本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種獲取人臉圖像的美顏蒙版的方法及系統(tǒng)。

背景技術(shù)：

在對存在光線復(fù)雜、背光、暗光等因素的室內(nèi)環(huán)境中拍攝的人臉圖像進行處理的過程中，容易導致對皮膚區(qū)域的識別及對該皮膚區(qū)域是否為皮膚的判斷出現(xiàn)問題。尤其是當所處的環(huán)境光線不同時，由于背景環(huán)境和皮膚顏色近似，復(fù)雜的光線會引起膚色的變化，導致臉部成為陰陽臉，也會使獲取的人臉區(qū)域美顏蒙版無法包括所有的皮膚區(qū)域或者誤將背景識別為皮膚區(qū)域，從而使美顏程度的判定出現(xiàn)不準確等問題。

現(xiàn)有技術(shù)主要是利用人臉區(qū)域、皮膚檢測和粗糙程度檢測，對人臉圖進行皮膚區(qū)域的檢測以及粗糙程度檢測，并且通過皮膚的概率和粗糙程度計算出一個美顏蒙版，然后對原始圖像進行磨皮處理。具體而言，先確定人臉區(qū)域的位置，并據(jù)此初步計算出皮膚顏色，對于計算出的皮膚顏色和預(yù)設(shè)的皮膚顏色比較近的區(qū)域給予比較高的皮膚概率，否則則給予比較低的皮膚概率；然后計算原圖各個位置上的粗糙程度；最后根據(jù)皮膚蒙版和粗糙程度蒙版計算出美顏蒙版。

但是，上述方法對于皮膚區(qū)域的識別和判定的魯棒性不強，經(jīng)常把背景區(qū)域認為是皮膚區(qū)域，或者在皮膚顏色變化范圍較大時，漏掉對一些皮膚區(qū)域的識別。并且由于對光照、圖片質(zhì)量比較敏感，導致對美顏程度及皮膚粗糙程度的判斷不夠細膩。

技術(shù)實現(xiàn)要素：

本發(fā)明的一個目的是提供一種獲取人臉圖像的美顏蒙版的方法及系統(tǒng)，通過采用不同的模板圖像所對應(yīng)的全部顏色空間數(shù)據(jù)和根據(jù)該模板處理好的美顏蒙版對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練，獲得美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)，并通過該卷積神經(jīng)網(wǎng)絡(luò)對人臉圖像自動獲取皮膚美顏蒙版，對皮膚區(qū)域識別的魯棒性較高，并且使美顏程度以及皮膚粗糙程度的判斷更細膩。

為了實現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案：

根據(jù)本發(fā)明的一個方面，提供了一種獲取人臉圖像的美顏蒙版的方法，包括：獲取至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)；利用至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練，以獲取用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)；利用用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)及待處理的人臉圖像，獲取待處理的人臉圖像的美顏蒙版。

根據(jù)本發(fā)明的一個方面，獲取至少一個模板圖像的美顏蒙版的處理包括：對至少一個模板圖像進行皮膚檢測，以獲取至少一個模板圖像的初級皮膚蒙版；對至少一個模板圖像的初級皮膚蒙版中的疑似皮膚區(qū)域進行標記，并提取所述疑似皮膚區(qū)域以獲取至少一個模板圖像的校準皮膚蒙版；利用至少一個模板圖像的校準皮膚蒙版及對應(yīng)的模板圖像，獲取至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度；以及利用至少一個模板圖像的校準皮膚蒙版和至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度，獲取至少一個模板圖像的美顏蒙版。

根據(jù)本發(fā)明的一個方面，計算至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度的處理包括：利用邊緣檢測算法獲取至少一個模板圖像中的每個疑似皮膚區(qū)域的邊緣信息；利用梯度算法獲取至少一個模板圖像中的每個疑似皮膚區(qū)域的梯度信息；利用至少一個模板圖像中的每個疑似皮膚區(qū)域的邊緣信息和梯度信息，計算至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度。

根據(jù)本發(fā)明的一個方面，利用至少一個模板圖像中的每個疑似皮膚區(qū)域的邊緣信息和梯度信息進行數(shù)學運算和/或條件運算，來計算至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度。

根據(jù)本發(fā)明的一個方面，至少一個模板圖像的顏色空間數(shù)據(jù)包括至少一個模板圖像的LAB數(shù)據(jù)、RGB數(shù)據(jù)和HSV數(shù)據(jù)中的至少一種。

根據(jù)本發(fā)明的一個方面，卷積神經(jīng)網(wǎng)絡(luò)包括循環(huán)設(shè)置的卷積層、池化層、上采樣層、激活層以及全連接層。

根據(jù)本發(fā)明的一個方面，獲取人臉圖像的美顏蒙版的方法還包括：在利用至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練之前，對至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)進行縮放。

根據(jù)本發(fā)明的一個方面，獲取人臉圖像的美顏蒙版的方法還包括：在獲取待處理的人臉圖像的美顏蒙版之前，對待處理的人臉圖像進行與至少一個模板圖像的顏色空間數(shù)據(jù)和美顏蒙版相同比例的縮放。

根據(jù)本發(fā)明的一個方面，獲取人臉圖像的美顏蒙版的方法還包括：在獲取待處理的人臉圖像的美顏蒙板后，對待處理的人臉圖像的美顏蒙版進行反向縮放。

本發(fā)明的另一個方面，提供了一種獲取人臉圖像的美顏蒙版的系統(tǒng)，包括：預(yù)處理單元，用于獲取至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)；卷積訓練單元，用于利用至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練，以獲取用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)；圖像處理單元，用于利用用于用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)及待處理的人臉圖像，獲取待處理的人臉圖像的美顏蒙版。

本發(fā)明的另一個方面，預(yù)處理單元包括：皮膚檢測單元，用于對至少一個模板圖像進行皮膚檢測，以獲取至少一個模板圖像的初級皮膚蒙版；蒙版校準單元，用于對至少一個模板圖像的初級皮膚蒙版中的疑似皮膚區(qū)域進行標記，并提取所述疑似皮膚區(qū)域以獲取至少一個模板圖像的校準皮膚蒙版；粗糙度檢測單元，用于利用至少一個模板圖像的校準皮膚蒙版，獲取至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度；美顏蒙版處理單元，用于利用至少一個模板圖像的校準皮膚蒙版和至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度，獲取至少一個模板圖像的美顏蒙版。

本發(fā)明的另一個方面，粗糙度檢測單元包括：邊緣檢測單元，用于利用邊緣檢測算法獲取至少一個模板圖像中的每個疑似皮膚區(qū)域的邊緣信息；梯度檢測單元，用于將利用梯度算法獲取至少一個模板圖像中的每個疑似皮膚區(qū)域的梯度信息；粗糙度處理單元，用于利用至少一個模板圖像中的每個疑似皮膚區(qū)域的邊緣信息和梯度信息，計算至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度。

本發(fā)明的另一個方面，粗糙度處理單元能夠利用至少一個模板圖像中的每個疑似皮膚區(qū)域的邊緣信息和梯度信息進行數(shù)學運算和/或條件運算，來計算至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度。

本發(fā)明的另一個方面，至少一個模板圖像的顏色空間數(shù)據(jù)包括至少一個模板圖像的LAB數(shù)據(jù)、RGB數(shù)據(jù)和HSV數(shù)據(jù)中的至少一種。

本發(fā)明的另一個方面，卷積神經(jīng)網(wǎng)絡(luò)包括循環(huán)設(shè)置的卷積層、池化層、上采樣層、激活層以及全連接層。

本發(fā)明的另一個方面，獲取人臉圖像的美顏蒙版的系統(tǒng)還包括模板圖像縮放單元，用于在利用至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練之前，對至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)進行縮放。

本發(fā)明的另一個方面，獲取人臉圖像的美顏蒙版的系統(tǒng)還包括人臉圖像縮放單元，用于在獲取待處理的人臉圖像的美顏蒙版之前，對待處理的人臉圖像進行與至少一個模板圖像的顏色空間數(shù)據(jù)和美顏蒙版相同比例的縮放。

本發(fā)明的另一個方面，獲取人臉圖像的美顏蒙版的系統(tǒng)還包括人臉圖像反縮放單元，用于在獲取待處理的人臉圖像的美顏蒙板后，對待處理的人臉圖像的美顏蒙版進行反向縮放。

采用根據(jù)本發(fā)明實施例的一種獲取人臉圖像的美顏蒙版的方法及系統(tǒng)，利用不同的模板圖像所對應(yīng)的全部顏色空間數(shù)據(jù)和美顏蒙版對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練，并且獲得用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)，然后通過用于用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)及待處理的人臉圖像獲取人臉圖像的皮膚美顏蒙版。通過采用卷積神經(jīng)網(wǎng)絡(luò)對人臉圖像進行美顏蒙版的檢測，可以提高檢測的魯棒性，使對皮膚區(qū)域的識別更加準確。另外，通過讓卷積神經(jīng)網(wǎng)絡(luò)自己學習訓練，從而使用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)的測試自由度更高，并且能夠綜合不同情況對輸出的美顏蒙版的影響，有效地提高美顏程度。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對本發(fā)明實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面所描述的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明一實施例的獲取人臉圖像的美顏蒙版的方法的示意性流程圖；

圖2是本發(fā)明一實施例的預(yù)處理的方法的示意性流程圖；

圖3是本發(fā)明一實施例的獲取人臉圖像的美顏蒙版的系統(tǒng)的示意性框圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

下面將詳細描述本發(fā)明的各個方面的特征和示例性實施例。在下面的詳細描述中，提出了許多具體細節(jié)，以便提供對本發(fā)明的全面理解。但是，對于本領(lǐng)域技術(shù)人員來說很明顯的是，本發(fā)明可以在不需要這些具體細節(jié)中的一些細節(jié)的情況下實施。下面對實施例的描述僅僅是為了通過示出本發(fā)明的示例來提供對本發(fā)明的更好的理解。本發(fā)明決不限于下面所提出的任何具體配置和算法，而是在不脫離本發(fā)明的精神的前提下覆蓋了部件和算法的任何修改、替換和改進。在附圖和下面的描述中，沒有示出公知的結(jié)構(gòu)和技術(shù)，以便避免對本發(fā)明造成不必要的模糊。

現(xiàn)在將參考附圖更全面地描述示例實施方式。然而，示例實施方式能夠以多種形式實施，且不應(yīng)被理解為限于在此闡述的實施方式；相反，提供這些實施方式使得本發(fā)明更全面和完整，并將示例實施方式的構(gòu)思全面地傳達給本領(lǐng)域的技術(shù)人員。在圖中相同的附圖標記表示相同或類似的結(jié)構(gòu)，因而將省略它們的詳細描述。

需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。下面將參考附圖并結(jié)合實施例來詳細說明本申請。

圖1是本發(fā)明一實施例的獲取人臉圖像的美顏蒙版的方法的示意性流程圖。圖1示出的獲取人臉圖像的美顏蒙版的方法包括：

S1、對至少一個模板圖像進行預(yù)處理，并且獲取至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)。其中，少一個模板圖像的顏色空間數(shù)據(jù)包括但不限于模板圖像的LAB數(shù)據(jù)、RGB數(shù)據(jù)和HSV數(shù)據(jù)中的至少一種。

S2、利用至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練，以獲取用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)。在一個實施例中，卷積神經(jīng)網(wǎng)絡(luò)包括循環(huán)設(shè)置的卷積層、池化層、上采樣層、激活層以及全連接層。其中，池化層的池化函數(shù)可以為Max Pooling函數(shù)，激活層的激活函數(shù)可以為ReLU函數(shù)。

S3、利用用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)及待處理的人臉圖像，獲取待處理的人臉圖像的美顏蒙版。

圖2是本發(fā)明一實施例的預(yù)處理的方法的示意性流程圖。根據(jù)圖2所示的實施例，步驟S1中預(yù)處理的方法包括：

S11、對至少一個模板圖像進行皮膚檢測，以獲取至少一個模板圖像的初級皮膚蒙版。在一個實施例中，可以對模板圖像進行皮膚檢測，并在模板圖像上標記出疑似皮膚區(qū)域以獲得初級皮膚蒙版。例如，可以先根據(jù)現(xiàn)有的皮膚檢測算法對整張模板圖像進行檢測，并且計算出該圖上的每個像素為皮膚的概率，從而獲得初級皮膚蒙版。

S12、對所述至少一個模板圖像的初級皮膚蒙版中的疑似皮膚區(qū)域進行標記，提取疑似皮膚區(qū)域，刪除非皮膚區(qū)域，以獲取所述至少一個模板圖像的校準皮膚蒙版。由于原有皮膚檢測算法的局限性，使檢測到的初級皮膚蒙版不是很準確，因此我們可以通過修改誤選或者遺漏的區(qū)域的標記狀態(tài)以獲得模板圖像的校準皮膚蒙版，例如我們根據(jù)該區(qū)域是皮膚的概率值，可以通過取消概率值小于50％卻被掉誤標記為疑似區(qū)域的區(qū)域，也可以將未被標記為疑似區(qū)域而概率值大于或者等于50％的區(qū)域選擇并標記。由于采用了圖像分割算法將該模板圖像分割為多個區(qū)域，因此，可以針對每一個區(qū)域進行操作，而不需要針對于每一個像素進行操作，因此，可以大大縮短了修改疑似區(qū)域標記狀態(tài)的時間，并且可以用盡量少的修改操作獲得比較準確的標記出疑似皮膚區(qū)域的模板圖像。具體地，修改誤選或者遺留的區(qū)域的標記狀態(tài)可以通過標記人員通過人工操作進行修改，也可以通過計算機算法進行自動識別和修改。當修改好各個區(qū)域的標記狀態(tài)后，可以根據(jù)標記疑似皮膚區(qū)域生成校準皮膚蒙版。此時，我們就可以取得模板圖像的校準皮膚蒙版，以此模板圖像中對應(yīng)的皮膚區(qū)域。同時，我們通過對每一個模板圖像進行操作，即可獲得大量的模板圖片對應(yīng)的校準皮膚蒙版。

S13、利用至少一個模板圖像的校準皮膚蒙版，獲取至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度。在一個實施例中，可以通過邊緣檢測算法結(jié)合梯度算法的方式獲取粗糙程度模板。具體地，由于邊緣檢測算法對粗糙的區(qū)域很敏感，因此通過邊緣檢測算法獲得每個模板圖像中的每個疑似皮膚區(qū)域的邊緣信息，如果該區(qū)域比較粗糙，邊緣檢測算法將會在這個區(qū)域檢測出大量邊緣。由于梯度算法對粗糙區(qū)域的敏感性較好，因此可以通過梯度算法獲得每個模板圖像中的每個疑似皮膚區(qū)域的包括但不局限于亮度、顏色的梯度信息，當該區(qū)域比較粗糙時，該區(qū)域的梯度也會較大。上述的邊緣檢測算法和梯度算法的輸入均為模板圖像的校準皮膚蒙版。通過將邊緣信息與梯度信息結(jié)合獲得每個疑似皮膚區(qū)域的粗糙程度，將其全部標記于模板圖像上即可獲得粗糙程度蒙版。具體地，通過每個區(qū)域的邊緣信息和梯度信息結(jié)合可以獲得每個區(qū)域的粗糙程度，將其全部標注于模板圖像上，即可獲得粗糙程度蒙版，在粗糙程度蒙版中，每個區(qū)域上的值代表當前區(qū)域的粗糙程度，該區(qū)域越粗糙則該區(qū)域上的值就越大。在另一個實施例中，與對皮膚蒙版的檢測相同的是，還可以通過標記人員人工修改掉不是粗糙的區(qū)域以及加入粗糙的區(qū)域。

其中，將邊緣信息與梯度信息結(jié)合的方式包括數(shù)學運算和/或條件運算。例如，可以是取兩個信息的最大值、將兩個信息的值相加或者將兩個蒙版的值相乘等等。需要說明的是，將邊緣信息與梯度信息結(jié)合的方式包括包括但不局限于簡單的數(shù)學運算、條件運算。

S14、利用至少一個模板圖像的校準皮膚蒙版和至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度，獲取至少一個模板圖像的美顏蒙版。具體地，可以將每個區(qū)域的皮膚概率值和粗糙程度值相乘，并且獲得需要磨皮的程度，將每個區(qū)域需要磨皮的程度標記于該模板圖像上，即可獲得可視化的該模板圖像的美顏蒙版。需要說明的是，融合皮膚蒙版和粗糙程度蒙版的方法不僅僅為將皮膚概率值和粗糙程度值相乘，還可以為除相乘以外的其他數(shù)學運算、條件運算等。

根據(jù)本發(fā)明的實施例，步驟S2中，在利用至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練之前，對至少一個模板圖像的美顏蒙版和顏色空間進行縮放，并將其縮放至指定的尺寸，例如該指定尺寸可以設(shè)置為256像素*256像素。在一個實施例中，可以先對模板圖像進行縮放，然后將縮放后的模板圖像分別通過顏色空間轉(zhuǎn)換為不同的顏色空間數(shù)據(jù)。在另一個實施例中，可以先對模板圖像進行顏色空間轉(zhuǎn)換，并且直接對由模板圖像轉(zhuǎn)換后的顏色空間數(shù)據(jù)進行縮放。然后將轉(zhuǎn)換后的全部的顏色空間數(shù)據(jù)一起作為輸入，美顏蒙版作為輸出，對卷及神經(jīng)網(wǎng)絡(luò)進行迭代訓練，直到最后在測試集上得到符合預(yù)期的效果時，完成迭代訓練。這里所述的符合預(yù)期的效果是指，在測試集中損傷函數(shù)的損失量是否降到較低的水準。

根據(jù)本發(fā)明的實施例，步驟S3中，當接收到待處理的人臉圖像時，在獲取待處理的人臉圖像的美顏蒙版之前，對待處理的人臉圖像進行與至少一個模板圖像的顏色空間數(shù)據(jù)和美顏蒙版相同比例的縮放。在一個實施例中，可以將該人臉圖像縮放至與用于卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練的模板圖像的顏色空間數(shù)據(jù)或美顏蒙版相同的尺寸，然后構(gòu)造出該人臉圖像的全部顏色空間的圖片數(shù)據(jù)，并且將全部的顏色空間的圖片數(shù)據(jù)一起輸入到用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)中。但是，本領(lǐng)域技術(shù)人員可以了解的是，除上述的方法外，還可以先將該人臉圖像進行顏色空間轉(zhuǎn)換，并且直接對由人臉圖像轉(zhuǎn)換的顏色空間數(shù)據(jù)進行縮放，然后將全部的顏色空間的圖片數(shù)據(jù)一起輸入到用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)中。

通過上述的方法，便可以獲得在該指定尺寸下的待處理的人臉圖像的美顏蒙板，此時，可以將卷積神經(jīng)網(wǎng)絡(luò)輸出的待處理的人臉圖像的美顏蒙板反向縮放至原人臉圖像的尺寸，即可獲得最終的人臉圖像的美顏蒙版。

圖3是本發(fā)明一實施例的獲取人臉圖像的美顏蒙版的系統(tǒng)100的示意性框圖。圖3所示的獲取人臉圖像的美顏蒙版的系統(tǒng)100包括：預(yù)處理單元110、卷積訓練單元120和圖像處理單元130。其中，預(yù)處理單元110用于獲取至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)，其中，至少一個模板圖像的顏色空間數(shù)據(jù)包括至少一個模板圖像的LAB數(shù)據(jù)、RGB數(shù)據(jù)和HSV數(shù)據(jù)中的至少一種。卷積訓練單元120用于利用預(yù)處理單元110獲取的至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練，以獲取用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)。圖像處理單元130用于利用用于用于美顏蒙版檢測的卷積神經(jīng)網(wǎng)絡(luò)及待處理的人臉圖像，獲取待處理的人臉圖像的美顏蒙版。

根據(jù)本發(fā)明的實施例，卷積神經(jīng)網(wǎng)絡(luò)包括循環(huán)設(shè)置的卷積層、池化層、上采樣層和激活層，以及全連接層。其中，池化層的池化函數(shù)可以為Max Pooling函數(shù)，激活層的激活函數(shù)可以為ReLU函數(shù)。

根據(jù)本發(fā)明的實施例，預(yù)處理單元110包括皮膚檢測單元111、蒙版校準單元112、粗糙度檢測單元113和美顏蒙版處理單元114。具體的，皮膚檢測單元111用于根據(jù)皮膚檢測算法對至少一個模板圖像的整體進行皮膚檢測，同時根據(jù)圖片分割算法將模板圖像分為多個區(qū)域，并將檢測的結(jié)果標注于模板圖像的各個區(qū)域上，以獲取至少一個模板圖像的初級皮膚蒙版。蒙版校準單元112用于對至少一個模板圖像的初級皮膚蒙版中的疑似皮膚區(qū)域進行標記，并且修改誤標記的疑似皮膚區(qū)域的標記狀態(tài)，以獲取至少一個模板圖像的校準皮膚蒙版。粗糙度檢測單元113用于利用至少一個模板圖像的校準皮膚蒙版，獲取至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度，并將其標記于模板圖像上，以獲得模板圖像的粗糙程度蒙版。美顏蒙版處理單元114用于利用至少一個模板圖像的校準皮膚蒙版和至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度，即利用模板圖像的校準皮膚蒙版和該模板圖像的粗糙程度蒙版獲取至少一個模板圖像的美顏蒙版。

根據(jù)本發(fā)明的實施例，粗糙度檢測單元113包括邊緣檢測單元、梯度檢測單元和粗糙度處理單元。其中，邊緣檢測單元，用于通過邊緣檢測算法獲得至少一個模板圖像中的每個疑似皮膚區(qū)域的邊緣信息；梯度計算單元，用于通過梯度算法獲得至少一個模板圖像中的每個疑似皮膚區(qū)域的梯度信息；粗糙度處理單元，用于將邊緣信息與梯度信息結(jié)合計算出至少一個模板圖像中的每個疑似皮膚區(qū)域的粗糙程度，將每個疑似皮膚區(qū)域的粗糙程度標記于模板圖像上即可獲得該模板圖像的粗糙程度模板。具體地，將邊緣信息與梯度信息結(jié)合的方式包括數(shù)學運算和/或條件運算。例如，可以是取兩個信息的最大值、將兩個信息的值相加或者將兩個蒙版的值相乘等等。需要說明的是，將邊緣信息與梯度信息結(jié)合的方式包括包括但不局限于簡單的數(shù)學運算、條件運算。

根據(jù)本發(fā)明的實施例，獲取人臉圖像的美顏蒙版的系統(tǒng)100還包括模板圖像縮放單元，用于在利用至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練之前，對至少一個模板圖像的美顏蒙版和顏色空間數(shù)據(jù)進行縮放。并且，將縮放至指定尺寸的模板圖像的顏色空間數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)迭代訓練的輸入數(shù)據(jù)，將縮放至指定尺寸的模板圖像的美顏蒙版作為卷積神經(jīng)網(wǎng)絡(luò)迭代訓練的輸出數(shù)據(jù)。例如，該指定的尺寸可以為256像素*256像素。

根據(jù)本發(fā)明的實施例，獲取人臉圖像的美顏蒙版的系統(tǒng)100還包括人臉圖像縮放單元，用于在獲取待處理的人臉圖像的美顏蒙版之前，對待處理的人臉圖像進行與至少一個模板圖像的顏色空間數(shù)據(jù)和美顏蒙版相同比例的縮放。

根據(jù)本發(fā)明的實施例，還包括人臉圖像反縮放單元，用于在獲取待處理的人臉圖像的美顏蒙板后，對待處理的人臉圖像的美顏蒙版進行反向縮放至原人臉圖像的尺寸，從而獲得最終的人臉圖像的美顏蒙版。

本發(fā)明將皮膚檢測、粗糙程度檢測以及由其計算出的美顏蒙版融合在一起，實現(xiàn)了一個端到端訓練的卷積神經(jīng)網(wǎng)絡(luò)，相較于傳統(tǒng)方法，有更好的魯棒性。通過讓卷積神經(jīng)網(wǎng)絡(luò)自己根據(jù)大量的模板圖像和美顏蒙版進行學習，可以得到皮膚檢測、粗糙程度檢測和美顏蒙版的關(guān)系。并且根據(jù)其學習到的內(nèi)容，對于每一個輸入的人臉圖像自動獲得其對應(yīng)的美顏蒙版。

另外，在對于卷積神經(jīng)網(wǎng)絡(luò)進行訓練時，可以有針對性的加入不同光照條件下的模板圖像作為訓練數(shù)據(jù)，因此，可以有效的改善光照情況和背景環(huán)境對美顏蒙版的影響，也降低了人工設(shè)計的算法所帶來的局限性，可以更好的獲得皮膚和粗糙程度和美顏蒙版之間的關(guān)系。

本領(lǐng)域普通技術(shù)人員可以意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結(jié)合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認為超出本發(fā)明的范圍。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為了描述的方便和簡潔，上述描述的系統(tǒng)、裝置和單元的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的系統(tǒng)、裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另外，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口、裝置或單元的間接耦合或通信連接，也可以是電的，機械的或其它的形式連接。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本發(fā)明實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以是兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到各種等效的修改或替換，這些修改或替換都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)以權(quán)利要求的保護范圍為準。