本申请公开了一种图像处理方法、装置、设备、存储介质及计算机程序产品。该方法包括：获取参考对象的待处理图像；对待处理图像进行分类，得到各个候选姿态分别与待处理图像的匹配概率；基于第一姿态与待处理图像的匹配概率，对第一姿态对应的姿态表征参数进行加权融合，得到融合姿态表征参数，将融合姿态表征参数表征的姿态作为待处理图像对应的参考对象的姿态，第一姿态为与待处理图像的匹配概率满足第一条件的候选姿态。融合姿态表征参数表征的姿态可视为根据匹配概率对一个或多个候选姿态进行融合后得到的姿态，此种方式确定出的待处理图像对应的参考对象的姿态的精准度较高，图像处理质量较好。像处理质量较好。像处理质量较好。
【技术实现步骤摘要】
图像处理方法、装置、设备、存储介质及计算机程序产品
[0001]本申请实施例涉及计算机
，特别涉及一种图像处理方法、装置、设备、存储介质及计算机程序产品。
技术介绍
[0002]随着计算机技术的发展，对图像进行处理的应用场景越来越多。一种应用场景为：对参考对象的图像进行处理，确定图像对应的参考对象的姿态，其中，参考对象是一种姿态可变化的对象。
[0003]相关技术中，在参考对象具有的多个候选姿态中确定出与图像匹配度最高的一个候选姿态，然后将该一个候选姿态作为图像对应的参考对象的姿态。此种图像处理方式确定出的图像对应的参考对象的姿态局限于该一个候选姿态，由于参考对象具有的候选姿态的设定通常较为粗糙，所以基于此种图像处理方式确定出的图像对应的参考对象的姿态的精准度较低，图像处理质量不佳。
技术实现思路
[0004]本申请实施例提供了一种图像处理方法、装置、设备、存储介质及计算机程序产品，可用于提高确定出的图像对应的参考对象的姿态的精准度，进而提高图像处理质量。所述技术方案如下：
[0005]一方面，本申请实施例提供了一种图像处理方法，所述方法包括：
[0006]获取参考对象的待处理图像；
[0007]对所述待处理图像进行分类，得到所述参考对象具有的各个候选姿态分别与所述待处理图像的匹配概率；
[0008]基于第一姿态与所述待处理图像的匹配概率，对所述第一姿态对应的姿态表征参数进行加权融合，得到融合姿态表征参数，将所述融合姿态表征参数表征的姿态作为所述待处理图像对应的参考对象的姿态，所述第一姿态为与所述待处理图像的匹配概率满足第一条件的候选姿态。
[0009]另一方面，提供了一种图像处理装置，所述装置包括：
[0010]第一获取单元，用于获取参考对象的待处理图像；
[0011]分类单元，用于对所述待处理图像进行分类，得到所述参考对象具有的各个候选姿态分别与所述待处理图像的匹配概率；
[0012]第二获取单元，用于基于第一姿态与所述待处理图像的匹配概率，对所述第一姿态对应的姿态表征参数进行加权融合，得到融合姿态表征参数，将所述融合姿态表征参数表征的姿态作为所述待处理图像对应的参考对象的姿态，所述第一姿态为与所述待处理图像的匹配概率满足第一条件的候选姿态。
[0013]在一种可能实现方式中，所述第二获取单元，还用于获取与所述融合姿态表征参数匹配的目标参考对象虚拟模型，将所述目标参考对象虚拟模型具有的姿态作为所述融合
姿态表征参数表征的姿态。
[0014]在一种可能实现方式中，所述第二获取单元，还用于基于所述融合姿态表征参数，生成所述目标参考对象虚拟模型。
[0015]在一种可能实现方式中，所述融合姿态表征参数用于指示与基准参考对象虚拟模型匹配的基准姿态表征参数的变量参数，所述基准参考对象虚拟模型随着所述基准姿态表征参数的调整而变化；所述第二获取单元，还用于根据所述融合姿态表征参数对所述基准姿态表征参数进行调整，将基准参考对象虚拟模型随着所述基准姿态表征参数的调整而变化后得到的虚拟模型作为所述目标参考对象虚拟模型。
[0016]在一种可能实现方式中，所述分类单元，用于获取图像分类模型，所述图像分类模型基于所述参考对象的样本图像以及所述样本图像对应的分类标签训练得到，所述样本图像对应的分类标签用于指示所述样本图像对应的标准姿态，所述标准姿态为所述各个候选姿态中的一个候选姿态；调用所述图像分类模型对所述待处理图像进行分类，得到所述各个候选姿态分别与所述待处理图像的匹配概率。
[0017]在一种可能实现方式中，所述图像分类模型包括依次连接的卷积模型、注意力模型和全连接模型，所述分类单元，用于调用所述卷积模型对所述待处理图像进行特征提取，得到第一图像特征；调用所述注意力模型对所述第一图像特征进行特征提取，得到第二图像特征；调用所述全连接模型对所述第二图像特征进行分类，得到所述各个候选姿态分别与所述待处理图像的匹配概率。
[0018]在一种可能实现方式中，所述卷积模型包括依次连接的至少一个卷积子模型，任一卷积子模型包括依次连接的卷积层、池化层和激活层，所述分类单元，用于调用所述卷积模型中的第一个卷积子模型中的卷积层、池化层和激活层对所述待处理图像进行特征提取，得到所述第一个卷积子模型输出的激活特征；从所述卷积模型中的第二个卷积子模型开始，调用下一个卷积子模型中的卷积层、池化层和激活层对上一个卷积子模型输出的激活特征进行特征提取，得到下一个卷积子模型输出的激活特征，直至得到最后一个卷积子模型输出的激活特征，将所述最后一个卷积子模型输出的激活特征作为所述第一图像特征。
[0019]在一种可能实现方式中，所述第一获取单元，用于获取原始图像，所述原始图像包括所述参考对象的子图像；确定所述参考对象的子图像在所述原始图像中所处的区域；基于所述参考对象的子图像在所述原始图像中所处的区域，获取所述待处理图像。
[0020]在一种可能实现方式中，所述参考对象为第一对象的一个部位，所述装置还包括：
[0021]调整单元，用于获取第一对象虚拟模型，所述第一对象虚拟模型包括所述参考对象的子模型；利用所述待处理图像对应的参考对象的姿态对所述参考对象的子模型进行姿态调整。
[0022]在一种可能实现方式中，所述参考对象为嘴部，所述装置还包括：
[0023]识别单元，用于识别与所述待处理图像对应的嘴部的姿态匹配的唇语内容。
[0024]另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述计算机设备实现上述任一所述的图像处理方法。
[0025]另一方面，还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
有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一所述的图像处理方法。
[0026]另一方面，还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序或计算机指令，所述计算机程序或所述计算机指令由处理器加载并执行，以使计算机实现上述任一所述的图像处理方法。
[0027]本申请实施例提供的技术方案至少带来如下有益效果：
[0028]本申请实施例提供的技术方案，将融合姿态表征参数表征的姿态作为待处理图像对应的参考对象的姿态，其中，融合姿态表征参数是根据各个候选姿态中的第一姿态与待处理图像的匹配概率对第一姿态对应的姿态表征参数进行融合得到的。融合姿态表征参数表征的姿态可视为根据匹配概率对一个或多个候选姿态进行融合后得到的姿态，此种方式确定出的待处理图像对应的参考对象的姿态受到候选姿态设定粗糙的影响较小，精准度较高，图像处理质量较好。
附图说明
[0029]为了更清楚地说明本申请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申请的一些实施例，对于本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：获取参考对象的待处理图像；对所述待处理图像进行分类，得到所述参考对象具有的各个候选姿态分别与所述待处理图像的匹配概率；基于第一姿态与所述待处理图像的匹配概率，对所述第一姿态对应的姿态表征参数进行加权融合，得到融合姿态表征参数，将所述融合姿态表征参数表征的姿态作为所述待处理图像对应的参考对象的姿态，所述第一姿态为与所述待处理图像的匹配概率满足第一条件的候选姿态。2.根据权利要求1所述的方法，其特征在于，所述将所述融合姿态表征参数表征的姿态作为所述待处理图像对应的参考对象的姿态之前，所述方法还包括：获取与所述融合姿态表征参数匹配的目标参考对象虚拟模型，将所述目标参考对象虚拟模型具有的姿态作为所述融合姿态表征参数表征的姿态。3.根据权利要求2所述的方法，其特征在于，所述获取与所述融合姿态表征参数匹配的目标参考对象虚拟模型，包括：基于所述融合姿态表征参数，生成所述目标参考对象虚拟模型。4.根据权利要求2所述的方法，其特征在于，所述融合姿态表征参数用于指示与基准参考对象虚拟模型匹配的基准姿态表征参数的变量参数，所述基准参考对象虚拟模型随着所述基准姿态表征参数的调整而变化；所述获取与所述融合姿态表征参数匹配的目标参考对象虚拟模型，包括：根据所述融合姿态表征参数对所述基准姿态表征参数进行调整，将基准参考对象虚拟模型随着所述基准姿态表征参数的调整而变化后得到的虚拟模型作为所述目标参考对象虚拟模型。5.根据权利要求1
‑
4任一所述的方法，其特征在于，所述对所述待处理图像进行分类，得到所述参考对象具有的各个候选姿态分别与所述待处理图像的匹配概率，包括：获取图像分类模型，所述图像分类模型基于所述参考对象的样本图像以及所述样本图像对应的分类标签训练得到，所述样本图像对应的分类标签用于指示所述样本图像对应的标准姿态，所述标准姿态为所述各个候选姿态中的一个候选姿态；调用所述图像分类模型对所述待处理图像进行分类，得到所述各个候选姿态分别与所述待处理图像的匹配概率。6.根据权利要求5所述的方法，其特征在于，所述图像分类模型包括依次连接的卷积模型、注意力模型和全连接模型，所述调用所述图像分类模型对所述待处理图像进行分类，得到所述各个候选姿态分别与所述待处理图像的匹配概率，包括：调用所述卷积模型对所述待处理图像进行特征提取，得到第一图像特征；调用所述注意力模型对所述第一图像特征进行特征提取，得到第二图像特征；调用所述全连接模型对所述第二图像特征进行分类，得到所述各个候选姿态分别与所述待处理图像的匹配概率。7.根据权利要求6所述的方法，其特征在于，所述卷积模型包括依次连接的至少一个卷积子模型，任一卷积子模型包括依次连接的卷积层、池化层和激活层，所述调用所述卷积模型对所述待处理图像进行特征提取，得到第一图像特征，包括：
调用所述卷积模型中的第一个卷积...
【专利技术属性】
技术研发人员：刘浩，周勤，赵远远，郑青青，李琛，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。