一种磨皮处理方法、装置、移动终端和存储介质

技术领域

本发明实施例涉及计算机视觉的技术领域，尤其涉及一种磨皮处理方法、装置、移动终端和存储介质。

背景技术

随着移动互联网与移动终端的迅速发展，移动终端中的视频数据已成为人类活动中常用的信息载体，如直播、视频通话等，它们包含着物体的大量信息，成为人们获取外界原始信息的途径之一。

针对这些视频数据，用户通常会选择美颜处理，磨皮处理是常用的美颜处理之一，磨皮处理是将平滑皮肤区域，将皮肤区域的皱纹、斑点和痘印等瑕疵去除掉，在此过程中，尽可能的保留人脸五官的边缘和高对比度区域。

在移动终端等设备性能受限的情况下，通常使用快速导向滤波算法和双边滤波等保边滤波实现磨皮处理，但是，保边滤波使用固定的参数，灵活性较差，在多种场景中的滤波质量较低。

发明内容

本发明实施例提出了一种磨皮处理方法、装置、移动终端和存储介质，以解决如何在移动终端等设备性能受限的情况下提高保边滤波的灵活性的问题。

第一方面，本发明实施例提供了一种磨皮处理方法，包括：

采集原始图像数据；

在所述原始图像数据中检测原始人脸数据，所述原始人脸数据中具有表示亮度的亮度人脸数据；

提高所述亮度人脸数据的特征维度，获得特征人脸数据；

将所述特征人脸数据映射为权重图像数据；

当对所述原始图像数据进行保边滤波处理时，使用所述权重图像数据调节保边的强度，获得目标图像数据。

第二方面，本发明实施例还提供了一种磨皮处理装置，包括：

原始图像数据采集模块，用于采集原始图像数据；

原始人脸数据检测模块，用于在所述原始图像数据中检测原始人脸数据，所述原始人脸数据中具有表示亮度的亮度人脸数据；

特征维度提高模块，用于提高所述亮度人脸数据的特征维度，获得特征人脸数据；

权重图像数据映射模块，用于将所述特征人脸数据映射为权重图像数据；

保边滤波处理模块，用于当对所述原始图像数据进行保边滤波处理时，使用所述权重图像数据调节保边的强度，获得目标图像数据。

第三方面，本发明实施例还提供了一种移动终端，所述移动终端包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的磨皮处理方法。

第四方面，本发明实施例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上存储计算机程序，所述计算机程序被处理器执行时实现如第一方所述的磨皮处理方法。

在本实施例中，采集原始图像数据，在原始图像数据中检测原始人脸数据，原始人脸数据中具有表示亮度的亮度人脸数据，提高亮度人脸数据的特征维度，获得特征人脸数据，将特征人脸数据映射为权重图像数据，当对原始图像数据进行保边滤波处理时，使用权重图像数据调节保边的强度，获得目标图像数据，通过引入人脸图像数据来限定处理的范围，利用人脸区域的强边来进行自适应调整权重图像数据，大大提高了保边滤波处理的灵活性，可以较好地避免背景区域较为复杂时、容易导致前景模糊的问题，通过提高亮度人脸数据的特征维度，区分人脸区域中瑕疵和五官部位的边缘，权重图像数据的处理较为简单，以较少计算量代价实现了优化自适应保边滤波处理在磨皮处理中的优化，即本实施例可以在保证磨皮处理的性能的同时提高磨皮处理的效果，并且使其适用于复杂多样的采集环境，在诸如移动终端等设备性能受限的情况下，可以实现实时性的磨皮处理。

附图说明

图1为本发明实施例一提供的一种磨皮处理方法的流程图；

图2为本发明实施例一提供的一种高频信息的对比示例图；

图3是本发明实施例一提供的一种映射函数的示意图；

图4为本发明实施例二提供的一种磨皮处理装置的结构示意图；

图5为本发明实施例三提供的一种移动终端的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种磨皮处理方法的流程图，本实施例可适用于以人脸数据作为先验知识、自适应进行保边滤波处理的情况，该方法可以由磨皮处理装置来执行，该磨皮处理装置可以由软件和/或硬件实现，可配置在移动终端中，例如，手机、平板电脑、智能穿戴设备(如智能手表、智能眼镜等)，，等等，具体包括如下步骤：

