一種眉毛位置的初始化方法及電子設(shè)備與流程
本發(fā)明涉及計算機技術(shù)領(lǐng)域，特別涉及一種眉毛位置的初始化方法及電子設(shè)備。
背景技術(shù)：
傳統(tǒng)的表情遷移一般是以標(biāo)準(zhǔn)平均臉的眉毛的位置作為遷移后表情中眉毛的初始位置，但是實際使用過程中，人臉中眉毛的位置千差萬別，這種做法誤差較大，無法精確的描述不同人臉中眉毛的位置；為了解決這個問題，有人提出以初始視頻幀中的人臉的眉毛的位置為遷移后表情中眉毛的初始位置，這種方法的問題在于無法保證獲取的眉毛的位置是人臉無表情的情況下的眉毛的位置，從而導(dǎo)致后續(xù)的表情遷移的精度降低，例如如果在初始幀中人臉的表情為皺眉，這種情況下獲取的眉毛位置與該人臉在無表情的情況下的眉毛位置存在偏差，而在表情遷移時總是認(rèn)為眉毛的初始位置對應(yīng)的是無表情情況下的眉毛的位置，因此會將這種誤差傳遞到后續(xù)的表情遷移過程中，從而降低了表情遷移的精度。
技術(shù)實現(xiàn)要素：
為了解決上述問題，本發(fā)明提供一種眉毛位置的初始化方法及電子設(shè)備。
所述技術(shù)方案如下：
第一方面，提供了一種眉毛位置的初始化方法，所述方法包括：
獲取預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置作為初始位置；
根據(jù)視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述初始位置進(jìn)行迭代 修正，直至收斂；
設(shè)置收斂后的初始位置為所述視頻幀中人臉的眉毛的初始位置。
結(jié)合第一方面，在第一種可能的實現(xiàn)方式中，所述迭代修正包括：
獲取與當(dāng)前迭代對應(yīng)的視頻幀中人臉的眉毛所對應(yīng)的特征點的位置；
計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的第一差值；
如果所述第一差值不小于第一閾值，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代；
如果所述第一差值小于第一閾值，則根據(jù)所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述上一次迭代后的初始位置進(jìn)行修正，得到修正后的當(dāng)前初始位置；
判斷所述當(dāng)前初始位置是否收斂；
如果不收斂則再次進(jìn)行迭代；
如果收斂，則結(jié)束迭代。
結(jié)合第一方面的第一種可能的實現(xiàn)方式，在第二種可能的實現(xiàn)方式中，所述根據(jù)所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述上一次迭代后的初始位置進(jìn)行修正，得到修正后的當(dāng)前初始位置包括：
計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與所述上一次迭代后的初始位置的加權(quán)平均值；
設(shè)置所述加權(quán)平均值對應(yīng)的位置為修正后的當(dāng)前初始位置。
結(jié)合第一方面的第一種可能的實現(xiàn)方式，在第三種可能的實現(xiàn)方式中，所述判斷所述當(dāng)前初始位置是否收斂包括：
計算所述當(dāng)前初始位置與上一次迭代后的初始位置的第二差值；
如果所述第二差值小于第二閾值，則判定所述修正后的眉毛所對應(yīng)的特征點的位置收斂。
結(jié)合第一方面的第三種可能的實現(xiàn)方式，在第四種可能的實現(xiàn)方式中，所述計算所述當(dāng)前初始位置與上一次迭代后的初始位置的第二差值包括：
計算所述當(dāng)前初始位置與上一次迭代后的初始位置中所有相對應(yīng)的特征點之間的位置的標(biāo)準(zhǔn)差；
設(shè)置所述標(biāo)準(zhǔn)差為所述第二差值。
結(jié)合第一方面的第一種可能的實現(xiàn)方式，在第五種可能的實現(xiàn)方式中，所述獲取視頻幀中人臉的眉毛所對應(yīng)的特征點的位置包括：
獲取所述視頻幀中人臉的眉毛所對應(yīng)的特征點正面化后的位置。
結(jié)合第一方面的第一種可能的實現(xiàn)方式，在第六種可能的實現(xiàn)方式中，在所述計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的第一差值之前，還包括：
