图像中的人物性转方法、电子设备和存储介质

技术领域

本发明实施例涉及图像处理领域，特别涉及一种图像中的人物性转方法、电子设备和存储介质。

背景技术

人物图像的性别更换是对照片中的人物进行面貌更改，变成异性容貌，其中，待更改的外观特征主要包括五官、皮肤、发型、妆容、年龄等。现有人物图像的性别更换通常是先对图像中的待处理人脸进行性别识别，然后根据性别识别结果对待处理人脸进行相应的脸部变形、美颜、美妆、脸部装饰等处理。具体地，若待处理人脸识别为男性，则对待处理人脸进行女性偏好的处理，如向瓜子脸、大眼的方向变形，进行磨皮、美白、去皱等美颜操作，添加眼妆、唇彩、腮红等美妆效果；若待处理人脸识别为女性，则对待处理人脸进行男性偏好的处理，如向宽脸型的方向变形，添加胡须、浓眉等男性特征。

然而，女性具有瓜子脸大眼，男性宽脸浓眉等是基于传统经验的性别偏好，是根据性别对面貌产生的固定、刻板印象，因此根据刻板印象得到的性转面貌完全不能满足不同年龄、不同偏好下的人物图像性转需求。

发明内容

本发明实施方式的目的在于提供一种图像中的人物性转方法、电子设备和存储介质，能够提供为图像中的人物性转提供多样化的异性面貌。

为解决上述技术问题，本发明的实施方式提供了一种图像中的人物性转方法，包括：对获取到的训练图像进行人脸属性标记和人脸对齐，获取第一训练数据集，其中，所述人脸属性包括性别、年龄和脸型；对所述训练图像按照年龄和性别进行分组并进行人脸对齐，获取第二训练数据集；根据所述第一训练数据集训练图像训练级联神经网络，获取人脸属性的识别模型；根据所述第二训练数据集训练图像训练对抗学习网络，获取性转模型；根据所述识别模型和所述性转模型处理测试图像，获取性转图像。

本发明的实施方式还提供了一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上所述的图像中的人物性转方法。

本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现以上所述的图像中的人物性转方法。

本发明实施方式相对于现有技术而言，在获取了训练图像之后，对训练图像进行性别、年龄、脸型等人脸属性进行标记，得到第一训练数据集，使得根据第一训练数据集训练图像训练级联神经网络，获取的人脸属性的识别模型能够对多种人脸属性进行识别，从而对人脸图像进行区分，增加了数据的多样性，然后对训练图像按照年龄和性别进行分组并进行人脸对齐，获取第二训练数据集，进一步地使得根据第二训练数据集训练对抗学习网络得到的性转模型，使得能够通过对抗学习了解现有技术无法体现的年龄、五官、发型等一些明显的性别特征，最后根据识别模型和性转模型处理测试图像，获取性转图像，使得能够针对不同年龄进行相应的性转操作，更加多样化，从而实现一定程度上的千人千面，解决了现有技术根据刻板印象得到的性转面貌完全不能满足不同年龄、不同偏好下的人物图像性转需求的问题。

另外，本发明实施方式提供的图像中的人物性转方法，所述利用所述第一训练数据集训练级联神经网络，获取属性识别模型之前，还包括：

在MobileNetV2网络骨架中添加一个全连接网络块，生成第一网络节点，其中，所述全连接网络块包括一个全连接层、一个归一化层和一个激活层；在所述第一网络节点下分别添加不同的所述人脸属性对应的所述全连接网络块，生成第二网络节点，其中，所述人脸属性包括性别、年龄和脸型；在每个第二网络节点之后添加一个全连接层，得到级联神经网络框架；确定所述级联神经网络框架的损失函数，获取所述级联神经网络。基于MobileNetV2网络骨架进行改进，能够在精度、模型参数和计算时间上得到平衡，尤其是便于使用手机等小型设备体验图像性别转换，便于推广还提高用户体验。

另外，本发明实施方式提供的图像中的人物性转方法，所述利用所述第二训练集训练对抗学习网络，获取性转模型之前，还包括：获取CycleGAN骨架网络；调整所述CycleGAN骨架网络，获取对抗学习网络框架；确定所述对抗学习网络框架的损失函数，获取所述对抗学习网络。由于是基于CycleGAN骨架网络进行调整得到网络框架，因此，具有CycleGAN骨架网络可以实现不需要配对的图片集训练的优点。

