本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、设备及存储介质。
背景技术：
现有技术中，用于实现人脸替换的方法主要有如下两种：
方案1，根据用户上传的自拍照，识别出用户头部轮廓，截取用户头部，替换住被替换人物的头部，生成具有用户人脸的被替换人物形象的图片或视频；
方案2，根据用户五官特征，从预先准备好的特定类别人物的五官素材库中，匹配出与用户最接近的五官，并组合成人脸，生成具有与该特定类别人物风格相符的图片或视频。
但是，方案1中的人脸替换方法，由于是整个脸部的替换，替换效果不理想，往往比较生硬，而方案2中的人脸替换方法，则容易生成与用户不够相似的五官，导致人脸替换的真实性不佳。因此，以上两种方案均无法实现有效的人脸替换。
技术实现要素：
为解决现有存在的技术问题，本发明实施例提供一种图像处理方法、设备及存储介质，使得经过图像处理后获得的新脸图像更自然、真实。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种图像处理方法，包括：
获取源脸图像和目标脸图像；
确定所述源脸图像对应的源脸关键点数据集，根据所述源脸关键点数据集确定源脸五官区域；
确定所述目标脸图像对应的目标脸关键点数据集，根据所述目标脸关键点数据集确定目标脸五官区域；将所述源脸五官区域替换所述目标脸五官区域，生成新脸图像。
上述方案中，所述确定所述源脸图像对应的源脸关键点数据集，包括：
检测所述源脸图像中的脸部关键点；
从所述脸部关键点中筛选出五官关键点，并获取所述五官关键点在所述源脸图像中对应的位置信息和编号；
将所述五官关键点的位置信息和编号的集合确定为源脸关键点数据集。
上述方案中，所述根据所述源脸关键点数据集确定源脸五官区域，包括：
根据所述源脸关键点数据集中的五官关键点的编号，筛选出满足第一编号设定条件的五官关键点；
对所述满足第一编号设定条件的五官关键点按第一排序规则排序，形成第一五官集合；
基于所述第一五官集合中各五官关键点的位置信息，将所述第一五官集合中各元素顺次连线形成的封闭区域，确定为源脸五官区域。
上述方案中，所述确定所述目标脸图像对应的目标脸关键点数据集，包括：
基于回归树参数集，检测所述目标脸图像中的脸部关键点；
从所述脸部关键点中筛选出五官关键点，并获取所述五官关键点在所述目标脸图像中对应的位置信息和编号；
将所述五官关键点的位置信息和编号的集合确定为目标脸关键点数据集。
上述方案中，所述根据所述目标脸关键点数据集确定目标脸五官区域，包括：
根据所述目标脸关键点数据集中的五官关键点的编号，筛选出满足第二编号设定条件的五官关键点；
对所述满足第二编号设定条件的五官关键点按第二排序规则排序，形成第二五官集合；
基于所述第二五官集合中各五官关键点的位置信息，将所述第二五官集合中各元素顺次连线形成的封闭区域，确定为目标脸五官区域。
上述方案中，所述将所述源脸五官区域替换所述目标脸五官区域，生成新脸图像，包括：
基于所述源脸五官区域对应的第一五官集合和所述目标脸五官区域对应的第二五官集合，计算所述源脸五官区域与所述目标脸五官区域间的变换参数集；
根据所述变换参数集的缩放比例对所述源脸五官区域进行尺寸变换，根据所述变换参数集的旋转角度相关的正交矩阵对所述源脸五官区域进行旋转变换，根据所述变换参数集的位移对所述源脸五官区域进行位移变换；
将变换后的源脸五官区域替换所述目标脸五官区域，生成新脸图像。
上述方案中，所述方法还包括：
提取所述目标脸图像对应的肤色信息，根据所述肤色信息，对所述新脸图像进行高斯平滑处理。
上述方案中，所述变换参数集的计算过程为：
其中，pi为第一五官集合构成的矩阵中第i个元素的位置信息；qi为第二五官集合构成的矩阵中第i个元素的位置信息；n为第一五官集合中元素的个数；(s,R,T)为变换参数集，s为缩放比例，R为旋转角度相关的正交矩阵，T为平移的位移。
上述方案中，所述回归树参数集的训练过程包括：
将目标脸训练图像和目标脸训练图像对应的标记关键点数据集，代入目标脸关键点检测模型，获得回归树参数集和检测关键点数据集；
将当前获得的回归树参数集作为所述目标脸关键脸检测模型的输入，获得下一回归树参数集和检测关键点数据集；
重复上述步骤，直至所述检测关键点数据集与所述标记关键点数据集的误差小于设定误差阈值；
输出误差小于设定误差阈值的所述检测关键点数据集对应的所述回归树参数集。
上述方案中，所述方法还包括：
提取待变图像和待变的风格类别；
生成满足所述风格类别的模拟图片；
计算当前模拟图片与所述待变图像的相似度，在所述相似度低于设定相似度阈值时，生成满足所述风格类别的模拟图片；
重复上述步骤，直至当前模拟图片与所述待变图像的相似度不低于所述相似度阈值；
输出当前模拟图片。
上述方案中，所述根据所述源脸关键点数据集确定源脸五官区域，还包括：
基于所述源脸关键点数据集中关键点的编号，筛选出眼关键点和眉关键点，形成第一眼眉集合；
对所述第一眼眉集合执行凸包计算，获取第一凸包集合；
基于所述源脸关键点数据集中关键点的编号，筛选出鼻关键点和嘴关键点，形成第一嘴鼻集合；
对所述第一嘴鼻集合执行凸包计算，获取第二凸包集合；
对所述第一凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第一区域；
对所述第二凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第二区域；
将所述第一区域与所述第二区域融合后的封闭区域，确定为源脸五官区域。
上述方案中，所述根据所述目标脸关键点数据集确定目标脸五官区域，还包括：
基于所述目标脸关键点数据集中关键点的编号，筛选出眼关键点和眉关键点，形成第二眼眉集合；
对所述第二眼眉集合执行凸包计算，获取第三凸包集合；
基于所述目标脸关键点数据集中关键点的编号，筛选出鼻关键点和嘴关键点，形成第二嘴鼻集合；
对所述第二嘴鼻集合执行凸包计算，获取第四凸包集合；
对所述第三凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第三区域；
对所述第四凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第四区域；
将所述第三区域与所述第四区域融合后的封闭区域，确定为目标脸五官区域。
上述方案中，所述凸包计算，包括：
将待处理的集合中的各元素的位置信息转换为二维坐标，选择一元素加入凸包集合中；
将所述凸包集合中当前加入的元素作为原点，确定除作为原点的所述元素外的各元素与原点的连线在坐标系中的角度，将所述角度满足角度设定条件的元素加入所述凸包集合；
重复上述步骤，直至当前加入的元素已存在于所述凸包集合中。
本发明实施例还提供了一种图像处理方法，采用上述任一方法，实现人脸替换动漫脸，生成可融合于预置动漫视频片段的、具有人脸五官特征的新动漫脸图像，包括：
获取人脸图像和动漫脸图像；
确定所述人脸图像对应的人脸关键点数据集，根据所述人脸关键点数据集确定人脸五官区域；
确定所述动漫脸图像对应的动漫脸关键点数据集，根据所述动漫脸关键点数据集确定动漫脸五官区域；
将所述人脸五官区域替换所述动漫脸五官区域，生成具有人脸五官特征的新动漫脸图像。
本发明实施例又提供了一种图像处理设备，包括：
图像获取单元，用于获取源脸图像和目标脸图像；
第一确定单元，用于确定所述源脸图像对应的源脸关键点数据集，根据所述源脸关键点数据集确定源脸五官区域；
第二确定单元，用于确定所述目标脸图像对应的目标脸关键点数据集，根据所述目标脸关键点数据集确定目标脸五官区域；
图像替换单元，用于将所述源脸五官区域替换所述目标脸五官区域，生成新脸图像。
本发明实施例还提供了一种图像处理设备，所述图像处理设备包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行上述图像处理设备任一方法的步骤。
本发明实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像处理设备任一方法的步骤。
本发明实施例提供的图像处理方法、设备及存储介质，基于源脸的脸部特征，提取源脸关键点数据集，以及基于目标脸的脸部特征，提取目标脸关键点数据集，继而，利用源脸关键点数据集，确定源脸五官区域，利用目标脸关键点数据集，确定目标脸五官区域，最后将源脸五官区域替换目标脸五官区域，生成新脸图像。由于仅选用源脸的五官区域进行替换，减小了替换面积，在目标脸图像的基础上相对变化少，可使得替换效果更自然，此外，又由于五官区域能够准确刻画整个脸部的绝大部分特征，采用五官进行替换后生成的新脸图像与源脸图像更加逼真。
附图说明
图1为本发明实施例提供的一种图像处理方法流程图；
图2为本发明实施例提供的凸包计算效果演示图；
图3为本发明实施例提供的生成式对抗网络模型结构示意图；
图4为本发明实施例提供的另一种图像处理方法流程图；
图5为本发明实施例提供的人脸关键点检测模型的脸部关键点标注图；
图6为本发明实施例提供的采用预先确定的五官关键点和第一排序规则确定的人脸五官区域效果图；
图7为本发明实施例提供的动漫脸五官区域效果图；
图8为本发明实施例提供的动漫脸关键点检测模型的脸部关键点标注图；
图9为本发明实施例提供的一动漫脸训练图像的训练过程演示图；
图10为本发明实施例提供的人脸替换动漫脸的效果演示图；
图11为本发明实施例提供的图像处理设备结构示意图；
图12为本发明实施例提供的图像处理设备硬件结构示意图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的描述。
本发明实施例提供一种图像处理方法，如图1所示，该方法包括：
步骤S101：获取源脸图像和目标脸图像；
步骤S102：确定所述源脸图像对应的源脸关键点数据集，根据所述源脸关键点数据集确定源脸五官区域；
步骤S103：确定所述目标脸图像对应的目标脸关键点数据集，根据所述目标脸关键点数据集确定目标脸五官区域；
步骤S104：将所述源脸五官区域替换所述目标脸五官区域，生成新脸图像。
本发明实施例提供的图像处理方法，基于源脸的脸部特征，提取源脸关键点数据集，以及基于目标脸的脸部特征，提取目标脸关键点数据集，继而，利用源脸关键点数据集，确定源脸五官区域，利用目标脸关键点数据集，确定目标脸五官区域，最后将源脸五官区域替换目标脸五官区域，生成新脸图像。由于仅选用源脸的五官区域进行替换，减小了替换面积，在目标脸图像的基础上相对变化少，可使得替换效果更自然，此外，又由于五官区域能够准确刻画整个脸部的绝大部分特征，采用五官进行替换后生成的新脸图像与源脸图像更加逼真。
在一些实施例中，所述确定所述源脸图像对应的源脸关键点数据集，包括：
检测所述源脸图像中的脸部关键点；
从所述脸部关键点中筛选出五官关键点，并获取所述五官关键点在所述源脸图像中对应的位置信息和编号；
将所述五官关键点的位置信息和编号的集合确定为源脸关键点数据集。
这里，先检测源脸图像中的脸部关键点，再根据脸部关键点的位置信息和编号从脸部关键点中筛选出五官关键点，其中，每个脸部关键点的信息可以包括，脸部关键点在源脸图像中的位置信息(即，图像坐标)和编号，根据位置信息和编号即可确定各脸部关键点的属性(例如，某脸部关键点的编号为20，则判定该脸部关键点的属性为鼻子)，即筛选出五官关键点，最终完成对五官关键点的筛选。由于五官关键点是脸部关键点的一部分，因此，五官关键点的信息也可以包括，五官关键点在源脸图像中的位置信息和编号。
需要说明的是，除上述方法提及的通过从脸部关键点中筛选出五官关键点，获取五官关键点在源脸图像对应的位置信息和编号，将五官关键点的位置信息和编号的集合确定为源脸关键点数据集外，还可以通过其他方法获取源脸关键点数据集，且只要所获取的源脸关键点数据集中有五官关键点，且各五官关键点具有位置信息和编号即可。
在一些实施例中，所述根据所述源脸关键点数据集确定源脸五官区域，包括：
根据所述源脸关键点数据集中的五官关键点的编号，筛选出满足第一编号设定条件的五官关键点；
对所述满足第一编号设定条件的五官关键点按第一排序规则排序，形成第一五官集合；
基于所述第一五官集合中各五官关键点的坐标，将所述第一五官集合中各元素顺次连线形成的封闭区域，确定为源脸五官区域。
这里，在获得源脸关键点数据集后，根据五官关键点的编号，筛选出符合第一编号条件的五官关键点，并基于每个五官关键点的位置信息，对筛选出的五官关键点，按照设定的第一排序规则，顺次连接，形成一封闭区域，则将该封闭区域确定为源脸五官区域。
其中，所述筛选出符合第一编号条件的五官关键点，包括：确定五官关键点的编号与设定的编号数据集中的编号一致时，即为筛选出符合第一编号设定条件的五官关键点。此外，第一排序规则，为筛选出的五官关键点在第一五官集合中的排放顺序。例如，若设定的编号数据集为{17,18,19,24,25,26}，第一排序规则为编号与排序序号的集合，则可以得到数据对的集合，为{(17,6)，(18,5)，(19,4)，(24,3)，(25,2)，(26,1)}，那么，在获得相应编号的五官关键点后，就按照第一排序规则对五官关键点进行排序，排序后形成的第一五官关键点的集合为{26,25,24,19,18,17}。需要说明的是，第一编号条件和第一排序规则，是基于源脸关键点检测模型预先确定的五官关键点及各五官关键点间的连接顺序关系。
在一些实施例中，与对源脸图像的操作相类似的，先获取到目标脸图像中的目标脸关键点数据集，继而在目标脸关键点数据集的基础上，分割出目标脸五官区域。且具体地，所述确定所述目标脸图像对应的目标脸关键点数据集，包括：
基于回归树参数集，检测所述目标脸图像中的脸部关键点；
从所述脸部关键点中筛选出五官关键点，并获取所述五官关键点在所述目标脸图像中对应的位置信息和编号；
将所述五官关键点的位置信息和编号的集合确定为目标脸关键点数据集。
这里，与源脸图像所不同的是，采用回归树参数集对目标脸图像进行脸部关键点检测，且具体地，所述回归树参数集的训练过程包括：
将目标脸训练图像和目标脸训练图像对应的标记关键点数据集，代入目标脸关键点检测模型，获得回归树参数集和检测关键点数据集；
将当前获得的回归树参数集作为所述目标脸关键脸检测模型的输入，获得下一回归树参数集和检测关键点数据集；
重复上述步骤，直至所述检测关键点数据集与所述标记关键点数据集的误差小于设定误差阈值；
输出误差小于设定误差阈值的所述检测关键点数据集对应的所述回归树参数集。
其中，实际应用中，目标脸关键点检测模型为基于人工智能技术的、基于梯度提升的回归树检测模型，且回归树参数集为目标脸关键点检测模型对应的模型参数集，且在进行模型训练时，采用目标脸训练图像和目标脸训练图像对应的标记关键点数据集，对检测模型进行训练。在获取到目标脸训练图像后，先估计脸部关键点的初始位置，再将估计出的初始位置与标记关键点数据集进行比较，比较结果不满足设定误差阈值条件时，采用梯度提升学习的方式调整回归树参数集，重复脸部关键点检测步骤，直至检测关键点数据集与标记关键点数据集的误差小于设定误差阈值，如此，能够获得检测结果与实际信息最逼近的回归树参数集和目标脸关键点检测模型。
前面所述根据所述目标脸关键点数据集确定目标脸五官区域，包括：
根据所述目标脸关键点数据集中的五官关键点的编号，筛选出满足第二编号设定条件的五官关键点；
对所述满足第二编号设定条件的五官关键点按第二排序规则排序，形成第二五官集合；
基于所述第二五官集合中各五官关键点的位置信息，将所述第二五官集合中各元素顺次连线形成的封闭区域，确定为目标脸五官区域。
这里，目标脸五官区域与源脸五官区域的获取思路一致，且针对目标脸五官区域的获取，是在获得目标脸关键点数据集后，根据五官关键点的编号，筛选出符合第二编号条件的五官关键点，并基于每个五官关键点的位置信息，对筛选出的五官关键点，按照设定的第二排序规则，顺次连接，形成一封闭区域，则将该封闭区域确定为目标脸五官区域。其中，所述筛选出符合第二编号条件的五官关键点，包括：确定五官关键点的编号与设定的编号数据集中的编号一致时，即为筛选出符合第二编号设定条件的五官关键点。此外，第二排序规则，为筛选出的五官关键点在第二五官集合中的排放顺序。需要说明的是，第二编号条件和第二排序规则，是基于目标脸关键点检测模型预先确定的五官关键点及各五官关键点间的连接顺序关系。
所不同的是，一方面，筛选出符合第二编号设定条件的五官关键点所基于的编号数据集与筛选出符合第一编号设定条件的五官关键点所基于的编号数据集中的具体编号有所不同，但，两个编号数据集中的编号数量相同。另一方面，第二排序规则对应的各编号的排序与第一排序规则对应的各编号的排序有所不同，由于源脸图像与目标脸图像的差异，因此排序会有所不同，但二者在实际效果上是一致的，即，将按编号筛选出的各五官关键点按一定顺序连接，形成一封闭区域，这里，针对目标脸图像获取的封闭区域为目标脸五官区域。
此外，在一些实施例中，还可以采用凸包的方式，确定源脸五官区域和目标脸五官区域。
具体地，所述根据所述源脸关键点数据集确定源脸五官区域，包括：
基于所述源脸关键点数据集中关键点的编号，筛选出眼关键点和眉关键点，形成第一眼眉集合；
对所述第一眼眉集合执行凸包计算，获取第一凸包集合；
基于所述源脸关键点数据集中关键点的编号，筛选出鼻关键点和嘴关键点，形成第一嘴鼻集合；
对所述第一嘴鼻集合执行凸包计算，获取第二凸包集合；
对所述第一凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第一区域；
对所述第二凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第二区域；
将所述第一区域与所述第二区域融合后的封闭区域，确定为源脸五官区域。
这里，采用凸包的方式确定源脸五官区域，首先，筛选出眼睛和眉毛区域，执行凸包计算后，获得第一凸包集合；之后筛选出鼻子和嘴巴区域，执行凸包计算后，获得第二凸包集合；最后，将第一凸包集合对应的平滑曲线形成的封闭区域和第二凸包集合对应的平滑曲线形成的封闭区域进行区域融合，即，取两个区域的并集，获得源脸五官区域。需要说明的是，对第一/第二凸包集合中各元素顺次连线形成的封闭曲线，进行曲线平滑处理，其目的在于，获取平滑的五官区域，使得源脸五官区域与目标脸五官区域进行替换时，可以获得收敛性更好的变换参数集，即可降低变换参数集获取过程对应的时间复杂度，且由于是平滑替换，替换效果更自然。此外，这里，可以采用贝塞尔曲线平滑法对曲线进行平滑。
此外，目标脸五官区域的获取与源脸五官区域的获取方法一致，且具体为，所述根据所述目标脸关键点数据集确定目标脸五官区域，还包括：
基于所述目标脸关键点数据集中关键点的编号，筛选出眼关键点和眉关键点，形成第二眼眉集合；
对所述第二眼眉集合执行凸包计算，获取第三凸包集合；
基于所述目标脸关键点数据集中关键点的编号，筛选出鼻关键点和嘴关键点，形成第二嘴鼻集合；
对所述第二嘴鼻集合执行凸包计算，获取第四凸包集合；
对所述第三凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第三区域；
对所述第四凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第四区域；
将所述第三区域与所述第四区域融合后的封闭区域，确定为目标脸五官区域。
其中，所述凸包计算，包括：
将待处理的集合中的各元素的位置信息转换为二维坐标，选择一元素加入凸包集合中；
将所述凸包集合中当前加入的元素作为原点，确定除作为原点的所述元素外的各元素与原点的连线在坐标系中的角度，将所述角度满足角度设定条件的元素加入所述凸包集合；
重复上述步骤，直至当前加入的元素已存在于所述凸包集合中。
这里，基于待处理集合中的各元素的位置信息，将待处理集合的各元素映射到二维坐标系中。如图2A所示，{P0，P1，P2，P3，P4，P5，P6，P7，P8}为待处理集合中的各元素映射到二维坐标系中对应的点集。为了便于计算处理，可以选择纵坐标最小的P0点作为凸包集合的第一个点，且将其作为原点。此外，通过计算除作为原点的元素外的各元素与原点的连线在坐标系中的角度a，来确定被加入凸包集合中的下一元素P1；随后，又将当前加入的元素P1作为原点，重新计算除作为原点的元素外的各元素与原点的连线在坐标系中的角度，直至当前加入的元素已经存在于凸包集合中。这里，可以设定将对应角度最小的点加入凸包集合，且需要说明的是，还可以设定对应角度最大的点加入凸包集合，本实施例不做具体限定。此外，图2B所示为凸包集合中各元素顺次连线形成的封闭曲线。
实际应用中，在获取到源脸图像对应的源脸五官区域和目标脸图像对应的目标脸五官区域后，将源脸五官区域替换目标脸五官区域。此外，由于源脸五官区域与目标脸五官区域间存在或多或少的区别，因此，在进行替换之前，采用变换参数集对源脸五官区域进行图像变换。
具体地，所述将所述源脸五官区域替换所述目标脸五官区域，生成新脸图像，包括：
基于所述源脸五官区域对应的第一五官集合和所述目标脸五官区域对应的第二五官集合，计算所述源脸五官区域与所述目标脸五官区域间的变换参数集；
根据所述变换参数集的缩放比例对所述源脸五官区域进行尺寸变换，根据所述变换参数集的旋转角度相关的正交矩阵对所述源脸五官区域进行旋转变换，根据所述变换参数集的位移对所述源脸五官区域进行位移变换；
将变换后的源脸五官区域替换所述目标脸五官区域，生成新脸图像。需要说明的是，除前述方法提及的第一五官集合和第二五官集合的获取方式外，还可以通过其他方式获取第一五官集合和第二五官集合，只要所获取的第一五官集合用于确定源脸五官区域，第二五官集合用于确定目标脸五官区域，第一五官集合和第二五官集合中包含的元素数量相等，且各元素均具有位置信息即可。
这里，具体地，所述变换参数集的计算过程为：
其中，pi为第一五官集合构成的矩阵中第i个元素的位置信息；qi为第二五官集合构成的矩阵中第i个元素的位置信息；n为第一五官集合中元素的个数；
(s,R,T)为变换参数集，s为缩放比例，R为旋转角度相关的正交矩阵，T为平移的位移。
此外，又由于在源脸五官区域替换目标脸五官区域后，生成的新脸图像中，源脸五官区域与目标脸图像的剩下的脸部区域在肤色上会存在不一致，因此，需要进行必要的后期处理，且具体地，所述方法还包括：
提取所述目标脸图像对应的肤色信息，根据所述肤色信息，对所述新脸图像进行高斯平滑处理。
进一步地，在实际应用中，为了满足用户的娱乐需求，且为了提高用户体验，在进行脸部替换前或是脸部替换后，可以进行图像风格的变换，其中，可变换风格的图像可以是源脸图像、目标脸图像和新脸图像，且具体变换过程为：
提取待变图像和待变的风格类别；
生成满足所述风格类别的模拟图片；
计算当前模拟图片与所述待变图像的相似度，在所述相似度低于设定的相似度阈值时，生成满足所述风格类别的模拟图片；
重复上述步骤，直至当前模拟图片与所述待变图像的相似度不低于相似度阈值；
输出当前模拟图片。
这里，采用基于深度学习的风格变换模型对图像进行风格变换，且风格变换模型具体为生成式对抗网络模型，且如图3所示，生成式对抗网络模型的训练过程主要为对生成模型的训练，且具体为，将同一风格类别的风格训练图像置于真实图像库中，且对于采样获取的任一真实图像，以随机变量作为生成模型的输入，基于生成模型生成样本图像，基于判别模型确定真实图像和样本图像之间的相似度，根据所述相似度与设定的相似度阈值的比较判断生成模型是否训练好，如果未训练好，则继续训练生成模型。
其中，生成模型的作用为，生成样本图像，且让生成的样本图像接近真实图像；判别模型的作用为，判断生成的样本图像与真实图像的差异，从而基于该差异不断尝试迭代生成模型，让生成的样本图像越来越接近真实图像，当判别模型判断不出差别(即，超过相似度阈值)，即当判别模型判定样本图像与真实图像足够相似且趋于稳定的时候，表明生成模型输出的结果可以接近真实图像，此时，生成模型训练完成。
此外，在生成模型训练完成后，对于输入的待变图像，会基于生成模型不断地生成满足风格类别的模拟图片，且将模拟图像与待变图像进行比较，直到当前模拟图片与待变图像间的相似度不低于相似度阈值。
以上各步骤的处理具体可由图像处理设备来完成，所述图像处理设备可以是终端，也可以是服务器。其中，所述终端可以是智能手机、PDA、PAD等终端设备。
对应地，作为上述方法的一个具体应用，本发明实施例还提供了一种图像处理方法，采用上述图像处理设备任一方法，实现人脸替换动漫脸，生成可融合于预置动漫视频片段的、具有人脸五官特征的新动漫脸图像，在采用上述图像处理设备任一方法实现人脸替换动漫脸时，人脸对应为源脸，动漫脸对应为目标脸，如图4所示，该方法包括：
步骤S401：获取人脸图像和动漫脸图像；
步骤S402：确定所述人脸图像对应的人脸关键点数据集，根据所述人脸关键点数据集确定人脸五官区域；
步骤S403：确定所述动漫脸图像对应的动漫脸关键点数据集，根据所述动漫脸关键点数据集确定动漫脸五官区域；
步骤S404：将所述人脸五官区域替换所述动漫脸五官区域，生成具有人脸五官特征的新动漫脸图像。
本发明实施例提供的图像处理方法，基于人脸的脸部特征，提取人脸关键点数据集，以及基于动漫脸的脸部特征，提取动漫脸关键点数据集，继而，利用人脸关键点数据集，确定人脸五官区域，利用动漫脸关键点数据集，确定动漫脸五官区域，最后将人脸五官区域替换动漫脸五官区域，生成新动漫脸图像。由于仅选用人脸的五官区域进行替换，减小了替换面积，在动漫脸图像的基础上相对变化少，可使得替换效果更自然，此外，又由于五官区域能够准确刻画整个脸部的绝大部分特征，采用五官进行替换后生成的新脸图像与人脸图像更加逼真。
在一些实施例中，所述确定所述人脸图像对应的人脸关键点数据集，包括：
检测所述人脸图像中的脸部关键点；
从所述脸部关键点中筛选出五官关键点，并获取所述五官关键点在所述人脸图像中对应的位置信息和编号；
将所述五官关键点的位置信息和编号的集合确定为人脸关键点数据集。
这里，先检测人脸图像中的脸部关键点，再根据脸部关键点的位置信息和编号从脸部关键点中筛选出五官关键点，其中，每个脸部关键点的信息可以包括，脸部关键点在人脸图像中的位置信息和编号，根据位置信息和编号即可确定各脸部关键点的属性，即筛选出五官关键点，最终完成对五官关键点的筛选。由于五官关键点是脸部关键点的一部分，因此，五官关键点的信息也可以包括，五官关键点在人脸图像中的位置信息和编号。
实际应用中，采用基于人工智能的人脸关键点检测模型，对人脸图像中的脸部关键点进行检测。且人脸关键点检测模型检测出的脸部关键点的位置信息和编号的对应关系如图5所示。
目前，常用的人脸关键点检测模型有68点的人脸关键点检测模型和104点的人脸关键点检测模型，且根据图5，本实施例选用的是68点的人脸关键点检测模型，可以检测人脸图像的68个脸部关键点，其中，包括眉毛、眼睛、鼻子、嘴巴和轮廓。获得脸部关键点之后，可根据检测出的脸部关键点的位置信息和编号的对应关系，从脸部关键点中筛选出五官关键点，并将筛选出的五官关键点作为人脸关键点数据集。
在一些实施例中，所述根据所述人脸关键点数据集确定人脸五官区域，包括：
根据所述人脸关键点数据集中的五官关键点的编号，筛选出满足第一编号设定条件的五官关键点；
对所述满足第一编号设定条件的五官关键点按第一排序规则排序，形成第一五官集合；
基于所述第一五官集合中各五官关键点的坐标，将所述第一五官集合中各元素顺次连线形成的封闭区域，确定为人脸五官区域。
这里，实际应用中，在获得人脸关键点数据集后，根据五官关键点的编号，筛选出符合第一编号条件的五官关键点，并基于每个五官关键点的坐标，对筛选出的五官关键点，按照设定的第一排序规则，顺次连接，形成一封闭区域，则将该封闭区域确定为人脸五官区域。
其中，所述筛选出符合第一编号条件的五官关键点，包括：确定五官关键点的编号与设定的编号数据集中的编号一致时，即为筛选出符合第一编号设定条件的五官关键点。此外，第一排序规则，为筛选出的五官关键点在第一五官集合中的排放顺序。
需要说明的是，第一编号条件和第一排序规则，是基于人脸关键点检测模型预先确定的五官关键点及各五官关键点间的连接顺序关系。由于人脸关键点检测模型检测出的脸部关键点的位置信息与编号的对应关系是固定的，所以，可以预先确定五官关键点，以及预先确定各五官关键点间的第一排序规则。且图像处理设备在执行步骤时，可以将预先确定的五官关键点按照第一排序规则连线形成的封闭区域确定为人脸五官区域，其中，图6为采用预先确定的五官关键点和第一排序规则确定的人脸五官区域效果图。
在一些实施例中，与对人脸图像的操作相类似的，先获取到动漫脸图像中的动漫脸关键点数据集，继而在动漫脸关键点数据集的基础上，分割出动漫脸五官区域。且具体地，所述确定所述动漫脸图像对应的动漫脸关键点数据集，包括：
基于回归树参数集，检测所述动漫脸图像中的脸部关键点；
从所述脸部关键点中筛选出五官关键点，并获取所述五官关键点在所述动漫脸图像中对应的位置信息和编号；
将所述五官关键点的位置信息和编号的集合确定为动漫脸关键点数据集。
这里，如图7所示，五官关键点的连线形成的封闭区域为动漫脸五官区域。动漫脸五官区域的确定过程与人脸五官区域的确定过程相比，不同之处在于，动漫图像的五官关键点，是采用回归树参数集对动漫脸图像进行脸部关键点检测获得，且其中，具体地，所述回归树参数集的训练过程包括：
将动漫脸训练图像和动漫脸训练图像对应的标记关键点数据集，代入动漫脸关键点检测模型，获得回归树参数集和检测关键点数据集；
将当前获得的回归树参数集作为所述动漫脸关键脸检测模型的输入，获得下一回归树参数集和检测关键点数据集；
重复上述步骤，直至所述检测关键点数据集与所述标记关键点数据集的误差小于设定误差阈值；
输出误差小于设定误差阈值的所述检测关键点数据集对应的所述回归树参数集。
本应用实施例中，选用3000张不同的动漫脸训练图像，且每张动漫脸训练图像对应一标记关键点数据集。其中，如图8所示，每张动漫脸训练图像需标注50个关键点，且分别对应标记出脸颊轮廓、眉毛、眼睛、鼻子、嘴巴和动漫脸所在位置区，这里，动漫脸所在位置区如图8的图像中间的矩形框所示。
需要说明的是，目前，真人人脸关键点检测技术已较为成熟，但尚不存在针对动漫人物的动漫脸关键点检测模型。
本实施例中，动漫脸关键点检测模型为基于人工智能技术的、基于梯度提升的回归树检测模型，且回归树参数集为动漫脸关键点检测模型对应的模型参数集，且在进行模型训练时，采用动漫脸训练图像和动漫脸训练图像对应的标记关键点数据集，对检测模型进行训练。在获取到动漫脸训练图像后，先估计脸部关键点的初始位置，再将估计出的初始位置与标记关键点数据集进行比较，比较结果不满足设定误差阈值条件时，采用梯度提升学习的方式调整回归树参数集，重复脸部关键点检测步骤，直至检测关键点数据集与标记关键点数据集的误差小于设定误差阈值，如此，能够获得检测结果与实际信息最逼近的回归树参数集和动漫脸关键点检测模型。
此外，本实施例中，在对回归参数集进行训练时，满足如下回归计算公式：
St+1＝St+Rt(I,St)
其中，St+1为第t+1个回归树参数集，St为第t个回归树参数集，Rt()为第t个动漫关键点检测模型，I为动漫脸训练图像。
本实施例中，如图9所示，针对一动漫脸训练图像，经过四次迭代后，获得能够使得检测结果与实际信息最逼近的回归树参数集，且图9中，t＝4时，检测关键点数据集与标记关键点数据集差异细微，肉眼几乎看不出。本实施例通过训练获取可靠的回归树参数集，如此，可以准确地获取动漫脸图像对应的动漫脸关键点数据集。
前面所述根据所述动漫脸关键点数据集确定动漫脸五官区域，包括：
根据所述动漫脸关键点数据集中的五官关键点的编号，筛选出满足第二编号设定条件的五官关键点；
对所述满足第二编号设定条件的五官关键点按第二排序规则排序，形成第二五官集合；
基于所述第二五官集合中各五官关键点的位置信息，将所述第二五官集合中各元素顺次连线形成的封闭区域，确定为动漫脸五官区域。
这里，动漫脸五官区域与人脸五官区域的获取思路一致，且针对动漫脸五官区域的获取，是在获得动漫脸关键点数据集后，根据五官关键点的编号，筛选出符合第二编号条件的五官关键点，并基于每个五官关键点的位置信息，对筛选出的五官关键点，按照设定的第二排序规则，顺次连接，形成一封闭区域，则将该封闭区域确定为动漫脸五官区域。
所不同的是，一方面，筛选出符合第二编号设定条件的五官关键点所基于的编号数据集与筛选出符合第一编号设定条件的五官关键点所基于的编号数据集中的具体编号有所不同，但，两个编号数据集中的编号数量相同。另一方面，第二排序规则对应的各编号的排序与第一排序规则对应的各编号的排序有所不同，由于人脸图像与动漫脸图像的差异，因此排序会有所不同，但二者在实际效果上是一致的，即，将按编号筛选出的各五官关键点按一定顺序连接，形成一封闭区域，这里，针对动漫脸图像获取的封闭区域为动漫脸五官区域。
此外，在一些实施例中，还可以采用凸包的方式，确定人脸五官区域和动漫脸五官区域。
具体地，所述根据所述人脸关键点数据集确定人脸五官区域，包括：
基于所述人脸关键点数据集中关键点的编号，筛选出眼关键点和眉关键点，形成第一眼眉集合；
对所述第一眼眉集合执行凸包计算，获取第一凸包集合；
基于所述人脸关键点数据集中关键点的编号，筛选出鼻关键点和嘴关键点，形成第一嘴鼻集合；
对所述第一嘴鼻集合执行凸包计算，获取第二凸包集合；
对所述第一凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第一区域；
对所述第二凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第二区域；
将所述第一区域与所述第二区域融合后的封闭区域，确定为人脸五官区域。
这里，图10为采用凸包的方式实现人脸替换动漫脸的效果演示图。其中，采用凸包的方式确定人脸五官区域为：首先，筛选出眼睛和眉毛区域，执行凸包计算后，获得第一凸包集合；之后，筛选出鼻子和嘴巴区域，执行凸包计算后，获得第二凸包集合；最后，将第一凸包集合对应的平滑曲线形成的封闭区域和第二凸包集合对应的平滑曲线形成的封闭区域进行区域融合，即，取两个区域的并集，获得人脸五官区域。需要说明的是，对第一/第二凸包集合中各元素顺次连线形成的封闭曲线，进行曲线平滑处理，其目的在于，获取平滑的五官区域，使得人脸五官区域与动漫脸五官区域进行替换时，可以获得收敛性更好的变换参数集，即可降低变换参数集获取过程对应的时间复杂度，且由于是平滑替换，替换效果更自然。此外，这里，可以采用贝塞尔曲线平滑法对曲线进行平滑。
此外，动漫脸五官区域的获取与人脸五官区域的获取方法一致，且具体为，所述根据所述动漫脸关键点数据集确定动漫脸五官区域，还包括：
基于所述动漫脸关键点数据集中关键点的编号，筛选出眼关键点和眉关键点，形成第二眼眉集合；
对所述第二眼眉集合执行凸包计算，获取第三凸包集合；
基于所述动漫脸关键点数据集中关键点的编号，筛选出鼻关键点和嘴关键点，形成第二嘴鼻集合；
对所述第二嘴鼻集合执行凸包计算，获取第四凸包集合；
对所述第三凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第三区域；
对所述第四凸包集合中各元素顺次连线形成封闭曲线，对所述封闭曲线进行曲线平滑处理，将处理后获得的平滑曲线形成的封闭区域，确定为第四区域；
将所述第三区域与所述第四区域融合后的封闭区域，确定为动漫脸五官区域。
其中，所述凸包计算，包括：
将待处理的集合中的各元素的位置信息转换为二维坐标，选择一元素加入凸包集合中；
将所述凸包集合中当前加入的元素作为原点，确定除作为原点的所述元素外的各元素与原点的连线在坐标系中的角度，将所述角度满足角度设定条件的元素加入所述凸包集合；
重复上述步骤，直至当前加入的元素已存在于所述凸包集合中。
这里，基于待处理集合中的各元素的位置信息，将待处理集合的各元素映射到二维坐标系中。如图2A所示，{P0，P1，P2，P3，P4，P5，P6，P7，P8}为待处理集合中的各元素映射到二维坐标系中对应的点集。为了便于计算处理，可以选择纵坐标最小的P0点作为凸包集合的第一个点，且将其作为原点。此外，通过计算除作为原点的元素外的各元素与原点的连线在坐标系中的角度a，来确定被加入凸包集合中的下一元素P1；随后，又将当前加入的元素P1作为原点，重新计算除作为原点的元素外的各元素与原点的连线在坐标系中的角度，直至当前加入的元素已经存在于凸包集合中。这里，可以设定将对应角度最小的点加入凸包集合，且需要说明的是，还可以设定对应角度最大的点加入凸包集合，本实施例不做具体限定。此外，图2B所示为凸包集合中各元素顺次连线形成的封闭曲线。
实际应用中，在获取到人脸图像对应的人脸五官区域和动漫脸图像对应的动漫脸五官区域后，将人脸五官区域替换动漫脸五官区域。此外，由于人脸五官区域与动漫脸五官区域间存在或多或少的区别，因此，在进行替换之前，采用变换参数集对人脸五官区域进行图像变换。
具体地，所述将所述人脸五官区域替换所述动漫脸五官区域，生成具有人脸五官特征的新动漫脸图像，包括：
基于所述人脸五官区域对应的第一五官集合和所述动漫脸五官区域对应的第二五官集合，计算所述人脸五官区域与所述动漫脸五官区域间的变换参数集；
根据所述变换参数集的缩放比例对所述人脸五官区域进行尺寸变换，根据所述变换参数集的旋转角度相关的正交矩阵对所述人脸五官区域进行旋转变换，根据所述变换参数集的位移对所述人脸五官区域进行位移变换；
将变换后的人脸五官区域替换所述动漫脸五官区域，生成新动漫脸图像。
这里，具体地，所述变换参数集的计算过程为：
其中，pi为第一五官集合构成的矩阵中第i个元素的位置信息；qi为第二五官集合构成的矩阵中第i个元素的位置信息；n为第一五官集合中元素的个数；
(s,R,T)为变换参数集，s为缩放比例，R为旋转角度相关的正交矩阵，T为平移的位移。
此外，又由于在人脸五官区域替换动漫脸五官区域后，生成的新脸图像中，人脸五官区域与动漫脸图像的剩下的脸部区域在肤色上会存在不一致，因此，需要进行必要的后期处理，且具体地，所述方法还包括：
提取所述动漫脸图像对应的肤色信息，根据所述肤色信息，对所述新动漫脸图像进行高斯平滑处理。
进一步地，在实际应用中，为了满足用户的娱乐需求，且为了提高用户体验，在进行脸部替换前或是脸部替换后，可以进行图像风格的变换，其中，可变换风格的图像可以是人脸图像、动漫脸图像和新脸图像，且具体变换过程为：
提取待变图像和待变的风格类别；
生成满足所述风格类别的模拟图片；
计算当前模拟图片与所述待变图像的相似度，在所述相似度低于设定相似度阈值时，生成满足所述风格类别的模拟图片；
重复上述步骤，直至当前模拟图片与所述待变图像的相似度不低于相似度阈值；
输出当前模拟图片。
这里，采用基于深度学习的风格变换模型对图像进行风格变换，且风格变换模型具体为生成式对抗网络模型，且如图3所示，生成式对抗网络模型的训练过程主要为对生成模型的训练，且具体为，将同一风格类别的风格训练图像置于真实图像库中，且对于采样获取的任一真实图像，以随机变量作为生成模型的输入，基于生成模型生成样本图像，基于判别模型确定真实图像和样本图像之间的相似度，根据所述相似度与设定的相似度阈值的比较，判断生成模型是否训练好，如果未训练好，则继续训练生成模型。
其中，生成模型的作用为，生成样本图像，且让生成的样本图像接近真实图像；判别模型的作用为，判断生成的样本图像与真实图像间的差异，从而基于该差异不断尝试迭代生成模型，当生成的样本图像与真实图像足够相似且趋近于稳定的时候，表明生成模型输出的结果可以接近真实图像，此时，生成模型训练完成。
此外，在生成模型训练完成后，对于输入的待变图像，会基于生成模型不断地生成满足风格类别的模拟图片，且将模拟图像与待变图像进行比较，直到当前模拟图片与待变图像间的相似度不低于相似度阈值。
为实现本发明实施例的图像处理方法，本发明实施例还提供了一种图像处理设备，如图11所示，所述图像处理设备包括：图像获取单元1101、第一确定单元1102、第二确定单元1103和图像替换单元1104；其中，
图像获取单元1101，用于获取源脸图像和目标脸图像；
第一确定单元1102，用于确定所述源脸图像对应的源脸关键点数据集，根据所述源脸关键点数据集确定源脸五官区域；
第二确定单元1103，用于确定所述目标脸图像对应的目标脸关键点数据集，根据所述目标脸关键点数据集确定目标脸五官区域；
图像替换单元1104，用于将所述源脸五官区域替换所述目标脸五官区域，生成新脸图像。在一些实施例中，所述图像处理设备还包括风格变换单元，用于：
提取待变图像和待变的风格类别；
生成满足所述风格类别的模拟图片；
计算当前模拟图片与所述待变图像的相似度，在所述相似度低于设定相似度阈值时，生成满足所述风格类别的模拟图片；
重复上述步骤，直至当前模拟图片与所述待变图像的相似度不低于相似度阈值；
输出当前模拟图片。
需要说明的是：上述实施例提供的图像处理设备在进行图像处理时，仅以上述各程序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各程序模块的处理分配由不同的程序模块完成，即将图像处理设备的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的图像处理设备与图像处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
为了实现本发明实施例的图像处理方法，本发明实施例还提供了一种基于硬件实现的图像处理设备，如图12所示，该图像处理设备1210包括：处理器1201和用于存储能够在处理器上运行的计算机程序的存储器1202，其中，所述处理器1201用于运行所述计算机程序时，执行：
获取源脸图像和目标脸图像；
确定所述源脸图像对应的源脸关键点数据集，根据所述源脸关键点数据集确定源脸五官区域；
确定所述目标脸图像对应的目标脸关键点数据集，根据所述目标脸关键点数据集确定目标脸五官区域；
将所述源脸五官区域替换所述目标脸五官区域，生成新脸图像。
在一些实施例中，所述处理器1201还用于运行所述计算机程序时，执行：
提取待变图像和待变的风格类别；
生成满足所述风格类别的模拟图片；
计算当前模拟图片与所述待变图像的相似度，在所述相似度低于设定相似度阈值时，生成满足所述风格类别的模拟图片；
重复上述步骤，直至当前模拟图片与所述待变图像的相似度不低于所述相似度阈值；
输出当前模拟图片。
上述实施例提供的图像处理设备与图像处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
当然，实际应用时，如图12所示，该图像处理设备还可以包括至少一个通信接口1203。图像处理设备中的各个组件通过总线系统1204耦合在一起。可理解，总线系统1204用于实现这些组件之间的连接通信。总线系统1204除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图12中将各种总线都标为总线系统1204。
其中，通信接口1203，用于与其它设备进行交互。
具体来说，所述处理器1201可以通过通信接口1203获取源脸图像和目标脸图像。
可以理解，存储器1202可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器1202旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器1202用于存储各种类型的数据以支持网络设备的操作。
上述本发明实施例揭示的方法可以应用于处理器1201中，或者由处理器1201实现。处理器1201可能是一种集成电路芯片，具有信号的处理能力，更具体地，内置有负载均衡算法，即具有负载均衡能力。在实现过程中，上述方法的各步骤可以通过处理器1201中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1201可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，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。处理器1201可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器1202，处理器1201读取存储器1202中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，网络设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器1202，上述计算机程序可由图像处理设备1210的处理器1202执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。