判斷當(dāng)前迭代對應(yīng)的視頻幀中人臉是否與上次迭代對應(yīng)的視頻幀中的人臉相同，如果不相同，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代。
結(jié)合第一方面至第一方面的第六種可能的實現(xiàn)方式中的任一實現(xiàn)方式，在第七種可能的實現(xiàn)方式中，所述預(yù)設(shè)人臉為標(biāo)準(zhǔn)平均臉。
第二方面，提供了一種電子設(shè)備，所述電子設(shè)備包括：
獲取模塊，用于獲取預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置作為初始位置；
迭代模塊，用于根據(jù)視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述初始位置進(jìn)行迭代修正，直至收斂；
初始位置設(shè)置模塊，用于設(shè)置收斂后的初始位置為所述視頻幀中人臉的眉毛的初始位置。
結(jié)合第二方面，在第一種可能的實現(xiàn)方式中，所述迭代模塊包括：
獲取子模塊，用于獲取與當(dāng)前迭代對應(yīng)的視頻幀中人臉的眉毛所對應(yīng)的特征點的位置；
第一差值計算子模塊，用于計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的第一差值；
第一差值判斷子模塊，用于判斷所述第一差值是否小于第一閾值，如果所述第一差值不小于第一閾值，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代，如果所述 第一差值小于第一閾值，則根據(jù)所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述上一次迭代后的初始位置進(jìn)行修正，得到修正后的當(dāng)前初始位置；
收斂判斷子模塊，用于判斷所述當(dāng)前初始位置是否收斂，如果不收斂則再次進(jìn)行迭代，如果收斂，則結(jié)束迭代。
結(jié)合第二方面的第一種可能的實現(xiàn)方式，在第二種可能的實現(xiàn)方式中，所述第一差值判斷子模塊還包括：
均值計算子模塊，用于計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與所述上一次迭代后的初始位置的加權(quán)平均值；
均值設(shè)置子模塊，用于設(shè)置所述加權(quán)平均值對應(yīng)的位置為修正后的當(dāng)前初始位置。
結(jié)合第二方面的第一種可能的實現(xiàn)方式，在第三種可能的實現(xiàn)方式中，所述收斂判斷子模塊還包括：
第二差值計算子模塊，用于計算所述當(dāng)前初始位置與上一次迭代后的初始位置的第二差值；
第二差值判斷子模塊，用于判斷所述第二差值是否小于第二閾值，如果所述第二差值小于第二閾值，則判定所述修正后的眉毛所對應(yīng)的特征點的位置收斂。
結(jié)合第二方面的第三種可能的實現(xiàn)方式，在第四種可能的實現(xiàn)方式中，所述第二差值計算子模塊還包括：
標(biāo)準(zhǔn)差計算子模塊，計算所述當(dāng)前初始位置與上一次迭代后的初始位置中所有相對應(yīng)的特征點之間的位置的標(biāo)準(zhǔn)差；
標(biāo)準(zhǔn)差設(shè)置子模塊，用于設(shè)置所述標(biāo)準(zhǔn)差為所述第二差值。
結(jié)合第二方面的第一種可能的實現(xiàn)方式，在第五種可能的實現(xiàn)方式中，所述獲取子模塊具體用于：
獲取所述視頻幀中人臉的眉毛所對應(yīng)的特征點正面化后的位置。
結(jié)合第二方面的第一種可能的實現(xiàn)方式，在第六種可能的實現(xiàn)方式中，所 述迭代模塊還包括：
人臉判斷子模塊，用于判斷當(dāng)前迭代對應(yīng)的視頻幀中人臉是否與上次迭代對應(yīng)的視頻幀中的人臉相同，如果不相同，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代。
結(jié)合第二方面至第二方面的第六種可能的實現(xiàn)方式中的任一實現(xiàn)方式，在第七種可能的實現(xiàn)方式中，所述預(yù)設(shè)人臉為標(biāo)準(zhǔn)平均臉。
第三方面，提供了一種電子設(shè)備，所述的電子設(shè)備包括存儲器以及與所述存儲器連接的處理器，其中，所述存儲器用于存儲一組程序代碼，所述處理器調(diào)用所述存儲器所存儲的程序代碼用于執(zhí)行以下操作：
獲取預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置作為初始位置；
根據(jù)視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述初始位置進(jìn)行迭代修正，直至收斂；
設(shè)置收斂后的初始位置為所述視頻幀中人臉的眉毛的初始位置。
結(jié)合第三方面，在第一種可能的實現(xiàn)方式中，所述處理器調(diào)用所述存儲器所存儲的程序代碼用于執(zhí)行以下操作：
獲取與當(dāng)前迭代對應(yīng)的視頻幀中人臉的眉毛所對應(yīng)的特征點的位置；
計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的第一差值；
如果所述第一差值不小于第一閾值，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代；
如果所述第一差值小于第一閾值，則根據(jù)所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述上一次迭代后的初始位置進(jìn)行修正，得到修正后的當(dāng)前初始位置；
判斷所述當(dāng)前初始位置是否收斂；
如果不收斂則再次進(jìn)行迭代；
如果收斂，則結(jié)束迭代。
結(jié)合第三方面的第一種可能的實現(xiàn)方式，在第二種可能的實現(xiàn)方式中，所 述處理器調(diào)用所述存儲器所存儲的程序代碼用于執(zhí)行以下操作：
計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與所述上一次迭代后的初始位置的加權(quán)平均值；
設(shè)置所述加權(quán)平均值對應(yīng)的位置為修正后的當(dāng)前初始位置。
結(jié)合第三方面的第一種可能的實現(xiàn)方式，在第三種可能的實現(xiàn)方式中，所述處理器調(diào)用所述存儲器所存儲的程序代碼用于執(zhí)行以下操作：
計算所述當(dāng)前初始位置與上一次迭代后的初始位置的第二差值；
如果所述第二差值小于第二閾值，則判定所述修正后的眉毛所對應(yīng)的特征點的位置收斂。
結(jié)合第三方面的第三種可能的實現(xiàn)方式，在第四種可能的實現(xiàn)方式中，所述處理器調(diào)用所述存儲器所存儲的程序代碼用于執(zhí)行以下操作：
計算所述當(dāng)前初始位置與上一次迭代后的初始位置中所有相對應(yīng)的特征點之間的位置的標(biāo)準(zhǔn)差；
設(shè)置所述標(biāo)準(zhǔn)差為所述第二差值。
結(jié)合第三方面的第一種可能的實現(xiàn)方式，在第五種可能的實現(xiàn)方式中，所述處理器調(diào)用所述存儲器所存儲的程序代碼用于執(zhí)行以下操作：
獲取所述視頻幀中人臉的眉毛所對應(yīng)的特征點正面化后的位置。
結(jié)合第三方面的第一種可能的實現(xiàn)方式，在第六種可能的實現(xiàn)方式中，所述處理器調(diào)用所述存儲器所存儲的程序代碼用于執(zhí)行以下操作：
判斷當(dāng)前迭代對應(yīng)的視頻幀中人臉是否與上次迭代對應(yīng)的視頻幀中的人臉相同，如果不相同，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代。
結(jié)合第三方面至第三方面的第六種可能的實現(xiàn)方式中的任一實現(xiàn)方式，在第七種可能的實現(xiàn)方式中，所述預(yù)設(shè)人臉為標(biāo)準(zhǔn)平均臉。
本發(fā)明實施例提供了一種眉毛位置的初始化方法及電子設(shè)備，根據(jù)視頻幀中人臉的眉毛的位置不斷地對預(yù)設(shè)的標(biāo)準(zhǔn)平均臉的眉毛的位置進(jìn)行修正，從而能夠有效地獲取視頻幀中人臉在無表情情況下的眉毛的位置。
附圖說明
為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(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)明實施例提供的一種眉毛位置的初始化方法的流程圖；
圖2是本發(fā)明實施例提供的一種眉毛位置的初始化方法的流程圖；
圖3是本發(fā)明實施例提供的一種眉毛位置的初始化方法的流程圖；
圖4是本發(fā)明實施例提供的一種眉毛位置的初始化方法的流程圖；
圖5是本發(fā)明實施例提供的一種眉毛位置的初始化方法的流程圖；
圖6是本發(fā)明實施例提供的一種電子設(shè)備的結(jié)構(gòu)示意圖；
圖7是本發(fā)明實施例提供的一種電子設(shè)備的結(jié)構(gòu)示意圖。
具體實施方式
為使本發(fā)明的目的、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(jìn)行清楚、完整地描述。
實施例一
本發(fā)明實施例提供了一種眉毛位置的初始化方法，參照圖1所示，方法流程包括：
102、獲取預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置作為初始位置。
具體的，該過程可以為：
獲取預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置；
設(shè)置該位置為眉毛的初始位置。
示例性的，該預(yù)設(shè)人臉可以是標(biāo)準(zhǔn)平均臉，該標(biāo)準(zhǔn)平均臉是無表情的人臉。除了上述標(biāo)準(zhǔn)平均臉之外，該預(yù)設(shè)人臉還可以是其它人臉，本發(fā)明實施例對具 體的預(yù)設(shè)人臉不加以限定。
需要指出的是，預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點可以是多個，在這種情況下，所述預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置是該預(yù)設(shè)人臉的眉毛所對應(yīng)的所有特征點的位置的集合。
104、根據(jù)視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述初始位置進(jìn)行迭代修正，直至收斂。
具體的，該過程可以為：
獲取與當(dāng)前迭代對應(yīng)的視頻幀中人臉的眉毛所對應(yīng)的特征點的位置；
為了能夠?qū)λ龀跏嘉恢貌粩噙M(jìn)行迭代修正，每次迭代過程都會選取視頻中一幀新的視頻幀進(jìn)行處理，示例性的，該視頻幀可以是當(dāng)前正在播放的視頻幀，除了上述當(dāng)前視頻幀之外，所述與當(dāng)前迭代對應(yīng)的視頻幀還可以是其它視頻幀，本發(fā)明實施例對具體的視頻幀不加以限定；
計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的第一差值；
如果所述第一差值不小于第一閾值，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代；
如果所述第一差值小于第一閾值，則根據(jù)所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述上一次迭代后的初始位置進(jìn)行修正，得到修正后的當(dāng)前初始位置；
判斷所述當(dāng)前初始位置是否收斂：
計算所述當(dāng)前初始位置與上一次迭代后的初始位置的第二差值；
如果所述第二差值小于第二閾值，則判定所述修正后的眉毛所對應(yīng)的特征點的位置收斂；
如果不收斂則再次進(jìn)行迭代；
如果收斂，則結(jié)束迭代。
106、設(shè)置收斂后的初始位置為所述視頻幀中人臉的眉毛的初始位置。
具體的，該過程可以為：
設(shè)置收斂后的初始位置為所述視頻幀中人臉的眉毛的初始位置；
對于迭代結(jié)束后的視頻中的每一幀，在進(jìn)行表情遷移時，以所述設(shè)置后的初始位置作為視頻幀中人臉眉毛的初始位置。
本發(fā)明實施例提供了一種眉毛位置的初始化方法，根據(jù)視頻幀中人臉的眉毛的位置不斷地對預(yù)設(shè)的標(biāo)準(zhǔn)平均臉的眉毛的位置進(jìn)行修正，從而能夠有效地獲取視頻幀中人臉在無表情情況下的眉毛的位置，進(jìn)一步地，通過判斷所述第一差值是否小于第一閾值來避免差異過大的人臉影響修正的結(jié)果，保證了修正的精度。
實施例二
本發(fā)明實施例提供了一種眉毛位置的初始化方法，參照圖2所示，方法流程包括：
202、獲取預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置作為初始位置。
具體的，該步驟與步驟102類似，此處不再加以贅述。
204、根據(jù)視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述初始位置進(jìn)行迭代修正，直至收斂。
具體的，參照圖3所示，該過程可以包括：
2041、獲取與當(dāng)前迭代對應(yīng)的視頻幀中人臉的眉毛所對應(yīng)的特征點的位置。
為了能夠?qū)λ龀跏嘉恢貌粩噙M(jìn)行迭代修正，每次迭代過程都會選取視頻中一幀新的視頻幀進(jìn)行處理，示例性的，該視頻幀可以是當(dāng)前正在播放的視頻幀，除了上述當(dāng)前視頻幀之外，所述與當(dāng)前迭代對應(yīng)的視頻幀還可以是其它視頻幀，本發(fā)明實施例對具體的視頻幀不加以限定。
2042、計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的第一差值。
具體的，該過程可以為：
計算所述視頻幀中人臉的眉毛所對應(yīng)的所有特征點的位置與上一次迭代后的初始位置中所有相對應(yīng)的特征點之間的位置的標(biāo)準(zhǔn)差，計算公式如下：
其中，m為所述視頻幀中人臉的眉毛所對應(yīng)的特征點的個數(shù)，i為其中第i個特征點，xi為第i個特征點的位置的橫坐標(biāo)值，
2043、判斷所述第一差值是否小于第一閾值。
示例性的，所述第一閾值可以取值為0.01，除了該取值之外，所述第一閾值還可以是其它值，本發(fā)明實施例對所述第一閾值的具體取值不加以限定。
2044、如果所述第一差值不小于第一閾值，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代。
具體的，該過程可以為：
如果所述第一差值不小于第一閾值，說明所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的差異過大，如果進(jìn)行迭代修正，將會影響修正結(jié)果的精度，所以在這種情況下，跳過當(dāng)前迭代，直接進(jìn)行下次迭代。
2045、如果所述第一差值小于第一閾值，則根據(jù)所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述上一次迭代后的初始位置進(jìn)行修正，得到修正后的當(dāng)前初始位置。
具體的，該過程可以為：
計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與所述上一次迭代后的初始位置的加權(quán)平均值，計算公式如下：
其中，
需要指出的是，n為實際的迭代次數(shù)，所有被跳過的迭代不計入實際迭代的次數(shù)中。
設(shè)置所述加權(quán)平均值對應(yīng)的位置為修正后的當(dāng)前初始位置。
2046、計算所述當(dāng)前初始位置與上一次迭代后的初始位置的第二差值。
具體的，計算公式如下：
其中，m為所述當(dāng)前初始位置中眉毛所對應(yīng)的特征點的個數(shù)，i為其中第i個特征點，
2047、判斷所述當(dāng)前初始位置是否收斂。
具體的，該過程可以為：
判斷所述第二差值是否小于所述第二閾值，如果小于所述第二閾值，則判定所述當(dāng)前初始位置收斂，否則，判定所述當(dāng)前初始位置不收斂，示例性的， 所述第二閾值可以取值為0.001，除了該取值之外，所述第二閾值還可以是其它值，本發(fā)明實施例對所述第一閾值的具體取值不加以限定。
2048、如果不收斂則再次進(jìn)行迭代。
具體的，該過程可以為：
跳轉(zhuǎn)至步驟2041，開始進(jìn)行下一次迭代。
2049、如果收斂，則結(jié)束迭代。
206、設(shè)置收斂后的初始位置為所述視頻幀中人臉的眉毛的初始位置。
具體的，該步驟與步驟106類似，此處不再加以贅述。
本發(fā)明實施例提供了一種眉毛位置的初始化方法，根據(jù)視頻幀中人臉的眉毛的位置不斷地對預(yù)設(shè)的標(biāo)準(zhǔn)平均臉的眉毛的位置進(jìn)行修正，從而能夠有效地獲取視頻幀中人臉在無表情情況下的眉毛的位置，進(jìn)一步地，通過判斷所述第一差值是否小于第一閾值來避免差異過大的人臉影響修正的結(jié)果，保證了修正的精度。
實施例三
本發(fā)明實施例提供了一種眉毛位置的初始化方法，參照圖4所示，方法流程包括：
302、獲取預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置作為初始位置。
具體的，該步驟與步驟102類似，此處不再加以贅述。
304、根據(jù)視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述初始位置進(jìn)行迭代修正，直至收斂。
具體的，參照圖5所示，該過程可以包括：
3041、獲取與當(dāng)前迭代對應(yīng)的視頻幀中人臉的眉毛所對應(yīng)的特征點的位置。
為了能夠?qū)λ龀跏嘉恢貌粩噙M(jìn)行迭代修正，每次迭代過程都會選取視頻中一幀新的視頻幀進(jìn)行處理，在對新的視頻幀進(jìn)行處理時，首先判斷從該視頻幀中獲取的人臉是否與上一次迭代中所獲取的人臉相同，如果不相同則跳過當(dāng)前迭代，直接進(jìn)行下次迭代。
如果該視頻幀中獲取的人臉與上一次迭代中所獲取的人臉相同，則對所述視頻幀中人臉的眉毛所對應(yīng)的特征點進(jìn)行正面化，獲取所述視頻幀中人臉的眉毛所對應(yīng)的特征點正面化后的位置。
3042、計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的第一差值。
具體的，該步驟與步驟2042類似，此處不再加以贅述。
3043、判斷所述第一差值是否小于第一閾值。
示例性的，所述第一閾值可以取值為0.05，除了該取值之外，所述第一閾值還可以是其它值，本發(fā)明實施例對所述第一閾值的具體取值不加以限定。
3044、如果所述第一差值不小于第一閾值，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代。
具體的，該步驟與步驟2044類似，此處不再加以贅述。
3045、如果所述第一差值小于第一閾值，則根據(jù)所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述上一次迭代后的初始位置進(jìn)行修正，得到修正后的當(dāng)前初始位置。
具體的，該步驟與步驟2045類似，此處不再加以贅述。
3046、計算所述當(dāng)前初始位置與上一次迭代后的初始位置的第二差值。
具體的，該步驟與步驟2046類似，此處不再加以贅述。
3047、判斷所述當(dāng)前初始位置是否收斂。
具體的，該過程可以為：
判斷所述第二差值是否小于所述第二閾值，如果小于所述第二閾值，則判定所述當(dāng)前初始位置收斂，否則，判定所述當(dāng)前初始位置不收斂，示例性的，所述第二閾值可以取值為0.005，除了該取值之外，所述第二閾值還可以是其它值，本發(fā)明實施例對所述第一閾值的具體取值不加以限定。
3048、如果不收斂則再次進(jìn)行迭代。
具體的，該過程可以為：
跳轉(zhuǎn)至步驟3041，開始進(jìn)行下一次迭代；或者，
當(dāng)?shù)螖?shù)不大于100，并且所述當(dāng)前初始位置不收斂，跳轉(zhuǎn)至步驟2041，開始進(jìn)行下一次迭代。
值得注意的是，某些情況下，所述當(dāng)前初始位置可能始終不收斂，或者是需要經(jīng)過非常多的迭代次數(shù)以后才能收斂，為了保證該方法的穩(wěn)定性和效率，可以設(shè)定最大迭代次數(shù)，當(dāng)超過該迭代次數(shù)后，無論是誰當(dāng)前初始位置是否收斂，都結(jié)束迭代過程，示例性的，該最大迭代次數(shù)可以設(shè)置為100，該最大迭代次數(shù)也可以是其他值，本發(fā)明實施例對具體的最大迭代次數(shù)不加限定。
3049、如果收斂，則結(jié)束迭代。
306、設(shè)置收斂后的初始位置為所述視頻幀中人臉的眉毛的初始位置。
具體的，該步驟與步驟106類似，此處不再加以贅述。
本發(fā)明實施例提供了一種眉毛位置的初始化方法，根據(jù)視頻幀中人臉的眉毛的位置不斷地對預(yù)設(shè)的標(biāo)準(zhǔn)平均臉的眉毛的位置進(jìn)行修正，從而能夠有效地獲取視頻幀中人臉在無表情情況下的眉毛的位置，進(jìn)一步地，通過判斷所述第一差值是否小于第一閾值來避免差異過大的人臉影響修正的結(jié)果，保證了修正的精度，進(jìn)一步地，通過判斷視頻幀中的人臉是否與上次迭代過程中的視頻幀中的人臉相同，保證了，每次迭代都使用相同的人臉信息，避免了不同人臉信息對迭代結(jié)果的干擾，進(jìn)一步保證了修正的精度，進(jìn)一步地，通過對人臉的眉毛所對應(yīng)的特征點進(jìn)行正面化，避免了人臉不同表情對迭代結(jié)果的干擾，減小了迭代的誤差，進(jìn)一步保證了修正的精度，進(jìn)一步地，通過設(shè)置最大迭代次數(shù)，避免了無限次的迭代，保證了方法的效率和穩(wěn)定性。
實施例四
本發(fā)明實施例提供了一種電子設(shè)備，參照圖6所示，該電子設(shè)備包括：
獲取模塊601，用于獲取預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置作為初始位置；
迭代模塊602，用于根據(jù)視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述 初始位置進(jìn)行迭代修正，直至收斂；
初始位置設(shè)置模塊603，用于設(shè)置收斂后的初始位置為所述視頻幀中人臉的眉毛的初始位置。
可選的，迭代模塊602包括：
獲取子模塊6021，用于獲取與當(dāng)前迭代對應(yīng)的視頻幀中人臉的眉毛所對應(yīng)的特征點的位置；
第一差值計算子模塊6022，用于計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的第一差值；
第一差值判斷子模塊6023，用于判斷所述第一差值是否小于第一閾值，如果所述第一差值不小于第一閾值，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代，如果所述第一差值小于第一閾值，則根據(jù)所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述上一次迭代后的初始位置進(jìn)行修正，得到修正后的當(dāng)前初始位置；
收斂判斷子模塊6024，用于判斷所述當(dāng)前初始位置是否收斂，如果不收斂則再次進(jìn)行迭代，如果收斂，則結(jié)束迭代。
可選的，第一差值判斷子模塊6023還包括：
均值計算子模塊60231，用于計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與所述上一次迭代后的初始位置的加權(quán)平均值；
均值設(shè)置子模塊60232，用于設(shè)置所述加權(quán)平均值對應(yīng)的位置為修正后的當(dāng)前初始位置。
可選的，收斂判斷子模塊6024還包括：
第二差值計算子模塊60241，用于計算所述當(dāng)前初始位置與上一次迭代后的初始位置的第二差值；
第二差值判斷子模塊60242，用于判斷所述第二差值是否小于第二閾值，如果所述第二差值小于第二閾值，則判定所述修正后的眉毛所對應(yīng)的特征點的位置收斂。
可選的，第二差值計算子模塊60241還包括：
標(biāo)準(zhǔn)差計算子模塊602411，計算所述當(dāng)前初始位置與上一次迭代后的初始位置中所有相對應(yīng)的特征點之間的位置的標(biāo)準(zhǔn)差；
標(biāo)準(zhǔn)差設(shè)置子模塊602412，用于設(shè)置所述標(biāo)準(zhǔn)差為所述第二差值。
可選的，獲取子模塊6021具體用于：
獲取所述視頻幀中人臉的眉毛所對應(yīng)的特征點正面化后的位置。
可選的，迭代模塊602還包括：
人臉判斷子模塊6025，用于判斷當(dāng)前迭代對應(yīng)的視頻幀中人臉是否與上次迭代對應(yīng)的視頻幀中的人臉相同，如果不相同，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代。
可選的，預(yù)設(shè)人臉為標(biāo)準(zhǔn)平均臉。
本發(fā)明實施例提供了一種電子設(shè)備，根據(jù)視頻幀中人臉的眉毛的位置不斷地對預(yù)設(shè)的標(biāo)準(zhǔn)平均臉的眉毛的位置進(jìn)行修正，從而能夠有效地獲取視頻幀中人臉在無表情情況下的眉毛的位置，進(jìn)一步地，通過判斷所述第一差值是否小于第一閾值來避免差異過大的人臉影響修正的結(jié)果，保證了修正的精度。
