CN112241709B - 图像处理方法、胡子变换网络的训练方法、装置 - Google Patents
图像处理方法、胡子变换网络的训练方法、装置 Download PDFInfo
- Publication number
- CN112241709B CN112241709B CN202011132631.0A CN202011132631A CN112241709B CN 112241709 B CN112241709 B CN 112241709B CN 202011132631 A CN202011132631 A CN 202011132631A CN 112241709 B CN112241709 B CN 112241709B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- face
- network
- images
- 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
- 238000012549 training Methods 0.000 title claims abstract description 123
- 230000009466 transformation Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 45
- 238000006243 chemical reaction Methods 0.000 claims abstract description 42
- 230000001815 facial effect Effects 0.000 claims description 32
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 210000000003 hoof Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 14
- 230000001131 transforming effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 235000004426 flaxseed Nutrition 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- MJYQFWSXKFLTAY-OVEQLNGDSA-N (2r,3r)-2,3-bis[(4-hydroxy-3-methoxyphenyl)methyl]butane-1,4-diol;(2r,3r,4s,5s,6r)-6-(hydroxymethyl)oxane-2,3,4,5-tetrol Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O.C1=C(O)C(OC)=CC(C[C@@H](CO)[C@H](CO)CC=2C=C(OC)C(O)=CC=2)=C1 MJYQFWSXKFLTAY-OVEQLNGDSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了图像处理方法、胡子变换网络的训练方法、装置、电子设备和计算机可读介质。该图像处理方法的一具体实施方式包括:获取目标图像;将该目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,其中,该预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,该预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。该实施方式可以有效、准确的对该目标图像包括的目标生物体进行变换胡子。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及图像处理方法、胡子变换网络的训练方法、装置、电子设备和计算机可读介质。
背景技术
随着计算机视觉技术的发展,计算机视觉技术应用于更为广泛的领域。进而,计算机视觉技术可以应用在变换胡子方面以增加趣味性。目前,大多技术采用目标检测网络或图像分割网络来实现基本的胡子变换。但是,在对上述目标检测网络或图像分割网络训练时,训练样本集的选取和批次的划分不够合理,导致不能有效、准确的对目标图像中的目标对象进行变换胡子。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像处理方法、胡子变换网络的训练方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种图像处理方法,该方法包括:获取目标图像;将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,其中,上述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,上述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。
第二方面,本公开的一些实施例提供了一种胡子变换网络的训练方法,该方法包括:基于预先设定的类别比例,获取图像集合;基于预先设定的采样比和上述图像集合,生成预定数目个批次;基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络;利用上述预定数目个批次,对上述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
第三方面,本公开的一些实施例提供了一种图像处理装置,装置包括:获取单元,被配置成获取目标图像;生成单元,被配置成将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,其中,上述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,上述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。
第四方面,本公开的一些实施例提供了一种胡子变换网络的训练训练装置,装置包括:获取单元,被配置成基于预先设定的类别比例,获取图像集合;生成单元,被配置成基于预先设定的采样比和上述图像集合,生成预定数目个批次;调整单元,被配置成基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络;训练单元,被配置成利用上述预定数目个批次,对上述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
第五方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第六方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中的多个实施例具有如下有益效果:首先,获取目标图像。然后,将上述目标图像输入至预先训练的胡子变换网络,可以有效、准确的输出变换胡子后的图像。其中,上述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,上述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。