另外，本发明实施方式提供的图像中的人物性转方法，所述根据所述识别模型和所述性转模型处理测试图像，获取性转图像，包括：对所述测试图像进行检测，获取所述测试图像的所述人脸区域；根据所述人脸区域裁剪所述测试图像中的所述人脸图像并进行人脸对齐；将对齐后的所述人脸图像输入所述识别模型，获取所述测试图像的所述人脸属性；将所述人脸属性输入所述性转模型，获取性转后的所述人脸图像；将所述性转后的所述人脸图像进行反向对齐；根据裁剪后的所述测试图片和反向对齐后的所述人脸图像进行蒙版混合，获取所述性转图像。能够将性转后的人脸图像恢复到原始图片的环境中，使得图片更加完整，更加能够满足用户的多样化需求。

另外，本发明实施方式提供的图像中的人物性转方法，所述根据裁剪后的所述测试图片和反向对齐后的所述人脸图像进行蒙版混合，获取所述性转图像，还包括：根据裁剪后的所述测试图片获取蒙版二值图像，其中，所述蒙版二值图像的蒙版区域为所述人脸区域；所述蒙版二值图像进行处理并与反向对齐后的所述人脸图像进行混合，获取所述性转图像。在蒙版的基础上对图像进行处理，减少了混合过程中剪裁后的图像对性转的图像的影响。

另外，本发明实施方式提供的图像中的人物性转方法，所述根据所述识别模型和所述性转模型处理测试图像，获取性转图像之后，还包括：从所述训练图像选取脸型参考图像，其中，所述脸型参考图像包括相同年龄段下的性别不同的两组图像；根据所述脸型参考图像进行前向卷绕，获取卷绕过程中的卷绕参数和卷绕步骤序列；根据所述卷绕参数和所述卷绕步骤序列获取脸型强化规则；根据所述强化规则对所述性转图像进行人脸强化，获取性转优化图像。由于对脸型采用一定的规则进行了强化，使得得到的性转图像更加逼真且避免了男性方脸、女性瓜子脸的刻板印象，进一步提高了千人千面的可能性。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本发明的第一实施方式提供的图像中的人物性转方法的流程图；

图2是图1所示的本发明的第一实施方式提供的图像中的人物性转方法中步骤102的流程图；

图3是图1所示的本发明的第一实施方式提供的图像中的人物性转方法中步骤103的流程图；

图4是本发明的第二实施方式提供的图像中的人物性转方法的流程图；

图5是本发明的第三实施方式提供的图像中的人物性转方法的流程图；

图6是本发明的第四实施方式提供的图像中的人物性转方法的流程图；

图7是本发明的第五实施方式提供的图像中的人物性转方法的流程图；

图8是本发明的第六实施方式提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

本发明的第一实施方式涉及一种图像中的人物性转方法，其流程如图1所示，包括：

步骤101，对获取到的训练图像进行人脸属性标记和人脸对齐，获取第一训练数据集，其中，所述人脸属性包括性别、年龄和脸型。

在本实施方式中，训练图像中的人脸图像可以是采集的不同性别、不同年龄、不同肤色、不同脸型、不同发型等的人脸图像，还可以是名人的人脸图像。当然，以上仅为具体的举例说明，在实际的使用过程中人脸图像还可以包括其他类型，此处不做一一赘述。

具体地说，如图2所示，步骤101包括：

步骤201，按照预定义的性别划分规则、年龄划分规则和脸型划分规则对每个训练图像进行标记。

具体地说，预定义的性别划分规则是观察到具有显著的男性特征如胡子、喉结等为男性，观察到具有显著的女性特征如女性化的妆容等为女性，并且使用0表示男性，1表示女性，得到标签y1；预定义的年龄划分规则可以是：将年龄划分为0～20，20～40，40～60，60～80四个年龄区间段，对样本中人脸年龄标注得到标签y2{0,1,2,3,4}，0表示其他年龄段；预定义的脸型划分规则可以是：将脸型划分为方形、长形、椭圆形、圆形4种常见的脸型和其他，对样本中人脸脸型标注得到标签y3{0,1,2,3,4}，0表示其他脸型。

