***及终端设备。

背景技术

人脸识别技术，是一种基于人的脸部特征信息进行身份识别的生物识别技术，随着人工智能技术的迅速发展，人脸识别技术更多的应用于商业化产品中，例如：企业员工门禁管理以及会员管理等。人脸校正技术作为人脸识别技术中不可或缺的技术，能够提高人脸识别结果的准确性。现有的在海量图片中进行人脸识别和分类时，大多使用无监督人脸分类学习算法对图片进行处理。能够提高图片识别的效率，也可以识别没有训练过的人物。然而，无监督人脸分类学习算法的分类准确性较低，例如将同一个人的不同角度的人脸识别为不同的人或者将同一个人的图像分为多个不同的文件夹。通过人脸校正技术能够增强分类的准确性。然而，现有的人脸校正技术，大多采用开源计算机视觉库(Open SourceComputer Vision Library，OpenCV)自带的人脸校正模块，其准确性很低，无法准确的对人脸特征点进行准确地提取。若通过机器学习算法工具包(Dlib工具包)提取面部68个特征点则可以更准确地定位人脸位置，然而，Dlib工具包的检测结果较差，若人脸存在一定角度的倾斜时就无法检测出来，由于无法检测出人脸，因此也无法对人脸进行校正，进而导致人脸校正的准确性不高。

综上所述，现有的人脸图像校正方法存在准确性低的问题。

发明内容

有鉴于此，本发明实施例提供了一种人脸图像校正方法、***及终端设备，以解决现有技术中人脸图像校正方法存在准确性低的问题。

本发明实施例的第一方面提供了一种人脸图像校正方法，包括：

获取原始图像；

对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标；

根据所述人脸位置坐标提取人脸特征点坐标；

根据所述人脸特征点坐标对所述原始图像进行仿射变换，得到目标图像。

本发明实施例的第二方面提供了一种人脸校正***，包括：

获取模块，用于获取原始图像；

人脸位置获取模块，用于对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标；

特征点坐标提取模块，用于根据所述人脸位置坐标提取人脸特征点坐标；

仿射变换模块，用于根据所述人脸特征点坐标对所述原始图像进行仿射变换，得到目标图像。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取原始图像；

对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标；

根据所述人脸位置坐标提取人脸特征点坐标；

根据所述人脸特征点坐标对所述原始图像进行仿射变换，得到目标图像。

本发明实施例的第四方面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，所述计算机程序被处理器执行时实现以下步骤：

获取原始图像；

对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标；

根据所述人脸位置坐标提取人脸特征点坐标；

根据所述人脸特征点坐标对所述原始图像进行仿射变换，得到目标图像。

本发明提供的一种人脸图像校正方法、***及终端设备通过获取人脸位置坐标进而准确地提取人脸特征点坐标，再根据人脸特征点坐标对待处理的图像进行仿射变换，进而获取目标图像，能够有效地对原始图像中的所有人脸进行校正，提高人脸图像校正的准确性，有效地解决现有的人脸图像校正方法存在准确性低的问题。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种人脸图像校正方法的实现流程示意图；

图2a是人物1的100张图像没有经过实施例一的人脸校正方法进行校正时，通过人脸深度学习获取到的欧式距离的直方图；

图2b是人物1的100张图像经过实施例一的人脸校正方法进行校正时，通过人脸深度学习获取到的欧式距离的直方图；

图2c是人物2的100张图像没有经过实施例一的人脸校正方法进行校正时，通过人脸深度学习获取到的欧式距离的直方图；

图2d是人物2的100张图像经过实施例一的人脸校正方法进行校正时，通过人脸深度学习获取到的欧式距离的直方图；

图3是本发明实施例二提供的对应实施例一步骤S102的实现流程示意图；

图4是本发明实施例三提供的对应实施例一步骤S103的实现流程示意图；

图5是本发明实施例四提供的对应实施例一步骤S104的实现流程示意图；

图6是通过本发明实施例一提供的一种人脸图像校正方法进行人脸校正获取的人脸图像；

图7是本发明实施例五提供的一种人脸图像校正***的结构示意图；

图8是本发明实施例六提供的对应实施例五中人脸位置获取模块102的结构示意图；

图9是本发明实施例七提供的对应实施例五中特征点提取模块103的结构示意图；

图10是本发明实施例八提供的对应实施例五中的结果仿射变换模块104结构示意图；

图11是本发明实施例九提供的终端设备的示意图。

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，以便透彻理解本发明实施例。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发明。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发明的描述。