步骤101、采集原始图像数据。

在本实施例中，等待磨皮处理的视频数据一般指在具有实时性的业务场景中所生成、传输或播放的视频数据。

一般而言，可在生成该视频数据的移动终端中对该视频数据进行磨皮处理，此时，可开启移动终端的摄像头，摄像头采集视频数据。

当然，除了在生成该视频数据的移动终端中对该视频数据进行磨皮处理之外，也可以在播放该视频数据的移动终端对该视频数据进行磨皮处理，本实施例对此不加以限制。

例如，在直播的业务场景中，等待磨皮处理的视频数据可以指用于承载直播内容的视频数据，主播用户所登录的移动终端产生视频数据，以及，将该视频数据通过直播平台分发到各个观众用户所登录的设备进行播放，此时，通常在主播用户所登录的移动终端对该视频数据进行磨皮处理。

又例如，在视频通话的业务场景中，等待磨皮处理的视频数据可以指用于承载通话内容的视频数据，发起通话的用户所登录的移动终端产生视频数据，以及，将该视频数据发送到各个被邀请通话的用户所登录的设备进行播放，此时，通常在发起通话的用户所登录的移动终端对该视频数据进行磨皮处理。

又例如，在视频会议的业务场景中，等待磨皮处理的视频数据可以指用于承载会议内容的视频数据，正在发言的用户所登录的移动终端产生视频数据，以及，将该视频数据发送到各个参与该会议的用户所登录的设备进行播放，此时，通常正在发言的用户所登录的移动终端对该视频数据进行磨皮处理。

除了直播、视频通话、视频会议等对实时性要求的视频数据之外，等待磨皮处理的视频数据也可以指在实时性要求较低的业务场景中所生成的视频数据，如短视频等，本实施例对此不加以限制。

在本实施例中，视频数据中具有多帧图像数据，按照生成的顺序依次记为P

步骤102、在原始图像数据中检测原始人脸数据。

在不同的业务场景中，通常是对用户采集视频数据，因此，在视频数据的多帧原始图像数据中通常具有用户的人物形象，所谓人物形象，可以指原始图像数据中用于表示人物的像素点。

该人物形象至少包括用于表示人脸的人脸数据(像素点)，除此之外，还可以包括用于表示头发的头发数据(像素点)、用于表示躯体的躯体数据(像素点)、用于表示四肢的四肢数据(像素点)，等等，本发明实施例对此不加以限制。

其中，对于人脸数据、躯体数据、四肢数据等可以包括用于表示皮肤的皮肤数据(像素点)。

在本实施例中，可对多帧原始图像数据分别进行人脸检测，识别该原始图像数据中包含的原始人脸数据，以原始人脸数据作为优质的锚点，可捕捉到质量较高的皮肤数据。

在一些情况中，原始人脸数据以人脸关键点表示，即给定人脸数据，定位出人脸面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等等。

在另一些情况中，可以基于人脸关键点生成指定形状的范围，用该范围表示原始人脸数据，其中，该形状包括矩形、椭圆形等，对于矩形的范围，又可称之为人脸框。

在具体实现中，可以使用如下方法对多帧图像数据进行人脸检测：

1、利用人工提取特征，如haar特征，使用特征训练分类器，使用分类器进行人脸检测。

2、从通用的目标检测算法中继承人脸检测，例如，利用Faster R-CNN来检测人脸。

3、使用级联结构的卷积神经网络，例如，Cascade CNN(级联卷积神经网络)，MTCNN(Multi-task Cascaded Convolutional Networks，多任务卷积神经网络)。

这些实现人脸检测的方法可以集成在应用的模块中，直接调用该应用的模块对图像数据进行人脸检测，这些实现人脸检测的方法也可以集成在SDK(Software DevelopmentKit，软件开发工具包)，该SDK作为应用的组装数据，应用可请求SDK对多帧图像数据进行人脸检测，SDK检测到图像数据中的原始人脸数据，并将人脸数据返回应用。

若该应用为与摄像头配套的系统应用，该系统应用通常为这些实现人脸检测的方法提供API(应用程序编程接口，Application Program Interface)、作为人脸检测接口，例如，在Android(安卓)系统中，提供了两个人脸检测接口android.media.FaceDetector和android.media.FaceDetector.Face，在iOS系统中，提供了两个人脸检测接口AVCaptureMetadataOutput和CIDetector。

针对此情况，可调用摄像头提供的人脸检测接口，以请求在摄像头采集的多帧原始图像数据中检测原始人脸数据，接收人脸检测接口返回的一个或多个人脸框，人脸框为矩形框，可用于框定原始人脸数据，即原始人脸数据位于人脸框中。

对于系统应用提供的人脸检测接口，有硬件支持，以及，基于少数人脸关键点(2个人脸关键点)标定人脸框，速度快，性能消耗很低，并且，精确度可满足要求。

此外，若原始图像数据中存在多个人脸数据，则可以分别统计多个原始人脸数据的面积，若原始人脸数据以人脸框框定，该人脸框的宽为w，高为h，则该人脸数据的面积S＝w×h。

将各个人脸数据的面积进行比较，提取面积最大的n(n为正整数，如3)个人脸数据，由于摄像头的成像特性、回调人脸数据的方法，其对面积较大的原始人脸数据描述较为准确，即面积最大的n个原始人脸数据较为清晰，用户较为注意面积最大的n个原始人脸数据的磨皮效果，选择面积最大的n个原始人脸数据可以在降低计算量的情况下，保证后续磨皮的效果。

步骤103、提高亮度人脸数据的特征维度，获得特征人脸数据。

在原始图像数据中，除了眼睛、鼻子、嘴巴等五官部位的边缘之外，还可能存在皱纹、斑点和痘印等瑕疵的边缘，在低维空间中，眼睛、鼻子、嘴巴等五官部位的边缘与皱纹、斑点和痘印等瑕疵的边缘之间的区别较少，可分的概率较低。

在本实施例中，原始人脸数据中具有表示亮度的亮度人脸数据，例如，若原始图像数据为YUV格式，Y表示亮度(Luminance或Luma)，即灰度值，UV表示色度(Chrominance或Chroma)，即Y通道下的像素点组成原始亮度人脸数据，U通道、V通道下的像素点组成原始色度人脸数据。

当然，除了YUV格式之外，原始图像数据还可以为其他格式的数据，如HSL(H表示色相、S表示饱和度、L表示亮度)，即L通道下的像素点组成原始亮度人脸数据，等等，本实施例对此不加以限制。

由于用户的眼睛对亮度信息较为敏感，因此，可基于亮度人脸数据生成权重图像数据，针对亮度人脸数据，可将原始亮度人脸数据映射至高维空间，从而提高亮度人脸数据的特征维度，获得特征人脸数据，增加了特征人脸数据可分的概率，即增大眼睛、鼻子、嘴巴等五官部位的边缘与皱纹、斑点和痘印等瑕疵的边缘之间的区别，使得眼睛、鼻子、嘴巴等五官部位的边缘与皱纹、斑点和痘印等瑕疵的边缘之间可分。

在本发明的一个实施例中，步骤103可以包括如下步骤：

步骤1031、对亮度人脸数据进行滤波处理，获得第一候选人脸数据。

在本实施例中，可使用盒式滤波(均值滤波)、高斯滤波等算法对亮度人脸数据进行滤波处理，得到第一候选人脸数据，从而保持边缘、降噪平滑。

进一步而言，可以根据亮度人脸数据的实际情况设置适配亮度人脸数据的尺度对亮度人脸数据进行滤波处理，同时兼顾质量与效率，即在保证滤波的效果的同时，降低计算量，减少计算耗时。

其中，所谓尺度，可以指滤波半径的大小，即尺度越大，滤波半径越大，反之，尺度越小，滤波半径越小。

具体而言，可确定滤波窗口(又称滤波器、核、模板等)，该滤波窗口的大小与原始图像数据的分辨率正相关，即原始图像数据的分辨率越大，滤波窗口越大，此时，滤波越强(低通的截止频率越低，结果越平坦)，反之，原始图像数据的分辨率越小，滤波窗口越小，此时，滤波越弱(低筒的截止频率越高，结果越尖锐)。

使用滤波窗口对所述亮度人脸数据进行滤波处理，获得第一候选人脸数据。

若对亮度人脸数据进行较大尺度的滤波处理，可以得到较为理想的平滑信息，但是其结构信息也有相应的丢失，而若对亮度人脸数据进行较小尺度的滤波处理，可以得到较为清晰的结构信息。

步骤1032、对亮度人脸数据与第一候选人脸数据之间的差值取绝对值，获得第二候选人脸数据。

将原图(即亮度人脸数据)减去第一候选人脸数据，对两者之间的差值取绝对值，获得第二候选人脸数据，可得到一些高频的区域、变化率比较大的区域，这些区域往往是眼睛、鼻子、嘴巴等五官部位的边缘，而并非皱纹、斑点和痘印等瑕疵的边缘。