在另一些实施例中,首先,基于预先设定的类别比例来获取的图像集合可以提高后续训练胡子变换网络的准确度。然后,基于预先设定的采样比和上述图像集合,生成预定数目个批次。这种依据采样比的生成方式可以有效地提高胡子变换网络训练过程中的稳定性。进而,基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到的调整后的胡子变换网络同样可以提高胡子变换网络模型变换胡子的准确率。最后,利用上述预定数目个批次,对上述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。总之,该训练方法可以提高胡子变换网络的准确度和提高上述胡子变换网络训练过程中的稳定性。
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1是根据本公开的一些实施例的图像处理方法的一个应用场景图的示意图;
图2是根据本公开的图像处理方法一些实施例的流程图;
图3是根据本公开的一些实施例的胡子变换网络的训练方法的一个应用场景图的示意图;
图4是根据本公开的胡子变换网络的训练方法一些实施例的流程图;
图5是根据本公开的胡子变换网络的训练方法的另一些实施例的流程图;
图6是根据本公开的图像处理装置的一些实施例的结构示意图;
图7是根据本公开的胡子变换网络的训练装置的一些实施例的结构示意图;
图8是适于用来实现本公开的一些实施例的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。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
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个装置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。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的图像处理方法的一个应用场景图的示意图100。
如图1所示,电子设备101可以首先获取目标图像102。然后,将上述目标图像102输入至预先训练的胡子变换网络103中,输出变换胡子后的图像104。作为示例,上述目标图像102可以是没有胡子的女性图像。将上述没有胡子的女性图像输入至预先训练的胡子变换网络103中,输出有胡子的女性图像作为变换胡子后的图像104。其中,上述预先训练的胡子变换网络103的训练样本集是基于预先设定的类别比例获取的,上述预先训练的胡子变换网络103对应的训练批次是基于预先设定的采样比划分的。
需要说明的是,图像处理方法可以是由电子设备101来执行。上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备101体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图2,示出了根据本公开的图像处理方法的一些实施例的流程200。该图像处理方法,包括以下步骤:
步骤201,获取目标图像。
在一些实施例中,图像处理方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或无线连接方式获取目标图像。其中,上述目标图像可以是以下之一:待去胡子的男性图像,待加胡子的女性图像,待变换胡子的男性图像,待变换胡子的女性图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。作为示例,可以从对应数据库中获取上述目标图像。
步骤202,将目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像。
在一些实施例中,上述执行主体可以将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像。其中,上述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,上述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。需要说明的是,上述胡子变换网络可以是对上述目标图像变换胡子的网络。其中,对上述目标图像变换胡子可以包括对上述目标图像替换不同类型胡子。除此之外,上述训练样本集是基于预先设定的类别比例获取的可以指的是根据不同类别的图像的数目比例来获取图像集合作为上述训练样本集。其中,上述图像集合中的图像可以是未处理的图像或处理后的图像。在这里,上述类别比例可以是以下之一:性别比例,有胡子与无胡子的比例,不同胡子类别的比例。
在一些实施例的一些可选的实现方式中,上述训练样本集通过以下步骤生成:
第一步,根据上述类别比例,获取图像集合。作为示例,响应于上述类别比例为性别比例,根据男性图像与女性图像的比例来获取上述图像集合。
第二步,对上述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合。作为示例,可以将上述图像输入至预先训练的目标检测网络中,得到表征着上述脸部区域的矩形框图像。其中,上述目标检测网络对应的算法可以是以下之一:SSD(SingleShot MultiBox Detector)算法,R-CNN(Region-Convolutional Neural Networks)算法,Fast R-CNN(Fast Region-Convolutional Neural Networks)算法,SPP-NET(SpatialPyramid Pooling Network)算法,YOLO(You Only Look Once)算法,FPN(Feature PyramidNetworks)算法,DCN(Deformable ConvNets)算法,RetinaNet目标检测算法。
第三步,提取上述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合,得到第一脸部关键点集合组。需要说明的是,提取上述脸部区域对应的第一脸部关键点集合目的在于通过给定目标图像,定位出目标生物体脸部的关键区域位置,进而后续用于校正脸部区域中脸部的姿态。上述关键区域位置可以包括但不限于以下至少一项:眉毛位置,眼睛位置,鼻子位置,嘴巴位置,胡子位置,脸部轮廓位置。
作为示例,可以将上述脸部图像输入至预先训练的多层循环神经网络(RecurrentNeural Network,RNN),得到上述第一脸部关键点集合。
作为另一个示例,可以利用主动形状模型(ASM,Active Shape Model)算法,得到上述第一脸部关键点集合。
第四步,基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域。其中,上述预先获取的脸部图像可以是脸部姿态满足预定条件的图像。对上述脸部区域进行校正的目的在于提高了上述目标图像胡子变换的准确度和有助于提取胡子所在区域的特征信息。作为示例,首先,可以利用预先设定的图谱和上述第一脸部关键点集合组对比确定上述脸部区域的姿态。其中,上述图谱为脸部关键点与脸部姿态的对应关系。上述图谱可以通过人工分析标注得到。然后,确定上述脸部区域的姿态对应的第一倾斜度和上述脸部图像中脸部对应的第二倾斜度。最后,响应于上述第一倾斜度与上述第二倾斜度不一致,对上述每个脸部区域进行校正,生成校正后的脸部区域。其中,上述校正后的脸部区域的脸部姿态倾斜度为上述第二倾斜度。
可选的,上述基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域可以包括以下步骤:
第一步,提取上述脸部图像的上述预定数目个第二脸部关键点作为第二脸部关键点集合。
