CN110689546A - 个性化头像的生成方法、装置、设备及存储介质 - Google Patents
个性化头像的生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110689546A CN110689546A CN201910912017.7A CN201910912017A CN110689546A CN 110689546 A CN110689546 A CN 110689546A CN 201910912017 A CN201910912017 A CN 201910912017A CN 110689546 A CN110689546 A CN 110689546A
- Authority
- CN
- China
- Prior art keywords
- head portrait
- filling
- hair
- segmentation
- personalized
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000011218 segmentation Effects 0.000 claims abstract description 233
- 210000004209 hair Anatomy 0.000 claims abstract description 166
- 230000001815 facial effect Effects 0.000 claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 17
- 238000003709 image segmentation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000011731 head segmentation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 19
- 210000003128 head Anatomy 0.000 description 129
- 238000005070 sampling Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 210000001508 eye Anatomy 0.000 description 4
- 210000004709 eyebrow Anatomy 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 210000001331 nose Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000000697 sensory organ Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种个性化头像的生成方法、装置、设备及存储介质。该方法包括:对用户图像数据进行头发分割和脸部特征分割;根据分割结果,生成闭合的头像轮廓;对所述头像轮廓进行像素填充生成个性化头像。本公开实施例的方案通过用户图像数据的头发分割结果和脸部特征分割结果共同生成闭合的头像轮廓,使得生成的头像轮廓受背景影响较小,精确度较高,然后对生成的头像轮廓进行像素填充,实现针对该用户图像生成对应的个性化头像,满足了用户个性化设置头像的需求,提高了头像设置过程的趣味性。
Description
技术领域
本公开实施例涉及图像处理技术,尤其涉及一种个性化头像的生成方法、装置、设备及存储介质。
背景技术
应用程序的后端服务平台为了区分不同的用户,都设有头像设置功能,可根据用户的喜好为其生成对应的头像。
目前,应用程序的后端服务平台在生成用户头像时通常采用以下两种方式:一种是提供包括大量头像素材的素材库给用户选择,并将用户选择的头像素材作为该用户的头像。另一种是接收用户通过应用程序客户端上传的图像,并将该图像进行尺寸调整后生成用户的头像。
但是,上述两种方式都是用户直接选择好作为头像的图像,后端服务器只需将该图像直接作为头像即可,形成的头像效果单一,无法满足用户个性化设置头像的需求。
发明内容
本公开提供一种个性化头像的生成方法、装置、设备及存储介质,以实现针对该用户图像生成对应的个性化头像,满足了用户个性化设置头像的需求,提高了头像设置过程的趣味性。
第一方面,本公开实施例提供了一种个性化头像的生成方法,该方法包括:
对用户图像数据进行头发分割和脸部特征分割;
根据分割结果,生成闭合的头像轮廓;
对所述头像轮廓进行像素填充生成个性化头像。
第二方面,本公开实施例还提供了一种个性化头像的生成装置,该装置包括:
图像分割模块,用于对用户图像数据进行头发分割和脸部特征分割;
轮廓生成模块,用于根据分割结果,生成闭合的头像轮廓;
头像生成模块,用于对所述头像轮廓进行像素填充生成个性化头像。
第三方面,一种电子设备,该电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开任意实施例所述的个性化头像的生成方法。
第四方面,本公开实施例提供了一种可读介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开任意实施例所述的个性化头像的生成方法。
本公开实施例提供了一种个性化头像的生成方法、装置、设备及存储介质,通过对用户图像数据进行头发分割和脸部特征分割,根据两种不同分割的结果生成闭合的头像轮廓,对闭合的头像轮廓进行像素填充,以生成个性化头像。本公开实施例的方案基于用户图像数据的头发分割结果和脸部特征分割结果共同生成闭合的头像轮廓,使得生成的头像轮廓受背景影响较小,精确度较高,然后对生成的头像轮廓进行像素填充,实现针对该用户图像生成对应的个性化头像,满足了用户个性化设置头像的需求,提高了头像设置过程的趣味性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1A示出了本公开实施例提供的一种个性化头像的生成方法的流程图;
图1B示出了本公开实施例提供的一种头发分割模型中的下采样结构的示意图;
图1C示出了本公开实施例提供的非闭合头像轮廓示意图;
图2示出了本公开实施例提供的另一种个性化头像的生成方法的流程图;
图3示出了本公开实施例提供的一种个性化头像的生成装置的结构示意图;
