一种美颜处理方法及装置

摘要

本发明公开了一种美颜处理方法及装置，美颜处理方法包括：对待处理图片进行人脸检测，确定所述待处理图片中的人脸区域；对所述人脸区域进行人脸关键点检测，确定人脸关键点，并根据所述人脸关键点生成人脸关键点图层；对所述待处理图片的肤色区域进行检测，生成肤色处理图层；将所述人脸关键点图层中的至少一个设定区域拼接到所述肤色处理图层的对应位置合成美颜处理图层；根据所述美颜处理图层，对所述待处理图片进行美颜处理，生成美颜图片。本发明可以实现对图片中的人像进行美颜处理，并保留人脸设定区域的细节。

权利要求

1.一种美颜处理方法，其特征在于，包括：

对待处理图片进行人脸检测，确定所述待处理图片中的人脸区域；

获取预估人脸关键点；

将所述预估人脸关键点输入到第一卷积神经网络进行全局回归训练，生成第一人脸关键点；

将所述第一人脸关键点输入到第二卷积神经网络进行局部相关性回归训练，生成第二人脸关键点；

将所述第二人脸关键点中至少一个设定区域的关键点输入到第三卷积神经网络进行局部调整回归训练，生成人脸细节关键点，并将所述人脸细节关键点和所述第二人脸关键点中所述至少一个设定区域外的关键点合并为第三人脸关键点，生成人脸关键点图层；

对所述待处理图片的肤色区域进行检测，生成肤色处理图层；

将所述人脸关键点图层中的至少一个设定区域拼接到所述肤色处理图层的对应位置合成美颜处理图层；

根据所述美颜处理图层，对所述待处理图片进行美颜处理，生成美颜图片。

2.根据权利要求1所述的方法，其特征在于，所述对所述待处理图片的肤色区域进行检测，生成肤色处理图层，包括：采用基于区域扩散的肤色检测方法将所述待处理图片生成所述肤色处理图层。

3.根据权利要求1所述的方法，其特征在于，所述根据所述美颜处理图层，对所述待处理图片进行美颜处理，生成美颜图片，包括：获取所述待处理图片中的待处理区域；

对所述待处理区域中的设定区域以外的区域进行美颜处理，生成预处理图片；

将所述预处理图片拼接到所述待处理图片的对应位置，生成所述美颜图片。

4.根据权利要求1-3中任一所述的方法，其特征在于，所述设定区域包括：眼睛区域、眉毛区域和嘴区域中的至少一个。

5.一种美颜处理装置，其特征在于，包括：

人脸检测模块，用于对待处理图片进行人脸检测，确定所述待处理图片中的人脸区域；

人脸关键点图层生成模块，用于对所述人脸区域进行人脸关键点检测，确定人脸关键点，并根据所述人脸关键点生成人脸关键点图层；

肤色处理图层生成模块，用于对所述待处理图片的肤色区域进行检测，生成肤色处理图层；

美颜处理图层生成模块，用于将所述人脸关键点图层中的至少一个设定区域拼接到所述肤色处理图层的对应位置合成美颜处理图层；

美颜图片生成模块，用于根据所述美颜处理图层，对所述待处理图片进行美颜处理，生成美颜图片；

其中，所述人脸关键点图层生成模块，包括：

人脸关键点预估单元，用于获取预估人脸关键点；

第一人脸关键点生成单元，用于将所述预估人脸关键点输入到第一卷积神经网络进行全局回归训练，生成第一人脸关键点；

第二人脸关键点生成单元，用于将所述第一人脸关键点输入到第二卷积神经网络进行局部相关性回归训练，生成第二人脸关键点；

第三人脸关键点生成单元，用于将所述第二人脸关键点中至少一个设定区域的关键点输入到第三卷积神经网络进行局部调整回归训练，生成人脸细节关键点，并将所述人脸细节关键点和所述第二人脸关键点中所述至少一个设定区域外的关键点合并为第三人脸关键点，生成人脸关键点图层。