第二步,确定上述第一脸部关键点集合与上述第二脸部关键点集合之间的仿射变换矩阵。其中,上述仿射变换矩阵表征着上述第一脸部关键点集合与上述第二脸部关键点集合之间的转化关系。需要强调的是,上述第一脸部关键点和上述第二脸部关键点可是多维坐标。作为示例,可以通过相关技术人员调用相关函数(例如,warpAffine函数)来确定上述第一脸部关键点集合与上述第二脸部关键点集合之间的仿射变换矩阵。
第三步,利用上述仿射变换矩阵,对上述脸部区域进行校正,生成校正后的脸部区域。作为示例,首先,利用上述仿射变换矩阵,确定表征上述脸部区域与上述校正后的脸部区域之间的旋转关系和平移关系。最后,依据上述旋转关系和上述平移关系对上述脸部区域校正,得到校正后的脸部区域。
可选的,上述脸部图像是脸部特征满足预定条件的图像。
第五步,基于所得到的校正后的脸部区域,生成处理后的图像。作为示例,首先,可以利用脸部区域集合对应的坐标,确定上述所得到的校正后的脸部区域的位置。然后,对上述所得到的校正后的脸部区域进行拼接,得到拼接后的图像。最后,对上述拼接后的图像进行添加背景得到添加背景后的图像作为上述处理后的图像。
需要说明的是,对上述图像集合中的每张图像中的脸部区域进行校正处理的原因在于可以有效的提高胡子变换网络模型对胡子所在位置的确定,方便后续分割或添加胡子。
第六步,基于上述处理后的图像,生成训练样本。作为示例,可以将上述处理后的图像作为训练样本。
在一些实施例的一些可选的实现方式中,上述胡子变换网络为去胡子网络。以及上述将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像可以包括:响应于对上述目标图像进行去胡子特效,将上述目标图像输入至预先训练的去胡子网络,输出去胡子后的目标图像,其中,上述去胡子网络包括胡子分割网络。
在一些实施例的一些可选的实现方式中,上述胡子变换网络为加胡子网络。以及上述将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,包括:响应于对上述目标图像进行加胡子特效,将上述目标图像输入至预先训练的加胡子网络,输出添加胡子后的目标图像,其中,上述加胡子网络包括胡子检测网络。
在一些实施例的一些可选的实现方式中,上述预先设定的类别比例包括上述训练样本集中的男性图像数目与女性图像数目的比例和上述训练样本集中男性有胡子图像数目与男性无胡子图像数目的比例。
在一些实施例的一些可选的实现方式中,上述采样比是男性有胡子图像数目、男性无胡子图像数目、女性有胡子图像数目和女性无胡子图像数目之间的比例。
由上述一些实施例可以看出,首先,获取的目标图像。然后,将上述目标图像输入至预先训练的胡子变换网络中,可以简便、准确的得到变换胡子后的图像。其中,上述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的。上述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。该图像处理方法可以有效、准确的对该目标图像包括的目标生物体进行变换胡子。
图3是本公开的一些实施例的胡子变换网络的训练方法的一个应用场景图的示意图300。
如图3所示,电子设备301可以首先基于预先设定的类别比例302,获取图像集合303。作为示例,上述类别比例可以为男性图像:女性图像=4:1和无胡子图像:有胡子图像=3:7。然后,基于预先设定的采样比305和上述图像集合303,生成预定数目个批次306。作为示例,上述采样比305可以是男性有胡子图像:女性无胡子图像:男性无胡子图像:女性有胡子图像=4:3:2:1。上述预定数目个批次306可以包括第一批次3061、第二批次3062、第三批次3063、第四批次3064和第五批次3065。进而,基于胡子区域与胡子所在脸部区域的面积比例904,调整初始胡子变换网络307的损失函数,得到调整后的胡子变换网络308。作为示例,上述面积比例为9:1。最后,利用上述预定数目个批次306,对调整后的胡子变换网络308进行训练,得到训练后的胡子变换网络309。
需要说明的是,胡子变换网络的训练方法可以是由电子设备301来执行。上述电子设备301可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备301体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图3中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图4,示出了根据本公开的胡子变换网络的训练方法的一些实施例的流程400。该胡子变换网络的训练方法,包括以下步骤:
步骤401,基于预先设定的类别比例,获取图像集合。
在一些实施例中,上述执行主体(例如图3所示的电子设备301)可以基于预先设定的类别比例,获取图像集合。作为示例,可以通过接收人工输入的男女比例信息来获取图像集合。
步骤402,基于预先设定的采样比和上述图像集合,生成预定数目个批次。
在一些实施例中,上述执行主体可以基于预先设定的采样比和上述图像集合,生成预定数目个批次。其中,上述采样比可以是依照预先设定的选取对应类别数目的比例。上述批次可以是使用训练样本集的部分数据对神经网络进行一次训练和反向传播参数更新。作为示例,可以根据每个批次中男女图像的比例来将上述图像集合划分成预定数目个批次。
步骤403,基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络。
在一些实施例中,上述执行主体可以首先确定胡子所在区域与脸部区域之间的面积比。然后,根据上述面积比来调整脸部对应部位区域的损失权重,进而调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络作为初始胡子变换网络。步骤404,利用上述预定数目个批次,对调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
在一些实施例中,上述执行主体可以利用上述预定数目个批次,对调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
作为示例,利用上述预定数目个批次,对调整后的胡子变换网络进行训练,得到训练后的胡子变换网络可以包括以下步骤:
第一步,确定调整后的胡子变换网络的网络结构以及初始化上述调整后的胡子变换网络的网络参数。
第二步,获取预定数目个批次,其中,每个批次包括上述图像样本集合和与上述图像样本集合对应的标注信息集合。
第三步,将上述每个批次中的图像样本集合和与上述标注信息集合分别作为上述调整后的胡子变换网络的输入和期望输出,利用深度学习方法多批次训练上述调整后的胡子变换网络。
第四步,将训练得到的上述调整后的胡子变换网络确定为上述训练后的胡子变换网络。
由上述一些实施例可以看出,首先,基于预先设定的类别比例来获取的图像集合可以提高后续训练胡子变换网络的准确度。然后,基于预先设定的采样比和上述图像集合,生成预定数目个批次。这种依据采样比的生成方式可以有效地提高胡子变换网络训练过程中的稳定性。进而,基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到的调整后的胡子变换网络同样可以提高胡子变换网络模型变换胡子的准确率。最后,利用上述预定数目个批次,对上述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。总之,该训练方法可以提高胡子变换网络的准确度和提高上述胡子变换网络训练过程中的稳定性。
继续参考图5,示出了根据本公开的胡子变换网络的训练方法的另一些实施例的流程500。该胡子变换网络的训练方法,包括以下步骤:
步骤501,基于预先设定的类别比例,获取图像集合。
步骤502,对上述图像集合中的每张图像包括的脸部区域进行校正处理,生成处理后的图像,得到处理后的图像集合。
在一些实施例中,上述执行主体可以对上述图像集合中的每张图像包括的脸部区域进行校正处理,生成处理后的图像,得到处理后的图像集合。
在一些实施例的一些可选的实现方式中,上述对上述图像集合中的每张图像包括的脸部区域进行校正处理,生成处理后的图像可以包括以下步骤:
第一步,对上述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合。
第二步,提取上述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合。
第三步,基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域。
第四步,基于所得到的校正后的脸部区域,生成处理后的图像。
可选的,上述基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域可以包括以下步骤:
第一步,提取上述脸部图像的上述预定数目个第二脸部关键点作为第二脸部关键点集合。
第二步,确定上述第一脸部关键点集合与上述第二脸部关键点集合之间的仿射变换矩阵。
第三步,利用上述仿射变换矩阵,对上述脸部区域进行校正,生成校正后的脸部区域。
步骤503,提取上述处理后的图像集合中每个图像的纹理特征信息。
在一些实施例中,上述执行主体可以利用自回归纹理模型提取上述处理后的图像集合中每个图像的纹理信息。作为另一个示例,可以利用LBP(Local Binary Patterns,局部二值模式)特征提取算法提取上述处理后的图像集合中每个图像的纹理信息。
步骤504,将上述纹理特征信息与上述图像进行叠加,生成叠加后的结果作为叠加后的图像,得到叠加后的图像集合作为训练样本集。
在一些实施例中,可以将纹理信息对应的特征图与上述图像的三通道图进行叠加,生成叠加后的结果作为叠加后的图像,得到叠加后的图像集合作为训练样本集。
步骤505,基于上述采样比和上述训练样本集,生成预定数目个批次。
步骤506,基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络。
步骤507,利用上述预定数目个批次,对上述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
在一些实施例中,步骤501、506和507的具体实现及所带来的技术效果可以参考图4对应的那些实施例中的步骤401、403和404,在此不再赘述。
从图5中可以看出,与图4对应的一些实施例的描述相比,图4对应的一些实施例中的胡子变换网络的训练方法的流程500将图像的纹理信息和图像中脸部区域的预处理考虑进去。由此,这些实施例描述的方案通过将纹理信息与图像叠加,进而训练得到的结果会学习到更多的胡子纹理信息,可以使得网络模型变换胡子更为准确。除此之外,对上述图像集合中的每张图像中的脸部区域进行校正处理的原因在于可以有效的提高胡子变换网络模型对胡子所在位置的确定,方便后续分割或添加胡子。
继续参考图6,作为对上述各图上述方法的实现,本公开提供了一种图像处理装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,一些实施例的图像处理装置600包括:获取单元601和生成单元602。其中,获取单元601,被配置成获取目标图像。生成单元602,被配置成将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,其中,上述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,上述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。
在一些实施例的一些可选的实现方式中,上述训练样本集通过以下步骤生成:基于上述类别比例,获取图像集合;对上述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合;提取上述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合;基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域;基于所得到的校正后的脸部区域,生成处理后的图像;基于上述处理后的图像,生成训练样本。
在一些实施例的一些可选的实现方式中,上述基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域,包括:提取上述脸部图像的上述预定数目个第二脸部关键点作为第二脸部关键点集合;确定上述第一脸部关键点集合与上述第二脸部关键点集合之间的仿射变换矩阵;利用上述仿射变换矩阵,对上述脸部区域进行校正,生成校正后的脸部区域。
在一些实施例的一些可选的实现方式中,上述脸部图像是脸部特征满足预定条件的图像。
在一些实施例的一些可选的实现方式中,上述胡子变换网络为去胡子网络;以及上述将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,包括:响应于对上述目标图像进行去胡子特效,将上述目标图像输入至预先训练的去胡子网络,输出去胡子后的目标图像,其中,上述去胡子网络包括胡子分割网络。
在一些实施例的一些可选的实现方式中,上述胡子变换网络为加胡子网络;以及上述将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,包括:响应于对上述目标图像进行加胡子特效,将上述目标图像输入至预先训练的加胡子网络,输出添加胡子后的目标图像,其中,上述加胡子网络包括胡子检测网络。
在一些实施例的一些可选的实现方式中,上述预先设定的类别比例包括上述训练样本集中的男性图像数目与女性图像数目的比例和上述训练样本集中男性有胡子图像数目与男性无胡子图像数目的比例。
在一些实施例的一些可选的实现方式中,上述采样比是男性有胡子图像数目、男性无胡子图像数目、女性有胡子图像数目和女性无胡子图像数目之间的比例。
可以理解的是,该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元,在此不再赘述。
继续参考图7,作为对上述各图上述方法的实现,本公开提供了一种胡子变换网络的训练装置的一些实施例,这些装置实施例与图4上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,一些实施例的胡子变换网络的训练装置700包括:获取单元701、生成单元702、调整单元703和训练单元704。其中,获取单元701,被配置成基于预先设定的类别比例,获取图像集合。生成单元702,被配置成基于预先设定的采样比和上述图像集合,生成预定数目个批次。调整单元703,被配置成基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络。训练单元704,被配置成利用上述预定数目个批次,对上述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
在一些实施例的一些可选的实现方式中,生成单元702可以进一步被配置成:对上述图像集合中的每张图像包括的脸部区域进行校正处理,生成处理后的图像,得到处理后的图像集合;提取上述处理后的图像集合中每个图像的纹理特征信息;将上述纹理特征信息与上述图像进行叠加,生成叠加后的结果作为叠加后的图像,得到叠加后的图像集合作为训练样本集;基于上述采样比和上述训练样本集,生成预定数目个批次。
在一些实施例的一些可选的实现方式中,生成单元702可以进一步被配置成:对上述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合;提取上述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合;基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域;基于所得到的校正后的脸部区域,生成处理后的图像。
在一些实施例的一些可选的实现方式中,生成单元702可以进一步被配置成:提取上述脸部图像的上述预定数目个第二脸部关键点作为第二脸部关键点集合;确定上述第一脸部关键点集合与上述第二脸部关键点集合之间的仿射变换矩阵;利用上述仿射变换矩阵,对上述脸部区域进行校正,生成校正后的脸部区域。
可以理解的是,该装置700中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元,在此不再赘述。
下面参考图8,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1或图3中的电子设备)800的结构示意图。图8示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805: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806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,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。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些实施例包括一种计算机程序产品,其包括承载在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。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例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。在本公开的一些实施例中,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。而在本公开的一些实施例中,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,客户端、服务器可以利用诸如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装置中所包含的;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:获取目标图像;将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,其中,上述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,上述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。基于预先设定的类别比例,获取图像集合;基于预先设定的采样比和上述图像集合,生成预定数目个批次;基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络;利用上述预定数目个批次,对上述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
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一些实施例的操作的计算机程序代码,上述程序设计语言包括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。
描述于本公开的一些实施例中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。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标图像的单元”。
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。
根据本公开的一个或多个实施例,提供了一种图像处理方法,包括:获取目标图像;将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,其中,上述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,上述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。
根据本公开的一个或多个实施例,上述训练样本集通过以下步骤生成:基于上述类别比例,获取图像集合;对上述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合;提取上述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合;基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域;基于所得到的校正后的脸部区域,生成处理后的图像;基于上述处理后的图像,生成训练样本。
根据本公开的一个或多个实施例,上述基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域,包括:提取上述脸部图像的上述预定数目个第二脸部关键点作为第二脸部关键点集合;确定上述第一脸部关键点集合与上述第二脸部关键点集合之间的仿射变换矩阵;利用上述仿射变换矩阵,对上述脸部区域进行校正,生成校正后的脸部区域。
根据本公开的一个或多个实施例,上述脸部图像是脸部特征满足预定条件的图像。
根据本公开的一个或多个实施例,上述胡子变换网络为去胡子网络;以及上述将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,包括:响应于对上述目标图像进行去胡子特效,将上述目标图像输入至预先训练的去胡子网络,输出去胡子后的目标图像,其中,上述去胡子网络包括胡子分割网络。
根据本公开的一个或多个实施例,上述胡子变换网络为加胡子网络;以及上述将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,包括:响应于对上述目标图像进行加胡子特效,将上述目标图像输入至预先训练的加胡子网络,输出添加胡子后的目标图像,其中,上述加胡子网络包括胡子检测网络。
根据本公开的一个或多个实施例,上述采样比是男性有胡子图像数目、男性无胡子图像数目、女性有胡子图像数目和女性无胡子图像数目之间的比例。
根据本公开的一个或多个实施例,上述预先设定的类别比例包括上述训练样本集中的男性图像数目与女性图像数目的比例和上述训练样本集中男性有胡子图像数目与男性无胡子图像数目的比例。
根据本公开的一个或多个实施例,提供了一种胡子变换网络的训练方法,包括:基于预先设定的类别比例,获取图像集合;基于预先设定的采样比和上述图像集合,生成预定数目个批次;基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络;利用上述预定数目个批次,对上述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
根据本公开的一个或多个实施例,上述基于预先设定的采样比和上述图像集合,生成预定数目个批次,包括:对上述图像集合中的每张图像包括的脸部区域进行校正处理,生成处理后的图像,得到处理后的图像集合;提取上述处理后的图像集合中每个图像的纹理特征信息;将上述纹理特征信息与上述图像进行叠加,生成叠加后的结果作为叠加后的图像,得到叠加后的图像集合作为训练样本集;基于上述采样比和上述训练样本集,生成预定数目个批次。
根据本公开的一个或多个实施例,上述对上述图像集合中的每张图像包括的脸部区域进行校正处理,生成处理后的图像,包括:对上述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合;提取上述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合;基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域;基于所得到的校正后的脸部区域,生成处理后的图像。
根据本公开的一个或多个实施例,上述基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域,包括:提取上述脸部图像的上述预定数目个第二脸部关键点作为第二脸部关键点集合;确定上述第一脸部关键点集合与上述第二脸部关键点集合之间的仿射变换矩阵;利用上述仿射变换矩阵,对上述脸部区域进行校正,生成校正后的脸部区域。
根据本公开的一个或多个实施例,提供了一种图像处理装置,包括:获取单元,被配置成获取目标图像;生成单元,被配置成将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,其中,上述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,上述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的。
根据本公开的一个或多个实施例,上述训练样本集通过以下步骤生成:基于上述类别比例,获取图像集合;对上述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合;提取上述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合;基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域;基于所得到的校正后的脸部区域,生成处理后的图像;基于上述处理后的图像,生成训练样本。
根据本公开的一个或多个实施例,上述基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域,包括:提取上述脸部图像的上述预定数目个第二脸部关键点作为第二脸部关键点集合;确定上述第一脸部关键点集合与上述第二脸部关键点集合之间的仿射变换矩阵;利用上述仿射变换矩阵,对上述脸部区域进行校正,生成校正后的脸部区域。
根据本公开的一个或多个实施例,上述脸部图像是脸部特征满足预定条件的图像。
根据本公开的一个或多个实施例,上述胡子变换网络为去胡子网络;以及上述将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,包括:响应于对上述目标图像进行去胡子特效,将上述目标图像输入至预先训练的去胡子网络,输出去胡子后的目标图像,其中,上述去胡子网络包括胡子分割网络。
根据本公开的一个或多个实施例,上述胡子变换网络为加胡子网络;以及上述将上述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,包括:响应于对上述目标图像进行加胡子特效,将上述目标图像输入至预先训练的加胡子网络,输出添加胡子后的目标图像,其中,上述加胡子网络包括胡子检测网络。
根据本公开的一个或多个实施例,上述预先设定的类别比例包括上述训练样本集中的男性图像数目与女性图像数目的比例和上述训练样本集中男性有胡子图像数目与男性无胡子图像数目的比例。
根据本公开的一个或多个实施例,上述采样比是男性有胡子图像数目、男性无胡子图像数目、女性有胡子图像数目和女性无胡子图像数目之间的比例。
根据本公开的一个或多个实施例,提供了一种胡子变换网络的训练装置,包括:获取单元,被配置成基于预先设定的类别比例,获取图像集合;生成单元,被配置成基于预先设定的采样比和上述图像集合,生成预定数目个批次;调整单元,被配置成基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络;训练单元,被配置成利用上述预定数目个批次,对上述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
根据本公开的一个或多个实施例,生成单元可以进一步被配置成:对上述图像集合中的每张图像包括的脸部区域进行校正处理,生成处理后的图像,得到处理后的图像集合;提取上述处理后的图像集合中每个图像的纹理特征信息;将上述纹理特征信息与上述图像进行叠加,生成叠加后的结果作为叠加后的图像,得到叠加后的图像集合作为训练样本集;基于上述采样比和上述训练样本集,生成预定数目个批次。
根据本公开的一个或多个实施例,生成单元可以进一步被配置成:对上述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合;提取上述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合;基于预先获取的脸部图像和上述第一脸部关键点集合,对上述脸部区域进行校正,生成校正后的脸部区域;基于所得到的校正后的脸部区域,生成处理后的图像。
根据本公开的一个或多个实施例,生成单元可以进一步被配置成:提取上述脸部图像的上述预定数目个第二脸部关键点作为第二脸部关键点集合;确定上述第一脸部关键点集合与上述第二脸部关键点集合之间的仿射变换矩阵;利用上述仿射变换矩阵,对上述脸部区域进行校正,生成校正后的脸部区域。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一实施例描述的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些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,本公开的实施例中所涉及的发明范围,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发明构思的情况下,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的实施例中公开的(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。
Claims (14)
1.一种图像处理方法,包括:
获取目标图像;
将所述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,其中,所述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,所述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的;所述预先设定的类别比例包括所述训练样本集中的男性图像数目与女性图像数目的比例和所述训练样本集中男性有胡子图像数目与男性无胡子图像数目的比例;所述采样比是男性有胡子图像数目、男性无胡子图像数目、女性有胡子图像数目和女性无胡子图像数目之间的比例。
2.根据权利要求1所述的方法,其中,所述训练样本集通过以下步骤生成:
基于所述类别比例,获取图像集合;
对所述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合;
提取所述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合;
基于预先获取的脸部图像和所述第一脸部关键点集合,对所述脸部区域进行校正,生成校正后的脸部区域;
基于所得到的校正后的脸部区域,生成处理后的图像;
基于所述处理后的图像,生成训练样本。
3.根据权利要求2所述的方法,其中,所述基于预先获取的脸部图像和所述第一脸部关键点集合,对所述脸部区域进行校正,生成校正后的脸部区域,包括:
提取所述脸部图像的所述预定数目个第二脸部关键点作为第二脸部关键点集合;
确定所述第一脸部关键点集合与所述第二脸部关键点集合之间的仿射变换矩阵;
利用所述仿射变换矩阵,对所述脸部区域进行校正,生成校正后的脸部区域。
4.根据权利要求1所述的方法,其中,所述胡子变换网络为去胡子网络;以及
所述将所述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,包括:
响应于对所述目标图像进行去胡子特效,将所述目标图像输入至预先训练的去胡子网络,输出去胡子后的目标图像,其中,所述去胡子网络包括胡子分割网络。
5.根据权利要求1所述的方法,其中,所述胡子变换网络为加胡子网络;以及
所述将所述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,包括:
响应于对所述目标图像进行加胡子特效,将所述目标图像输入至预先训练的加胡子网络,输出添加胡子后的目标图像,其中,所述加胡子网络包括胡子检测网络。
6.根据权利要求2所述的方法,其中,所述脸部图像是脸部特征满足预定条件的图像。
7.一种胡子变换网络的训练方法,包括:
基于预先设定的类别比例,获取图像集合;所述预先设定的类别比例包括所述训练样本集中的男性图像数目与女性图像数目的比例和所述训练样本集中男性有胡子图像数目与男性无胡子图像数目的比例;
基于预先设定的采样比和所述图像集合,生成预定数目个批次;所述采样比是男性有胡子图像数目、男性无胡子图像数目、女性有胡子图像数目和女性无胡子图像数目之间的比例;
基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络;
利用所述预定数目个批次,对所述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
8.根据权利要求7所述的方法,其中,所述基于预先设定的采样比和所述图像集合,生成预定数目个批次,包括:
对所述图像集合中的每张图像包括的脸部区域进行校正处理,生成处理后的图像,得到处理后的图像集合;
提取所述处理后的图像集合中每个图像的纹理特征信息;
将所述纹理特征信息与所述图像进行叠加,生成叠加后的结果作为叠加后的图像,得到叠加后的图像集合作为训练样本集;
基于所述采样比和所述训练样本集,生成预定数目个批次。
9.根据权利要求8所述的方法,其中,所述对所述图像集合中的每张图像包括的脸部区域进行校正处理,生成处理后的图像,包括:
对所述图像集合中的每张图像进行目标生物体脸部检测,得到脸部区域集合;
提取所述脸部区域集合中每个脸部区域的预定数目个第一脸部关键点作为第一脸部关键点集合;
基于预先获取的脸部图像和所述第一脸部关键点集合,对所述脸部区域进行校正,生成校正后的脸部区域;
基于所得到的校正后的脸部区域,生成处理后的图像。
10.根据权利要求9所述的方法,其中,所述基于预先获取的脸部图像和所述第一脸部关键点集合,对所述脸部区域进行校正,生成校正后的脸部区域,包括:
提取所述脸部图像的所述预定数目个第二脸部关键点作为第二脸部关键点集合;
确定所述第一脸部关键点集合与所述第二脸部关键点集合之间的仿射变换矩阵;
利用所述仿射变换矩阵,对所述脸部区域进行校正,生成校正后的脸部区域。
11.一种图像处理装置,包括:
获取单元,被配置成获取目标图像;
生成单元,被配置成将所述目标图像输入至预先训练的胡子变换网络,输出变换胡子后的图像,其中,所述预先训练的胡子变换网络的训练样本集是基于预先设定的类别比例获取的,所述预先训练的胡子变换网络对应的训练批次是基于预先设定的采样比划分的;所述预先设定的类别比例包括所述训练样本集中的男性图像数目与女性图像数目的比例和所述训练样本集中男性有胡子图像数目与男性无胡子图像数目的比例;所述采样比是男性有胡子图像数目、男性无胡子图像数目、女性有胡子图像数目和女性无胡子图像数目之间的比例。
12.一种胡子变换网络的训练装置,包括:
获取单元,被配置成基于预先设定的类别比例,获取图像集合;所述预先设定的类别比例包括所述训练样本集中的男性图像数目与女性图像数目的比例和所述训练样本集中男性有胡子图像数目与男性无胡子图像数目的比例;
生成单元,被配置成基于预先设定的采样比和所述图像集合,生成预定数目个批次;所述采样比是男性有胡子图像数目、男性无胡子图像数目、女性有胡子图像数目和女性无胡子图像数目之间的比例;
调整单元,被配置成基于胡子区域与胡子所在脸部区域的面积比例,调整初始胡子变换网络的损失函数,得到调整后的胡子变换网络;
训练单元,被配置成利用所述预定数目个批次,对所述调整后的胡子变换网络进行训练,得到训练后的胡子变换网络。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,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时,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
14.一种非暂态计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132631.0A CN112241709B (zh) | 2020-10-21 | 2020-10-21 | 图像处理方法、胡子变换网络的训练方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132631.0A CN112241709B (zh) | 2020-10-21 | 2020-10-21 | 图像处理方法、胡子变换网络的训练方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241709A CN112241709A (zh) | 2021-01-19 |
CN112241709B true CN112241709B (zh) | 2024-06-21 |
Family
ID=74169567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011132631.0A Active CN112241709B (zh) | 2020-10-21 | 2020-10-21 | 图像处理方法、胡子变换网络的训练方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241709B (zh) |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6134927B1 (ja) * | 2015-12-10 | 2017-05-31 | 株式会社千年写真 | 画像生成方法、画像生成装置、彫刻物製造方法、プログラム、彫刻物及び印刷物 |
WO2018127091A1 (zh) * | 2017-01-09 | 2018-07-12 | 腾讯科技(深圳)有限公司 | 一种图像处理的方法、装置、相关设备及服务器 |
CN108038880B (zh) * | 2017-12-20 | 2019-12-13 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN109034069B (zh) * | 2018-07-27 | 2021-04-09 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN109255767B (zh) * | 2018-09-26 | 2021-03-12 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置 |
CN109584177A (zh) * | 2018-11-26 | 2019-04-05 | 北京旷视科技有限公司 | 人脸修饰方法、装置、电子设备及计算机可读存储介质 |
CN109784255B (zh) * | 2019-01-07 | 2021-12-14 | 深圳市商汤科技有限公司 | 神经网络训练方法及装置以及识别方法及装置 |
CN109961055A (zh) * | 2019-03-29 | 2019-07-02 | 广州市百果园信息技术有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
CN110517185B (zh) * | 2019-07-23 | 2024-02-09 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN110909654A (zh) * | 2019-11-18 | 2020-03-24 | 深圳市商汤科技有限公司 | 训练图像的生成方法及装置、电子设备和存储介质 |
CN110929651B (zh) * | 2019-11-25 | 2022-12-06 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111145311B (zh) * | 2019-12-30 | 2021-11-26 | 中国科学院自动化研究所 | 高分辨率人脸图像的多属性编辑方法、***、装置 |
CN111209873A (zh) * | 2020-01-09 | 2020-05-29 | 杭州趣维科技有限公司 | 一种基于深度学习的高精度人脸关键点定位方法及*** |
CN111402151A (zh) * | 2020-03-09 | 2020-07-10 | 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 |
CN111539287B (zh) * | 2020-04-16 | 2023-04-07 | 北京百度网讯科技有限公司 | 训练人脸图像生成模型的方法和装置 |
CN111797931A (zh) * | 2020-07-08 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 图像处理方法、图像处理网络训练方法、装置、设备 |
-
2020
- 2020-10-21 CN CN202011132631.0A patent/CN112241709B/zh active Active
Non-Patent Citations (2)
Title |
---|
"Improving Scalability of Parallel CNN Training by Adjusting Mini-Batch Size at Run-Time";S. Lee等;《2019 IEEE International Conference on Big Data (Big Data)》;第830-839页 * |
"基于CRNN模型的弱标签城市交通工具声识别检测";仇鹏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);C034-526 * |
Also Published As
Publication number | Publication date |
---|---|
CN112241709A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11367313B2 (en) | Method and apparatus for recognizing body movement | |
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
US10853623B2 (en) | Method and apparatus for generating information | |
US11487995B2 (en) | Method and apparatus for determining image quality | |
US10936919B2 (en) | Method and apparatus for detecting human face | |
WO2020006961A1 (zh) | 用于提取图像的方法和装置 | |
US20230081645A1 (en) | Detecting forged facial images using frequency domain information and local correlation | |
CN107622240B (zh) | 人脸检测方法和装置 | |
EP3506161A1 (en) | Method and apparatus for recovering point cloud data | |
WO2018099405A1 (zh) | 人脸分辨率重建方法、重建***和可读介质 | |
US20200111203A1 (en) | Method and apparatus for generating vehicle damage information | |
CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
US20220222925A1 (en) | Artificial intelligence-based image processing method and apparatus, device, and storage medium | |
WO2020062493A1 (zh) | 图像处理方法和装置 | |
CN112132847A (zh) | 模型训练方法、图像分割方法、装置、电子设备和介质 | |
CN108509921B (zh) | 用于生成信息的方法和装置 | |
WO2021077140A2 (en) | Systems and methods for prior knowledge transfer for image inpainting | |
CN108491812B (zh) | 人脸识别模型的生成方法和装置 | |
CN108509994B (zh) | 人物图像聚类方法和装置 | |
CN110298850B (zh) | 眼底图像的分割方法和装置 | |
CN110009059A (zh) | 用于生成模型的方法和装置 | |
US20230289402A1 (en) | Joint perception model training method, joint perception method, device, and storage medium | |
CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
CN112241709B (zh) | 图像处理方法、胡子变换网络的训练方法、装置 | |
CN113688928B (zh) | 图像匹配方法、装置、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |