图像处理方法、装置、计算机设备及存储介质与流程

本申请涉及图像处理领域，尤其涉及一种图像处理方法、装置、计算机设备及存储介质。

背景技术

随着人脸识别技术的快速发展，人们对于人脸识别技术的精确性、快速性要求越来越高，从二维人脸识别，继而发展到三维人脸识别，三维人脸作为一种反馈人脸在现实中的三维数据，相比于二维人脸数据，能反馈更多人脸上的信息。

但是，目前的深度人脸图像的公开数据库非常少，然而进行深度学习等复杂算法对深度人脸图像数据进行训练时，通常需要大量的深度人脸图像数据，所以在深度人脸图像的训练常常会对现有深度人脸图像数据进行数据增广。因此，传统技术上提出了一种数据增广技术，是基于人脸线性模型进行数据增广，其中，人脸的线性模型是对多个三维人脸通过对齐，求平均等简单操作制作出来的线性平均人脸，但线性模型适用于二维人脸数据处理，不适用于三维人脸数据，使用线性模型增广出来的三维人脸数据是线性平均人脸数据，导致失去部分人脸数据，增广得到导致脸部扭曲，最终使得增广得到的真实的三维人脸数据较少。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种可以有效地提高了增广得到的真实的三维人脸数据的数量的图像处理方法、装置、计算机设备及存储介质。

一种图像处理方法，包括：

获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；

对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；

根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；

根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；

根据第一差异向量和第二差异向量确定目标差异向量；

将目标差异向量作为三维人脸图像数据。

一种图像处理装置，包括：

获取模块，用于获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；

转换模块，用于对获取模块获取的第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对获取模块获取的第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；

第一确定模块，用于根据转换模块转换的第一向量，以及第一变换参数确定第一变换矩阵，并根据转换模块转换的第二向量，以及第二变换参数确定第二变换矩阵；

变换模块，用于根据第一确定模块确定的第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第一确定模块确定的第二变换矩阵对第二向量进行向量变换以获得第二差异向量；

第二确定模块，用于根据变换模块变换的第一差异向量和第二差异向量确定目标差异向量；

第三确定模块，用于将目标差异向量作为新的深度人脸图像数据。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述图像处理方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述图像处理方法的步骤。

本申请提出了一种图像处理方法，以及该图像处理方法对应的图像装置、计算机设备及存储介质，在上述图像处理方法中，先是采集一组深度人脸图像数据以得到深度人脸图像数据对应的向量，再通过变换矩阵对该组深度人脸图像数据对应的向量进行向量变换，将经过向量变换后的一组向量得到新的三维人脸图像数据，也就是说，在本方案中，结合了深度人脸图像数据的三维坐标进行变换，在处理过程中是针两张深度人脸图像数据的三维坐标数据进行变换处理，不是简单的对一张深度人脸图像数据进行对齐，求平均等线性变换操作制作出来的，可以有效地降低了丢失人脸数据，降低人脸脸部扭曲，人脸数据比较真实，实现了人脸数据的数量扩展，有效地提高了增广得到的真实的深度人脸图像数据的数量。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例中图像处理方法的一应用环境示意图；

图2是本申请一实施例中图像处理方法的流程示意图；

图3是本申请一实施例中图像处理装置的结构示意图；

图4是本申请一实施例中计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供的图像处理方法、以及该图像处理方法所对应的图像处理装置，计算机设备及存储介质可应用在如图1的所示的应用环境示意图中，其中，图像处理装置用于实现上述图像处理方法，在上述图像处理方法中，通过获取大量深度人脸图像数据，并大量深度人脸图像数据两两进行变换计算等处理，从而得到新的三维人脸数据，而不是简单的对齐，求平均等操作制作出来的线性平均人脸，得到的三维人脸数据脸部扭曲较少，人脸数据比较真实，并且能够实现了数量的扩展，达到数据增广的目的。另外，服务器是指独立的服务器或者是多个服务器组成的服务器集群来实现，具体不做限定。下面通过具体的实施例对本申请中的图像处理方法、以及该图像处理方法所对应的图像处理装置，计算机设备及存储介质进行介绍。

在一实施例中，请参阅图2所示，图2为本申请一实施例中图像处理方法的流程示意图，包括如下步骤：

s10、获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；

其中，在本方案中，第一深度人脸图像数据以及第二深度人脸图像数据是一种三维图像数据，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据。在本方案的实际应用中，可以利用深度相机(depthcamera)获取大量深度人脸图像数据以构建预设深度人脸图像数据库，再从该预设深度人脸图像数据库中随机获取上述第一深度人脸图像数据以及第二深度人脸图像数据，该第一深度人脸图像数据以及第二深度人脸图像数据为该预设深度人脸图像数据库中的任意两个深度人脸图像数据。其中，深度相机指的是一种图像传感器，该图像传感器能够观察到物体或人物在空间中的位置，具体的，该深度相机可以是主动式、被动式，接触式或非接触式深度相机，其中，主动式是指向目标对象发射能量束(如激光、电磁波或超声波等)，被动式深度相机主要利用目标对象的周围环境的条件成像，接触式深度相机是指需与目标对象接触或比较靠近，非接触式是指不需要与目标对象接触。示例性的，上述深度相机具体可以是指tof(time-of-flight)深度相机，除此之外，还可以是kinect深度相机，xtion深度相机或realsense深度相机，具体不做限定。

s20、对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；

其中，需要说明的是，对于现实场景中的点，深度相机扫描得到的每一帧深度人脸图像不仅包括了现实场景中，该深度人脸图像每个点的彩色rgb图像，还包括深度人脸图像每个点到深度相机所在的垂直平面的距离值。该个距离值被称为深度值(depth)，这些深度值共同组成了这一帧的深度人脸图像。也就是说，深度人脸图像可以看做是一副灰度图像，其中，该深度人脸图像中每个点的灰度值代表了这个点的深度值，即该点在现实中的位置到相机所在垂直平面的真实距离。换句话说，利用深度相机获取到的现实场景中的深度人脸图像中，该深度人脸图像中的每个点的灰度值代表了该点的深度值。例如，对于现实场景中点m，深度相机能够获取其在rgb图像中的成像点xm，以及m到深度相机所在的垂直平面(x、y所构成的平面)的距离值，这个距离值便是m的深度值。以深度相机位置为原点，深度相机所朝方向为z轴，深度相机的垂直平面的两个轴向为x、y轴，可以建立深度相机的局部三维坐标系，也即，利用深度相机，获取的深度人脸图像是一种三维人脸图像数据，通过这些三维人脸图像数据并使用预设几何公式，例如三角几何公式，可以得到m在深度相机的局部坐标系中的三维坐标，简而言之，深度人脸图像数据中的每个像素都包含了局部坐标系下各个坐标值的信息，深度人脸图像数据反馈了人脸图像表面的三维信息。

由以上可知，rgb图像中的每个点，都会对应一个在深度相机的局部坐标系中的三维点，深度相机的每一帧的深度人脸图像数据就相当于一个在深度相机的局部三维坐标系中的点云模型。因此，在本方案中，第一深度人脸图像数据，都可以是深度相机的局部坐标系中的三维点，具有对应的三维坐标。另外，需要说明的是，由前述可知，每一帧深度人脸图像数据对应的点云模型是在相机的局部三维坐标系中，不同的深度相机位置(即不同帧)便对应着不同的局部三维坐标系。在本方案中，最后的深度三维人脸图像数据需要坐落在一个坐标系，如世界坐标系或全局坐标系。因此，在本方案中，通过对获取的第一深度人脸图像数据进行向量转换得到对应的第一深度人脸的第一向量，同理，通过第二深度人脸图像数据进行向量转换以获得对应的第二人脸的第二向量，也即，第一向量为第一深度人脸图像数据对应的三维坐标数据，第二向量为第二深度人脸图像数据对应的三维坐标数据。

这里需要说明的是，上述确定第一向量以及第二向量的动作并无时间先后顺序限定，具体不做限定，只要获取了第一深度人脸图像数据后即可进行坐标转换从而得到第一向量，同理，只要获取了第二深度人脸图像数据后即可进行坐标转换从而得到第二向量。

s30、根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；

本方案中，在得到第一深度人脸图像数据对应的第一向量，以及第二深度人脸图像数据对应的第二向量后，通过确定的第一变换参数和第二变换参数分别对第一向量以及第二向量确定出对应的变换矩阵。也即：根据第一向量以及第一变换参数确定第一变换矩阵，根据第二向量以及第二变换参数确定第二变换矩阵。

这里需要说明的是，上述确定第一变换矩阵以及第二变换矩阵的动作并无时间先后顺序限定，具体不做限定，只要确定了第一变换参数以及第一向量后即可确定第一变换矩阵，同理，只要确定了第二变换参数以及第二向量后后即可确定第一变换矩阵。

s40、根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；

在本方案中，在确定了第一变换矩阵以及第二变换矩阵后，可以进一步根据该第一变换矩阵对第一向量进行变换，以及进一步根据该第二变换矩阵对第一向量进行变换，从而得到对应的第一差异向量以及第二差异向量，其中，第一差异向量是指第一向量变换为第二向量所需要的能量表象，也即第一向量到第二向量之间的距离；第二差异向量是指第二向量变换为第一向量所需要的能量表象，也即第二向量到第一向量之间的距离。

这里需要说明的是，上述对第一向量以及第二向量进行向量变换的动作并无时间先后顺序限定，具体不做限定，只要确定了第一变换矩阵后即可根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，同理，只要确定了第二变换矩阵后即可根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量。

s50、根据第一差异向量和第二差异向量确定目标差异向量；

在本方案中，在确定了第一差异向量以及第二差异向量后，进一步根据该第一差异向量以及第二差异向量确定目标差异向量。

s60、将目标差异向量作为新的深度人脸图像数据。

本方案中，可以将求得的目标差异向量作为新的深度人脸图像数据，从而对达到了对深度人脸图像数据起到了图像增广的数据，示例性的，对于1000个深度人脸图像数据，则其两两组合共有499500组合，我们可以从中选取10万个，采取本方案提供的数据增广方法，以对深度人脸图像进行增广，达到图像增广的目的。

综上，本方案中，获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；根据第一差异向量和第二差异向量确定目标差异向量；将目标差异向量作为三维人脸图像数据。也就是说，先是采集一组深度人脸图像数据以得到深度人脸图像数据对应的向量，再通过变换矩阵对该组深度人脸图像数据对应的向量进行向量变换，将根据经过向量变换后的一组向量得到新的三维人脸图像数据，也就是说，在本方案中，结合了深度人脸图像数据的三维坐标进行变换，在处理过程中是针两张深度人脸图像数据的三维坐标数据进行变换处理，不是简单的对一张深度人脸图像数据进行对齐，求平均等线性变换操作制作出来的，可以有效地降低了丢失人脸数据，降低人脸脸部扭曲，人脸数据比较真实，实现了人脸数据的数量扩展，有效地提高了增广得到的真实的深度人脸图像数据的数量。

在一实施例中，步骤s30中，所述根据第一向量以及第一变换参数确定第一变换矩阵，具体包括：

根据以下公式确定出第一变换矩阵：

其中，a1＝||fi^a-fi^b||²log||fi^a-fi^b||，a,b∈[1,n]，b1＝[1,xp,yp,zp]，t1为第一变换参数，m1为第一变换矩阵，fi为第一向量，p∈[1,n]，n为正整数。

另外需要说明的是，在一些实施方式中，上述第一变换参数t1为随机数，具体不做限定。从这里可以看出，本实施例提出了具体的确定根据第一向量以及第一变换参数确定第一变换矩阵的方式，提高了方案的可实施性。

在一实施例中，步骤s40中，根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，具体包括：

根据以下公式对第一向量进行向量变换以获得第一差异向量：

其中，为第一变换矩阵，为第一差异向量。

这里，提出了一种对第一向量进行向量变换以获得第一差异向量，提高了方案的可实施性。

在一实施例中，步骤s30中，根据第二向量以及第二变换参数确定第二变换矩阵，具体包括：

根据以下公式确定出上述第二变换矩阵：

其中，a',b'∈[1,m]，b2＝[1,xk,yk,zk]，t2为第二变换参数，m2为第二变换矩阵，fj为第二向量，fj＝[xk,yk,zk],k∈[1,m]，m为正整数。