本发明实施例为了解决现有的人脸图像校正方法存在准确性低的问题，提供了一种人脸图像校正方法、***及终端设备，通过获取人脸位置坐标进而准确地提取人脸特征点坐标，再根据人脸特征点坐标对待处理的图像进行仿射变换，进而获取目标图像，能够有效地对原始图像中的所有人脸进行校正，提高人脸图像校正的准确性，有效地解决现有的人脸图像校正方法存在准确性低的问题。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

如图1所示，本实施例提供一种人脸图像校正方法，其具体包括：

步骤S101：获取原始图像。

在具体应用中，获取原始图像是通过对输入的大批量图片进行读取，输入的图片即为原始图像。具体的，输入的图片可以是从视频中存储下来的每一帧的图片，原始图像中包含任意动作、任意脸部角度的一个或多个人物。在具体应用中，获取原始图像是在OpenCV框架下实现的，在获取原始图像时，可以先获取图片的地址链接，采用OpenCV globe批量读取图片，进而获取到原始图像。

步骤S102：对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标。

在具体应用中，通过调用seetaface的人脸检测模型对预处理图像进行人脸定位，能够准确地获取到预处理图像中所有人脸的人脸位置坐标，具体的，可以是获取到预处理图像的所有人脸的人脸方框位置坐标。再通过预处理图像中所有人脸的人脸位置坐标就能够准确地得到原始图像中所有人脸的人脸位置坐标。需要说明的是，seetaface的人脸检测模型可以实现更少的人脸缺失最大化地检测出原始图像中的人脸图像。

在具体应用中，对原始图像进行预处理是为了使获得的预处理图像满足seetaface的输入接口参数。

步骤S103：根据所述人脸位置坐标提取人脸特征点坐标。

在具体应用中，将获取的原始图像中的所有人脸的人脸位置坐标作为参数，并将该人脸位置坐标通过Dlib工具包的人脸特征点提取模块对人脸特征点的坐标进行提取。需要说明的是，Dlib工具包的人脸特征点提取模块能够准确的提取出人脸特征点的坐标，进而更准确的反映原始图像中所有人脸的人脸特征点的坐标，在具体应用中，上述人脸特征点的坐标个数为68个，上述人脸特征点坐标包括若干个左眼特征点坐标和若干个右眼特征点坐标。

步骤S104：根据所述人脸特征点坐标对所述原始图像进行仿射变换，得到目标图像。

在具体应用中，采用OpenCV的仿射变换函数对人脸特征点坐标进行仿射变换。通过获取到的人脸特征点坐标对原始图像进行仿射变换，包括对原始图像进行旋转变换以及对原始图像进行自适应缩放，能够得到目标图像的特征点坐标，进而得到目标图像，实现对原始图像中的人脸图像进行校正。需要说明的是，得到的目标图像是原始图像中每个人脸的图像，其中目标图像中的每个人脸的两眼的连线均处于水平位置。且输出的目标图像的每个人脸的两眼之间的距离相等。具体的，若目标图像的人脸为正脸图像，则得到的目标图像为没有倾斜角度的图像，若目标图像中的人脸为侧脸图像，则得到的目标图像仅有垂直方向的角度倾斜，没有水平方向的角度倾斜。

为了更进一步地说明本实施例的人脸校正方法能够有效地对原始图像中的所有人脸进行校正，提高人脸图像校正的准确性，通过人脸深度学习同一人物的100张图像的512个特征点的欧氏距离来表明人脸识别的分类效果。

如图2a所示，图2a示出了人物1的100张图像没有经过本实施例的人脸校正方法进行校正时，通过人脸深度学习获取到的欧式距离的直方图。

图2b示出了人物1的100张图像经过本实施例的人脸校正方法进行校正时，通过人脸深度学习获取到的欧式距离的直方图。

图2c示出了人物2的100张图像没有经过本实施例的人脸校正方法进行校正时，通过人脸深度学习获取到的欧式距离的直方图。

图2d示出了人物2的100张图像经过本实施例的人脸校正方法进行校正时，通过人脸深度学习获取到的欧式距离的直方图。

需要说明的是，人脸识别分类效果越好，上述欧式距离的直方图会更为紧凑。

由图2a、图2b、图2c以及图2d可知，应用本实施例提供的人脸图像校正方法进行人脸识别的分类效果明显由于没有应用实施例提供的人脸图像校正方法进行人脸识别的分类效果，因此本实施例提供的人脸校正方法能够有效地对原始图像中的所有人脸进行校正，提高人脸图像校正的准确性，进而提高人脸识别的分类效果。