6.根据权利要求5所述的装置，其特征在于，所述肤色处理图层生成模块，用于采用基于区域扩散的肤色检测方法将所述待处理图片生成所述肤色处理图层。

7.根据权利要求5所述的装置，其特征在于，所述美颜图片生成模块，包括：待处理区域确定单元，用于获取所述待处理图片中的待处理区域；

处理子图片生成单元，用于对所述待处理区域中的设定区域以外的区域进行美颜处理，生成预处理图片；

美颜图片生成单元，用于将所述预处理图片拼接到所述待处理图片的对应位置，生成所述美颜图片。

8.根据权利要求5-7中任一所述的装置，其特征在于，所述设定区域包括：眼睛区域、眉毛区域和嘴区域中的至少一个。

说明书

一种美颜处理方法及装置

技术领域

[0001] 本发明实施例涉及图片处理技术，尤其涉及一种美颜处理方法及装置。

背景技术

[0002] 随着近几年数码技术的飞速发展，人们通过具备拍照功能的设备记录生活点滴，因此改善拍照图片效果的修图软件也越来越多，需求最高的莫过于自拍照的人脸修图。

[0003] 而现有的美颜解决方案一般都是对整张图片进行整体上的模糊处理和色调调整，以达到视觉上的美白和皮肤磨皮的效果。然而一方面现在随着智能设备硬件的不断提升，摄像头拍照的像素也不断提升，拍照的图像越来越大，这对于现有的这些全图模糊磨皮处理的算法来说，是相当耗时的；另一方面，全图模糊之后会损失图像细节(比如眼睛、眉毛和鼻子等)的信息，这会导致处理后的图像变得不清晰，使人脸看上去不是很有精神。眼睛是心灵的窗口，全图模糊处理之后眼睛也会变的模糊，就会失掉了原本的灵气。

发明内容

[0004] 本发明提供一种美颜处理方法及装置，以实现对图片中的人像进行美颜处理，并保留人脸关键部位的细节。

[0005] 第一方面，本发明实施例提供了一种美颜处理方法，包括：

[0006] 对待处理图片进行人脸检测，确定所述待处理图片中的人脸区域；

[0007] 对所述人脸区域进行人脸关键点检测，确定人脸关键点，并根据所述人脸关键点生成人脸关键点图层；

[0008] 对所述待处理图片的肤色区域进行检测，生成肤色处理图层；

[0009] 将所述人脸关键点图层中的至少一个设定区域拼接到所述肤色处理图层的对应位置合成美颜处理图层；

[0010] 根据所述美颜处理图层，对所述待处理图片进行美颜处理，生成美颜图片。

[0011] 进一步的，所述对所述人脸区域进行人脸关键点检测，确定人脸关键点，并根据所述人脸关键点生成人脸关键点图层，包括：

[0012] 获取预估人脸关键点；

[0013] 将所述预估人脸关键点输入到第一卷积神经网络进行全局回归训练，生成第一人脸关键点；

[0014] 将所述第一人脸关键点输入到第二卷积神经网络进行局部相关性回归训练，生成第二人脸关键点；

[0015] 将所述第二人脸关键点中至少一个设定区域的关键点输入到第三卷积神经网络进行局部调整回归训练，生成人脸细节关键点，并将所述人脸细节关键点和所述第二人脸关键点中所述至少一个设定区域外的关键点合并为第三人脸关键点，生成人脸关键点图层。