需要说明的是，在一些实施方式中，上述第一变换参数t2为随机数，具体不做限定。从这里可以看出，本实施例提出了具体的确定根据第二向量以及第二变换参数确定第二变换矩阵的方式，提高了方案的可实施性。

在一实施例中，步骤s40中，根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量，具体包括：

根据以下公式对第二向量进行向量变换以获得第二差异向量：

其中，m2为第二变换矩阵，αji为第二差异向量。

这里，提出了一种对第二向量进行向量变换以获得第二差异向量，提高了方案的可实施性。从这里可以看出，本方案中，可采用与确定第一差异向量同样的方式获得第一变换矩阵，以及根据第一变换矩阵对第一向量进行向量获得第一差异向量。

需要说明的是，在一些实施方式中，在一些实施方式中，上述t2和t1为相同的变换参数，例如第一变换参数可以为0.5、1、1.5等，第二变换参数可以为0.5、1、1.5等，具体也不做限定。

另外需要说明的是，除了上述确定第一变换矩阵以及第二变换矩阵的方式外，还有其他确定第一变换矩阵以及第二变换矩阵的方式，例如:

根据以下公式确定出第一变换矩阵：

其中，a1＝||fi^a-fi^b||²log||fi^a-fi^b||，a,b∈[1,n]，b1＝[1,xp,yp,zp]，t1为第一变换参数，m1'为第一变换矩阵，fi为第一向量，p∈[1,n]，n为正整数。

根据据以下公式确定第二变换矩阵：

其中，a',b'∈[1,m]，b1＝[1,xk,yk,zk]，t2为第二变换参数，m2'为第二变换矩阵，fj为第二向量，fj＝[xk,yk,zk],k∈[1,m]，m为正整数。

在一实施例中，步骤s50，也即根据第一差异向量和第二差异向量确定目标差异向量，具体包括：

根据以下公式确定目标差异向量：

其中，s(i,j)为目标差异向量，αij为第一差异向量，αji为第二差异向量。

需要说明的是，根据第一差异向量以及第二差异向量，除了根据上述方式确定目标差异向量外，还可以有其他的方式，具体不做限定，例如：

根据以下公式确定参数差异向量：

其中，s'(i,j)为上述参数差异向量，αij为第一差异向量，αji为第二差异向量，并将上述参数差异向量进行仿射变换以得到上述目标差异向量，其中，仿射变换是指一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间的过程。

在一实施例中，第一人脸与第二人脸为同一个人的人脸。采用相同人的人脸的深度图像人脸数据进行上述图像处理方法，由于属于同个人，可以使得最后得到的新的深度人脸图像数据更为真实。

综上所述，本申请提出了一种图像处理方法，先是采集一组深度人脸图像数据以得到深度人脸图像数据对应的向量，再通过变换矩阵对该组深度人脸图像数据对应的向量进行向量变换，将根据经过向量变换后的一组向量得到新的三维人脸图像数据，也就是说，结合了深度人脸图像数据的三维坐标进行变换，而不再是简单的对齐，求平均等操作制作出来的线性平均人脸，得到的新的人脸数据脸部扭曲较少，人脸数据比较真实，并且能够实现了数量的扩展，达到数据增广的目的。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种图像处理装置，该图像处理装置与上述实施例中图像处理方法一一对应。如图3所示，该图像处理装置包括获取模块301、转换模块302、第一确定模块303、变换模块304、第二确定模块305和第三确定模块306。各功能模块详细说明如下：

获取模块301，用于获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；

转换模块302，用于对获取模块301获取的第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对获取模块301获取的第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；

第一确定模块303，用于根据转换模块302转换的第一向量，以及第一变换参数确定第一变换矩阵，并根据转换模块302转换的第二向量，以及第二变换参数确定第二变换矩阵；

变换模块304，用于根据第一确定模块303确定的第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第一确定模块303确定的第二变换矩阵对第二向量进行向量变换以获得第二差异向量；

第二确定模块305，用于根据变换模块304变换的第一差异向量和第二差异向量确定目标差异向量；

第三确定模块306，用于将第二确定模块305确定的目标差异向量作为三维人脸图像数据。

在一实施例中，第一确定模块303具体用于：

根据以下公式确定出第一变换矩阵：

其中，，b1＝[1,xp,yp,zp]，t1为第一变换参数，m1为第一变换矩阵，fi为第一向量，p∈[1,n]，n为正整数。

在一实施例中，变换模块304具体用于：

根据以下公式对第一向量进行向量变换以获得第一差异向量：

其中，m1为第一变换矩阵，αij为第一差异向量。

在一实施例中，第一确定模块303具体用于：

根据以下公式确定出上述第二变换矩阵：

其中，a',b'∈[1,m]，b2＝[1,xk,yk,zk]，t2为第二变换参数，m2为第二变换矩阵，fj为第二向量，fj＝[xk,yk,zk],k∈[1,m]，m为正整数。

在一实施例中，变换模块304具体用于：

根据以下公式对第二向量进行向量变换以获得第二差异向量：

其中，m2为第二变换矩阵，αji为第二差异向量。

在一实施例中，第二确定模块305具体用于：

根据以下公式确定目标差异向量：

其中，s(i,j)为目标差异向量，αij为第一差异向量，αji为第二差异向量。

在一实施例中，第一人脸与第二人脸为同一个人的人脸。

可得，本申请提出了一种图像处理装置，图像处理装置先是采集一组深度人脸图像数据以得到深度人脸图像数据对应的向量，再通过变换矩阵对该组深度人脸图像数据对应的向量进行向量变换，将根据经过向量变换后的一组向量得到新的三维人脸图像数据，也就是说，在本方案中，结合了深度人脸图像数据的三维坐标进行变换，在处理过程中是针两张深度人脸图像数据的三维坐标数据进行变换处理，不是简单的对一张深度人脸图像数据进行对齐，求平均等线性变换操作制作出来的，可以有效地降低了丢失人脸数据，降低人脸脸部扭曲，人脸数据比较真实，实现了人脸数据的数量扩展，有效地提高了增广得到的真实的深度人脸图像数据的数量。

关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储获取的第一、第二深度图像人脸数据，并存储计算出来的上述变换矩阵、变换参数等。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；

对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；

根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；

根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；

根据第一差异向量和第二差异向量确定目标差异向量；

将所述目标差异向量作为新的深度人脸图像数据。

需要说明的是，该计算机设备中的处理器执行计算机程序时可实现的其他步骤，该其他步骤可对应参阅前述图像处理方法中方法实施例的描述，这里不再重复描述。

可得，本申请提出了一种计算机设备，该计算机设备对深度人脸图像数据的三维坐标进行变换，在处理过程中是针两张深度人脸图像数据的三维坐标数据进行变换处理，不是简单的对一张深度人脸图像数据进行对齐，求平均等线性变换操作制作出来的，可以有效地降低了丢失人脸数据，降低人脸脸部扭曲，人脸数据比较真实，实现了人脸数据的数量扩展，有效地提高了增广得到的真实的深度人脸图像数据的数量。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取第一深度人脸图像数据以及第二深度人脸图像数据，其中，第一深度人脸图像数据和第二深度人脸图数据分别为第一人脸和第二人脸的深度人脸图像数据；

对第一深度人脸图像数据进行坐标转换以获得第一人脸的第一向量，并对第二深度人脸图像数据进行坐标转换以获得第二人脸的第二向量；

根据第一向量以及第一变换参数确定第一变换矩阵，并根据第二向量以及第二变换参数确定第二变换矩阵；

根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，并根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；

根据第一差异向量和第二差异向量确定目标差异向量；

将所述目标差异向量作为新的深度人脸图像数据。

需要说明的是，存储在计算机介质的计算机程序被处理器执行时可实现的其他步骤，该其他步骤可对应参阅前述图像处理方法中方法实施例的描述，这里不再重复描述。

可得，在本方案中提出了一种计算机存储介质，当存储在计算机介质的计算机程序被处理器执行时，结合了深度人脸图像数据的三维坐标进行变换，在处理过程中是针两张深度人脸图像数据的三维坐标数据进行变换处理，不是简单的对一张深度人脸图像数据进行对齐，求平均等线性变换操作制作出来的，可以有效地降低了丢失人脸数据，降低人脸脸部扭曲，人脸数据比较真实，实现了人脸数据的数量扩展，有效地提高了增广得到的真实的深度人脸图像数据的数量。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。