在一个实施例中，上述人脸图像校正方法还包括:

步骤S105：将目标图像中的人脸按照预设存储模式进行存储。

在具体应用中，在将原始图像进行仿射变换后得到的目标图像包括已经校正的人脸图像，将已经校正的人脸图像按照读取顺序的存储模式进行存储，具体的，可以将读取到的第一张人脸的人脸校正图像存储为第一张人脸。

本实施例提供的一种人脸图像校正方法，通过最大化地检测出原始图像中的人脸图像，并获取原始图像中所有人脸的人脸位置坐标，再通过该人脸位置坐标准确地提取出人脸特征点坐标，根据人脸特征点坐标对待处理的图像进行仿射变换得到目标图像的特征点坐标，进而获取目标图像，能够有效地对原始图像中的所有人脸进行校正，提高人脸图像校正的准确性，有效地解决现有的人脸图像校正方法存在准确性低的问题。

实施例二：

如图3所示，在本实施例中，实施例一中的步骤S102具体包括：

步骤S201：对所述原始图像进行压缩处理以及灰度处理以获取预处理图像。

在具体应用中，对原始图像进行压缩处理并进行灰度处理，获得满足开源人脸识别引擎(seetaface)的输入接口参数的预处理图像。预处理图像即通过对原始图像进行压缩处理和灰度处理等预处理操作后获取到的图像。

步骤S202：通过人脸检测模型进行人脸定位，获取预处理图像中所有人脸的人脸位置坐标。

在具体应用中，通过调用seetaface的人脸检测模型对预处理图像进行人脸定位，准确地获取到预处理图像中所有人脸的人脸位置坐标。

步骤S203：对所述预处理图像进行解压处理，获取原始图像中所有人脸的人脸位置坐标。

在具体应用中，获取到预处理图像中所有人脸的人脸位置坐标后再对预处理图像进行解压处理获取原始图片大小，进而获取到原始图像中所有人脸的人脸位置坐标。

在具体应用中，获取到预处理图像中所有人脸的人脸位置坐标可以是获取到预处理图像中所有人脸的人脸方框位置坐标，准确地对原始图像中的所有人脸进行定位。

实施例三：

如图4所示，在本实施例中，实施例一中的步骤S103具体包括：

步骤S301：通过人脸特征点提取模块提取所述人脸位置坐标中的第一预设数量的人脸特征点坐标；其中，所述第一预设数量的人脸特征点坐标包括第二预设数量的左眼特征点坐标和第三预设数量的右眼特征点坐标。

在具体应用中，将获取的原始图像中的所有人脸的人脸位置坐标作为参数，通过Dlib工具包的人脸特征点提取模块提取所述人脸位置坐标中的第一预设数量的人脸特征点坐标。具体的，上述第一预设数量为68。第一预设数量的人脸特征点坐标包括第二预设数量的左眼特征点坐标和第三预设数量的右眼特征点坐标。

在具体应用中，上述第二预设数量与第三预设数量可以相等也可以不等，作为本实施例的一种实现方式，上述第二预设数量与第三预设数量相等，具体的，上述第二预设数量与第三预设数量均为6。通过Dlib工具包的人脸特征点提取模块准确地提取出68个人脸特征点坐标，并记录6个左眼特征点坐标和6个右眼特征点坐标。

实施例四：

如图5所示，在实施例中，实施例一中的步骤S104具体包括：

步骤S401：根据所述人脸特征点坐标计算变换矩阵。

在一个实施例中，上述步骤S401包括：

步骤S4011：通过所述人脸特征点坐标计算特征点质心坐标、旋转角度以及自适应缩放因子。

在具体应用中，人脸特征点坐标包括若干个左眼特征点坐标和若干个右眼特征点坐标。通过若干个左眼特征点坐标和若干个右眼特征点坐标分别获取左眼质心坐标和右眼质心坐标。具体的，通过6个左眼特征点坐标获取左眼质心坐标，通过6个右眼特征点坐标获取右眼质心坐标。通过左眼质心和右眼质心的连线与水平位置的夹角角度作为当前人脸的旋转角度。

在本实施例中，通过以下公式计算旋转角度：

dy＝rightEyeCenter.y-leftEyeCenter.y；

dx＝rightEyeCenter.x-leftEyeCenter.x；

其中，angle表示旋转角度，rightEyeCenter.y表示右眼质心的纵坐标，leftEyeCenter.y表示左眼质心的纵坐标，rightEyeCenter.x表示右眼质心的横坐标，leftEyeCenter.x表示右眼质心的横坐标。

在本实施例中，将自适应缩放因子设置为预处理图像中人脸的左眼质心与右眼质心之间距离除以原始图像中该人脸的左眼质心与右眼质心之间距离。

在本实施例中，通过以下公式计算旋转角度：

original_eye_distance＝sqrt(dx^2+dy^2)；

output_eye_distance＝(rightEyeOfset_x-LeftEyeOfsfet.x)*outputImage.x；

rightEyeOfset_x＝1.0-LeftEyeOffset.x；

其中，scale表示自适应缩放因子，original_eye_distance表示原始图像中人脸的左眼质心与右眼质心之间距离，output_eye_distance表示预处理图像中人脸的左眼质心与右眼质心之间距离，在具体应用中，将LeftEyeOffset设置为(0.3,0.3)，将outputImage设置为(224,224)。步骤S4022：根据特征点质心坐标、旋转角度以及自适应缩放因子获取变换矩阵。

在具体应用中，采用OpenCV中getRotationMatrix2D()函数，通过输入特征点质心坐标、旋转角度以及自适应缩放因子就能获取变换矩阵。

为了更清楚的表示人脸图像校正后的效果，图6示出了通过本实施例提供的人脸校正方法对原始图像进行处理后获得的人脸图像。如图6所示，经由68个人脸特征点坐标获取到左眼质心与右眼质心的连线，经过仿射变换的目标图像中左眼质心与右眼质心的连线为水平线。图6中的人脸图像的左眼质心与右眼质心的连线为水平线，表明该人脸图像校正成功。

步骤S402：根据所述变换矩阵对所述原始图像进行映射，得到目标图像。

在具体应用中，根据得到的变换矩阵将原始图像进行旋转变换以及自适应缩放后能够得到目标图像。

实施例五：

如图7所示，本实施例提供一种人脸图像校正***100，用于执行实施例一中的方法步骤，其包括：

获取模块101用于获取原始图像。

人脸位置获取模块102用于对原始图像进行预处理，获取原始图像中所有人脸的人脸位置坐标。

特征点坐标提取模块103用于根据人脸位置坐标提取人脸特征点坐标。

仿射变换模块104用于根据人脸特征点坐标对原始图像进行仿射变换，得到目标图像。

在一个实施例中，上述人脸图像校正***100还包括存储模块105。

存储模块105用于将目标图像中的人脸按照预设存储模式进行存储。

需要说明的是，本发明实施例提供的人脸图像校正***，由于与本发明图1所示方法实施例基于同一构思，其带来的技术效果与本发明图1所示方法实施例相同，具体内容可参见本发明图1所示方法实施例中的叙述，此处不再赘述。

实施例六：

如图8所示，在实施例中，实施例五中的人脸位置获取模块102包括用于执行图3所对应的实施例中的方法步骤的结构，其包括：

预处理单元201用于对所述原始图像进行压缩处理以及灰度处理以获取预处理图像。

第一位置坐标获取单元202用于通过人脸检测模型进行人脸定位，获取预处理图像中所有人脸的人脸位置坐标。

第二位置坐标获取单元203用于对所述预处理图像进行解压处理，获取原始图像中所有人脸的人脸位置坐标。

实施例七：

如图9所示，在实施例中，实施例五中的特征点坐标提取模块103包括用于执行图4所对应的实施例中的方法步骤的结构，其包括：

特征点坐标提取单元301，用于通过人脸特征点提取模块提取所述人脸位置坐标中的第一预设数量的人脸特征点坐标；其中，所述第一预设数量的人脸特征点坐标包括第二预设数量的左眼特征点坐标和第三预设数量的右眼特征点坐标。

实施例八：

如图10所示，在实施例中，实施例五中的仿射变换模块104包括用于执行图5所对应的实施例中的方法步骤的结构，其包括：

变换矩阵计算单元401，用于根据所述人脸特征点坐标计算变换矩阵；

目标图像获取单元402，用于根据所述变换矩阵对所述原始图像进行映射，得到目标图像。

在一个实施例中，上述变换矩阵计算单元401包括：

计算单元，用于通过所述人脸特征点坐标计算特征点质心坐标、旋转角度以及自适应缩放因子。

获取单元，用于根据特征点质心坐标、旋转角度以及自适应缩放因子获取变换矩阵。

实施例九：

图11是本发明一实施例提供的终端设备的示意图。如图11所示，该实施例的终端设备11包括：处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112，例如程序。所述处理器110执行所述计算机程序112时实现上述各个视频搜索方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器110执行所述计算机程序112时实现上述视频搜索***实施例中各模块/单元的功能，例如图7所示模块101至104的功能。