图4示出了本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。本公开实施方式中的多方之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1A示出了本公开实施例提供的一种个性化头像的生成方法的流程图,图1B示出了本公开实施例提供的一种头发分割模型中的下采样结构的示意图;图1C示出了本公开实施例提供的非闭合头像轮廓示意图。本实施例可适用于根据用户的图像数据,为该用户生成个性化头像的情况,该方法可以由个性化头像的生成装置或电子设备来执行,该装置可以通过软件和/或硬件的方式来实现。该装置可以配置在电子设备中,具体可以由电子设备中的头像生成进程来执行。可选的,该电子设备可以是应用程序的后端服务平台对应的设备,还可以是安装有应用程序客户端的移动终端设备。
可选的,如图1A-1C所示,本实施例中的方法可以包括如下步骤:
S101,对用户图像数据进行头发分割和脸部特征分割。
其中,用户图像数据是用户想要生成个性化头像所参考的图像数据,由于本公开实施例是专门为用户生成于其相似的个性化头像,所以本公开实施例中的用户图像数据为人物图像数据,例如,可以是用户的自拍照片。
可选的,在本实施例中,获取用户图像数据的方法有很多,对此本实施例不进行限定。可以是从应用程序客户端所在的移动终端的本地图库中获取;还可以是启动移动终端上的拍照功能,实时拍摄一张图像作为本次获取的用户图像数据。例如,可以是应用程序的头像设置界面上有两个选项“拍摄”和“从相册中选择”,若用户点击“拍摄”,则此时应用程序的相关进程会调用启动拍照功能,获取用户本次拍摄的图像作为本步骤输入的用户图像数据;若用户点击“从相册中选择”,则此时应用程序的相关进程会调用进入本地图库并向用户展示图库中的图像,然后获取用户选择的图像作为本步骤输入的用户图像数据。应用程序在获取了用户图像数据后,需要基于电子设备来执行本实施例的操作,例如,可以基于安装该应用程序的移动终端来执行本实施例的操作,也可以是发送至后端服务平台,由后端服务平台的相关电子设备来执行本实施例的操作。
可选的,在本步骤中,对用户图像数据需要执行头发分割和脸部特征分割两种不同的图像分割操作。具体的,可以是启动两个不同的进程,并行执行这两种图像分割操作;还可以是通过一个进程,先执行一种图像分割操作后,再执行另一种图像分割操作。可选的,本步骤可以通过以下两个子步骤实现对用户图像数据进行头发分割和脸部特征分割的操作:
S1011,采用头发分割模型对用户图像数据进行头发分割,得到头发分割结果。
其中,头发分割模型是预先训练好的用于实现对图像数据进行头发分割操作的神经网络模型。可选的,该头发分割模型包括下采样结构、上采样结构和位于所述下采样结构和所述上采样结构之间的空洞卷积模块(Atrous Spatial Pyramid Pooling,ASPP),其中,本实施例的下采样结构用于提取关键特征,其主要包括至少一组残差网络模块和第一深度可分离卷积模块,残差网络模块可以实现当神经网络层数比较深时,也可以得到精准的关键特征;第一深度可分离卷积模块可以在实现提取关键特征的前提下,极大的降低神经网络的运算量。示例性的,图1B示出的下采样结构可以由三个第一深度可分离卷积模块和一个残差网络模块构成。本实施例的上采样结构用于对接收到的数据进行还原处理,得到与输入神经网络模型的用户图像数据大小一样,且标注有分割结果的图像,其主要包括至少一组反卷积模块与第二深度可分离卷积模块。反卷积模块可以实现对接收到的图像数据进行还原处理的过程,第二深度可分离卷积模块可以在实现对接收到的图像数据进行还原处理的前提下,极大的降低神经网络的运算量。其中,第一深度可分离卷积模块和第二深度可分离卷积模块,是部署在不同采样结构中的具有相同功能的模块。位于下采样结构和上采样结构之间的空洞卷积模块,可实现对用户图像数据中远距离的头发区域进行精准的头发特征提取,空洞卷积模块的个数可以为至少一个,当空洞卷积模块的个数为多个时,多个空洞卷积模块可以是并联设置,且多个空洞卷积模块可对应不同的尺度参数。空洞卷积模块位于下采样结构之后,上采样结构之前,可以在下采样结构提取的关键特征的基础上,进一步对用户图像数据中的远距离头发区域进行关键特征提取,从而将最全面最准确的关键特征(包括下采样结构采集的和空洞卷积模块采集的)输入下采样结构,从而使得分割结果更为准确。需要说明的,本公开实施例如何训练头发分割模型的过程,将在后续实施例进行详细介绍。
可选的,本子步骤中,可以是将获取的用户图像数据作为输入参数,输入预先训练好的头发分割模型中,然后运行该头发分割模型的相关程序代码,此时就会输出该用户图像数据对应的头发分割结果。可选的,输出的头发分割结果中可以包括但不限于:头发区域的轮廓信息和头发区域中各像素点的像素信息等等。
S1012,采用人脸关键点检测算法对用户图像数据进行脸部特征分割,得到脸部特征分割结果。
其中,人脸关键点检测,可以是给指定人脸图像(如本实施例的用户图像数据)定位出人脸面部的关键区域位置,包括眉毛、眼睛、鼻子、嘴巴、面部轮廓等。可选的,本步骤可以是将用户图像数据作为输入参数,输入到人脸关键点检测算法的相关程序代码中,然后运行该程序代码,即可得到该用户图像数据对应的脸部特征分割结果。可选的,输出的脸部特征分割结果中可以包括但不限于:脸部各五官(如眉毛、眼睛、鼻子、嘴巴和面部)区域的轮廓信息和各五官区域中各像素点的像素信息等等。
需要说明的是,在对用户图像数据进行头发分割和脸部特征分割时,可以如上述可实施方式中所述,分别采用两种不同的方法来执行对图像数据进行头发分割和脸部特征分割的操作;还可以是采用相同的方法来执行对图像数据进行头发分割和脸部特征分割的操作,例如,可以是预先训练头发分割模型和脸部特征分割模块,都采用训练好的神经网络模型的来执行图像分割操作。对此本公开实施例不进行限定。
S102,根据分割结果,生成闭合的头像轮廓。
其中,本步骤的分割结果可以包括S101中分割得到的头发分割结果和脸部特征分割结果。头像轮廓可以是由分割结果中各分割区域的边缘构成的轮廓。
可选的,头发分割结果中包括头发区域的轮廓信息,脸部特征分割结果中包括脸部各五官区域的轮廓信息,本公开实施例可以根据头发区域的轮廓信息和脸部各五官区域的轮廓信息进行组合,生成闭合的头像轮廓。但是由于用户图像数据背景的复杂度,在对图像数据进行分割时会存在一定的误差,从而导致,直接将头发区域的轮廓信息和脸部各五官区域的轮廓信息进行组合后,出现头像轮廓不闭合的情况,例如,如图1C所示,头发轮廓和面部轮廓之间存在未闭合区域,所以本公开实施例可以通过以下两种可实施方式来实现根据分析结果,生成闭合的头像轮廓:
可实施方式一:将脸部特征分割结果中的面部轮廓向上延伸至与头发分割结果中的头发轮廓相交,得到闭合的头像轮廓。
示例性的,可以先将头部轮廓和各五官区域的轮廓进行组合,得到如图1C所示的初步头像轮廓,然后将该初步头像轮廓中的面部轮廓的边缘(如点A和B)向上(即向头发轮廓方向)进行延伸,直到与头发轮廓相交(即面部轮廓边缘点A延伸到头发轮廓的点C处;面部轮廓边缘点B延伸到头发轮廓的点D处),从而得到闭合的头像轮廓。
可实施方式二、将头发分割结果中的头发轮廓向下平移至与脸部特征分割结果中的面部轮廓相交,得到闭合的头像轮廓。
示例性的,可以先将头部轮廓和各五官区域的轮廓进行组合,得到如图1C所示的初步头像轮廓,然后将该初步头像轮廓中的头发轮廓整体向下(即向面部轮廓方向)移动,直到头发轮廓与面部轮廓相交(即头发轮廓与面部轮廓的边缘点A和点B相交),从而得到闭合头发轮廓。
可选的,本步骤还可以采用其他可实施方式根据分割结果,生成闭合的头像轮廓,对此不进行限定。例如,还可以是根据分割结果对头发轮廓和面部轮廓之间的空隙进行修复,通过适应性调整头发轮廓和面部轮廓的边缘点位置,得到闭合的头像轮廓。
S103,对头像轮廓进行像素填充生成个性化头像。
其中,个性化头像可以对用户图像数据进行一些个性化处理(例如风格化处理、添加贴图、更换背景等),从而生成该用户图像数据对应的专属个性化头像。
可选的,S103通过分割结果得到了闭合的头像轮廓,本步骤可以通过对该头像轮廓中的各区域进行像素填充,从而生成完整的个性化头像。具体的,填充方法可以是:根据分割结果和/或用户填充指令,对头像轮廓进行像素填充生成个性化头像。
其中,本步骤的分割结果可以包括S101中分割得到的头发分割结果中的头发区域中各像素点的像素信息,以及脸部特征分割结果中的各五官区域中各像素点的像素信息。用户填充指令可以是:用户根据自身的需求,输入的本次想要执行填充操作的填充区域和填充颜色,例如,可以是头发区域对应黄色、眼睛和眉毛区域对应黑色、嘴巴区域对应红色、面部区域和鼻子区域对应肤色。可选的,用户的填充指令,可以是用户在应用程序的客户端上手动输入的,例如,可以是用户通过点头像轮廓中的某一区域,再在颜色选项中选出一个喜欢的颜色,就可以生成一组填充区域与填充颜色的填充指令。还可以是用户通过语音输入的。
可选的,本步骤的一种可实施方式:根据分割结果,对头像轮廓进行像素填充生成个性化头像,包括:根据头发分割结果中的头发区域的像素特征,确定头发区域的第一像素均值;根据脸部特征分割结果中的脸部区域的像素特征,确定脸部各五官区域的第二像素均值;依据第一像素均值和第二像素均值,对头像轮廓进行像素值填充生成个性化头像。
其中,第一像素均值可以是待填充到头发区域的像素值。第二像素均值,可以是待填充到脸部各五官区域的像素值,需要说明的是,第一像素均值为一个数值,而第二像素均值由各五官区域的子像素均值构成,例如可以是由面部区域的子像素均值、眼部区域的子像素均值、眉毛区域的子像素均值、鼻子区域的子像素均值以及嘴部区域的子像素均值构成。示例性的,本子步骤可以是获取头发分割结果中头发区域内的各像素点的像素值进行均值运算,得到第一像素均值;获取脸部特征分割结果中脸部各五官区域内的各像素点的像素值,针对每一个五官区域,对该区域内各像素点的像素值进行均值运算,得到该区域对应的子像素均值。然后将第一像素均值对应填充到头像轮廓中的头发区域;将第二像素均值对应的各子像素均值,分别填充到头像轮廓中脸部区域对应的各五官区域。当头像轮廓中的各区域都填充上像素值后,即可以生成最终的个性化头像。
可选的,本步骤的另一种可实施方式:根据用户填充指令,对头像轮廓进行像素填充生成个性化头像,包括:根据用户填充指令,确定填充区域和填充颜色;将填充颜色填充至头像轮廓中的所述填充区域。
示例性的,由于用户填充指令中包括待填充的区域和该区域待填充的颜色,所以,本子步骤可以对用户填充指令进行分析,直接从中确定出待填充的区域和填充颜色;然后将各填充颜色转换为在红绿蓝(RGB)各图层上对应的像素值,填充至头像轮廓中该颜色对应的填充区域内,当头像轮廓中的各区域都填充上像素值后,即可以生成最终的个性化头像。
可选的,本步骤的另一种可实施方式:根据分割结果和用户填充指令,对头像轮廓进行像素填充生成个性化头像,包括:根据分割结果,对头像轮廓进行像素填充,生成初始的个性化头像;根据用户填充指令,确定填充区域和填充颜色;根据填充颜色,调整初始的个性化头像中所述填充区域的已填充像素值,生成最终的个性化头像。
示例性的,本实施方式主要是针对电子设备根据分割结果生成个性化头像后,用户再根据自己需求对生成的个性化头像中部分区域内的颜色进行调整,从而生成最终的个性化头像的方案,具体的本步骤可以是先按照上述第一种可实施方式执行根据分割结果,对头像轮廓进行像素填充,生成初始的个性化头像,然后再按照上述第二种可实施方式执行根据用户填充指令,确定填充区域和填充颜色,最后将个性化头像中该填充区域根据分割结果填充的颜色,替换为用户填充指令中指定的填充颜色。例如,若电子设备根据分割结果生成的初步个性化头像的头发为黑色,而用户为了增加个性化效果,想将头发区域设置为黄色,此时用户可以输入将头发区域颜色设置为黄色的用户填充指令,此时电子设备接收到该用户填充指令后,就会在生成的初步个性化头像中定位头发区域,然后将该区域已填充的黑色调整为黄色,生成最终的满足用户需求的个性化头像。
可选的,本步骤按照上述的三种可实施方式,对头像轮廓进行像素填充后,生成的个性化头像可以为像素化头像,此时在该像素化头像的基础上,还可以是执行其他个性化操作,例如在像素填充后的头像上添加贴纸、更换背景、添加滤镜等等操作,从而保证生成的头像更好的满足用户的个性化需求,为每一个用户都生成其特有的独一无二的个性化头像。
本公开实施例提供了一种个性化头像的生成方法,通过对用户图像数据进行头发分割和脸部特征分割,根据两种不同分割的结果生成闭合的头像轮廓,对闭合的头像轮廓进行像素填充,以生成个性化头像。本公开实施例的方案基于用户图像数据的头发分割结果和脸部特征分割结果共同生成闭合的头像轮廓,使得生成的头像轮廓受背景影响较小,精确度较高,然后对生成的头像轮廓进行像素填充,实现针对该用户图像生成对应的个性化头像,满足了用户个性化设置头像的需求,提高了头像设置过程的趣味性。
图2示出了本公开实施例提供的另一种个性化头像的生成方法的流程图,本实施例在上述实施例提供的各可选方案的基础上进行了优化,具体给出了在对用户图像数据进行头发分割和脸部特征分割之前,如何训练头发分割模型的过程的详细介绍。
可选的,如图2所示,本实施例中的方法可以包括如下步骤:
