用于生成图像的方法和装置
阅读：106发布：2020-05-17
专利汇可以提供用于生成图像的方法和装置专利检索，专利查询，专利分析的服务。并且本公开的 实施例 公开了用于生成图像的方法和装置。该方法的一具体实施方式包括：获取待处理人脸图像和目标人脸图像，其中，该待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息；将该人脸关键点信息输入至预设的人脸 姿态 估计模型，生成人脸姿态信息，其中，该 人脸姿态估计 模型用于表征人脸关键点信息与人脸姿态信息之间的对应关系；根据该人脸姿态信息，确定人脸图像融合系数；基于该人脸图像融合系数对该目标人脸图像和该第一人脸图像进行融合，生成第二人脸图像。该实施方式实现了针对人脸不同姿态对图像融合的方式进行调整，从而提升图像融合的效果。，下面是用于生成图像的方法和装置专利的具体信息内容。
1.一种用于生成图像的方法，包括：
获取待处理人脸图像和目标人脸图像，其中，所述待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息；
将所述人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息，其中，所述人脸姿态估计模型用于表征人脸关键点信息与人脸姿态信息之间的对应关系；
根据所述人脸姿态信息，确定人脸图像融合系数；
基于所述人脸图像融合系数对所述目标人脸图像和所述第一人脸图像进行融合，生成第二人脸图像。
2.根据权利要求1所述的方法，其中，所述获取待处理人脸图像，包括：
获取包括所述第一人脸图像的初始图像；
基于所述初始图像，提取人脸关键点信息；
根据所述人脸关键点信息和所述第一人脸图像，生成所述待处理人脸图像。
3.根据权利要求1所述的方法，其中，所述人脸姿态估计模型通过如下步骤得到：
获取基准人脸图像，其中，所述基准人脸图像中包括所述第一人脸的人脸正面图像和人脸正面图像的人脸关键点信息；
根据所述基准人脸图像，建立包括三维人脸关键点信息的三维人脸模型；
根据所述人脸正面图像的人脸关键点信息与所述三维人脸关键点信息之间的对应关系，生成映射转换系数；
根据所述映射转换系数，生成所述人脸姿态估计模型。
4.根据权利要求1所述的方法，其中，所述人脸姿态信息包括方位角信息；以及所述根据所述人脸姿态信息，确定人脸图像融合系数，包括：
获取方位角阈值；
根据所述方位角阈值和所述人脸姿态信息中的方位角信息，确定所述人脸图像融合系数。
5.根据权利要求1-4之一所述的方法，其中，所述基于所述人脸图像融合系数对所述目标人脸图像和所述第一人脸图像进行融合，生成第二人脸图像，包括：
基于所述目标人脸图像对所述第一人脸图像的替换，生成初始人脸替换图像；
根据所述人脸图像融合系数所指示的比例对所述初始人脸替换图像和所述第一人脸图像中的像素值进行加权，生成所述第二人脸图像。
6.根据权利要求5所述的方法，其中，所述基于所述目标人脸图像对所述第一人脸图像的替换，生成初始人脸替换图像，包括：
基于所述第一人脸图像的人脸关键点信息进行三角剖分，生成所述第一人脸图像的剖分结果；
根据所述三角剖分的方法，生成所述目标人脸图像的剖分结果；
根据所述目标人脸图像的剖分结果所划分的三角形区域与所述第一人脸图像的剖分结果所划分的三角形区域之间的对应关系进行替换，生成所述初始人脸替换图像。
7.一种用于生成图像的装置，包括：
获取单元，被配置成获取待处理人脸图像和目标人脸图像，其中，所述待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息；
信息生成单元，被配置成将所述人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息，其中，所述人脸姿态估计模型用于表征人脸关键点信息与人脸姿态信息之间的对应关系；
确定单元，被配置成根据所述人脸姿态信息，确定人脸图像融合系数；
图像生成单元，被配置成基于所述人脸图像融合系数对所述目标人脸图像和所述第一人脸图像进行融合，生成第二人脸图像。
8.根据权利要求7所述的装置，其中，所述获取单元包括：
第一获取模块，被配置成获取包括所述第一人脸图像的初始图像；
提取模块，被配置成基于所述初始图像，提取人脸关键点信息；
第一生成模块，被配置成根据所述人脸关键点信息和所述第一人脸图像，生成所述待处理人脸图像。
9.根据权利要求7所述的装置，其中，所述人脸姿态估计模型通过如下步骤得到：
获取基准人脸图像，其中，所述基准人脸图像中包括所述第一人脸的人脸正面图像和人脸正面图像的人脸关键点信息；
根据所述基准人脸图像，建立包括三维人脸关键点信息的三维人脸模型；
根据所述人脸正面图像的人脸关键点信息与所述三维人脸关键点信息之间的对应关系，生成映射转换系数；
根据所述映射转换系数，生成所述人脸姿态估计模型。
10.根据权利要求7所述的装置，其中，所述人脸姿态信息包括方位角信息；所述确定单元包括：
第二获取模块，被配置成获取方位角阈值；
确定模块，被配置成根据所述方位角阈值和所述人脸姿态信息中的方位角信息，确定所述人脸图像融合系数。
11.根据权利要求7-10之一所述的装置，其中，所述图像生成单元包括：
第二生成模块，被配置成基于所述目标人脸图像对所述第一人脸图像的替换，生成初始人脸替换图像；
第三生成模块，被配置成根据所述人脸图像融合系数所指示的比例对所述初始人脸替换图像和所述第一人脸图像中的像素值进行加权，生成所述第二人脸图像。
12.根据权利要求11所述的装置，其中，所述第二生成模块包括：
第一生成子模块，被配置成基于所述第一人脸图像的人脸关键点信息进行三角剖分，生成所述第一人脸图像的剖分结果；
第二生成子模块，被配置成根据所述三角剖分的方法，生成所述目标人脸图像的剖分结果；
第三生成子模块，被配置成根据所述目标人脸图像的剖分结果所划分的三角形区域与所述第一人脸图像的剖分结果所划分的三角形区域之间的对应关系进行替换，生成所述初始人脸替换图像。
13.一种电子设备，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1-6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
用于生成图像的方法和装置
技术领域
[0001] 本公开的实施例涉及计算机技术领域，具体涉及用于生成图像的方法和装置。
背景技术
[0003] 相关的方式通常是通过人脸对齐技术生成模板人脸图像和底版人脸图像，然后将模板人脸图像贴到底版人脸图像上生成互换后的人脸图像。发明内容
[0004] 本公开的实施例提出了用于生成图像的方法和装置。
[0005] 第一方面，本公开的实施例提供了一种用于生成图像的方法，该方法包括：获取待处理人脸图像和目标人脸图像，其中，待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息；将人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息，其中，人脸姿态估计模型用于表征人脸关键点信息与人脸姿态信息之间的对应关系；根据人脸姿态信息，确定人脸图像融合系数；基于人脸图像融合系数对目标人脸图像和第一人脸图像进行融合，生成第二人脸图像。
[0006] 在一些实施例中，上述获取待处理人脸图像，包括：获取包括第一人脸图像的初始图像；基于初始图像，提取人脸关键点信息；根据人脸关键点信息和第一人脸图像，生成待处理人脸图像。
[0007] 在一些实施例中，上述人脸姿态估计模型通过如下步骤得到：获取基准人脸图像，其中，基准人脸图像中包括第一人脸的人脸正面图像和人脸正面图像的人脸关键点信息；根据基准人脸图像，建立包括三维人脸关键点信息的三维人脸模型；根据人脸正面图像的人脸关键点信息与三维人脸关键点信息之间的对应关系，生成映射转换系数；根据映射转换系数，生成人脸姿态估计模型。
[0009] 在一些实施例中，上述基于人脸图像融合系数对目标人脸图像和第一人脸图像进行融合，生成第二人脸图像，包括：基于目标人脸图像对第一人脸图像的替换，生成初始人脸替换图像；根据人脸图像融合系数所指示的比例对初始人脸替换图像和第一人脸图像中的像素值进行加权，生成第二人脸图像。
[0010] 在一些实施例中，上述基于目标人脸图像对第一人脸图像的替换，生成初始人脸替换图像，包括：基于第一人脸图像的人脸关键点信息进行三角剖分，生成第一人脸图像的剖分结果；根据三角剖分的方法，生成目标人脸图像的剖分结果；根据目标人脸图像的剖分结果所划分的三角形区域与第一人脸图像的剖分结果所划分的三角形区域之间的对应关系进行替换，生成初始人脸替换图像。
[0011] 第二方面，本公开的实施例提供了一种用于生成图像的装置，该装置包括：获取单元，被配置成获取待处理人脸图像和目标人脸图像，其中，待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息；信息生成单元，被配置成将人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息，其中，人脸姿态估计模型用于表征人脸关键点信息与人脸姿态信息之间的对应关系；确定单元，被配置成根据人脸姿态信息，确定人脸图像融合系数；图像生成单元，被配置成基于人脸图像融合系数对目标人脸图像和第一人脸图像进行融合，生成第二人脸图像。
[0012] 在一些实施例中，上述获取单元包括：第一获取模块，被配置成获取包括第一人脸图像的初始图像；提取模块，被配置成基于初始图像，提取人脸关键点信息；第一生成模块，被配置成根据人脸关键点信息和第一人脸图像，生成待处理人脸图像。
[0013] 在一些实施例中，上述人脸姿态估计模型通过如下步骤得到：获取基准人脸图像，其中，基准人脸图像中包括第一人脸的人脸正面图像和人脸正面图像的人脸关键点信息；根据基准人脸图像，建立包括三维人脸关键点信息的三维人脸模型；根据人脸正面图像的人脸关键点信息与三维人脸关键点信息之间的对应关系，生成映射转换系数；根据映射转换系数，生成人脸姿态估计模型。
[0014] 在一些实施例中，上述人脸姿态信息包括方位角信息；确定单元包括：第二获取模块，被配置成获取方位角阈值；确定模块，被配置成根据方位角阈值和人脸姿态信息中的方位角信息，确定人脸图像融合系数。
[0015] 在一些实施例中，上述图像生成单元包括：第二生成模块，被配置成基于目标人脸图像对第一人脸图像的替换，生成初始人脸替换图像；第三生成模块，被配置成根据人脸图像融合系数所指示的比例对初始人脸替换图像和第一人脸图像中的像素值进行加权，生成第二人脸图像。
[0016] 在一些实施例中，上述第二生成模块包括：第一生成子模块，被配置成基于第一人脸图像的人脸关键点信息进行三角剖分，生成第一人脸图像的剖分结果；第二生成子模块，被配置成根据三角剖分的方法，生成目标人脸图像的剖分结果；第三生成子模块，被配置成根据目标人脸图像的剖分结果所划分的三角形区域与第一人脸图像的剖分结果所划分的三角形区域之间的对应关系进行替换，生成初始人脸替换图像。
[0017] 第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：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实现方式描述的方法。
[0018] 第四方面，本公开的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，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
[0019] 本公开的实施例提供的用于生成图像的方法和装置，首先，获取待处理人脸图像和目标人脸图像。其中，待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息。而后，将人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息。其中，人脸姿态估计模型用于表征人脸关键点信息与人脸姿态信息之间的对应关系。之后，根据人脸姿态信息，确定人脸图像融合系数。最后，基于人脸图像融合系数对目标人脸图像和第一人脸图像进行融合，生成第二人脸图像。从而实现了针对人脸不同姿态对图像融合的方式进行调整，提升了图像融合的效果。附图说明
[0020] 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
[0021] 图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
[0022] 图2是根据本公开的用于生成图像的方法的一个实施例的流程图；
[0023] 图3是根据本公开的实施例的用于生成图像的方法的一个应用场景的示意图；
[0024] 图4是根据本公开的用于生成图像的方法的又一个实施例的流程图；
[0025] 图5是根据本公开的用于生成图像的装置的一个实施例的结构示意图；
[0026] 图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
[0027] 下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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。
[0028] 需要说明的是，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。下面将参考附图并结合实施例来详细说明本公开。
[0029] 图1示出了可以应用本公开的用于生成图像的方法或用于生成图像的装置的示例性架构100。
[0030] 如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0031] 终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、图像处理类应用、视频编辑类应用等。
[0032] 终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持图像处理的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0033] 服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上的图像处理类应用提供支持的后台服务器。后台服务器可以对接收到的图像进行处理，并将处理结果(如处理后的图像)反馈给终端设备。
[0034] 需要说明的是，上述图像也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的图像并进行处理，此时，可以不存在终端设备101、102、103和网络104。
[0035] 需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0036] 需要说明的是，本公开的实施例所提供的用于生成图像的方法一般由服务器105执行，相应地，用于生成图像的装置一般设置于服务器105中。可选地，本公开的实施例所提供的用于生成图像的方法也可以直接由终端设备101、102、103执行，相应地，用于生成图像的装置也可以设置于终端设备101、102、103中。
[0037] 应该理解，图1中的终端设备、网络和服务器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终端设备、网络和服务器。
[0038] 继续参考图2，示出了根据本公开的用于生成图像的方法的一个实施例的流程200。该用于生成图像的方法包括以下步骤：
[0039] 步骤201，获取待处理人脸图像和目标人脸图像。
[0040] 在本实施例中，用于生成图像的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取待处理人脸图像和目标人脸图像。其中，上述待处理人脸图像中可以包括第一人脸图像和第一人脸图像的人脸关键点信息。上述人脸关键点信息可以用于表征各人脸关键点的位置。例如，上述人脸关键点信息可以是68个人脸关键点的坐标。可选地，上述人脸关键点信息还可以包括基于各人脸关键点的坐标而生成的特征向量。上述目标人脸图像可以指用于对上述待处理人脸图像进行替换的人脸图像。上述目标人脸图像可以是根据实际的应用需求而预先指定的任意人脸图像。上述目标人脸图像也可以是根据规则而定的人脸图像，例如用户通过用户终端所选定的用于替换上述待处理人脸图像的人脸图像。
[0041] 在本实施例中，上述执行主体可以获取预先存储于本地的待处理人脸图像和目标人脸图像。可选地，上述执行主体也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的待处理人脸图像和目标人脸图像。
[0042] 需要说明的是，上述第一人脸图像和上述目标人脸图像中所显示的通常是不同用户的人脸图像。
[0043] 在本实施例的一些可选的实现方式中，上述执行主体还可以按照如下步骤获取待处理人脸图像：
[0044] 第一步，获取包括第一人脸图像的初始图像。
[0045] 在这些实现方式中，上述执行主体可以从本地或通信连接的电子设备获取包括第一人脸图像的初始图像。其中，上述初始图像中不仅可以包括人脸图像，还可以包括所显示的用户的其他身体部分，从而也可以是半身像、全身像等。
[0046] 第二步，基于初始图像，提取人脸关键点信息。
[0047] 在这些实现方式中，基于上述第一步所获取的初始图像，上述执行主体可以通过各种方式提取人脸关键点，从而生成人脸关键点信息。其中，上述用于提取人脸关键点的方法可以包括但不限于以下至少一项：ASM(Active Shape Model，主动形状模型)算法，基于LBF(Local Binary Features，局部二值特征)方法，基于级联卷积神经网络(Convolutional Neural Networks,CNN)的人脸特征点定位方法。
[0048] 可选地，上述执行主体还可以首先对初始图像进行人脸检测，从而对上述初始图像中包括第一人脸图像的区域进行截取。而后，上述执行主体可以利用上述方法从截取后的图像中提取人脸关键点，从而生成人脸关键点信息。
[0049] 第三步，根据人脸关键点信息和第一人脸图像，生成待处理人脸图像。
[0050] 在这些实现方式中，上述执行主体可以根据前述步骤所生成的人脸关键点信息和所获取的第一人脸图像，生成上述待处理人脸图像。作为示例，上述执行主体可以将上述人脸关键点信息所指示的人脸关键点显示在上述第一人脸图像上，从而形成上述待处理人脸图像。
[0051] 步骤202，将人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息。
[0052] 在本实施例中，上述人脸姿态估计模型可以用于表征人脸关键点信息与人脸姿态信息之间的对应关系。上述人脸姿态信息可以用于表征人脸图像所显示的人脸在三维空间的旋转情况。上述人脸姿态信息可以包括3*3的旋转矩阵或欧拉角。其中，欧拉角可以包括以下至少一项：俯仰角(pitch)，方位角(yaw)，滚转角(roll)。作为示例，上述人脸姿态估计模型可以是基于大量的人脸关键点信息和对应的人脸姿态信息而建立的对应关系表。
[0053] 在本实施例中，上述执行主体可以首先将步骤201所获取的人脸关键点信息与上述对应关系表中的人脸关键点信息进行匹配。而后，上述执行主体可以将对应关系表中匹配的人脸关键点信息所对应的人脸姿态信息确定为上述人脸姿态信息。其中，上述匹配例如可以是相似度最大。
[0054] 作为示例，上述执行主体可以按照如下步骤生成上述对应关系表：首先获取样本人脸图像集合和与样本人脸图像集合对应的样本人脸点云数据集合。其中，样本人脸点云数据可以包括样本人脸图像所指示的人脸的三维信息。而后，对样本人脸图像集合中的样本人脸图像提取人脸关键点。之后，基于提取的人脸关键点，生成人脸图像特征。接下来，根据各样本人脸图像中的人脸关键点和对应的样本人脸点云数据，确定出各样本人脸图像的人脸姿态信息。最后，将各样本人脸图像的人脸关键点信息与对应的人脸姿态信息关联存储。
[0055] 在本实施例的一些可选的实现方式中，上述人脸姿态估计模型可以通过如下步骤得到：
[0056] 第一步，获取基准人脸图像。
[0057] 在这些实现方式中，上述执行主体可以从本地或通信连接的电子设备(例如图1中的终端设备)获取基准人脸图像。其中，上述基准人脸图像中可以包括上述第一人脸的人脸正面图像和人脸正面图像的人脸关键点信息。可以理解，上述基准人脸图像通常可以相当于上述待处理人脸图像所显示的人脸的用户的人脸正面图像。其中，上述人脸正面图像中的“正面”可以理解为方位角和俯仰角均小于相应的预设阈值。
[0058] 第二步，根据基准人脸图像，建立包括三维人脸关键点信息的三维人脸模型。
[0059] 在这些实现方式中，根据上述第一步所获取的基准人脸图像，上述执行主体可以采用各种方式建立与上述基准人脸图像对应的三维人脸模型。其中，上述三维人脸模型可以包括三维人脸关键点信息。作为示例，上述三维人脸关键点信息可以是人脸关键点的三维坐标。上述建立三维人脸模型的方法可以包括但不限于以下至少一项：通用人脸模型(CANDIDE-3)，三维变形模型(3DMM，3D Morphable Models)，基于CNN结构进行回归的端到端方法。其中，上述端到端方法可以包括但不限于以下至少一项：VRNet(Volumetric Regression Network，体积回归网络)，PRNet(Position Map Regression Network，位置映射回归网络)。
[0060] 第三步，根据人脸正面图像的人脸关键点信息与三维人脸关键点信息之间的对应关系，生成映射转换系数。
[0061] 在这些实现方式中，上述执行主体可以根据上述第一步所获取的人脸正面图像的人脸关键点信息和上述第二步所建立的三维人脸模型中的三维人脸关键点信息之间的对应关系，生成映射转换系数。其中，上述映射转换系数可以用于表征2维人脸图像的人脸关键点信息与对应的三维人脸关键点信息之间的转换关系。
[0062] 第四步，根据映射转换系数，生成人脸姿态估计模型。
[0063] 在这些实现方式中，若上述人脸姿态信息为转换矩阵形式，上述执行主体可以将上述映射转换系数确定为上述人脸姿态估计模型。若上述人脸姿态信息为欧拉角形式，上述执行主体可以将根据上述映射转换系数以及映射转换系数与欧拉角之间的转换关系进行结合，生成上述人脸姿态估计模型。
[0064] 基于上述可选的实现方式，可选地，上述第一人脸图像的人脸关键点信息所指示的人脸关键点的数目(例如150个)可以大于上述人脸姿态估计模型对应的三维人脸关键点信息所指示的三维人脸关键点的数目(例如68个)。上述执行主体还可以首先从第一人脸图像的人脸关键点信息中选取与上述第一人脸图像的人脸关键点信息匹配的人脸关键点信息。而后，再将所选取的人脸关键点信息输入至上述人脸姿态估计模型，从而生成上述人脸姿态信息。
[0065] 步骤203，根据人脸姿态信息，确定人脸图像融合系数。
[0066] 在本实施例中，上述执行主体可以根据步骤202所生成的人脸姿态信息，通过各种方式确定人脸图像的融合系数。作为示例，上述执行主体可以根据预设的关系表来确定与人脸姿态信息对应的人脸图像融合系数。其中，上述关系表中可以包括大量的人脸姿态基准信息与融合系数之间的对应关系。从而，上述执行主体可以将关系表中与步骤202所生成的人脸姿态信息最接近的人脸姿态基准信息所对应的融合系数确定为上述人脸图像融合系数。
[0067] 在本实施例的一些可选的实现方式中，上述人脸姿态信息还可以包括方位角信息。基于上述可选的实现方式，上述执行主体还可以按照如下步骤确定人脸图像融合系数：
[0068] 第一步，获取方位角阈值。
[0069] 在这些实现方式中，上述执行主体可以从本地或通信连接的电子设备获取方位角阈值。其中，上述方位角阈值可以包括预设的最大方位角阈值和最小方位角阈值。
[0070] 第二步，根据方位角阈值和人脸姿态信息中的方位角信息，确定人脸图像融合系数。
[0071] 在这些实现方式中，根据方位角阈值和人脸姿态信息中的方位角信息，上述执行主体可以采用各种方式确定人脸图像融合系数。其中，上述人脸图像融合系数可以用于指示不同图像进行融合时各图像占融合后的图像的比重。
[0072] 作为示例，上述执行主体可以按照预设的分段函数来确定人脸图像融合系数。其中，预设的分段函数可以如下所示：
[0073]
[0074] 其中，α可以用于表示人脸图像融合系数；ψ可以用于表示方位角，thresmax和thresmin可以分别用于表示预设的最大方位角阈值和最小方位角阈值。
[0075] 步骤204，基于人脸图像融合系数对目标人脸图像和第一人脸图像进行融合，生成第二人脸图像。
[0076] 在本实施例中，基于上述步骤203所确定的人脸图像融合系数，上述执行主体可以通过各种图像融合的方法，对目标人脸图像和第一人脸图像进行融合，生成第二人脸图像。作为示例，上述第二人脸图像中的各像素可以基于预设的公式来确定。其中，上述公式可以用于表征第二人脸图像中的像素的像素值与目标人脸图像中对应位置的像素的像素值呈正相关关系。
[0077] 继续参见图3，图3是根据本公开的实施例的用于生成图像的方法的应用场景的一个示意图。在图3的应用场景中，用户301可以使用终端设备302将自拍图像和预先存储的底版图像304发送至后台服务器303。其中，底版图像304中可以包括人脸图像。而后，后台服务器303可以从底版图像中提取人脸关键点，生成人脸关键点信息305。接下来，后台服务器303将上述人脸关键点信息输入至预设的人脸姿态估计模型，生成底版图像中显示的人脸的方位角信息306。而后，根据上述方位角信息306，后台服务器303可以进一步确定融合系数307。根据上述融合系数307，后台服务器将自拍图像和底版图像304进行图像融合，生成融合后图像308。可选地，后台服务器303还可以进一步将所生成的融合后图像308发送至终端设备302，从而可以显示给用户301。
[0078] 目前，现有技术之一通常是根据人脸特征点之间的对应关系直接将底版人脸图像替换为目标人脸图像，导致在因人脸转动角度较大而出现人脸显示不完全或特征点缺失的情况下合成图像的效果较差。而本公开的上述实施例提供的方法，可以通过预设的人脸姿态估计模型确定底版图像中显示的人脸的姿态信息。而且，还根据所确定的人脸的姿态信息进一步确定融合系数并根据融合系数生成融合后的图像。从而可以针对人脸不同姿态对图像融合的方式进行调整，进而提升图像融合的效果。
[0079] 进一步参考图4，其示出了用于生成图像的方法的又一个实施例的流程400。该用于生成图像的方法的流程400，包括以下步骤：
[0080] 步骤401，获取待处理人脸图像和目标人脸图像。
[0081] 步骤402，将人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息。
[0082] 步骤403，根据人脸姿态信息，确定人脸图像融合系数。
[0083] 上述步骤401、步骤402、步骤403分别与前述实施例中的步骤201、步骤202、步骤203一致，上文针对步骤201、步骤202和步骤203的描述也适用于步骤401、步骤402和步骤
403，此处不再赘述。
403，此处不再赘述。
[0084] 步骤404，基于目标人脸图像对第一人脸图像的替换，生成初始人脸替换图像。
[0085] 在本实施例中，在本实施例中，用于生成图像的方法的执行主体(例如图1所示的服务器105)可以采用各种方法将上述第一人脸图像替换为目标人脸图像，从而生成初始人脸替换图像。作为示例，上述执行主体可以首先将上述第一人脸图像和目标人脸图像处理成尺寸相匹配的图像(例如256*256)。而后，上述执行主体可以利用抠图技术(Image Matting)确定上述待处理人脸图像中的第一人脸图像与背景图像。接下来，上述执行主体可以将目标人脸图像与上述背景图像进行结合。可选地，还可以利用掩膜(mask)进一步对结合后的图像进行融合。例如，Alpha融合、多频段融合、泊松融合等。经过上述步骤，可以生成上述初始人脸替换图像。
[0086] 在本实施例的一些可选的实现方式中，上述执行主体还可以按照如下步骤生成初始人脸替换图像：
[0087] 第一步，基于第一人脸图像的人脸关键点信息进行三角剖分，生成第一人脸图像的剖分结果。
[0088] 在这些实现方式中，上述执行主体可以基于步骤401所获取的第一人脸图像的人脸关键点信息进行三角剖分，生成第一人脸图像的剖分结果。作为示例，可以调用OpenCV的Subdiv2D类的相关API(Application Programming Interface,应用程序编程接口)来生成剖分结果。其中，上述剖分结果通常可以是多个互不重叠的三角形区域。
[0089] 第二步，根据三角剖分的方法，生成目标人脸图像的剖分结果。
[0090] 在这些实现方式中，上述执行主体可以根据与对第一人脸图像进行三角剖分一致的剖分方法，生成目标人脸图像的剖分结果。
[0091] 第三步，根据目标人脸图像的剖分结果所划分的三角形区域与第一人脸图像的剖分结果所划分的三角形区域之间的对应关系进行替换，生成初始人脸替换图像。
[0092] 在这些实现方式中，上述执行主体可以根据上述剖分结果，将剖分结果所划分的第一人脸图像的各三角形区域替换为所对应的目标人脸图像的各三角形区域。可选地，上述执行主体还可以利用各种图像融合方法对替换后的图像进行融合。经过上述步骤，可以生成初始人脸替换图像。
[0093] 步骤405，根据人脸图像融合系数所指示的比例对初始人脸替换图像和第一人脸图像中的像素值进行加权，生成第二人脸图像。
[0094] 在本实施例中，根据人脸图像融合系数所指示的比例，上述执行主体可以将步骤404所生成的初始人脸替换图像中的各像素的像素值与步骤401所获取的第一人脸图像中对应位置的像素的像素值进行加权，从而生成第二人脸图像。作为示例，上述第二人脸图像中的像素的像素值可以按照如下公式确定：
[0095] Idst＝α·Itar+(1-α)·Isrc
[0096] 其中，上述Idst可以用于表示第二人脸图像中的像素的像素值；α可以用于表示人脸图像融合系数；Itar可以用于表示初始人脸替换图像中对应位置的像素的像素值；Isrc可以用于表示第一人脸图像中对应位置的像素的像素值。
[0097] 从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成图像的方法的流程400体现了生成初始人脸替换图像的步骤，以及根据人脸图像融合系数所指示的比例生成第二人脸图像的步骤。由此，本实施例描述的方案可以根据所确定的人脸姿态对初始人脸替换图像和第一人脸图像所包括的像素的像素值进行加权生成新的图像，从而实现了在人脸转动幅度较大的情境下仍然可以生成较高质量的图像。
[0098] 进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于生成图像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0099] 如图5所示，本实施例提供的用于生成图像的装置500包括获取单元501、信息生成单元502、确定单元503和图像生成单元504。其中，获取单元501，被配置成获取待处理人脸图像和目标人脸图像，其中，待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息；信息生成单元502，被配置成将人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息，其中，人脸姿态估计模型用于表征人脸关键点信息与人脸姿态信息之间的对应关系；确定单元503，被配置成根据人脸姿态信息，确定人脸图像融合系数；图像生成单元504，被配置成基于人脸图像融合系数对目标人脸图像和第一人脸图像进行融合，生成第二人脸图像。
[0100] 在本实施例中，用于生成图像的装置500中：获取单元501、信息生成单元502、确定单元503和图像生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
[0101] 在本实施例的一些可选的实现方式中，上述获取单元501可以包括第一获取模块(图中未示出)、提取模块(图中未示出)、第一生成模块(图中未示出)。其中，上述第一获取模块，可以被配置成获取包括第一人脸图像的初始图像。上述提取模块，可以被配置成基于初始图像，提取人脸关键点信息。上述第一生成模块，可以被配置成根据人脸关键点信息和第一人脸图像，生成待处理人脸图像。
[0102] 在本实施例的一些可选的实现方式中，上述人脸姿态估计模型可以通过如下步骤得到：获取基准人脸图像，其中，基准人脸图像中包括第一人脸的人脸正面图像和人脸正面图像的人脸关键点信息；根据基准人脸图像，建立包括三维人脸关键点信息的三维人脸模型；根据人脸正面图像的人脸关键点信息与三维人脸关键点信息之间的对应关系，生成映射转换系数；根据映射转换系数，生成人脸姿态估计模型。
[0103] 在本实施例的一些可选的实现方式中，上述人脸姿态信息可以包括方位角信息。上述确定单元503可以包括：第二获取模块(图中未示出)、确定模块(图中未示出)。其中，上述第二获取模块，可以被配置成获取方位角阈值。上述确定模块，可以被配置成根据方位角阈值和人脸姿态信息中的方位角信息，确定人脸图像融合系数。
[0104] 在本实施例的一些可选的实现方式中，上述图像生成单元504可以包括第二生成模块(图中未示出)、第三生成模块(图中未示出)。其中，上述第二生成模块，可以被配置成基于目标人脸图像对第一人脸图像的替换，生成初始人脸替换图像。上述第三生成模块，可以被配置成根据人脸图像融合系数所指示的比例对初始人脸替换图像和第一人脸图像中的像素值进行加权，生成第二人脸图像。
[0105] 在本实施例的一些可选的实现方式中，上述第二生成模块可以包括第一生成子模块(图中未示出)、第二生成子模块(图中未示出)、第三生成子模块(图中未示出)。上述第一生成子模块，可以被配置成基于第一人脸图像的人脸关键点信息进行三角剖分，生成第一人脸图像的剖分结果。上述第二生成子模块，可以被配置成根据三角剖分的方法，生成目标人脸图像的剖分结果。上述第三生成子模块，可以被配置成根据目标人脸图像的剖分结果所划分的三角形区域与第一人脸图像的剖分结果所划分的三角形区域之间的对应关系进行替换，生成初始人脸替换图像。
[0106] 本公开的上述实施例提供的装置，首先，通过获取单元501获取待处理人脸图像和目标人脸图像。其中，待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息。而后，信息生成单元502将人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息。其中，人脸姿态估计模型用于表征人脸关键点信息与人脸姿态信息之间的对应关系。之后，确定单元503根据人脸姿态信息，确定人脸图像融合系数。最后，图像生成单元504基于人脸图像融合系数对目标人脸图像和第一人脸图像进行融合，生成第二人脸图像。从而实现了针对人脸不同姿态对图像融合的方式进行调整，提升了图像融合的效果。
[0107] 下面参考图6，下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑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6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0108] 如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备
600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
[0109] 通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头等的输入装置606；包括例如液晶显示器(LCD，Liquid Crystal Display)、扬声器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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6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。
[0110] 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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。
[0111] 需要说明的是，本公开的实施例所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、或半导体的系统、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系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，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系统、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(Radio Frequency，射频)等等，或者上述的任意合适的组合。
[0112] 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：获取待处理人脸图像和目标人脸图像，其中，待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息；将人脸关键点信息输入至预设的人脸姿态估计模型，生成人脸姿态信息，其中，人脸姿态估计模型用于表征人脸关键点信息与人脸姿态信息之间的对应关系；根据人脸姿态信息，确定人脸图像融合系数；基于人脸图像融合系数对目标人脸图像和第一人脸图像进行融合，生成第二人脸图像。
[0113] 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实施例的操作的计算机程序代码，所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)。
[0114] 附图中的流程图和框图，图示了按照本公开的各种实施例的系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0115] 描述于本公开的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。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、信息生成单元、确定单元、图像生成单元。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“获取待处理人脸图像和目标人脸图像的单元，其中，待处理人脸图像中包括第一人脸图像和第一人脸图像的人脸关键点信息”。
[0116] 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。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 人脸图像质量检测方法及装置 | 2020-05-19 | 732 |
| 人脸姿态估计/三维人脸重构方法、装置及电子设备 | 2020-05-11 | 34 |
| 一种基于深度学习的RGBD机器人看护系统及方法 | 2020-05-16 | 9 |
| 分类采样方法、装置、系统、存储介质和计算机设备 | 2020-05-23 | 100 |
| 一种适用于多姿态下的驾驶人员抽烟行为检测方法 | 2020-05-24 | 766 |
| 一种模型训练的方法、媒体信息合成的方法及装置 | 2020-05-12 | 730 |
| 基于微笑范式和音视频行为分析的孤独症早期筛查系统 | 2020-05-19 | 665 |
| 一种基于智能手机和人工智能的投篮训练系统与方法 | 2020-05-08 | 35 |
| 一种基于AI技术的列车驾驶室作业规范监测系统 | 2020-05-16 | 507 |
| 基于多感官交互体验和学习注意力评估的教育方法 | 2020-05-24 | 352 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