[0016] 进一步的，所述对所述待处理图片的肤色区域进行检测，生成肤色处理图层，包括：

[0017] 采用基于区域扩散的肤色检测方法将所述待处理图片生成所述肤色处理图层。

[0018] 进一步的，所述根据所述美颜处理图层，对所述待处理图片进行美颜处理，生成美颜图片，包括：

[0019] 获取所述待处理图片中的待处理区域；

[0020] 对所述待处理区域中的设定区域以外的区域进行美颜处理，生成预处理图片；

[0021] 将所述预处理图片拼接到所述待处理图片的对应位置，生成所述美颜图片。

[0022] 进一步的，所述设定区域包括：眼睛区域、眉毛区域和嘴区域中的至少一个。

[0023] 第二方面，本发明实施例还提供了一种美颜处理装置，包括：

[0024] 人脸检测模块，用于对待处理图片进行人脸检测，确定所述待处理图片中的人脸区域；

[0025] 人脸关键点图层生成模块，用于对所述人脸区域进行人脸关键点检测，确定人脸关键点，并根据所述人脸关键点生成人脸关键点图层；

[0026] 肤色处理图层生成模块，用于对所述待处理图片的肤色区域进行检测，生成肤色处理图层；

[0027] 美颜处理图层生成模块，用于将所述人脸关键点图层中的至少一个设定区域拼接到所述肤色处理图层的对应位置合成美颜处理图层；

[0028] 美颜图片生成模块，用于根据所述美颜处理图层，对所述待处理图片进行美颜处理，生成美颜图片。

[0029] 进一步的，所述人脸关键点图层生成模块，包括：

[0030] 人脸关键点预估单元，用于获取预估人脸关键点；

[0031] 第一人脸关键点生成单元，用于将所述预估人脸关键点输入到第一卷积神经网络进行全局回归训练，生成第一人脸关键点；

[0032] 第二人脸关键点生成单元，用于将所述第一人脸关键点输入到第二卷积神经网络进行局部相关性回归训练，生成第二人脸关键点；

[0033] 第三人脸关键点生成单元，用于将所述第二人脸关键点中至少一个设定区域的关键点输入到第三卷积神经网络进行局部调整回归训练，生成人脸细节关键点，并将所述人脸细节关键点和所述第二人脸关键点中所述至少一个设定区域外的关键点合并为第三人脸关键点，生成人脸关键点图层。

[0034] 进一步的，所述肤色处理图层生成模块，用于采用基于区域扩散的肤色检测方法将所述待处理图片生成所述肤色处理图层。

[0035] 进一步的，所述美颜图片生成模块，包括：

[0036] 待处理区域确定单元，用于获取所述待处理图片中的待处理区域；

[0037] 处理子图片生成单元，用于对所述待处理区域中的设定区域以外的区域进行美颜处理，生成预处理图片；

[0038] 美颜图片生成单元，用于将所述预处理图片拼接到所述待处理图片的对应位置，生成所述美颜图片。

[0039] 进一步的，所述设定区域包括：眼睛区域、眉毛区域和嘴区域中的至少一个。

[0040] 本发明通过检测人脸关键点确定并保留设定区域的细节，解决对整个图片进行美颜处理导致的图片细节全部损失的问题，实现对图片中的人像进行美颜处理，并保留人脸设定区域细节的效果。

附图说明

[0041] 图1是本发明实施例一中的一种美颜处理方法的流程图；

[0042] 图2是本发明实施例一中的标注人脸关键点的待处理图片；

[0043] 图3是本发明实施例二中的一种美颜处理方法的流程图；

[0044] 图4是本发明实施例二中的第一卷积神经网络结构示意图；

[0045] 图5是本发明实施例二中的划分人脸区域的待处理图片；

[0046] 图6是本发明实施例二中的第二卷积神经网络结构示意图；

[0047] 图7是本发明实施例二中的第三卷积神经网络结构示意图；

[0048] 图8是本发明实施例三中的一种美颜处理方法的流程图；

[0049] 图9是本发明实施例四中的一种美颜处理装置的结构示意图。

具体实施方式

[0050] 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。

[0051] 实施例一

[0052] 图1为本发明实施例一提供的一种美颜处理方法的流程图，本实施例可适用于对图片中的人像进行美颜处理的情况，该方法可以由集成于具备拍照功能的智能手机或数码摄像设备中的美颜处理装置来执行，具体包括如下步骤：

[0053] 步骤110、对待处理图片进行人脸检测，确定待处理图片中的人脸区域。

[0054] 其中，待处理图片可以是本地图片或通过摄像头实时采集的图片，对待处理图片进行人脸检测，如果未检测到待处理图片中包括人脸，则返回继续获取待处理图片。优选的，通过开源计算机视觉库对待处理图片进行人脸检测，并确定待处理图片中的人脸区域。