S201,根据预设缩放比例值和预设空洞卷积模块的尺度参数,构建初始网络模型。
其中,预设缩放比例值可以是预先设定的对输入到网络模型的图像数据进行缩小或放大的比例值,可选的,该预设缩放比例值可以在一定数值范围内随机设置。对于每一个空洞卷积模块而言,其都对应有捕获信息的尺度要求,预设空洞卷积模块的尺度参数,就是根据本次训练的网络模型的实际需求,为各空洞卷积模块设置的尺度参数。
可选的,本公开实施例构建初始网络模型时,可以是构建一个包括下采样结构、上采样结构和位于所述下采样结构和所述上采样结构之间的空洞卷积模块的初始网络模型,其中,下采样结构包括至少一组残差网络模块和第一深度可分离卷积模块,上采样结构包括至少一组反卷积模块与第二深度可分离卷积模块,空洞卷积模块的个数可以为至少一个,当空洞卷积模块的个数为多个时,多个空洞卷积模块可以是并联设置。然后对该初始网络模型进行参数的设置,具体的,可以包括但不限于:设置该初始网络模型的预设缩放比例值、该初始网络模型中各空洞卷积模块的尺度参数(可选的,多个空洞卷积模块可对应不同的尺度参数)、各模块的输入通道参数和输出通道参数等等。从而完成初始网络模型的构建。
S202,获取样本图像数据集,并将样本图像数据集输入初始网络模型中。
其中,样本图像数据集可以是训练初始网络模型所需要的训练数据,其可以是由大量的人物图像数据以及各人物图像数据对应的标准头发分割结果构成,其中每一个人物图像数据和其对应的模型头发分割结果作为一个样本图像数据。为了保证本公开实施例训练的初始网络模型对头发分割的准确性,选择的样本图像数据集应该尽可能的涵盖各种发型的人物图像。
可选的,本公开实施例可以是获取公共人物图像数据库中的图像数据作为样本图像数据集,这样设置的好处在于,训练出来的神经网络模型能够更为全面的对各种类型的人物图像数据进行头发分割操作。在获取了样本图像数据集后,就可以将该样本图像数据集输入S201构建的初始网络模型中。
S203,依据样本图像数据集,对初始化网络模型进行多尺度训练。
可选的,在S202将样本图像数据集输入初始化网络模型后,使用多种尺度变换,不断优化调整初始网络模型中预习设置的各种参数,从而得到训练后的初始网络模型。需要说明的是,训练后的初始网络模型和训练前的初始网络模型的模块构成没有发生变化,调整的只是初始网络模型的各参数的数值。
S204,判断训练后的初始网络模型的评价指标是否大于预设精度阈值,若是,则执行S205;若否,则返回执行S202。
其中,评价指标可以是用来评判训练后的初始网络模型是否符合精度要求的标准,如可以包括但不限于:像素精度(pixel accuracy,PA)、均像素精度(mean pixelaccuracy,MPA)、均交并比(Mean Intersection over Union,MIoU)和频权交并比(Frequency Weight Intersection over Union,FWIoU)等。预设精度阈值可以是本次需要训练的头发分割模型的要求精度(如98%)。
可选的,本步骤中可以是采用一组样本图像数据集执行完上述S203对初始网络模型进行一组多尺度训练后,执行一次本步骤判断本组训练后的初始网络模型的评价指标是否大于预设精度阈值的操作。如果判断结果是评价指标大于预设精度阈值,则说明本次训练后的初始网络模型的图像分割精度满足预精度要求,此时的初始网络模型已经可以作为训练好的可对用户图像数据进行头发分割的网络模型,即执行S205将训练好的初始网络模型作为本公开实施例对用户图像数据进行头发区域分割的头发分割模型。否则,说明本次训练后的初始网络模型还没有达到精度要求,需要再获取一组样本图像数据返回再次执行上述S202-S203对该初始网络模型进行训练的操作。
可选的,若本公开实施例对训练后的初始网络模型进行评判的评价指标为均交并比评价指标,则本步骤的具体执行过程可以包括:将验证图像数据输入训练后的初始网络模型,获取训练后的初始网络输出的实际头发分割结果;根据实际头发分割结果与验证图像数据的标准头发分割结果,确定均交并比评价指标;若均交并比评价指标大于预设精度阈值,则训练后的初始网络模型的评价指标大于预设精度阈值。
其中,验证图像数据可以是用于验证训练后的初始网络模型是否满足预设精度要求时所使用的验证图像数据,其可以是在获取样本图像数据集的过程中选出的,例如在获取样本图像数据的过程中,将获取的图像数据中一定比例(如80%)的图像数据构成样本图像数据集,剩余比例(如20%)的图像数据作为验证图像数据。还可以是专门选择出的能够全面验证训练后的初始网络模型的评价指标是否大于预设精度阈值所需的图像数据。可选的,本实施例为了保证判断训练后的初始网络模型的评价指标是否大于预设精度阈值的准确性,可以是选择至少两组验证图像数据进行验证,其中每一组验证图像数据的个数可以为至少一个。标准头发分割结果可以是每个验证图像数据对应的准确的头发区域的分割结果。
具体的,在依据至少两组验证图像数据,对训练后的初始网络模型进行图像分割精度分析时,可以是分别将每一组验证图像数据输入S203训练后的初始网络模型中,运行训练后的初始网络模型,获取该网络模型针对输入的每个验证图像数据输出的分割结果作为实际头发分割结果。然后根据获取的训练后的初始网络模型输出的每一个验证图像数据的实际头发分割结果,以及该验证图像数据的标准头发分割结果,按照均交并比计算公式,计算出至少两组验证图像数据对应的均交并比评价指标。可选的,可以是先针对每一个验证图像数据,计算该验证图像数据的实际头发分割结果和标准头发分割结果的交并比,即(实际头发分割结果∩标准头发分割结果)/(实际头发分割结果∪标准头发分割结果);然后将对各验证图像数据的交并比进行求均值运算,得到训练后的初始网络模型的均交并比评价指标。最后将计算出的均交并比评价指标与预先设定的预设精度阈值进行比较,若均交并比大于预设精度阈值,则说明训练后的初始网络模型的评价指标大于预设精度阈值。
S205,若训练后的初始网络模型的评价指标大于预设精度阈值,则将训练后的初始网络模型作为头发分割模型。
S206,采用头发分割模型对用户图像数据进行头发分割,得到头发分割结果。
S207,采用人脸关键点检测算法对所述用户图像数据进行脸部特征分割,得到脸部特征分割结果。
S208,根据分割结果,生成闭合的头像轮廓。
S209,对头像轮廓进行像素填充生成个性化头像。
需要说明的是,本步骤S206和S207没有先后顺序之分,可以是如本实施例所述先执行S206再执行S207;也可以是先执行S207再执行S206;还可以是同时执行S206和S207。