實施例五
本發(fā)明實施例提供了一種電子設(shè)備，參照圖7所示，所述的電子設(shè)備包括存儲器701以及與存儲器701連接的處理器702，其中，存儲器701用于存儲一組程序代碼，處理器702調(diào)用存儲器701所存儲的程序代碼用于執(zhí)行以下操作：
獲取預(yù)設(shè)人臉的眉毛所對應(yīng)的特征點的位置作為初始位置；
根據(jù)視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述初始位置進(jìn)行迭代修正，直至收斂；
設(shè)置收斂后的初始位置為所述視頻幀中人臉的眉毛的初始位置。
可選的，處理器702調(diào)用存儲器701所存儲的程序代碼用于執(zhí)行以下操作：
獲取與當(dāng)前迭代對應(yīng)的視頻幀中人臉的眉毛所對應(yīng)的特征點的位置；
計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與上一次迭代后的初始位置的第一差值；
如果所述第一差值不小于第一閾值，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代；
如果所述第一差值小于第一閾值，則根據(jù)所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置對所述上一次迭代后的初始位置進(jìn)行修正，得到修正后的當(dāng)前初始位置；
判斷所述當(dāng)前初始位置是否收斂；
如果不收斂則再次進(jìn)行迭代；
如果收斂，則結(jié)束迭代。
可選的，處理器702調(diào)用存儲器701所存儲的程序代碼用于執(zhí)行以下操作：
計算所述視頻幀中人臉的眉毛所對應(yīng)的特征點的位置與所述上一次迭代后的初始位置的加權(quán)平均值；
設(shè)置所述加權(quán)平均值對應(yīng)的位置為修正后的當(dāng)前初始位置。
可選的，處理器702調(diào)用存儲器701所存儲的程序代碼用于執(zhí)行以下操作：
計算所述當(dāng)前初始位置與上一次迭代后的初始位置的第二差值；
如果所述第二差值小于第二閾值，則判定所述修正后的眉毛所對應(yīng)的特征點的位置收斂。
可選的，處理器702調(diào)用存儲器701所存儲的程序代碼用于執(zhí)行以下操作：
計算所述當(dāng)前初始位置與上一次迭代后的初始位置中所有相對應(yīng)的特征點之間的位置的標(biāo)準(zhǔn)差；
設(shè)置所述標(biāo)準(zhǔn)差為所述第二差值。
可選的，處理器702調(diào)用存儲器701所存儲的程序代碼用于執(zhí)行以下操作：
獲取所述視頻幀中人臉的眉毛所對應(yīng)的特征點正面化后的位置。
可選的，處理器702調(diào)用存儲器701所存儲的程序代碼用于執(zhí)行以下操作：
判斷當(dāng)前迭代對應(yīng)的視頻幀中人臉是否與上次迭代對應(yīng)的視頻幀中的人臉相同，如果不相同，則跳過當(dāng)前迭代，直接進(jìn)行下次迭代。
可選的，預(yù)設(shè)人臉為標(biāo)準(zhǔn)平均臉。
本發(fā)明實施例提供了一種電子設(shè)備，根據(jù)視頻幀中人臉的眉毛的位置不斷 地對預(yù)設(shè)的標(biāo)準(zhǔn)平均臉的眉毛的位置進(jìn)行修正，從而能夠有效地獲取視頻幀中人臉在無表情情況下的眉毛的位置，進(jìn)一步地，通過判斷所述第一差值是否小于第一閾值來避免差異過大的人臉影響修正的結(jié)果，保證了修正的精度。
以上僅是本發(fā)明的較佳實施例而已，并非對本發(fā)明作任何形式上的限制，雖然本發(fā)明已以較佳實施例揭示如上，然而并非用以限定本發(fā)明，本領(lǐng)域普通技術(shù)人員在不脫離本發(fā)明技術(shù)方案范圍內(nèi)，當(dāng)可利用上述揭示的技術(shù)內(nèi)容做出些許更動或修飾為等同變化的等效實施例，但凡是未脫離本發(fā)明技術(shù)方案內(nèi)容，依據(jù)本發(fā)明的技術(shù)實質(zhì)對以上實施例所作的任何簡單修改、等同變化與修飾，均仍屬于本發(fā)明技術(shù)方案的范圍內(nèi)。
- 還沒有人留言評論。精彩留言會獲得點贊！