一种人脸图像增强方法、装置、设备及存储介质与流程

本公开涉及图像处理技术领域，尤其涉及一种人脸图像增强方法、装置、设备及存储介质。

背景技术：

目前，图像增强技术广泛应用于图像、视频处理领域，主要包括图像去噪、锐化、去模糊、颜色增强、超分辨率等技术。图像增强技术可以对整张图像进行增强处理，也可以只对图像中的某个区域进行单独的增强处理。人脸图像增强，通常是指先检测出图像中人脸所在区域，然后对人脸所在区域进行单独的增强处理。

目前的人脸图像增强方法中，对于所有人脸图像均采用同一种图像增强方式，而不同类别的人脸图像特征不同，可能存在不同的图像增强处理需求，如果均采用同一种图像增强方式，显然无法满足不同类别的人脸图像的增强处理需求。

因此，如何实现对不同类别的人脸图像的增强处理，是目前亟需解决的技术问题。

技术实现要素：

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种人脸图像增强方法、装置、设备及存储介质。

第一方面，本公开提供了一种人脸图像增强方法，所述方法包括：

基于待增强人脸图像的人脸属性，确定所述待增强人脸图像对应的人脸类别，作为目标类别；

从各个人脸类别分别对应的图像增强模型中，确定所述目标类别对应的图像增强模型，作为目标模型；其中，各个图像增强模型为基于自身对应的人脸类别的人脸图像样本训练得到；

将所述待增强人脸图像输入至所述目标模型中，经过所述目标模型的增强处理后，得到所述待增强人脸图像对应的人脸增强图像。

一种可选的实施方式中，所述基于待增强人脸图像的人脸属性，确定所述待增强人脸图像对应的人脸类别，作为目标类别，包括：

将待增强人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果；其中，所述图像分类模型为基于带有类别标签的人脸图像样本训练得到，所述类别标签为基于所述人脸图像样本的人脸属性确定的；

基于所述分类结果，确定所述待增强人脸图像对应的人脸类别，作为目标类别。

一种可选的实施方式中，所述从各个人脸类别分别对应的图像增强模型中，确定所述目标类别对应的图像增强模型，作为目标模型之前，还包括：

构建第一人脸类别对应的人脸图像样本集；所述人脸图像样本集中包括无噪声人脸图像样本和有噪声人脸图像样本；

利用所述第一人脸类别对应的人脸图像样本，对预设机器模型进行训练，得到所述第一人脸类别对应的图像增强模型。

一种可选的实施方式中，所述构建第一人脸类别对应的人脸图像样本集，包括：

获取第一人脸类别对应的无噪声人脸图像样本；

对所述无噪声人脸图像样本进行降质处理，得到所述第一人脸类别对应的有噪声人脸图像样本；

基于所述有噪声人脸图像样本和所述无噪声人脸图像样本，构建所述第一人脸类别对应的人脸图像样本集。

一种可选的实施方式中，所述对所述无噪声人脸图像样本进行降质处理，得到所述第一人脸类别对应的有噪声人脸图像样本，包括：

从各个人脸类别分别对应的降质处理方式中，确定所述第一人脸类别对应的降质处理方式；其中，所述降质处理方式包括至少一种增加图像噪声的方式；

利用所述第一人脸类别对应的降质处理方式，对所述无噪声人脸图像样本进行降质处理，得到所述第一人脸类别对应的有噪声人脸图像样本。

一种可选的实施方式中，所述将待增强人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果之前，还包括：

以预设去噪强度对待增强人脸图像进行去噪处理，得到去噪后人脸图像；

相应的，所述将待增强人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果，包括：

将所述去噪后人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果。

一种可选的实施方式中，所述人脸属性包括年龄、性别、颜值和人种中的至少一个。

第二方面，本公开提供了一种人脸图像增强装置，所述装置包括：

第一确定模块，用于基于待增强人脸图像的人脸属性，确定所述待增强人脸图像对应的人脸类别，作为目标类别；

第二确定模块，用于从各个人脸类别分别对应的图像增强模型中，确定所述目标类别对应的图像增强模型，作为目标模型；其中，各个图像增强模型为基于自身对应的人脸类别的人脸图像样本训练得到；

增强处理模块，用于将所述待增强人脸图像输入至所述目标模型中，经过所述目标模型的增强处理后，得到所述待增强人脸图像对应的人脸增强图像。

一种可选的实施方式中，所述第一确定模块，包括：

分类子模块，用于将待增强人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果；其中，所述图像分类模型为基于带有类别标签的人脸图像样本训练得到，所述类别标签为基于所述人脸图像样本的人脸属性确定的；

第一确定子模块，用于基于所述分类结果，确定所述待增强人脸图像对应的人脸类别，作为目标类别。

一种可选的实施方式中，所述装置还包括：

构建模块，用于构建第一人脸类别对应的人脸图像样本集；所述人脸图像样本集中包括无噪声人脸图像样本和有噪声人脸图像样本；

训练模块，用于利用所述第一人脸类别对应的人脸图像样本集，对预设机器模型进行训练，得到所述第一人脸类别对应的图像增强模型。

一种可选的实施方式中，所述构建模块，包括：

获取子模块，用于获取第一人脸类别对应的无噪声人脸图像样本；

第一降质处理子模块，用于对所述无噪声人脸图像样本进行降质处理，得到所述第一人脸类别对应的有噪声人脸图像样本；

构建子模块，用于基于所述有噪声人脸图像样本和所述无噪声人脸图像样本，构建所述第一人脸类别对应的人脸图像样本集。

一种可选的实施方式中，所述第一降质处理子模块，包括：

第二确定子模块，用于从各个人脸类别分别对应的降质处理方式中，确定所述第一人脸类别对应的降质处理方式；其中，所述降质处理方式包括至少一种增加图像噪声的方式；

第一降质处理子模块，用于利用所述第一人脸类别对应的降质处理方式，对所述无噪声人脸图像样本进行降质处理，得到所述第一人脸类别对应的有噪声人脸图像样本。

一种可选的实施方式中，所述装置还包括：

去噪模块，用于以预设去噪强度对待增强人脸图像进行去噪处理，得到去噪后人脸图像；

相应的，所述分类子模块，具体用于：

将所述去噪后人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果。

一种可选的实施方式中，所述人脸属性包括年龄、性别、颜值和人种中的至少一个。

第三方面，本公开提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备实现上述任一项所述的方法。

第四方面，本公开提供了一种设备，包括：存储器，处理器，及存储在所述存储器上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，实现上述任一项所述的方法。

本公开实施例提供的技术方案与现有技术相比具有如下优点：

本公开实施例提供了一种人脸图像增强方法，首先，基于待增强人脸图像的人脸属性，确定所述待增强人脸图像对应的人脸类别，作为目标类别。然后，从各个人脸类别分别对应的图像增强模型中，确定所述目标类别对应的图像增强模型，作为目标模型；其中，各个图像增强模型为基于自身对应的人脸类别的人脸图像样本训练得到。最后，将所述待增强人脸图像输入至所述目标模型中，经过所述目标模型的增强处理后，得到所述待增强人脸图像对应的人脸增强图像。本公开实施例利用不同的图像增强模型分别对不同类别的人脸图像进行增强处理，由于各种类别的图像增强模型是基于对应类别的人脸图像样本集训练得到，因此，图像增强模型能够针对对应类别的人脸图像的图像增强需求进行增强处理，对于每一张人脸图像而言，本公开实施例能够得到尽量满足其增强需求的人脸增强图像，提高了人脸图像增强效果，避免了人脸图像增强泛化性不好的问题。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本公开实施例提供的一种人脸图像增强方法的流程图；

图2为本公开实施例提供的一种降质处理流程图；

图3为本公开实施例提供的一种人脸图像增强装置的结构示意图；

图4为本公开实施例提供的一种人脸图像增强设备的结构示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

人脸图像是指图像中显示有人脸，且显示的人脸占整张图像较大比例的图像。人脸图像增强，是指通过对人脸图像进行去噪、锐化、去模糊、颜色增强、细节生成等增强处理，以增强人脸图像的质量，提升人脸图像的显示效果。人脸图像增强又被称为人脸图像修复。

人脸图像增强通常用于对旧照片、旧视频中的人脸或者人脸质量较差的照片、视频中的人脸进行修复。人脸图像增强方法目前可以基于网络模型实现，具体的，利用大量人脸图像样本对网络模型进行训练，得到经过训练的网络模型，然后利用该网络模型对人脸图像进行增强处理，得到增强后人脸图像。

但是，目前的人脸图像增强方法中，由于网络模型是基于各种类别的人脸图像样本共同训练得到的，因此经过训练的网络模型学习到的人脸图像增强处理方式，是针对各种类别的人脸图像的共性特征进行增强处理的方式。例如，对于男性人脸图像和女性人脸图像，目前的人脸图像增强方法针对二者的增强处理方式相同，而事实上男性和女性对于人脸增强处理的需求不同，女性可能不仅需要美白、滤镜、除粉刺、去雀斑，还需要脸型、眼睛、鼻子等形状和角度的调整，而男性相对而言对人脸处理的需求较少。因此，利用同一网络模型对各种类别的人脸图像进行相同的增强处理，显然人脸图像增强的泛化性不好，对于各种类别的人脸图像无法达到预期的增强效果。

因此，本公开提供了一种人脸图像增强方法，首先，基于待增强人脸图像的人脸属性，确定所述待增强人脸图像对应的人脸类别，作为目标类别。然后，从各个人脸类别分别对应的图像增强模型中，确定所述目标类别对应的图像增强模型，作为目标模型；其中，各个图像增强模型为基于自身对应的人脸类别的人脸图像样本训练得到。最后，将所述待增强人脸图像输入至所述目标模型中，经过所述目标模型的增强处理后，得到所述待增强人脸图像对应的人脸增强图像。本公开实施例利用不同的图像增强模型对不同类别的人脸图像进行增强处理，由于各种类别的图像增强模型是基于对应类别的人脸图像样本集训练得到，因此，利用对应类别的图像增强模型对相应类别的人脸图像进行增强处理，对于每一张人脸图像而言，能够得到尽量满足其增强需求的人脸增强图像，提高了人脸图像的增强效果，避免了人脸图像增强泛化性不好的问题。

基于此，本公开提供了一种人脸图像增强方法，参考图1，图1为本公开实施例提供的一种人脸图像增强方法流程图，其中，该人脸图像增强方法包括：

s101：基于待增强人脸图像的人脸属性，确定所述待增强人脸图像对应的人脸类别，作为目标类别。

本公开实施例中，在确定待增强人脸图像对应的人脸类别之前，首先基于人脸属性对待增强人脸图像进行人脸类别的划分。其中，人脸属性可以包括性别、年龄、人种、颜值等。也就是说，本公开实施例可以基于性别、年龄、人种、颜值中的至少一个属性，对待增强人脸图像进行人脸类别的划分。

以人脸属性包括性别和年龄为例，按照性别可以将人脸图像划分为男、女两类，按照年龄可以将人脸图像划分为幼少年、青中年、老年三类，而对于幼年和老年的人脸图像，年龄比性别特征性更强，因此无需区分性别，因此，结合性别和年龄的属性，可以将人脸图像确定为四个类别，即幼少年、中青年男性、中青年女性、老年。

本公开实施例中，可以基于上述人脸类别划分的方式，基于待增强人脸图像的人脸属性，确定待增强人脸图像对应的人脸类别，作为目标类别。

一种可选的实施方式中，可以采用深度学习的方式确定待增强人脸图像对应的人脸类别。具体的，可以利用图像分类模型对待增强人脸图像进行分类处理，得到分类结果，然后基于该分类结果确定待增强人脸图像对应的人脸类别。具体的，首先将待增强人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果；其中，所述图像分类模型为基于带有类别标签的人脸图像样本训练得到，所述类别标签为基于所述人脸图像样本的人脸属性确定的。然后，基于所述分类结果，确定所述待增强人脸图像对应的人脸类别，作为目标类别。

在此之前，首先构建用于训练图像分类模型的带有类别标签的人脸图像训练样本。然后，利用大量的带有类别标签的人脸图像训练样本对图像分类模型进行训练，完成对图像分类模型的训练。其中，图像分类模型可以基于resnet50残差网络等实现。

另一种可选的实施方式中，也可以基于待增强人脸图像的人脸属性，对该待增强人脸图像进行特征分析，确定待增强人脸图像对应的人脸类别。

为了提高确定待增强人脸图像对应的人脸类别的准确性，本公开实施例可以在确定待增强人脸图像对应的人脸类别之前，对待增强人脸图像进行轻微的图像去噪处理，以去除待增强人脸图像上的强度较大的噪声，以避免强度较大的噪声对待增强人脸图像的人脸类别确定存在影响。具体的，以预设去噪强度对待增强人脸图像进行去噪处理。其中，预设去噪强度可以设置为较弱的去噪强度。以nl-mean(非局部平均；non-localmeans)去噪算法为例，在利用nl-mean去噪算法对待增强人脸图像进行去噪处理时，其中的opencv中的fastnlmeansdenoisingcolored函数的功能是为彩色图像去噪，过滤器强度参数h和hforcolorcomponents建议设置为3左右即可。

实际应用中，以预设去噪强度对待增强人脸图像进行去噪处理，得到去噪后人脸图像之后，将去噪后人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果。由于本公开实施例对待增强人脸图像进行轻微的图像去噪处理，能够去除待增强人脸图像上的强度较大的噪声，从而避免了强度较大的噪声对待增强人脸图像的人脸类别确定存在影响，提高了人脸类别确定的准确性。

s102：从各个人脸类别分别对应的图像增强模型中，确定所述目标类别对应的图像增强模型，作为目标模型；其中，各个图像增强模型为基于自身对应的人脸类别的人脸图像样本训练得到。

实际应用中，在利用图像增强模型对待增强人脸图像进行增强处理之前，首先针对每种人脸类别，分别构建对应的图像增强模型，以及分别构建每种类别对应的人脸图像样本，然后利用每种类别对应的人脸图像样本对相应类别的图像增强模型进行训练。

一种可选的实施方式中，可以收集大量的人脸图像，用于构建人脸图像样本。具体的，针对收集到的每一张人脸图像，首先检测该人脸图像对应的人脸类别，例如属于青中年男性类别等，然后利用该人脸图像构建该人脸类别的人脸图像样本集。

为了提高图像增强模型的处理能力，进而提高对人脸图像的增强效果，本公开实施例可以针对每个类别分别构建高质量人脸图像样本集和低质量人脸图像样本集，利用高质量人脸图像样本集和低质量人脸图像样本集对图像增强模型同时进行训练，使得经过训练的图像增强模型对低质量人脸图像也能够获得较好的增强效果。

实际应用中，高质量人脸图像是指噪声较少、图像较清晰的高清人脸图像，即无噪声人脸图像样本。在获取到每个类别对应的高质量人脸图像样本集之后，可以利用该高质量人脸图像样本集构建该类别对应的低质量人脸图像样本集。

一种可选的实施方式中，基于各个类别的高质量人脸图像样本集构建对应类别的低质量人脸图像样本集的方式中，分别对各个类别的高质量人脸图像样本集中的人脸图像样本进行降质处理，以得到降质后的人脸图像样本，用于构建该类别的低质量人脸图像样本集，即有噪声人脸图像样本。

由于不同类别的人脸图像对人脸增强效果的要求不同，因此，本公开实施例对于不同类别的高质量人脸图像样本集的降质处理方式不同。本公开实施例可以在确定各个人脸类别分别对应的降质处理方式之后，从各个人脸类别分别对应的降质处理方式中，确定对应的降质处理方式，然后利用对应的降质处理方式对各个类别的高质量人脸图像样本集中的人脸图像样本进行降质处理，最终得到各个类别分别对应的低质量人脸图像样本集。

以第一人脸类别为例，从各个人脸类别分别对应的降质处理方式中，确定所述第一人脸类别对应的降质处理方式；其中，所述降质处理方式包括至少一种增加图像噪声的方式，然后，利用所述第一人脸类别对应的降质处理方式，对所述无噪声人脸图像样本进行降质处理，得到所述第一人脸类别对应的有噪声人脸图像样本。进而基于有噪声人脸图像样本和无噪声人脸图像样本，构建第一人脸类别对应的人脸图像样本集。其中，人脸图像样本集中包括无噪声人脸图像样本和有噪声人脸图像样本。最终，利用第一人脸类别对应的人脸图像样本，对预设机器模型进行训练，得到所述第一人脸类别对应的图像增强模型。

以幼少年、中青年男性、中青年女性、老年四个类别为例，如图2所示，为本公开实施例提供的一种降质处理流程图。其中，由于幼少年类别和中青年男性类别的人脸图像，对于增强效果的要求不高，因此，在生成低质量人脸图像样本集时，针对幼少年类别的高质量人脸图像样本集中的图像样本，首先进行resize处理，即对图像样本进行降采样至低分辨率图像后，再对其进行生采样回原分辨率图像的处理。然后，对经过resize处理的图像样本进行jpeg强噪声处理，即向图像样本中加入强度较高的jpeg噪声，得到经过jpeg噪声处理的图像样本，用于构建幼少年类别的低质量人脸图像样本集。针对中青年男性类别的高质量人脸图像样本集中的图像样本，首先进行resize处理，其次对经过resize处理的图像样本进行jpeg中等强度的噪声处理，得到经过jpeg噪声处理的图像样本，用于构建中青年男性类别的低质量人脸图像样本集。

由于中青年女性类别和老年类别的人脸图像，对于增强效果的要求较高，因此，在生成低质量人脸图像样本集时，需要经过更多的降质处理步骤。具体的，针对中青年女性类别的高质量人脸图像样本集中的图像样本，首先进行resize处理，然后进行高斯噪声处理，以使经过训练的图像增强模型能够去除人脸上粉刺的功能，进而进行jpeg强噪声处理，最终得到经过jpeg噪声处理的图像样本，用于构建中青年女性类别的低质量人脸图像样本集。相似的，针对老年类别的高质量人脸图像样本集中的图像样本，首先进行resize处理，然后进行高斯模糊处理，以使经过训练的图像增强模型能够去除人脸上皱纹的功能，进而进行中等强度的jpeg噪声处理，最终得到经过jpeg噪声处理的图像样本，用于构建老年类别的低质量人脸图像样本集。

另一种可选的实施方式中，各个类别的低质量人脸图像样本集也可以通过直接收集低质量人脸图像的方式获取，对于其他获取低质量人脸图像样本集的方式，本公开实施例不再赘述。

本公开实施例中，在获取到各个类别的高质量人脸图像样本集和低质量人脸图像样本集之后，利用各个类别的高质量人脸图像样本集和低质量人脸图像样本集对相应类别对应的图像增强模型进行训练，得到各个类别分别对应的经过训练的图像增强模型。在确定待增强人脸图像对应的人脸类别，作为目标类别之后，从各个人脸类别分别对应的图像增强模型中，确定目标类别对应的图像增强模型，作为目标模型，用于对待增强人脸图像进行增强处理。

s103：将所述待增强人脸图像输入至所述目标模型中，经过所述目标模型的增强处理后，得到所述待增强人脸图像对应的人脸增强图像。

本公开实施例中，在确定待增强人脸图像对应的人脸类别之后，进一步的确定该人脸类别对应的图像增强模型，即目标模型，然后利用该目标模型对待增强人脸图像进行图像增强处理。其中，图像增强模型可以为利用各种深度学习模型实现。

其中，对待增强人脸图像进行图像增强处理，可以通过对待增强人脸图像进行去噪、锐化、去模糊、颜色增强、细节生成等增强处理，以增强待增强人脸图像的质量，提升待增强人脸图像的显示效果。

本公开实施例提供的人脸图像增强方法中，首先，基于待增强人脸图像的人脸属性，确定所述待增强人脸图像对应的人脸类别，作为目标类别。然后，从各个人脸类别分别对应的图像增强模型中，确定所述目标类别对应的图像增强模型，作为目标模型；其中，各个图像增强模型为基于自身对应的人脸类别的人脸图像样本训练得到。最后，将所述待增强人脸图像输入至所述目标模型中，经过所述目标模型的增强处理后，得到所述待增强人脸图像对应的人脸增强图像。本公开实施例利用不同的图像增强模型对不同类别的人脸图像进行增强处理，由于各种类别的图像增强模型是基于对应类别的人脸图像样本集训练得到，因此，利用对应类别的图像增强模型对相应类别的人脸图像进行增强处理，对于每一张人脸图像而言，能够得到尽量满足其增强需求的人脸增强图像，提高了人脸图像的增强效果，避免了人脸图像增强泛化性不好的问题。

与上述方法实施方式相对应的，本公开还提供了一种人脸图像增强装置，参考图3，为本公开实施例提供的一种人脸图像增强装置的结构示意图，所述装置包括：

第一确定模块301，用于基于待增强人脸图像的人脸属性，确定所述待增强人脸图像对应的人脸类别，作为目标类别；

第二确定模块302，用于从各个人脸类别分别对应的图像增强模型中，确定所述目标类别对应的图像增强模型，作为目标模型；其中，各个图像增强模型为基于自身对应的人脸类别的人脸图像样本训练得到；

增强处理模块303，用于将所述待增强人脸图像输入至所述目标模型中，经过所述目标模型的增强处理后，得到所述待增强人脸图像对应的人脸增强图像。

一种可选的实施方式中，可以利用机器模型对待增强人脸图像进行分类处理，以提高分类结果的准确性，因此，所述第一确定模块，包括：

分类子模块，用于将待增强人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果；其中，所述图像分类模型为基于带有类别标签的人脸图像样本训练得到，所述类别标签为基于所述人脸图像样本的人脸属性确定的；

第一确定子模块，用于基于所述分类结果，确定所述待增强人脸图像对应的人脸类别，作为目标类别。

一种可选的实施方式中，可以基于有噪声人脸图像样本和无噪声人脸图像样本，同时对机器模型进行训练，得到更优的图像增强模型，因此，所述装置还包括：

构建模块，用于构建第一人脸类别对应的人脸图像样本集；所述人脸图像样本集中包括无噪声人脸图像样本和有噪声人脸图像样本；

训练模块，用于利用所述第一人脸类别对应的人脸图像样本集，对预设机器模型进行训练，得到所述第一人脸类别对应的图像增强模型。

一种可选的实施方式中，可以基于无噪声人脸图像样本构建有噪声图像样本。为此，所述构建模块，包括：

获取子模块，用于获取第一人脸类别对应的无噪声人脸图像样本；

第一降质处理子模块，用于对所述无噪声人脸图像样本进行降质处理，得到所述第一人脸类别对应的有噪声人脸图像样本；

构建子模块，用于基于所述有噪声人脸图像样本和所述无噪声人脸图像样本，构建所述第一人脸类别对应的人脸图像样本集。

一种可选的实施方式中，为了提高图像增强模型的处理能力，所述第一降质处理子模块，包括：

第二确定子模块，用于从各个人脸类别分别对应的降质处理方式中，确定所述第一人脸类别对应的降质处理方式；其中，所述降质处理方式包括至少一种增加图像噪声的方式；

第一降质处理子模块，用于利用所述第一人脸类别对应的降质处理方式，对所述无噪声人脸图像样本进行降质处理，得到所述第一人脸类别对应的有噪声人脸图像样本。

一种可选的实施方式中，为了提高分类结果的准确性，所述装置还包括：

去噪模块，用于以预设去噪强度对待增强人脸图像进行去噪处理，得到去噪后人脸图像；

相应的，所述分类子模块，具体用于：

将所述去噪后人脸图像输入至图像分类模型中，经过所述图像分类模型的分类处理后，得到所述待增强人脸图像对应的分类结果。

一种可选的实施方式中，所述人脸属性包括年龄、性别、颜值和人种中的至少一个。

本公开实施例提供的人脸图像增强装置中，首先，基于待增强人脸图像的人脸属性，确定所述待增强人脸图像对应的人脸类别，作为目标类别。然后，从各个人脸类别分别对应的图像增强模型中，确定所述目标类别对应的图像增强模型，作为目标模型；其中，各个图像增强模型为基于自身对应的人脸类别的人脸图像样本训练得到。最后，将所述待增强人脸图像输入至所述目标模型中，经过所述目标模型的增强处理后，得到所述待增强人脸图像对应的人脸增强图像。由于本公开实施例利用不同的图像增强模型分别对不同类别的人脸图像进行增强处理，图像增强模型能够针对对应类别的人脸图像的图像增强需求进行增强处理，对于每一张人脸图像而言，本公开实施例能够得到尽量满足其增强需求的人脸增强图像，提高人脸图像增强效果。

另外，本公开实施例还提供了一种人脸图像增强设备，参见图4所示，可以包括：

处理器401、存储器402、输入装置403和输出装置404。人脸图像增强设备中的处理器401的数量可以一个或多个，图4中以一个处理器为例。在本发明的一些实施例中，处理器401、存储器402、输入装置403和输出装置404可通过总线或其它方式连接，其中，图4中以通过总线连接为例。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行人脸图像增强设备的各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置403可用于接收输入的数字或字符信息，以及产生与人脸图像增强设备的用户设置以及功能控制有关的信号输入。

具体在本实施例中，处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现上述人脸图像增强设备的各种功能。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。