本公开实施例提供了一种个性化头像的生成方法,通过基于样本图像数据集对构建的包含残差网络模块、深度可分离卷积模块、反卷积模块以及空洞卷积模块的初始网络模型进行多尺度训练,若训练后的初始网络模型的评价指标大于预设精度阈值,则得到头发分割模型,本公开实施例对采用上述各模块构建的初始网络模型训练后,可以实现在低运算量和较短时耗的情况下对头发区域的精准分割。进而基于训练得到的头发分割模型对用户图像数据进行头发分割,基于人脸关键点检测算法对用户图像数据进行脸部特征分割,并根据两种不同的分割结果生成闭合的头像轮廓,再对闭合的头像轮廓进行像素填充,以生成个性化头像。本公开实施例的方案对不同的特征区域采用不同的图像分割算法,提高了图像区域分割的准确性,进而保证生成的头像轮廓与用户图像数据的一致性,为后续生成个性化头像提供了保证,以便更好的满足用户个性化设置头像的需求,提高了头像设置过程的趣味性。
图3示出了本公开实施例提供的一种个性化头像的生成装置的结构示意图,本公开实施例可适用于根据用户的图像数据,为该用户生成个性化头像的情况。该装置可以通过软件和/或硬件来实现,并集成在执行本方法的电子设备中,如图3所示,该装置可以包括:
图像分割模块301,用于对用户图像数据进行头发分割和脸部特征分割;
轮廓生成模块302,用于根据分割结果,生成闭合的头像轮廓;
头像生成模块303,用于对所述头像轮廓进行像素填充生成个性化头像。
本公开实施例提供了一种个性化头像的生成装置,通过对用户图像数据进行头发分割和脸部特征分割,根据两种不同分割的结果生成闭合的头像轮廓,对闭合的头像轮廓进行像素填充,以生成个性化头像。本公开实施例的方案基于用户图像数据的头发分割结果和脸部特征分割结果共同生成闭合的头像轮廓,使得生成的头像轮廓受背景影响较小,精确度较高,然后对生成的头像轮廓进行像素填充,实现针对该用户图像生成对应的个性化头像,满足了用户个性化设置头像的需求,提高了头像设置过程的趣味性。
进一步的,所述图像分割模块301包括:
头发分割单元,用于采用头发分割模型对用户图像数据进行头发分割,得到头发分割结果;
脸部分割单元,用于采用人脸关键点检测算法对所述用户图像数据进行脸部特征分割,得到脸部特征分割结果。
进一步的,所述头发分割模型包括下采样结构、上采样结构和位于所述下采样结构和所述上采样结构之间的空洞卷积模块,其中,下采样结构包括残差网络模块和第一深度可分离卷积模块,上采样结构包括反卷积模块与第二深度可分离卷积模块。
进一步的,所述装置还包括:
初始模型构建模块,用于根据预设缩放比例值和预设空洞卷积模块的尺度参数,构建初始网络模型;
样本获取输入模块,用于获取样本图像数据集,并将所述样本图像数据集输入所述初始网络模型中;
初始模型训练模块,用于依据所述样本图像数据集,对所述初始化网络模型进行多尺度训练;
模型精度判断模块,用于若训练后的初始网络模型的评价指标大于预设精度阈值,则将所述训练后的初始网络模型作为头发分割模型。
进一步的,所述模型精度判断模块具体用于:
将验证图像数据输入训练后的初始网络模型,获取所述训练后的初始网络输出的实际头发分割结果;
根据所述实际头发分割结果与所述验证图像数据的标准头发分割结果,确定均交并比评价指标;
若所述均交并比评价指标大于预设精度阈值,则所述训练后的初始网络模型的评价指标大于预设精度阈值。
进一步的,所述轮廓生成模块302具体用于:
将脸部特征分割结果中的面部轮廓向上延伸至与头发分割结果中的头发轮廓相交,得到闭合的头像轮廓;或者,
将头发分割结果中的头发轮廓向下平移至与脸部特征分割结果中的面部轮廓相交,得到闭合的头像轮廓。
进一步的,所述头像生成模块303具体用于:
根据所述分割结果和/或用户填充指令,对所述头像轮廓进行像素填充生成个性化头像。
进一步的,所述头像生成模块303执行根据所述分割结果和用户填充指令,对所述头像轮廓进行像素填充生成个性化头像时具体用于:
根据所述分割结果,对所述头像轮廓进行像素填充,生成初始的个性化头像;
根据用户填充指令,确定填充区域和填充颜色;
根据填充颜色,调整所述初始的个性化头像中所述填充区域的已填充像素值,生成最终的个性化头像。
进一步的,所述头像生成模块303执行根据所述分割结果,对所述头像轮廓进行像素填充生成个性化头像时具体用于:
根据头发分割结果中的头发区域的像素特征,确定所述头发区域的第一像素均值;
根据脸部特征分割结果中的脸部区域的像素特征,确定脸部各五官区域的第二像素均值;
依据所述第一像素均值和第二像素均值,对所述头像轮廓进行像素值填充生成个性化头像。
进一步的,所述头像生成模块303执行根据用户的填充指令,对所述头像轮廓进行像素填充生成个性化头像时具体用于:
根据用户填充指令,确定填充区域和填充颜色;
将所述填充颜色填充至所述头像轮廓中的所述填充区域。
本公开实施例提供的个性化头像的生成装置,与上述各实施例提供的个性化头像的生成方法属于同一发明构思,未在本公开实施例中详尽描述的技术细节可参见上述各实施例,并且本公开实施例与上述各实施例具有相同的有益效果。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的电子设备可以是应用程序的后端服务平台对应的设备,还可以是安装有应用程序客户端的移动终端设备。具体的,该电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备400仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,电子设备可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备内部进程执行:对用户图像数据进行头发分割和脸部特征分割;根据分割结果,生成闭合的头像轮廓;对所述头像轮廓进行像素填充生成个性化头像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,该模块、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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例提供的一种个性化头像的生成方法,该方法包括:
对用户图像数据进行头发分割和脸部特征分割;
根据分割结果,生成闭合的头像轮廓;
对所述头像轮廓进行像素填充生成个性化头像。
根据本公开的一个或多个实施例,上述方法中,对用户图像数据进行头发分割和脸部特征分割,包括:
采用头发分割模型对用户图像数据进行头发分割,得到头发分割结果;
采用人脸关键点检测算法对所述用户图像数据进行脸部特征分割,得到脸部特征分割结果。
根据本公开的一个或多个实施例,上述方法中,所述头发分割模型包括下采样结构、上采样结构和位于所述下采样结构和所述上采样结构之间的空洞卷积模块,其中,下采样结构包括残差网络模块和第一深度可分离卷积模块,上采样结构包括反卷积模块与第二深度可分离卷积模块。
根据本公开的一个或多个实施例,上述方法中,在对用户图像数据进行头发分割和脸部特征分割之前,还包括:
根据预设缩放比例值和预设空洞卷积模块的尺度参数,构建初始网络模型;
获取样本图像数据集,并将所述样本图像数据集输入所述初始网络模型中;
依据所述样本图像数据集,对所述初始化网络模型进行多尺度训练;
若训练后的初始网络模型的评价指标大于预设精度阈值,则将所述训练后的初始网络模型作为头发分割模型。
根据本公开的一个或多个实施例,上述方法中,所述训练后的初始网络模型的评价指标大于预设精度阈值,包括:
将验证图像数据输入训练后的初始网络模型,获取所述训练后的初始网络输出的实际头发分割结果;
根据所述实际头发分割结果与所述验证图像数据的标准头发分割结果,确定均交并比评价指标;
若所述均交并比评价指标大于预设精度阈值,则所述训练后的初始网络模型的评价指标大于预设精度阈值。
根据本公开的一个或多个实施例,上述方法中,根据分割结果,生成闭合的头像轮廓,包括:
将脸部特征分割结果中的面部轮廓向上延伸至与头发分割结果中的头发轮廓相交,得到闭合的头像轮廓;或者,
将头发分割结果中的头发轮廓向下平移至与脸部特征分割结果中的面部轮廓相交,得到闭合的头像轮廓。
根据本公开的一个或多个实施例,上述方法中,对所述头像轮廓进行像素填充生成个性化头像,包括:
根据所述分割结果和/或用户填充指令,对所述头像轮廓进行像素填充生成个性化头像。
根据本公开的一个或多个实施例,上述方法中,根据所述分割结果和用户填充指令,对所述头像轮廓进行像素填充生成个性化头像,包括:
根据所述分割结果,对所述头像轮廓进行像素填充,生成初始的个性化头像;
根据用户填充指令,确定填充区域和填充颜色;
根据填充颜色,调整所述初始的个性化头像中所述填充区域的已填充像素值,生成最终的个性化头像。
根据本公开的一个或多个实施例,上述方法中,根据所述分割结果,对所述头像轮廓进行像素填充生成个性化头像,包括:
根据头发分割结果中的头发区域的像素特征,确定所述头发区域的第一像素均值;
根据脸部特征分割结果中的脸部区域的像素特征,确定脸部各五官区域的第二像素均值;
依据所述第一像素均值和第二像素均值,对所述头像轮廓进行像素值填充生成个性化头像。
根据本公开的一个或多个实施例,上述方法中,根据用户的填充指令,对所述头像轮廓进行像素填充生成个性化头像,包括:
根据用户填充指令,确定填充区域和填充颜色;
将所述填充颜色填充至所述头像轮廓中的所述填充区域。
根据本公开的一个或多个实施例提供的一种个性化头像的生成装置,该装置包括:
图像分割模块,用于对用户图像数据进行头发分割和脸部特征分割;
轮廓生成模块,用于根据分割结果,生成闭合的头像轮廓;
头像生成模块,用于对所述头像轮廓进行像素填充生成个性化头像。
根据本公开的一个或多个实施例,上述装置中的图像分割模块包括:
头发分割单元,用于采用头发分割模型对用户图像数据进行头发分割,得到头发分割结果;
脸部分割单元,用于采用人脸关键点检测算法对所述用户图像数据进行脸部特征分割,得到脸部特征分割结果。
根据本公开的一个或多个实施例,上述装置中的头发分割模型包括下采样结构、上采样结构和位于所述下采样结构和所述上采样结构之间的空洞卷积模块,其中,下采样结构包括残差网络模块和第一深度可分离卷积模块,上采样结构包括反卷积模块与第二深度可分离卷积模块。
根据本公开的一个或多个实施例,上述装置中还包括:
初始模型构建模块,用于根据预设缩放比例值和预设空洞卷积模块的尺度参数,构建初始网络模型;
样本获取输入模块,用于获取样本图像数据集,并将所述样本图像数据集输入所述初始网络模型中;
初始模型训练模块,用于依据所述样本图像数据集,对所述初始化网络模型进行多尺度训练;
模型精度判断模块,用于若训练后的初始网络模型的评价指标大于预设精度阈值,则将所述训练后的初始网络模型作为头发分割模型。
根据本公开的一个或多个实施例,上述装置中的模型精度判断模块具体用于:
将验证图像数据输入训练后的初始网络模型,获取所述训练后的初始网络输出的实际头发分割结果;
根据所述实际头发分割结果与所述验证图像数据的标准头发分割结果,确定均交并比评价指标;
若所述均交并比评价指标大于预设精度阈值,则所述训练后的初始网络模型的评价指标大于预设精度阈值。
根据本公开的一个或多个实施例,上述装置中的轮廓生成模块具体用于:
将脸部特征分割结果中的面部轮廓向上延伸至与头发分割结果中的头发轮廓相交,得到闭合的头像轮廓;或者,
将头发分割结果中的头发轮廓向下平移至与脸部特征分割结果中的面部轮廓相交,得到闭合的头像轮廓。
根据本公开的一个或多个实施例,上述装置中的头像生成模块具体用于:
根据所述分割结果和/或用户填充指令,对所述头像轮廓进行像素填充生成个性化头像。
根据本公开的一个或多个实施例,上述装置中的头像生成模块执行根据所述分割结果和用户填充指令,对所述头像轮廓进行像素填充生成个性化头像时具体用于:
根据所述分割结果,对所述头像轮廓进行像素填充,生成初始的个性化头像;
根据用户填充指令,确定填充区域和填充颜色;
根据填充颜色,调整所述初始的个性化头像中所述填充区域的已填充像素值,生成最终的个性化头像。
根据本公开的一个或多个实施例,上述装置中的头像生成模块执行根据所述分割结果,对所述头像轮廓进行像素填充生成个性化头像时具体用于:
根据头发分割结果中的头发区域的像素特征,确定所述头发区域的第一像素均值;
根据脸部特征分割结果中的脸部区域的像素特征,确定脸部各五官区域的第二像素均值;
依据所述第一像素均值和第二像素均值,对所述头像轮廓进行像素值填充生成个性化头像。
根据本公开的一个或多个实施例,上述装置中的头像生成模块执行根据用户的填充指令,对所述头像轮廓进行像素填充生成个性化头像时具体用于:
根据用户填充指令,确定填充区域和填充颜色;
将所述填充颜色填充至所述头像轮廓中的所述填充区域。
根据本公开的一个或多个实施例提供的一种电子设备,该电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开任意实施例所述的个性化头像的生成方法。
根据本公开的一个或多个实施例提供的一种可读介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开任意实施例所述的个性化头像的生成方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (13)
1.一种个性化头像的生成方法,其特征在于,包括:
对用户图像数据进行头发分割和脸部特征分割;
根据分割结果,生成闭合的头像轮廓;
对所述头像轮廓进行像素填充生成个性化头像。
2.根据权利要求1所述的方法,其特征在于,对用户图像数据进行头发分割和脸部特征分割,包括:
采用头发分割模型对用户图像数据进行头发分割,得到头发分割结果;
采用人脸关键点检测算法对所述用户图像数据进行脸部特征分割,得到脸部特征分割结果。
3.根据权利要求2所述的方法,其特征在于,所述头发分割模型包括下采样结构、上采样结构和位于所述下采样结构和所述上采样结构之间的空洞卷积模块,其中,下采样结构包括残差网络模块和第一深度可分离卷积模块,上采样结构包括反卷积模块与第二深度可分离卷积模块。
4.根据权利要求2所述的方法,其特征在于,在对用户图像数据进行头发分割和脸部特征分割之前,还包括:
根据预设缩放比例值和预设空洞卷积模块的尺度参数,构建初始网络模型;
获取样本图像数据集,并将所述样本图像数据集输入所述初始网络模型中;
依据所述样本图像数据集,对所述初始化网络模型进行多尺度训练;
若训练后的初始网络模型的评价指标大于预设精度阈值,则将所述训练后的初始网络模型作为头发分割模型。
5.根据权利要求4所述的方法,其特征在于,所述训练后的初始网络模型的评价指标大于预设精度阈值,包括:
将验证图像数据输入训练后的初始网络模型,获取所述训练后的初始网络输出的实际头发分割结果;
根据所述实际头发分割结果与所述验证图像数据的标准头发分割结果,确定均交并比评价指标;
若所述均交并比评价指标大于预设精度阈值,则所述训练后的初始网络模型的评价指标大于预设精度阈值。
6.根据权利要求1所述的方法,其特征在于,根据分割结果,生成闭合的头像轮廓,包括:
将脸部特征分割结果中的面部轮廓向上延伸至与头发分割结果中的头发轮廓相交,得到闭合的头像轮廓;或者,
将头发分割结果中的头发轮廓向下平移至与脸部特征分割结果中的面部轮廓相交,得到闭合的头像轮廓。
7.根据权利要求1所述的方法,其特征在于,对所述头像轮廓进行像素填充生成个性化头像,包括:
根据所述分割结果和/或用户填充指令,对所述头像轮廓进行像素填充生成个性化头像。
8.根据权利要求7所述的方法,其特征在于,根据所述分割结果和用户填充指令,对所述头像轮廓进行像素填充生成个性化头像,包括:
根据所述分割结果,对所述头像轮廓进行像素填充,生成初始的个性化头像;
根据用户填充指令,确定填充区域和填充颜色;
根据填充颜色,调整所述初始的个性化头像中所述填充区域的已填充像素值,生成最终的个性化头像。
9.根据权利要求7或8所述的方法,其特征在于,根据所述分割结果,对所述头像轮廓进行像素填充生成个性化头像,包括:
根据头发分割结果中的头发区域的像素特征,确定所述头发区域的第一像素均值;
根据脸部特征分割结果中的脸部区域的像素特征,确定脸部各五官区域的第二像素均值;
依据所述第一像素均值和第二像素均值,对所述头像轮廓进行像素值填充生成个性化头像。
10.根据权利要求7所述的方法,其特征在于,根据用户的填充指令,对所述头像轮廓进行像素填充生成个性化头像,包括:
根据用户填充指令,确定填充区域和填充颜色;
将所述填充颜色填充至所述头像轮廓中的所述填充区域。
11.一种个性化头像的生成装置,其特征在于,包括:
图像分割模块,用于对用户图像数据进行头发分割和脸部特征分割;
轮廓生成模块,用于根据分割结果,生成闭合的头像轮廓;
头像生成模块,用于对所述头像轮廓进行像素填充生成个性化头像。
12.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的个性化头像的生成方法。
13.一种可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10中任一所述的个性化头像的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910912017.7A CN110689546A (zh) | 2019-09-25 | 2019-09-25 | 个性化头像的生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910912017.7A CN110689546A (zh) | 2019-09-25 | 2019-09-25 | 个性化头像的生成方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689546A true CN110689546A (zh) | 2020-01-14 |
Family
ID=69110116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910912017.7A Pending CN110689546A (zh) | 2019-09-25 | 2019-09-25 | 个性化头像的生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689546A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369468A (zh) * | 2020-03-09 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111667553A (zh) * | 2020-06-08 | 2020-09-15 | 北京有竹居网络技术有限公司 | 头像像素化的面部颜色填充方法、装置及电子设备 |
CN112686905A (zh) * | 2020-12-22 | 2021-04-20 | 天津大学 | 基于深度可分离卷积的轻量级脑肿瘤分割方法 |
CN112734633A (zh) * | 2021-01-07 | 2021-04-30 | 京东方科技集团股份有限公司 | 虚拟发型的替换方法、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376582A (zh) * | 2018-09-04 | 2019-02-22 | 电子科技大学 | 一种基于生成对抗网络的交互式人脸卡通方法 |
CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
CN110021000A (zh) * | 2019-05-06 | 2019-07-16 | 厦门欢乐逛科技股份有限公司 | 基于图层变形的发际线修复方法及装置 |
-
2019
- 2019-09-25 CN CN201910912017.7A patent/CN110689546A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376582A (zh) * | 2018-09-04 | 2019-02-22 | 电子科技大学 | 一种基于生成对抗网络的交互式人脸卡通方法 |
CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
CN110021000A (zh) * | 2019-05-06 | 2019-07-16 | 厦门欢乐逛科技股份有限公司 | 基于图层变形的发际线修复方法及装置 |
Non-Patent Citations (4)
Title |
---|
LIANG-CHIEH CHEN, GEORGE PAPANDREOU, FLORIAN SCHROFF,HARTWIG AD: "Rethinking Atrous Convolution for Semantic Image Segmentation", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
LIANG-CHIEH CHEN,YUKUN ZHU, GEORGE PAPANDREOU, FLORIAN SCHRO: "Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation", 《PROCEEDINGS OF THE EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
刘笑天 等: "《ANSYS Workbench有限元分析工程实例详解》", 31 October 2017 * |
邝辉宇,吴俊君: "基于深度学习的图像语义分割技术研究综述", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369468A (zh) * | 2020-03-09 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111369468B (zh) * | 2020-03-09 | 2022-02-01 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111667553A (zh) * | 2020-06-08 | 2020-09-15 | 北京有竹居网络技术有限公司 | 头像像素化的面部颜色填充方法、装置及电子设备 |
CN112686905A (zh) * | 2020-12-22 | 2021-04-20 | 天津大学 | 基于深度可分离卷积的轻量级脑肿瘤分割方法 |
CN112734633A (zh) * | 2021-01-07 | 2021-04-30 | 京东方科技集团股份有限公司 | 虚拟发型的替换方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3770847B1 (en) | Method and device for processing image | |
CN112989904B (zh) | 风格图像生成方法、模型训练方法、装置、设备和介质 | |
CN110689546A (zh) | 个性化头像的生成方法、装置、设备及存储介质 | |
CN109658401B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109816764B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN106682632B (zh) | 用于处理人脸图像的方法和装置 | |
CN109672830B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
US11443438B2 (en) | Network module and distribution method and apparatus, electronic device, and storage medium | |
CN111369427A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN110796721A (zh) | 虚拟形象的颜色渲染方法、装置、终端及存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN112489169B (zh) | 人像图像处理方法及装置 | |
WO2021057463A1 (zh) | 图像风格化处理方法、装置、电子设备及可读介质 | |
CN113449851A (zh) | 数据处理方法及设备 | |
CN113453027B (zh) | 直播视频、虚拟上妆的图像处理方法、装置及电子设备 | |
CN110570383B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112419179A (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN114913061A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN114630057A (zh) | 确定特效视频的方法、装置、电子设备及存储介质 | |
CN110619602B (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
CN115953597B (zh) | 图像处理方法、装置、设备及介质 | |
CN111784726A (zh) | 人像抠图方法和装置 | |
CN111507131A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN114418835A (zh) | 图像处理方法、装置、设备及介质 | |
CN115330610A (zh) | 图像处理方法、装置、电子设备以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |