人臉顏值評估方法、裝置及終端設(shè)備的制造方法
【技術(shù)領(lǐng)域】
[0001]本公開涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種人臉顏值評估方法、裝置及終端設(shè)備。
【背景技術(shù)】
[0002]相關(guān)技術(shù)中在對用戶的顏值進行評分時，采用人臉的五官之間的距離作為特征，通過學習五官之間的距離，得到用戶五官分布的幾何特征。然而，由于五官分布的幾何特征受拍攝角度以及環(huán)境光照的影響，當用戶在不同的光照下采用不同角度拍照時，僅從五官分布的幾何特征作為顏值的評分依據(jù)不夠全面，對用戶在實際場景中沒有太大的參考價值。

【發(fā)明內(nèi)容】

[0003]為克服相關(guān)技術(shù)中存在的問題，本公開實施例提供一種人臉顏值評估方法、裝置及終端設(shè)備，用以從多方面確定人臉顏值，使對顏值的評分更全面。
[0004]根據(jù)本公開實施例的第一方面，提供一種人臉顏值評估方法，包括:
[0005]通過卷積神經(jīng)網(wǎng)絡的卷積層對人臉圖像進行卷積處理，得到所述人臉圖像在各卷基層提取的局部特征，所述人臉圖像為原始圖像中包含人臉的區(qū)域，所述卷積神經(jīng)網(wǎng)絡已經(jīng)進行了設(shè)定個數(shù)的任務訓練；
[0006]通過所述卷積神經(jīng)網(wǎng)絡的全連接層對所述各卷積層提取出的局部特征進行整合并連接為一個設(shè)定長度的一維向量；
[0007]將所述一維向量分別輸入至所述卷積神經(jīng)網(wǎng)絡的設(shè)定個數(shù)的預測層，通過所述設(shè)定個數(shù)的預測層得到所述設(shè)定個數(shù)關(guān)于所述人臉的評分值。
[0008]在一實施例中，所述方法還可包括:
[0009]確定所述設(shè)定個數(shù)關(guān)于所述人臉的評分值各自對應的權(quán)重系數(shù)；
[0010]根據(jù)所述各自對應的權(quán)重系數(shù)對所述設(shè)定個數(shù)關(guān)于所述人臉的評分值進行加權(quán)求和，得到所述人臉的最終評分值。
[0011 ] 在一實施例中，所述方法還可包括:
[0012]將所述設(shè)定個數(shù)關(guān)于所述人臉的評分值分別輸入至所述所述卷積神經(jīng)網(wǎng)絡的設(shè)定個數(shù)的損失函數(shù)層；
[0013]將所述人臉圖像中的人臉對應的所述設(shè)定個數(shù)的標定值分別輸入至所述設(shè)定個數(shù)的損失函數(shù)層；
[0014]通過所述損失函數(shù)層得到所述設(shè)定個數(shù)的所述評分值和所述設(shè)定個數(shù)的標定值之間的誤差值；
[0015]通過所述設(shè)定個數(shù)的誤差值更新所述卷積神經(jīng)網(wǎng)絡中的每一層的參數(shù)。
[0016]在一實施例中，所述方法還可包括:
[0017]檢測所述原始圖像上關(guān)于所述人臉的特征點；
[0018]根據(jù)所述人臉的特征點從所述原始圖像上確定所述人臉的區(qū)域圖像；
[0019]將所述人臉的區(qū)域圖像根據(jù)預設(shè)參考特征點進行仿射變換變換得到人臉圖像，所述人臉圖像的分辨率與所述卷積神經(jīng)網(wǎng)絡的輸入層的維數(shù)相同。
[0020]在一實施例中，所述方法還可包括:
[0021]根據(jù)所述設(shè)定個數(shù)關(guān)于所述人臉的評分值確定關(guān)于所述原始圖像的反饋結(jié)果。
[0022]在一實施例中，所述方法還可包括:
[0023]基于預設(shè)數(shù)量的人臉樣本對所述卷積神經(jīng)網(wǎng)絡進行所述設(shè)定個數(shù)的任務訓練；
[0024]在確定所述卷積神經(jīng)網(wǎng)絡的迭代次數(shù)達到預設(shè)次數(shù)或者所述卷積神經(jīng)網(wǎng)絡的訓練損失函數(shù)小于預設(shè)閾值時，停止對所述卷積神經(jīng)網(wǎng)絡的訓練。
[0025]根據(jù)本公開實施例的第二方面，提供一種人臉顏值評估裝置，包括:
[0026]卷積處理模塊，被配置為通過卷積神經(jīng)網(wǎng)絡的卷積層對人臉圖像進行卷積處理，得到所述人臉圖像在各卷積層提取出的局部特征，所述人臉圖像為原始圖像中包含人臉的區(qū)域；
[0027]全連接處理模塊，被配置為通過所述卷積神經(jīng)網(wǎng)絡的全連接層對所述各卷積層提取出的局部特征進行整合并連接為一個設(shè)定長度的一維向量；
[0028]結(jié)果處理模塊，被配置為將所述全連接處理模塊得到的所述一維向量分別輸入至所述卷積神經(jīng)網(wǎng)絡的設(shè)定個數(shù)的預測層，通過所述設(shè)定個數(shù)的預測層得到所述設(shè)定個數(shù)關(guān)于所述人臉的評分值。
[0029]在一實施例中，所述裝置還可包括:
[0030]第一確定模塊，被配置為確定所述結(jié)果處理模塊得到的所述設(shè)定個數(shù)關(guān)于所述人臉的評分值各自對應的權(quán)重系數(shù)；
[0031]加權(quán)求和模塊，被配置為根據(jù)所述第一確定模塊確定的所述各自對應的權(quán)重系數(shù)對所述設(shè)定個數(shù)關(guān)于所述人臉的評分值進行加權(quán)求和，得到所述人臉的最終評分值。
[0032]在一實施例中，所述裝置還可包括:
[0033]第一輸入模塊，被配置為將所述設(shè)定個數(shù)關(guān)于所述人臉的評分值分別輸入至所述所述卷積神經(jīng)網(wǎng)絡的設(shè)定個數(shù)的損失函數(shù)層；
[0034]第二輸入模塊，被配置為將所述人臉圖像中的人臉對應的所述設(shè)定個數(shù)的標定值分別輸入至所述設(shè)定個數(shù)的損失函數(shù)層；
[0035]誤差確定模塊，被配置為通過所述損失函數(shù)層從所述第一輸入模塊得到的所述設(shè)定個數(shù)關(guān)于所述人臉的評分值和從所述第二輸入模塊得到的所述設(shè)定個數(shù)的標定值得到所述設(shè)定個數(shù)的所述評分值和所述標定值之間的誤差值；
[0036]參數(shù)更新模塊，被配置為通過所述誤差確定模塊得到的所述設(shè)定個數(shù)的誤差值更新所述卷積神經(jīng)網(wǎng)絡中的每一層的參數(shù)。
[0037]在一實施例中，所述裝置還可包括:
[0038]檢測模塊，被配置為檢測所述原始圖像上關(guān)于所述人臉的特征點；
[0039]第二確定模塊，被配置為根據(jù)所述檢測模塊檢測得到的所述人臉的特征點從所述原始圖像上確定所述人臉的區(qū)域圖像；
[0040]仿射變換模塊，被配置為將所述第二確定模塊確定的所述人臉的區(qū)域圖像根據(jù)預設(shè)參考特征點進行仿射變換得到人臉圖像，所述人臉圖像的分辨率與所述卷積神經(jīng)網(wǎng)絡的輸入層的維數(shù)相同。
[0041 ] 在一實施例中，所述裝置還可包括:
[0042]提示模塊，被配置為根據(jù)所述結(jié)果處理模塊得到的所述設(shè)定個數(shù)關(guān)于所述人臉的評分值確定關(guān)于所述原始圖像的反饋結(jié)果。
[0043]在一實施例中，所述裝置還可包括:
[0044]網(wǎng)絡訓練模塊，被配置為基于預設(shè)數(shù)量的人臉樣本對所述卷積神經(jīng)網(wǎng)絡進行所述設(shè)定個數(shù)的任務訓練；
[0045]控制模塊，被配置為在確定所述網(wǎng)絡訓練模塊的迭代次數(shù)達到預設(shè)次數(shù)或者通過所述神經(jīng)網(wǎng)絡訓練模塊訓練后的所述卷積神經(jīng)網(wǎng)絡的訓練損失函數(shù)小于預設(shè)閾值時，停止對所述卷積神經(jīng)網(wǎng)絡的訓練。
[0046]根據(jù)本公開實施例的第三方面，提供一種終端設(shè)備，包括:
[0047]處理器；
[0048]用于存儲處理器可執(zhí)行指令的存儲器；
[0049]其中，所述處理器被配置為:
[0050]通過卷積神經(jīng)網(wǎng)絡的卷積層對人臉圖像進行卷積處理，得到所述人臉圖像在各卷積層提取出的局部特征，所述人臉圖像為原始圖像中包含人臉的區(qū)域，所述卷積神經(jīng)網(wǎng)絡已經(jīng)進行了所述設(shè)定個數(shù)的任務訓練；
[0051]通過所述卷積神經(jīng)網(wǎng)絡的全連接層對所述各卷積層提取出的局部特征進行整合并連接為一個設(shè)定長度的一維向量；
[0052]將所述一維向量分別輸入至所述卷積神經(jīng)網(wǎng)絡的設(shè)定個數(shù)的預測層，得到所述設(shè)定個數(shù)關(guān)于所述人臉的評分值。
[0053]本公開的實施例提供的技術(shù)方案可以包括以下有益效果:由于卷積神經(jīng)網(wǎng)絡已經(jīng)進行了多任務(本公開中的設(shè)定個數(shù)的訓練任務)訓練，由于設(shè)定個數(shù)的預測層對應了不同的訓練任務，因此從設(shè)定個數(shù)的預測層對人臉圖像進行打分更能體現(xiàn)原始圖像在實際拍攝場景中的情形，從而通過各個預測層的評分值給用戶更具體的關(guān)于人臉顏值的反饋提示，使用戶能夠根據(jù)評分值拍照過程做出更具針對性的調(diào)整，以提升后續(xù)所拍照片的圖像質(zhì)量或用戶的皮膚光滑度。
[0054]并且，通過將設(shè)定個數(shù)關(guān)于人臉的評分值進行加權(quán)求和，得到人臉的最終評分值，由于是通過設(shè)定個數(shù)的任務訓練得到的該最終評分值，實現(xiàn)了從多方面確定人臉顏值，使對顏值的評估更全面。
[0055]通過損失函數(shù)層將各個誤差再進一步更新卷積神經(jīng)網(wǎng)絡中的每一層已經(jīng)訓練的參數(shù)，可以提高卷積神經(jīng)網(wǎng)絡中的每一層的參數(shù)精確度，進而提高卷積神經(jīng)網(wǎng)絡得到的人臉評分的準確度。
[0056]通過將檢測到的人臉圖像上的特征點根據(jù)預設(shè)參考特征點進行仿射變換，進而將從不同分辨率的人臉圖像上得到的特征點與預設(shè)參考特征點對應的分辨率相同，從而可以使其與人臉樣本的分辨率相同，確保人臉圖像能夠準確地輸入到卷積神經(jīng)網(wǎng)絡的輸入層。
[0057]通過設(shè)定個數(shù)關(guān)于人臉的評分值確定關(guān)于原始圖像的反饋結(jié)果，可以使用戶根據(jù)具體的反饋結(jié)果對原始圖像進行改善或者在以后的拍照過程中注意拍照技巧，從而提升用戶的拍照質(zhì)量。
[0058]通過對卷積神經(jīng)網(wǎng)絡進行多任務訓練，從而可以提供該原始圖像上的人臉的評分值，使用戶能夠根據(jù)評分值拍照過程做出更具針對性的調(diào)整，以提升后續(xù)所拍照片的圖像質(zhì)量或用戶的皮膚光滑度。
[0059]應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。
【附圖說明】
[0060]此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本發(fā)明的實施例，并與說明書一起用于解釋本發(fā)明的原理。
[0061]圖1A是根據(jù)一示例性實施例示出的人臉顏值評估方法的流程圖。
[0062]圖1B是根據(jù)一示例性實施例示出的卷積神經(jīng)網(wǎng)絡的示意圖。
[0063]圖2是根據(jù)一示例性實施例一示出的人臉顏值評估方法的流程圖。
[0064]圖3