步骤1033、将第二候选人脸数据输入预设的核函数中进行处理，以输出特征人脸数据。

根据模式识别理论，低维空间线性不可分的模式通过非线性映射到高维特征空间则可能实现线性可分，但是如果直接采用这种技术在高维空间进行分类或回归，则存在确定非线性映射函数的形式和参数、特征空间维数等问题，而最大的障碍则是在高维特征空间运算时存在的“维数灾难”。

设x、z∈X，X属于R(n)空间，非线性函数Φ实现输入空间X到特征空间F的映射，其中，F属于R(m)，n＜＜m。

根据核函数有：

K(x，z)＝<Φ(x)，Φ(z)>

其中，<，>为内积，K(x，z)为核函数。

可以看出，核函数将m维高维空间的内积运算转化为n维低维输入空间的核函数计算，从而解决了在高维特征空间中计算的“维数灾难”等问题，大大减少了计算量。

在具体实现中，核函数包括线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数，等等。

在本实施例中，可以将低维空间中的第二候选人脸数据输入预设的核函数中进行处理，从而输出高维空间中的特征人脸数据。

以多项式核函数为例，在第二候选人脸数据的亮度值与预设的第一系数的乘积的基础上加上预设的第二系数，获得调整值，以调整值作为底数、预设的第三系数作为指数，输出特征人脸数据的亮度值。

在本示例中，核函数的处理如下表示：

k(x)＝(ax+b)

其中，x为第二候选人脸数据的亮度值，a为第一系数，b为第二系数，c为第三系数，可选地，c为大于2的正整数。

在本发明的另一个实施例中，步骤103可以包括如下步骤：

步骤1034、对亮度人脸数据执行下采样。

在本实施例中，可通过最近邻元法、双线性内插法等方式对原始亮度图像数据进行下采样(subsampled)，以便缩小亮度人脸数据，降低后续对亮度人脸数据进行处理所占用的计算资源。

需要说明的是，如果移动终端的计算资源比较充足，可以不对亮度人脸数据进行下采样，本实施例对此不加以限制。

在一种情况中，下采样的尺度是默认的经验值。

在另一种情况中，下采样的尺度自适应亮度人脸数据而调整。

具体而言，可预先设置分辨率与下采样的倍数之间的映射关系，倍数与分辨率正相关，即分辨率越大，倍数越大，反之，分辨率越小，倍数越小，使得在满足精度的要求的情况下，尽可能减少计算量，减少耗时。

例如，针对640×480及其以下的分辨率，可设置下采样的分辨率为2倍，针对640×480以上的分辨率，可设置下采样的分辨率为4倍。

针对当前的亮度人脸数据，可查询亮度人脸数据的分辨率，在该映射关系中，基于亮度人亮度人脸数据的分辨率设置倍数，从而按照该倍数对亮度人脸数据进行下采样。

步骤1035、对下采样之后的亮度人脸数据进行滤波处理，获得第一候选人脸数据。

若完成下采样，则可以使用盒式滤波(均值滤波)、高斯滤波等算法对下采样之后的亮度人脸数据进行滤波处理，得到第一候选人脸数据。

步骤1036、对下采样之后的亮度人脸数据与第一候选人脸数据之间的差值取绝对值，获得第二候选人脸数据。

以下采样之后的亮度人脸数据作为原图，将原图(即下采样之后的亮度人脸数据)减去第一候选人脸数据，对两者之间的差值取绝对值，获得第二候选人脸数据。

步骤1037、将第二候选人脸数据输入预设的核函数中进行处理，以输出特征人脸数据。

步骤1038、对特征人脸数据执行与下采样匹配的上采样。

若在先对亮度人脸数据进行了下采样(subsampled)，则相应地，可以通过最近邻元法、双线性内插法等方式分别对特征人脸数据相匹配的进行上采样(upsampling)，以使特征人脸数据恢复至下采样(subsampled)之前的尺寸，以便后续的处理。