示例性的，所述计算机程序112可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器111中，并由所述处理器110执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序112在所述终端设备11中的执行过程。例如，所述计算机程序112可以被分割成获取模块、人脸位置获取模块、特征点坐标提取模块以及仿射变换模块，各模块具体功能如下：

获取模块，用于获取原始图像；

人脸位置获取模块，用于对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标；

特征点坐标提取模块，用于根据所述人脸位置坐标提取人脸特征点坐标；

仿射变换模块，用于根据所述人脸特征点坐标对所述原始图像进行仿射变换，得到目标图像。

所述终端设备11可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图11仅仅是终端设备11的示例，并不构成对终端设备11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，例如所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110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

所述存储器111可以是所述终端设备11的内部存储单元，例如终端设备11的硬盘或内存。所述存储器111也可以是所述终端设备11的外部存储设备，例如所述终端设备11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，所述存储器111还可以既包括所述终端设备11的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器111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，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。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发明的范围。

在本发明所提供的实施例中，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，所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。

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单元来实现本实施例方案的目的。

另外，在本发明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。

所述集成的模块/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，本发明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，所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，所述计算机程序包括计算机程序代码，所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。所述计算机可读介质可以包括：能够携带所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，所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是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人脸图像校正方法，其特征在于，所述方法包括：

获取原始图像；

对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标；

根据所述人脸位置坐标提取人脸特征点坐标；

根据所述人脸特征点坐标对所述原始图像进行仿射变换，得到目标图像。

2.根据权利要求1所述的人脸图像校正方法，其特征在于，所述对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标，包括：

对所述原始图像进行压缩处理以及灰度处理以获取预处理图像；

通过人脸检测模型进行人脸定位，获取预处理图像中所有人脸的人脸位置坐标；

对所述预处理图像进行解压处理，获取原始图像中所有人脸的人脸位置坐标。

3.根据权利要求1所述的人脸图像校正方法，其特征在于，所述根据所述人脸位置坐标提取人脸特征点坐标，包括：

通过人脸特征点提取模块提取所述人脸位置坐标中的第一预设数量的人脸特征点坐标；其中，所述第一预设数量的人脸特征点坐标包括第二预设数量的左眼特征点坐标和第三预设数量的右眼特征点坐标。

4.根据权利要求1所述的人脸图像校正方法，其特征在于，根据所述人脸特征点坐标对所述原始图像进行仿射变换，获取目标图像，包括：

根据所述人脸特征点坐标计算变换矩阵；

根据所述变换矩阵对所述原始图像进行映射，得到目标图像。

5.根据权利要求4所述的人脸图像校正方法，其特征在于，所述根据所述人脸特征点坐标计算变换矩阵，包括：

通过所述人脸特征点坐标计算特征点质心坐标、旋转角度以及自适应缩放因子；

根据特征点质心坐标、旋转角度以及自适应缩放因子获取变换矩阵。

6.一种人脸图像校正***，其特征在于，所述***包括：

获取模块，用于获取原始图像；

人脸位置获取模块，用于对所述原始图像进行预处理，获取所述原始图像中所有人脸的人脸位置坐标；

特征点坐标提取模块，用于根据所述人脸位置坐标提取人脸特征点坐标；

仿射变换模块，用于根据所述人脸特征点坐标对所述原始图像进行仿射变换，得到目标图像。

7.根据权利要求6所述的人脸图像校正***，其特征在于，所述人脸位置获取模块包括：

预处理单元，用于对所述原始图像进行压缩处理以及灰度处理以获取预处理图像；

第一位置坐标获取单元，用于通过人脸检测模型进行人脸定位，获取预处理图像中所有人脸的人脸位置坐标；

第二位置坐标获取单元，用于对所述预处理图像进行解压处理，获取原始图像中所有人脸的人脸位置坐标。

8.根据权利要求6所述的人脸图像校正***，其特征在于，所述仿射变换模块包括：

变换矩阵计算单元，用于根据所述人脸特征点坐标计算变换矩阵；

目标图像获取单元，用于根据所述变换矩阵对所述原始图像进行映射，得到目标图像。

9.一种终端设备，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5任一项所述方法的步骤。

10.一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5任一项所述方法的步骤。