当然，以上仅为具体的举例说明，在实际的使用过程中划分规则还可以包括其他划分方式，此处不做一一赘述。

步骤202，对标记后的每个训练图像进行检测，获取每个训练图像的人脸区域。

在本实施方式中，对训练图像进行人脸检测，获取人脸区域。

更具体地说，采用人脸框检测和106点关键点检测每个训练图像，获取人脸框。当然，以上仅为具体的举例说明，在实际的使用过程中人脸检测还可以包括其他检测方法，此处不做一一赘述。

步骤203，根据人脸区域获取训练图像中的人脸图像并进行人脸对齐，获取所述第一训练数据集。

在本实施方式中，将步骤202获取的人脸框进行剪裁，然后将剪裁得到的人脸框进行人脸对齐，并将该对齐图像缩放至固定尺寸，如224*224。

步骤102，对训练图像按照年龄和性别进行分组并进行人脸对齐，获取第二训练数据集。具体地说，如图3所示，步骤102包括：

步骤301，按照预定义的所述性别划分规则和所述年龄划分规则对每个所述训练图像进行标记，获取性别标签和年龄标签。

本实施方式中的步骤301和上述的步骤201相对应，年龄标签和性别标签的获取方式相同。

步骤302，根据性别标签对训练图像按照性别进行分类，获取两个性别不同的子训练集。

在本实施方式中，按照性别标签将训练图像划分A和B两类，其中，A代表男性，B代表女性。

步骤303，根据年龄标签对每个子训练集按照年龄段进行分组，获取不同年龄段下的对抗学习训练集组。

在本实施方式中，继续对步骤302得到的分类后的训练图像按照年龄标签进行分类，得到对抗学习训练集组{Ai，Bi}，其中，Ai是第i个年龄段下的男性图像集合，Bi是第i个年龄段下的女性图像集合。

更具体地说，若年龄段划分为0～20，20～40，40～60，60～80四个年龄段区间，那么可以相应的得到4组用于对抗学习的训练集{{A1,B1},{A2,B2},{A3,B3},{A4,B4}}。

步骤304，对对抗学习训练集组中的每个训练图像进行检测，获取每个训练图像的人脸区域。

在本实施方式中，对训练图像进行人脸检测，获取人脸区域。

更具体地说，采用人脸框检测和106点关键点检测每个训练图像，获取人脸框。当然，以上仅为具体的举例说明，在实际的使用过程中人脸检测还可以包括其他检测方法，此处不做一一赘述。

步骤305，根据人脸区域获取训练图像中的人脸图像并进行人脸对齐，获取第二训练数据集。

在本实施方式中，将步骤202获取的人脸框进行剪裁，然后将剪裁得到的人脸框进行人脸对齐，并将该对齐图像缩放至固定尺寸，如256*256，最后缩放尺寸后的图像构成男女容貌相互转换的训练数据集D

步骤103，根据第一训练数据集训练级联神经网络，获取人脸属性的识别模型。

本实施方式不对级联神经网络进行限定，可以是MobileNetV2网络，还可以是金字塔结构网络，在实际的使用过程中，级联神经网络可以为任意一种能够进行网络节点扩展并用于图像识别的网络。

需要说明的是，识别模型还可以采用多个神经网络替代级联神经网络，训练得到多个识别模型，分别识别不同的人脸属性。

步骤104，根据第二训练数据集训练对抗学习网络，获取性转模型。在本实施方式中，依次将不同年龄段的性转训练集进行对抗训练，在年龄划分为四段时，训练后得到不同年龄段的8组异性容貌生成网络模型集合，记为：

本实施方式不对对抗学习网络进行限定，可以是CycleGAN网络，还可以是生成式对抗网络，在实际的使用过程中，对抗学习网络可以为任意一种能够进行对抗学习的网络。

步骤105，根据识别模型和性转模型处理测试图像，获取性转图像。

在本实施方式中，将测试图片输入识别模型，获取人脸属性的识别结果，然后将人脸属性的识别结果输入性转模型，获取性转图像。

需要说明的是，在将性转结果展示给用户之前，还可以对图像进行异性妆容增强，如若测试图像中的人脸为男性，可进行进一步的美化处理，如：底妆、眼妆、唇妆等，若测试图像中的人脸为女性，可进行男性化特征处理，加胡须，男性眼妆等。

本发明实施方式相对于现有技术而言，在获取了训练图像之后，对训练图像进行性别、年龄、脸型等人脸属性进行标记，得到第一训练数据集，使得根据第一训练数据集训练图像训练级联神经网络，获取的人脸属性的识别模型能够对多种人脸属性进行识别，从而对人脸图像进行区分，增加了数据的多样性，然后对训练图像按照年龄和性别进行分组并进行人脸对齐，获取第二训练数据集，进一步地使得根据第二训练数据集训练对抗学习网络得到的性转模型，使得能够通过对抗学习了解现有技术无法体现的年龄、五官、发型等一些明显的性别特征，最后根据识别模型和性转模型处理测试图像，获取性转图像，使得能够针对不同年龄进行相应的性转操作，更加多样化，从而实现一定程度上的千人千面，解决了现有技术根据刻板印象得到的性转面貌完全不能满足不同年龄、不同偏好下的人物图像性转需求的问题。

本发明的第二实施方式涉及一种图像中的人物性转方法，该方法与本发明的第一实施发送提供的图像中的人物性转方法基本相同，其区别在于，还包括创建级联神经网络，如图4所示，具体包括：

步骤401，对获取到的训练图像进行人脸属性标记和人脸对齐，获取第一训练数据集，其中，所述人脸属性包括性别、年龄和脸型。

本实施方式中的步骤401和第一实施方式中的步骤101大致相同，此处不一一赘述。

步骤402，在MobileNetV2网络骨架中添加一个全连接网络块，生成第一网络节点，其中，全连接网络块包括一个全连接层、一个归一化层和一个激活层。

在本实施方式中，定义一个用于人脸属性分类的全连接网络块FC(in,out)，该网络块由一个全连接层(Liner)、一个归一化(BN)层、一个激活层构成。in表示网络块输入特征的通道数，out表示该网络块输出的特征通道数。在MobileNetV2网络骨架下添加一个全连接网络块FC(width_mul*1280,512)，生成新的网络节点n1，其中，width_mul为MobileNetV2特征通道缩放系数，本实施方式中使用系数可以为0.5。

步骤403，在第一网络节点下分别添加不同的人脸属性对应的全连接网络块，生成第二网络节点，其中，人脸属性包括性别、年龄和脸型。

在本实施方式中，以人脸属性包含性别、年龄和脸型为例说明：在步骤402得到的n1节点下分别添加年龄，性别和脸型属性的全连接网络块FC(512，256)，生成新的网络节点，记为n11，n12和n13。

当然，人脸属性还可以包括其他属性，新增的人脸属性可以直接在上述n1节点下添加全连接网络块FC(512，256)，生成新的网络节点，来实现网络人脸属性识别的增加。

步骤404，在每个第二网络节点之后添加一个全连接层，得到级联神经网络框架。

在本实施方式中，分别在步骤403得到的n11，n12和n13节点下添加一个全连接层Linear(256,2)，并得到最终的年龄，性别和脸型的二分类网络结构，该网络即为多人脸属性的级联神经网络框架。

步骤405，确定级联神经网络框架的损失函数，获取级联神经网络。

本实施方式不对损失函数进行限定，可以是交叉熵损失函数，还可以是自定义的损失函数，在实际的使用过程中，损失函数可以为任意一种能够适用级联神经网络的损失函数。

步骤406，对训练图像按照年龄和性别进行分组并进行人脸对齐，获取第二训练数据集。

本实施方式中的步骤406与第一实施方式中的步骤102大致相同，此处不一一赘述。

步骤407，根据第一训练数据集训练级联神经网络，获取人脸属性的识别模型。

本实施方式中的步骤407与第一实施方式中的步骤103大致相同，此处不一一赘述。

步骤408，根据第二训练数据集训练对抗学习网络，获取性转模型。本实施方式中的步骤408与第一实施方式中的步骤104大致相同，此处不一一赘述。

步骤409，根据识别模型和性转模型处理测试图像，获取性转图像。本实施方式中的步骤409与第一实施方式中的步骤105大致相同，此处不一一赘述。

本发明实施方式相对于现有技术而言，在实现第一实施方式带来的有益效果基础上，由于网络框架是基于MobileNetV2网络骨架进行的改进，能够在精度、模型参数和计算时间上得到平衡，尤其是便于使用手机等小型设备体验图像性别转换，便于推广，还能提高用户体验。

本发明的第三实施方式涉及一种图像中的人物性转方法，该方法与本发明的第一实施方式提供的图像中的人物性转方法基本相同，其区别在于，还包括创建对抗学习网络，如图5所示，具体包括：

步骤501，对获取到的训练图像进行人脸属性标记和人脸对齐，获取第一训练数据集，其中，所述人脸属性包括性别、年龄和脸型。

本实施方式中的步骤501和第一实施方式中的步骤101大致相同，此处不一一赘述。

步骤502，获取CycleGAN骨架网络，并调整CycleGAN骨架网络，获取对抗学习网络框架。

在本实施方式中，对CycleGAN骨架网络的调整方法包括：去掉网络的Sigmod激活函数层、反向传播时权重更新范围限定到[-0.01,0.01]区间范围、对权重进行梯度惩罚以保证权重范围内的连续性、使用SGD梯度更新策略替代Adam更新等。当然，以上仅为具体的举例说明，在实际的使用过程中还可以包括其他调整方法，此处不做一一赘述。

步骤503，确定所述对抗学习网络框架的损失函数，获取所述对抗学习网络。

本实施方式不对损失函数进行限定，可以是交叉熵损失函数，还可以用Earth-Mover距离(EM距离)代替交叉熵损失函数，在实际的使用过程中，损失函数可以为任意一种能够适用对抗学习网络并反馈学习效果的函数。

步骤504，对训练图像按照年龄和性别进行分组并进行人脸对齐，获取第二训练数据集。

本实施方式中的步骤504与第一实施方式中的步骤102大致相同，此处不一一赘述。

步骤505，根据第一训练数据集训练级联神经网络，获取人脸属性的识别模型。

本实施方式中的步骤505与第一实施方式中的步骤103大致相同，此处不一一赘述。

步骤506，根据第二训练数据集训练对抗学习网络，获取性转模型。本实施方式中的步骤506与第一实施方式中的步骤104大致相同，此处不一一赘述。

步骤507，根据识别模型和性转模型处理测试图像，获取性转图像。

本实施方式中的步骤507与第一实施方式中的步骤105大致相同，此处不一一赘述。

本发明实施方式相对于现有技术而言，在实现第一实施方式带来的有益效果基础上，由于是基于CycleGAN骨架网络进行调整得到网络框架，因此，具有CycleGAN骨架网络可以实现不需要配对的图片集训练的优点，训练效率更高。

本发明的第四实施方式涉及一种图像中的人物性转方法，该方法与本发明的第一实施方式提供的图像中的人物性转方法基本相同，其区别在于，对步骤105进行了细化，如图6所示，具体包括：

步骤601，对获取到的训练图像进行人脸属性标记和人脸对齐，获取第一训练数据集，其中，所述人脸属性包括性别、年龄和脸型。

本实施方式中的步骤601和第一实施方式中的步骤101大致相同，此处不一一赘述。

步骤602，对训练图像按照年龄和性别进行分组并进行人脸对齐，获取第二训练数据集。本实施方式中的步骤602与第一实施方式中的步骤102大致相同，此处不一一赘述。

步骤603，根据第一训练数据集训练级联神经网络，获取人脸属性的识别模型。

本实施方式中的步骤603与第一实施方式中的步骤103大致相同，此处不一一赘述。

步骤604，根据第二训练数据集训练对抗学习网络，获取性转模型。

本实施方式中的步骤604与第一实施方式中的步骤104大致相同，此处不一一赘述。

步骤605，对测试图像进行检测，获取测试图像的人脸区域。

步骤606，根据人脸区域裁剪测试图像中的人脸图像并进行人脸对齐。

步骤607，将对齐后的人脸图像输入识别模型，获取测试图像的人脸属性。

步骤608，将人脸属性输入性转模型，获取性转后的人脸图像。

在本实施方式中，根据步骤607获取人脸属性，如年龄、性别等，选择性转模型生成文件，如待处理人脸为男性，20～40岁，则选择步骤604(对应第一实施方式中的步骤104)中的

步骤609，将性转后的人脸图像进行反向对齐。

步骤610，根据裁剪后的测试图片和反向对齐后的人脸图像进行蒙版混合，获取性转图像。

在本实施方式中，首先是根据裁剪后缺少人脸框内容的测试图片获取蒙版二值图像，并将人脸框区域作为蒙版区域，然后对蒙版二值图像进行如腐蚀、高斯模糊等的处理，需要说明的是，蒙版区域在处理过程中不发生改变，接着处理后的图像与反向对齐后的人脸图像进行混合，获取性转图像。

本发明实施方式相对于现有技术而言，在实现第一实施方式带来的有益效果基础上，由于能够将性转后的人脸图像恢复到原始图片的环境中，使得图片更加完整，用户侧直接显示包含环境的性转后的测试图片，更加真实。

本发明的第五实施方式涉及一种图像中的人物性转方法，该方法与本发明的第一实施方式提供的图像中的人物性转方法基本相同，其区别在于，还进行脸型加强，如图7所示，具体包括：

步骤701，对获取到的训练图像进行人脸属性标记和人脸对齐，获取第一训练数据集，其中，所述人脸属性包括性别、年龄和脸型。本实施方式中的步骤701和第一实施方式中的步骤101大致相同，此处不一一赘述。

步骤702，对训练图像按照年龄和性别进行分组并进行人脸对齐，获取第二训练数据集。

本实施方式中的步骤702与第一实施方式中的步骤102大致相同，此处不一一赘述。

步骤703，根据第一训练数据集训练级联神经网络，获取人脸属性的识别模型。本实施方式中的步骤703与第一实施方式中的步骤103大致相同，此处不一一赘述。

步骤704，根据第二训练数据集训练对抗学习网络，获取性转模型。

本实施方式中的步骤704与第一实施方式中的步骤104大致相同，此处不一一赘述。

步骤705，根据识别模型和性转模型处理测试图像，获取性转图像。

本实施方式中的步骤705与第一实施方式中的步骤105大致相同，此处不一一赘述。

步骤706，从训练图像选取脸型参考图像，其中，脸型参考图像包括不同年龄段下的女性脸型参考图像和男性脸型参考图像。

在本实施方式中，可以选取比较具有代表性的人脸图像作为脸型参考图像，也可以随机选取图像。

步骤707，根据脸型参考图像进行前向卷绕直到转化为年龄段相同、性别相反的脸型参考图像，获取卷绕过程中的卷绕参数和卷绕步骤序列。

在本实施方式中，卷绕参数包括：卷绕类型，如：向前推，膨胀、收缩；卷绕起始点、卷绕结束点、中心点等位置的参照点索引序号(参照点索引序号是根据对人脸进行的106点关键点检测得到的)；卷绕强度系数；卷绕半径的距离参考索引序号和距离系数等等。卷绕序列为{w

步骤708，根据卷绕参数和卷绕步骤序列获取不同性别和年龄的脸型强化规则。

在本实施方式中，根据测试图像中的人脸脸型及性别属性可以得到相应的卷绕序列(脸型强化规则)。

步骤709，根据强化规则对性转图像进行人脸强化，获取性转优化图像。

在本实施方式中，选择对应的人脸脸型转换的卷绕序列w_i，根据人脸检测得到的人脸关键点信息，依次执行该卷绕序列中的卷绕步骤P_i，完成异性脸型的增强处理。具体地说，当前图像A位置处的单个像素通过卷绕步骤P_i处理后得到新的采样位置A′，其中，卷绕步骤P_i如下函数所示：

其中A为当前位置，start，end，center为卷绕过程中的人脸关键点L(106点关键点检测得到的点)在对应的下标索引时的坐标值，d为人脸关键点L对应的卷绕半径的距离参考索引序号之间的欧式距离。

需要说明的是，还可以根据用户需求直接设置相应的转换规则，如测试图像中的人脸为方脸男性，那么与其对应异性容貌更偏向于椭圆或圆脸脸型，就可以直接选择方脸转椭圆脸或方脸转圆脸的卷绕序列。

本发明实施方式相对于现有技术而言，在实现第一实施方式带来的有益效果基础上，由于对脸型采用一定的规则进行了强化，且采用的规则不完全相同，使得得到的性转图像更加逼真且避免了男性方脸、女性瓜子脸的刻板印象，进一步提高了千人千面的可能性。

本发明第六实施方式涉及一种电子设备，如图8所示，包括：

至少一个处理器801；以及，

与所述至少一个处理器801通信连接的存储器802；其中，

所述存储器802存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器801执行，以使所述至少一个处理器801能够执行本发明第一至第五实施方式所述的图像中的人物性转方法。

其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。

处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

本发明第七实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。