[0055] 步骤120、对人脸区域进行人脸关键点检测，确定人脸关键点，并根据人脸关键点生成人脸关键点图层。

[0056] 其中，人脸关键点是人工设定的用于标识待处理图片中的人脸的脸颊轮廓、眉毛区域、眼镜区域、鼻子区域和嘴区域等的关键点。优选的，如图2所示，图片中包括人脸，其中人工标注74个人脸关键点，用于标识人脸的脸颊轮廓、眉毛区域、眼镜区域、鼻子区域和嘴区域。人脸关键点的数量不限于74个，当人脸关键点多于74个，可以更准确地标识脸颊轮廓、眉毛区域、眼镜区域、鼻子区域和嘴区域；而用于标识一条眉毛的人脸关键点不少于4个，分别位于眉毛的眉心、眉梢、上沿中点和下沿中点；用于标识一个眼睛的人脸关键点不少于4个，分别位于内眼角、外眼角、眼睛上沿中点和眼角下沿中点；用于标识鼻子的人脸关键点不少于4个，分别位于鼻梁上端、鼻尖和鼻翼边缘点；用于标识嘴的人脸关键点不少于6个，分别位于两个嘴角、上嘴唇上沿中点、上嘴唇下沿中点、下嘴唇上沿中点和下嘴唇下沿中点；用于标识脸颊轮廓的人脸关键点不少于5个，分别位于脸颊两侧发际鬓角处、脸颊两侧腮处和下巴下沿中点处。根据人脸关键点确定人脸的脸颊轮廓，并根据人脸关键点确定眼睛区域、眉毛区域和嘴区域，经过划分的人脸区域组成人脸关键点图层，在人脸关键点图层中，眼睛区域、眉毛区域和嘴区域可以从人脸的脸颊轮廓中抠出。

[0057] 步骤130、对待处理图片的肤色区域进行检测，生成肤色处理图层。

[0058] 其中，对待处理图片中的人脸及其他露出的皮肤进行肤色区域检测，优选的，确定待处理图片中人体皮肤的区域，此区域构成肤色处理图层，为后续美颜处理确定皮肤处理的区域。

[0059] 需要说明的，步骤120和步骤130的执行顺序可以颠倒，或者同时执行，当步骤120和步骤130执行完后，执行步骤140。

[0060] 步骤140、将人脸关键点图层中的至少一个设定区域拼接到肤色处理图层的对应位置合成美颜处理图层。

[0061] 其中，人脸关键点图层中能提取出设定区域，优选的，设定区域包括：眼睛区域、眉毛区域和嘴区域中的至少一个，人脸关键点图层的设定区域在待处理图片中有对应的原图位置，肤色处理图层中与该原图位置对应的区域即为肤色处理图层中设定区域的对应位置。人脸关键点图层的设定区域和肤色处理图层拼接后，合成的美颜处理图层用于处理待处理图片中的人像。示例的，将人脸关键点图层中的眼睛区域提取出来并拼接到肤色处理图层对应的眼睛区域，合成美颜处理图层。

[0062] 步骤150、根据美颜处理图层，对待处理图片进行美颜处理，生成美颜图片。

[0063] 其中，根据美颜处理图层对待处理图片中的人像进行美颜处理，保留人脸关键点图层拼接到肤色处理图层的设定区域对应的待处理图层的区域不做处理，即保留设定区域的细节。对待处理图片中肤色处理图层对应的区域进行美颜处理，将处理后的区域和待处理图片中未处理的部分拼接成美颜图片。

[0064] 本实施例的技术方案，通过检测人脸关键点确定并保留设定区域的细节，解决对整个图片进行美颜处理导致的图片细节全部损失的问题，实现对图片中的人像进行美颜处理，并保留人脸设定区域细节的效果。

[0065] 实施例二

[0066] 图3是为本发明实施例而提供的一种美颜处理方法的流程图，在上述技术方案的基础上，优选的，步骤120包括：

[0067] 步骤121、获取预估人脸关键点。

[0068] 具体的，例如可以根据标注有人脸关键点的人脸图片数据集获得预估人脸关键点。人脸图片数据集中包括至少二万个人工标注过人脸关键点的人脸图片，人脸关键点定位可以理解为，假设真实的人脸关键点位置为S’＝(x1，y1，…，xn，yn)，其中(x1,y1)为第一个人脸关键点在图片中的坐标，(xn,yn)为第n个人脸关键点在图片中的坐标，预测的人脸关键点位置S的过程可以转换为优化问题：min||S-S'||，即使预测的人脸关键点位置向量S和真实的人脸关键点位置向量S’之差的模最小。将人脸图片数据集中所有样本的人脸关键点的平均值作为预估人脸关键点。

[0069] 步骤122、将预估人脸关键点输入到第一卷积神经网络进行全局回归训练，生成第一人脸关键点。

[0070] 其中，第一卷积神经网络为全局回归网络，示例的，第一卷积神经网络结构如图4所示，将输入的标注预估人脸关键点的人脸区域经缩放层401统一缩放为64*64，第一卷积层402的滤波大小为5*5，对输入的人脸区域进行卷积输出的特征图的大小为60*60，个数为20个。将这20个特征图经第一最大池化层403进行2倍降采样，得到的输出图大小为30*30。
第二卷积层404的滤波大小为5*5，对输入的特征图进行卷积之后输出的特征图个数为12个，输出特征图大小为26*26。依然对卷积之后的特征图经第二最大池化层405进行2倍降采样，输出特征图大小为13*13。然后第三卷积层406用2*2的滤波对特征图进行卷积，并经第三最大池化层407进行2倍降采样，输出特征图个数为40个，大小为6*6。最后第四卷积层408用3*3的滤波对特征图进行卷积并经第四最大池化层409进行2倍降采样，输出特征图个数为60个，大小为2*2。将输出的所有特征图拉成一列向量，连接到120维的神经元节点的第一全连接层410。最后连接到148维的第二全连接层411，输出回归的人脸关键点坐标值(即第一人脸关键点)。最后再用反向传播调整整个网络结构的参数。训练完成的全局回归能够粗略的估计出人脸关键点在训练样本图片(即待处理图片的人脸区域)中的大致位置。

[0071] 步骤123、将第一人脸关键点输入到第二卷积神经网络进行局部相关性回归训练，生成第二人脸关键点。

[0072] 其中，第二卷积神经网络为局部相关性网络，优选的，将74个第一人脸关键点划分为4个区域，划分对应的区域为图5中的1,2,3,4区域，其中区域1有22个人脸关键点，区域2有22个人脸关键点，区域3有15个人脸关键点，区域4有15个人脸关键点。示例的，第二卷积神经网络结构如图6所示，第二卷积神经网络结构上除最后一层，前面各层结构与第一卷积神经网络相同。最后的全连接层分成了由4个区域对应的人脸关键点形成的网络分支，分别为48维的全连接层第一分支611，48维的全连接层第二网络分支612，30维的全连接层第三网络分支613和30维的全连接层第四网络分支614。在进行反向传播调整参数的过程中，分支的全连接层的参数只在该区域的人脸关键点训练的时候学习，而分支之前的所有卷积层和全连接层的参数每次训练都要更新。图6中的全连接层分支网络结构能够保留人脸关键点标识的设定区域的自有特征，而分支之前不断学习的卷积层结构又同时保留了人脸关键点标识的设定区域之间的相关性，加强了人脸关键点之间的全局约束。第一人脸关键点输入第二卷积神经网络回归训练后输出第二人脸关键点。

[0073] 步骤124、将第二人脸关键点中至少一个设定区域的关键点输入到第三卷积神经网络进行局部调整回归训练，生成人脸细节关键点，并将人脸细节关键点和第二人脸关键点中至少一个设定区域外的关键点合并为第三人脸关键点，生成人脸关键点图层。

