一种基于机器学习的人脸风格化方法及电子设备与流程

本发明涉及人脸风格化领域，特别涉及一种基于机器学习的人脸风格化方法及电子设备。

背景技术：

现有的基于机器学习的人脸风格化生成方法，采用了贝叶斯模型，考虑像素点的先验/后验概率，并且结合了马尔可夫模型，因此计算时间较长，完全不能满足手机应用的需求，另外求解完备方程也消耗了较长的时间。

技术实现要素：

为了解决上述问题，本发明提供一种基于机器学习的人脸风格化方法及电子设备。

所述技术方案如下：

第一方面，提供了一种基于机器学习的人脸风格化方法，所述方法包括：

对人脸图像，预设的人脸图库中的所有图像以及与所述预设的人脸库对应的风格化图像库中的所有风格化图像按照相同的规则进行分片；

对于所述人脸图像中的每个分片，在预设的人脸库中查找与其最相近的n个图像分片；

根据查找到的n个图像分片与所述人脸图像中对应分片的相似度分别计算每个图像分片的权重；

获取所述n个图像分片在风格化图像库中对应的n个风格化图像分片；

根据所述权重将所述n个风格化图像分片合成为所述人脸图像分片的风格化分片；

将所述人脸图像的所有分片的风格化分片合成为所述人脸图像的风格化图像。

结合第一方面，在第一种可能的实现方式中，所述分片的大小为32像素×32像素。

结合第一方面，在第二种可能的实现方式中，所述对于所述人脸图像中的每个分片，在预设的人脸库中查找与其最相近的n个图像分片包括：

对于所述人脸图像中的每个分片，根据k近邻算法在预设的人脸库中查找与其最相近的n个图像分片。

结合第一方面，在第三种可能的实现方式中，所述根据查找到的n个图像分片与所述人脸图像中对应分片的相似度分别计算每个图像分片的权重包括：

根据查找到的n个图像分片与所述人脸图像中对应分片的相似度，通过多元线性回归算法分别计算每个图像分片的权重。

结合第一方面，在第四种可能的实现方式中，所述将所述人脸图像的所有分片的风格化分片合成为所述人脸图像的风格化图像包括：

将所述人脸图像的所有分片的风格化分片以线性组合的方式合成为所述人脸图像的风格化图像。

第二方面，提供了一种电子设备，所述电子设备包括：

分割模块，用于对人脸图像，预设的人脸图库中的所有图像以及与所述预设的人脸库对应的风格化图像库中的所有风格化图像按照相同的规则进行分片；

查找模块，用于对于所述人脸图像中的每个分片，在预设的人脸库中查找与其最相近的n个图像分片；

计算模块，用于根据查找到的n个图像分片与所述人脸图像中对应分片的相似度分别计算每个图像分片的权重；

获取模块，用于获取所述n个图像分片在风格化图像库中对应的n个风格化图像分片；

合成模块，用于根据所述权重将所述n个风格化图像分片合成为所述人脸图像分片的风格化分片；

所述合成模块还用于将所述人脸图像的所有分片的风格化分片合成为所述人脸图像的风格化图像。

结合第二方面，在第一种可能的实现方式中，所述分片的大小为32像素×32像素。

结合第二方面，在第二种可能的实现方式中，所述查找模块具体用于：

对于所述人脸图像中的每个分片，根据k近邻算法在预设的人脸库中查找与其最相近的n个图像分片。

结合第二方面，在第三种可能的实现方式中，所述计算模块具体用于：

根据查找到的n个图像分片与所述人脸图像中对应分片的相似度，通过多元线性回归算法分别计算每个图像分片的权重。

结合第二方面，在第四种可能的实现方式中，所述合成模块具体用于：

将所述人脸图像的所有分片的风格化分片以线性组合的方式合成为所述人脸图像的风格化图像。

第三方面，提供了一种电子设备，所述设备包括存储器、摄像头以及与所述存储器、摄像头连接的处理器，其中，所述存储器用于存储一组程序代码，所述处理器调用所述存储器所存储的程序代码用于执行以下操作：

对人脸图像，预设的人脸图库中的所有图像以及与所述预设的人脸库对应的风格化图像库中的所有风格化图像按照相同的规则进行分片；

对于所述人脸图像中的每个分片，在预设的人脸库中查找与其最相近的n个图像分片；

根据查找到的n个图像分片与所述人脸图像中对应分片的相似度分别计算每个图像分片的权重；

获取所述n个图像分片在风格化图像库中对应的n个风格化图像分片；

根据所述权重将所述n个风格化图像分片合成为所述人脸图像分片的风格 化分片；

将所述人脸图像的所有分片的风格化分片合成为所述人脸图像的风格化图像。

结合第三方面，在第一种可能的实现方式中，所述分片的大小为32像素×32像素。

结合第三方面，在第二种可能的实现方式中，所述处理器调用所述存储器所存储的程序代码用于执行以下操作：

对于所述人脸图像中的每个分片，根据k近邻算法在预设的人脸库中查找与其最相近的n个图像分片。

结合第三方面，在第三种可能的实现方式中，所述处理器调用所述存储器所存储的程序代码用于执行以下操作：

根据查找到的n个图像分片与所述人脸图像中对应分片的相似度，通过多元线性回归算法分别计算每个图像分片的权重。

结合第三方面，在第四种可能的实现方式中，所述处理器调用所述存储器所存储的程序代码用于执行以下操作：

将所述人脸图像的所有分片的风格化分片以线性组合的方式合成为所述人脸图像的风格化图像。

本发明实施例提供了一种基于机器学习的人脸风格化方法，能够实时的通过输入图片来生成对应的个性化人脸，图像分块可以使得生成图像具有灵活自动的特点，多元线性回归可以找到合适的系数，从而使得在样本库中对应的到较准确的眼睛，鼻子和嘴的结果，同时算法简单，具有效率高、速度快的优点。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于机器学习的人脸风格化方法的流程图；

图2是本发明实施例提供的一种基于机器学习的人脸风格化方法的流程图；

图3是本发明实施例提供的一种电子设备的结构示意图；

图4是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明实施例提供了一种基于机器学习的人脸风格化方法，能够实时的通过输入图片来生成对应的个性化人脸，图像分块可以使得生成图像具有灵活自动的特点，多元线性回归可以找到合适的系数，从而使得在样本库中对应的到较准确的眼睛，鼻子和嘴的结果，同时算法简单，具有效率高、速度快的优点。

实施例一

本发明实施例提供了一种基于机器学习的人脸风格化方法，参照图1所示，方法流程包括：

101、对人脸图像，预设的人脸图库中的所有图像以及与所述预设的人脸库对应的风格化图像库中的所有风格化图像按照相同的规则进行分片。

具体的，该过程可以包括：

将人脸图像，预设的人脸图库中的所有图像以及与所述预设的人脸库对应的风格化图像库中的所有风格化图像按照相同的规则分为大小为32像素×32像素的分片。

102、对于所述人脸图像中的每个分片，在预设的人脸库中查找与其最相近的n个图像分片。

具体的，该过程可以包括：

根据k最近邻(k-nearestneighbor，knn)分类算法，取出欧式距离最小的 n个图像分片。

示例性的，n＝5。

103、根据查找到的n个图像分片与所述人脸图像中对应分片的相似度分别计算每个图像分片的权重。

具体的，该过程可以包括：

根据多元线性回归模型(multivariablelinearregressionmodel)分别计算n个图像分片的权重。

104、获取所述n个图像分片在风格化图像库中对应的n个风格化图像分片。

具体的，该过程可以包括：

根据在预设人脸库中查找到的n个图像分片，在风格化图像库中获取对应的n个风格化图像分片。

需要说明的是，本发明实施例对步骤103和步骤104的执行顺序不加限定，可以先执行步骤103，再执行步骤104，也可以先执行步骤104，再执行步骤103，还可以同时执行步骤103和步骤104。

105、根据所述权重将所述n个风格化图像分片合成为所述人脸图像分片的风格化分片。

具体的，该过程可以包括：

根据公式(1)计算合成后的图像分片中的每个像素的像素值。

其中ij为合成后图像分片中的第j个像素，ijk为n个图像分片中第k个图像分片的第j个像素，该像素的位置与ij相对应，wk是n个图像分片中第k个图像分片对应的权重。

106、将所述人脸图像的所有分片的风格化分片合成为所述人脸图像的风格化图像。

具体的，该过程可以包括：

根据步骤101中的划分规则将所有的风格化分片拼接为该人脸图像的风格化图像。

本发明实施例提供了一种基于机器学习的人脸风格化方法，能够实时的通过输入图片来生成对应的个性化人脸，图像分块可以使得生成图像具有灵活自动的特点，多元线性回归可以找到合适的系数，从而使得在样本库中对应的到较准确的眼睛，鼻子和嘴的结果，同时算法简单，具有效率高、速度快的优点。

实施例二

本发明实施例提供了一种基于机器学习的人脸风格化方法，参照图2所示，方法流程包括：

201、对人脸图像，预设的人脸图库中的所有图像以及与所述预设的人脸库对应的风格化图像库中的所有风格化图像按照相同的规则进行分片。

具体的，该过程可以包括：

将人脸图像，预设的人脸图库中的所有图像以及与所述预设的人脸库对应的风格化图像库中的所有风格化图像按照相同的规则分为大小为64像素×64像素的分片。

202、对于所述人脸图像中的每个分片，在预设的人脸库中查找与其最相近的n个图像分片。

具体的，该过程可以包括：

根据k最近邻(k-nearestneighbor，knn)分类算法，取出欧式距离最小的n个图像分片。

示例性的，n＝3。

203、根据查找到的n个图像分片与所述人脸图像中对应分片的相似度分别计算每个图像分片的权重。

具体的，该步骤与步骤103相同，在此不再加以赘述。

204、获取所述n个图像分片在风格化图像库中对应的n个风格化图像分片。

具体的，该步骤与步骤104相同，在此不再加以赘述。

需要说明的是，本发明实施例对步骤203和步骤204的执行顺序不加限定，可以先执行步骤203，再执行步骤204，也可以先执行步骤204，再执行步骤203，还可以同时执行步骤203和步骤204。

205、根据所述权重将所述n个风格化图像分片合成为所述人脸图像分片的风格化分片。

具体的，该步骤与步骤105相同，在此不再加以赘述。

206、将所述人脸图像的所有分片的风格化分片合成为所述人脸图像的风格化图像。

具体的，该过程可以包括：

根据步骤201中的划分规则将所有的风格化分片拼接为该人脸图像的风格化图像。

本发明实施例提供了一种基于机器学习的人脸风格化方法，能够实时的通过输入图片来生成对应的个性化人脸，图像分块可以使得生成图像具有灵活自动的特点，多元线性回归可以找到合适的系数，从而使得在样本库中对应的到较准确的眼睛，鼻子和嘴的结果，同时算法简单，具有效率高、速度快的优点。

实施例三

本发明实施例提供了一种电子设备，参照图3所示，该电子设备包括：

分割模块301，用于对人脸图像，预设的人脸图库中的所有图像以及与所述预设的人脸库对应的风格化图像库中的所有风格化图像按照相同的规则进行分片；

查找模块302，用于对于所述人脸图像中的每个分片，在预设的人脸库中查找与其最相近的n个图像分片；

计算模块303，用于根据查找到的n个图像分片与所述人脸图像中对应分片的相似度分别计算每个图像分片的权重；

获取模块304，用于获取所述n个图像分片在风格化图像库中对应的n个风格化图像分片；

合成模块305，用于根据所述权重将所述n个风格化图像分片合成为所述人脸图像分片的风格化分片；

合成模块305还用于将所述人脸图像的所有分片的风格化分片合成为所述人脸图像的风格化图像。

可选的，分片的大小为32像素×32像素，或者，分片的大小为64像素×64像素。

可选的，查找模块302用于：

对于所述人脸图像中的每个分片，根据k近邻算法在预设的人脸库中查找与其最相近的n个图像分片。

可选的，计算模块303用于：

根据查找到的n个图像分片与所述人脸图像中对应分片的相似度，通过多元线性回归算法分别计算每个图像分片的权重。

可选的，合成模块305用于：

将所述人脸图像的所有分片的风格化分片以线性组合的方式合成为所述人脸图像的风格化图像。

本发明实施例提供了一种电子设备，能够实时的通过输入图片来生成对应的个性化人脸，图像分块可以使得生成图像具有灵活自动的特点，多元线性回归可以找到合适的系数，从而使得在样本库中对应的到较准确的眼睛，鼻子和嘴的结果，同时算法简单，具有效率高、速度快的优点。

实施例四

本发明实施例提供了一种电子设备，参照图4所示，所述设备包括存储器401、摄像头402、以及与存储器401、摄像头402连接的处理器403，其中，存储器401用于存储一组程序代码，处理器403调用存储器401所存储的程序代码用于执行以下操作：

对人脸图像，预设的人脸图库中的所有图像以及与所述预设的人脸库对应的风格化图像库中的所有风格化图像按照相同的规则进行分片；

对于所述人脸图像中的每个分片，在预设的人脸库中查找与其最相近的n个图像分片；

根据查找到的n个图像分片与所述人脸图像中对应分片的相似度分别计算每个图像分片的权重；

获取所述n个图像分片在风格化图像库中对应的n个风格化图像分片；

根据所述权重将所述n个风格化图像分片合成为所述人脸图像分片的风格化分片；

将所述人脸图像的所有分片的风格化分片合成为所述人脸图像的风格化图像。

可选的，分片的大小为32像素×32像素，或者，分片的大小为64像素×64像素。

可选的，处理器403调用存储器401所存储的程序代码用于执行以下操作：

对于所述人脸图像中的每个分片，根据k近邻算法在预设的人脸库中查找与其最相近的n个图像分片。

可选的，处理器403调用存储器401所存储的程序代码用于执行以下操作：

根据查找到的n个图像分片与所述人脸图像中对应分片的相似度，通过多元线性回归算法分别计算每个图像分片的权重。

可选的，处理器403调用存储器401所存储的程序代码用于执行以下操作：

将所述人脸图像的所有分片的风格化分片以线性组合的方式合成为所述人脸图像的风格化图像。

本发明实施例提供了一种电子设备，能够实时的通过输入图片来生成对应的个性化人脸，图像分块可以使得生成图像具有灵活自动的特点，多元线性回归可以找到合适的系数，从而使得在样本库中对应的到较准确的眼睛，鼻子和嘴的结果，同时算法简单，具有效率高、速度快的优点。

以上仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，本领域普通 技术人员在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。