需要说明的是，如果移动终端的计算资源比较充足，在先未对亮度人脸数据进行下采样，则在生成特征人脸数据之后，可忽略对特征人脸数据进行上采样，本实施例对此不加以限制。

为使本领域技术人员更好地理解本发明实施例，以下通过具体的示例来说明本实施例中使用核函数的提取高频区域的方法。

如图2所示，针对同一帧图像数据，左侧为未使用核函数映射的高频信息，右侧为使用本实施例中的核函数映射的高频信息(特征人脸数据)，其中，像素点的灰度越高(越偏白色)表示该像素点属于边缘的概率越高，灰度越低(越偏黑色)表示该像素点属于边缘的概率越低。

对于而言，未使用核函数映射的高频信息，在人脸区域中，并不能很好地区分眼睛、鼻子、嘴巴等五官部位的边缘与皱纹、斑点和痘印等瑕疵的边缘，尤其是很难区分在鼻子两侧、额头等区域的差异，而本实施例中的核函数映射的高频信息(特征人脸数据)可以很好地区分眼睛、鼻子、嘴巴等五官部位的边缘与皱纹、斑点和痘印等瑕疵的边缘，在最大化地去除皱纹、斑点和痘印等瑕疵的边缘的同时，保留眼睛、鼻子、嘴巴等五官部位的边缘。

步骤104、将特征人脸数据映射为权重图像数据。

由于在特征人脸数据(即人脸区域)中可区分出眼睛、鼻子、嘴巴等五官部位的边缘，皱纹、斑点和痘印等瑕疵的边缘，因此，通过预设的映射函数将特征人脸数据映射为权重图像数据，可表示为：

Γ

其中，f为映射函数，M

可针对眼睛、鼻子、嘴巴等五官部位的边缘，皱纹、斑点和痘印等瑕疵的边缘配置不同的权重，即眼睛、鼻子、嘴巴等五官部位的边缘的权重大于皱纹、斑点和痘印等瑕疵的边缘的权重，从而突出眼睛、鼻子、嘴巴等五官部位的边缘，此边缘又称之为强边，压制皱纹、斑点和痘印等瑕疵的边缘。

在一个示例中，可确定映射函数，该映射函数可以通过在高维空间的人脸数据中，对眼睛、鼻子、嘴巴等五官部位的边缘、眼睛、鼻子、嘴巴等五官部位的边缘等不同样本中的像素点统计亮度值的方式生成，该映射函数可用于基于亮度值识别边缘数据，即该映射函数的输入为高位空间的亮度值，输出为权重值，此时，可统计不同样本中的像素点在某一亮度值下为强边的分布，从而配置相应的权重，并将这些亮度值及其权重拟合为映射函数。

为了保持通用性，映射函数可以参照不同种族、不同年龄段、不同肤色的用户的人脸数据，也可以参照在不同光照情况下的人脸数据，因此，映射函数较为宽泛，精确度相对较高。

图3所示，映射函数所处坐标系中，横坐标(横轴)为亮度值(X)、纵坐标(纵轴)为权重值(P)。

该映射函数包括依次连接的第一映射段(横坐标为[x

进一步而言，第二映射段属于线段，第一映射段属于曲线，可以通过使用多项式函数等方式进行拟合。

当然，上述映射函数只是作为示例，在实施本发明实施例时，可以根据实际情况设置其它映射函数，例如，该映射函数包括依次连接的第一映射段、第二映射段、第三映射段，其中，第一映射段中的权重值从0上升至指定的数值(如1)，第二映射段的权重值为指定的数值(如1)，第三映射段的权重值从指定的数值(如1)下降至0，等等，本发明实施例对此不加以限制。另外，除了上述映射函数外，本领域技术人员还可以根据实际需要采用其它映射函数，本发明实施例对此也不加以限制。

针对当前的特征人脸数据，可查询特征人脸数据中各个像素点的亮度值，将特征人脸数据中各个像素点的亮度值代入映射函数中，以映射为像素点在权重图像数据中的权重值，即，在映射函数所处的坐标系中的横轴标记特征人脸数据各个像素点的亮度值，若特征人脸数据中像素点的亮度值在映射函数外，则该像素点的权重值为0，若特征人脸数据中像素点的亮度值在映射函数内，则可通过映射函数查找该亮度值在纵轴对应的权重值，作为该像素点的权重值。

步骤105、当对原始图像数据进行保边滤波处理时，使用权重图像数据调节保边的强度，获得目标图像数据。

在本实施例中，应用保边滤波处理对原始人脸数据进行磨皮处理，将权重图像数据与原始图像数据进行结合，调节保边的强度，从而保护非肤色的区域，得到磨皮处理之后的目标图像数据。

以带权重的导向滤波为例，带权重的导向滤波利用正则化参数∈来控制保边的强度，当像素点的方差远远大于∈的时候，认为该像素点处于强边，可直接使用原始图像数据的像素点；当像素点的方差远远小于∈的时候，认为该像素点处于平坦区域，可使用该像素点周边的其他像素点的均值，而这个∈是一个全局的设置，对于部分场景可能无法适用。

在某些技术中对带权重的导向滤波进行改进，利用方差来衡量当前的原始图像数据中是否存在强边，利用该方差对带权重的导向滤波自适应调整，调整的过程可以理解为，对于方差较小的区域，滤波效果保持不变，而对于方差较大的区域，适当调整其滤波效果，从而达到自适应调整保边强度的效果。

改进之后带权重的导向滤波的操作步骤如下：

1、定义自适应系数

其中，ρ

2、导向滤波的能量函数变为

3、系数的求解变为

步骤2、3可理解为，使用预设的滤波窗口|w|遍历引导图像数据与原始图像数据，以在引导图像数据中、计算位于滤波窗口|w|中像素点的平均值μ

其中，i表示滤波窗口|w|中的像素点，k为滤波窗口|w|的中点，p

在改进之后带权重的导向滤波中，利用了全局的方差来作为基准，以当前像素点的方差进行调整，由于其考虑了整体的信息，在全局滤波算法中可能很有帮助，但是对于磨皮处理这种针对局部进行滤波的算法反而容易出现问题：

如果背景区域的纹理较为复杂，那么其保边的位置即为背景，而对于人脸区域反而保边效果丢失，容易导致前景模糊，并且，人脸区域的强边很难界定其是瑕疵的边缘还是要保留的部位的边缘，所以改进之后带权重的导向滤波应用在磨皮处理上还是存在一些无法处理的情况。

在本实施例中，应用带权重的导向滤波，可确定参考图像数据，该参考图像数据可以为原始图像数据本身，也可以为基于参考图像数据所生成的、较为合理的图像数据，如基于Retinex模型从原始图像数据中分离的亮度图像数据进行增亮和/或去噪之后的图像数据，本实施例对此不加以限制。

以参考图像数据作为引导图像数据对原始图像数据进行滤波处理，获得目标图像数据，其中，滤波处理具有正则化参数∈，权重图像数据作为自定义系数Γ

相对于改进之后带权重的导向滤波，本实施例通过引入人脸图像数据来限定范围，利用人脸区域的强边来进行自适应调整权重图像数据，可以较好地避免改进之后带权重的导向滤波中存在的背景区域较为复杂时、容易导致前景模糊的问题；通过核函数的引入，将一维空间不可分的数据，映射到高维空间，将人脸区域中瑕疵和五官部位的边缘区分开；以较少计算量代价实现了优化自适应导向滤波在磨皮处理中的优化；综上，本实施例可以在保证磨皮处理的性能的同时提高磨皮处理的效果，并且使其适用于复杂多样的采集环境，从而实现提高针对实时视频美颜处理过后的图像质量。

在本实施例中，采集原始图像数据，在原始图像数据中检测原始人脸数据，原始人脸数据中具有表示亮度的亮度人脸数据，提高亮度人脸数据的特征维度，获得特征人脸数据，将特征人脸数据映射为权重图像数据，当对原始图像数据进行保边滤波处理时，使用权重图像数据调节保边的强度，获得目标图像数据，通过引入人脸图像数据来限定处理的范围，利用人脸区域的强边来进行自适应调整权重图像数据，大大提高了保边滤波处理的灵活性，可以较好地避免背景区域较为复杂时、容易导致前景模糊的问题，通过提高亮度人脸数据的特征维度，区分人脸区域中瑕疵和五官部位的边缘，权重图像数据的处理较为简单，以较少计算量代价实现了优化自适应保边滤波处理在磨皮处理中的优化，即本实施例可以在保证磨皮处理的性能的同时提高磨皮处理的效果，并且使其适用于复杂多样的采集环境，在诸如移动终端等设备性能受限的情况下，可以实现实时性的磨皮处理。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

实施例二

图4为本发明实施例二提供的一种磨皮处理装置的结构框图，具体可以包括如下模块：

原始图像数据采集模块401，用于采集原始图像数据；

原始人脸数据检测模块402，用于在所述原始图像数据中检测原始人脸数据，所述原始人脸数据中具有表示亮度的亮度人脸数据；

特征维度提高模块403，用于提高所述亮度人脸数据的特征维度，获得特征人脸数据；

权重图像数据映射模块404，用于将所述特征人脸数据映射为权重图像数据；

保边滤波处理模块405，用于当对所述原始图像数据进行保边滤波处理时，使用所述权重图像数据调节保边的强度，获得目标图像数据。

在本发明的一个实施例中，所述原始人脸数据检测模块402包括：

人脸检测接口调用模块，用于调用摄像头提供的人脸检测接口，以请求在所述摄像头采集的所述原始图像数据中检测原始人脸数据；

人脸框接收模块，用于接收所述人脸检测接口返回的一个或多个人脸框，所述人脸框用于框定原始人脸数据。

在本发明的一个实施例中，还包括：

面积统计模块，用于若所述原始图像数据中存在多个原始人脸数据，则分别统计多个所述原始人脸数据的面积；

面积选取模块，用于提取所述面积最大的n个所述原始人脸数据。

在本发明的一个实施例中，所述特征维度提高模块403包括：

第一候选人脸数据生成模块，用于对所述亮度人脸数据进行滤波处理，获得第一候选人脸数据；

第二候选人脸数据生成模块，用于对所述亮度人脸数据与所述第一候选人脸数据之间的差值取绝对值，获得第二候选人脸数据；

核函数处理模块，用于将所述第二候选人脸数据输入预设的核函数中进行处理，以输出特征人脸数据。

在本发明的一个实施例中，所述第一候选人脸数据生成模块包括：

滤波窗口确定模块，用于确定滤波窗口，所述滤波窗口的大小与所述原始图像数据的分辨率正相关；

滤波窗口滤波模块，用于使用所述滤波窗口对所述亮度人脸数据进行滤波处理，获得第一候选人脸数据

在本发明的一个实施例中，所述特征维度提高模块403还包括：

下采样模块，用于对所述亮度人脸数据执行下采样。

在本发明的一个实施例中，所述下采样模块包括：

分辨率查询模块，用于查询所述亮度人脸数据的分辨率；

倍数设置模块，用于基于所述分辨率设置倍数，所述倍数与所述分辨率正相关；

自适应采样模块，用于按照所述倍数对所述亮度人脸数据进行下采样。

在本发明的一个实施例中，所述特征维度提高模块403还包括：

上采样模块，用于对所述特征人脸数据执行与所述下采样匹配的上采样。

在本发明的一个实施例中，所述核函数处理模块包括：

调整值计算模块，用于在所述第二候选人脸数据的亮度值与预设的第一系数的乘积的基础上加上预设的第二系数，获得调整值；

亮度值输出模块，用于以所述调整值作为底数、预设的第三系数作为指数，输出特征人脸数据的亮度值。

在本发明的一个实施例中，所述权重图像数据映射模块404包括：

映射函数确定模块，用于确定映射函数，所述映射函数的横坐标为亮度值、纵坐标为权重值，所述映射函数包括依次连接的第一映射段、第二映射段，所述第一映射段中的权重值从0上升至指定的数值，所述第二映射段中的权重值为指定的数值；

亮度值映射模块，用于将所述特征人脸数据中各个像素点的亮度值代入所述映射函数中，以映射为所述像素点在权重图像数据中的权重值。

在本发明的一个实施例中，所述保边滤波处理模块405包括：

参考图像数据确定模块，用于确定参考图像数据；

导向滤波处理模块，用于以所述参考图像数据作为引导图像数据对所述图像人脸数据进行滤波处理，获得目标图像数据，所述滤波处理具有正则化参数，所述权重图像数据用于调节所述正则化参数。

本发明实施例所提供的磨皮处理装置可执行本发明任意实施例所提供的磨皮处理方法，具备执行方法相应的功能模块和有益效果。

实施例三

图5为本发明实施例三提供的一种移动终端的结构示意图。图5示出了适于用来实现本发明实施方式的示例性移动终端12的框图。图5显示的移动终端12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，移动终端12以通用计算设备的形式表现。移动终端12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

移动终端12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被移动终端12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。移动终端12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

移动终端12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该移动终端12交互的设备通信，和/或与使得该移动终端12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，移动终端12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与移动终端12的其它模块通信。应当明白，尽管图中未示出，可以结合移动终端12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的磨皮处理方法。

实施例四

本发明实施例四还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述磨皮处理方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。