[0074] 其中，设定区域的人脸关键点，优选眼睛区域、眉毛区域和嘴区域为设定区域，用于标识这些区域的人脸关键点的定位准确性要求更高。因此第三卷积神经网络针对设定区域的人脸关键点进行单独调整。以第二人脸关键点为初始值，分别提取出设定区域的人脸关键点(共48个点)。将设定区域的人脸关键点放在一起处理，因为大部分人的眼睛、眉毛和嘴巴的位置存在一定的约束关系，放在一起回归能有效的防止某一个人脸关键点定位偏差太大，有效提高定位的准确性。首先根据第二人脸关键点裁剪出眼睛、眉毛和嘴巴的区域，作为第三卷积神经网络的输入图片，因为是局部调整，只需要处理周围区域即可。第三卷积神经网络结构如图7所示，缩放层701将输入图片统一缩放为32*32，第一卷积层702(convolution)的滤波大小为3*3，第二卷积层703的滤波大小为2*2，第一最大池化层704进行2倍降采样，第三卷积层705的滤波大小为3*3，第四卷积层706的滤波大小为2*2。对卷积之后的特征图经第二最大池化层707进行2倍降采样，然后第五卷积层708用3*3的滤波对特征图进行卷积。将输出的所有特征图拉成一列向量，连接到80维的神经元节点的第一全连接层709，最后连接到96维的第二全连接层710，输出回归的人脸关键点坐标值(即人脸细节关键点)。将输出的调整过的眼睛区域、眉毛区域和嘴区域的人脸关键点和第二人脸关键点中至少一个设定区域外的关键点合并，得到最终人脸关键点定位的结果即为第三人脸关键点。根据第三人脸关键点，能够划分人脸的轮廓，并能够将人脸上的眼睛、眉毛和嘴提取出来，这些由第三人脸关键点划分出来的相互连接又相对独立的区域构成人脸关键点图层。

[0075] 进一步的，如图3所示，步骤130包括：

[0076] 步骤131、采用基于区域扩散的肤色检测方法将待处理图片生成肤色处理图层。

[0077] 其中，基于区域扩散的肤色检测方法首先在检测到的人脸区域周围均匀选取可信度较高的像素点作为肤色种子点，根据选定的种子点，进行周边联通区域的蔓延和检测，生成皮肤模板参数。根据检测到的皮肤区域生成肤色处理图层。

[0078] 本实施例的技术方案，通过卷积神经网络定位人脸关键点确定并保留设定区域的细节，准确定位人脸关键点从而确定保留细节的人脸设定区域。采用基于区域扩散的肤色检测方法生成肤色处理图层，确定待处理图片中需要美颜处理的部分。在对待处理图片的人像进行美颜的同时，保留人脸的细节，使美颜后的图片更具灵气。

[0079] 实施例三

[0080] 图8是为本发明实施例而提供的一种美颜处理方法的流程图，在上述技术方案的基础上，进一步细化，步骤150包括：

[0081] 步骤151、获取待处理图片中的待处理区域。

[0082] 其中，将美颜处理图层在待处理图片中覆盖的区域确定为待处理区域，对待处理图片的美颜处理是对待处理区域进行美颜处理，待处理图片中待处理区域以外的区域不作美颜处理。

[0083] 步骤152、对待处理区域中的设定区域以外的区域进行美颜处理，生成预处理图片。

[0084] 其中，人脸关键点图层和肤色处理图层合成美颜处理图层，而人脸关键点图层中的设定区域在进行美颜处理时要保留细节，所以对待处理区域中的设定区域以外的区域进行美颜处理，即进行滤波模糊处理，实现磨皮效果，使得人像的皮肤区域更加光滑细腻。再对皮肤区域进行亮度调整，使皮肤呈现白皙效果。将处理后的皮肤区域和设定区域拼接生成与待处理区域位置对应的预处理图片。

[0085] 步骤153、将预处理图片拼接到待处理图片的对应位置，生成美颜图片。

[0086] 其中，将预处理图片拼接到待处理区域在待处理图片中的位置上，合成美颜图片。

[0087] 本实施例的技术方案，通过美颜处理皮肤区域，保留设定区域的细节，生成预处理图片，而后将预处理图片拼接到待处理图片中，生成美颜图片。既美化了人像又保留了人脸细节，提高美颜图片的观赏效果。

[0088] 实施例四

[0089] 图9为本发明实施例四提供的一种美颜处理装置的结构示意图，该美颜处理装置，包括：

[0090] 人脸检测模块11，用于对待处理图片进行人脸检测，确定待处理图片中的人脸区域；

[0091] 人脸关键点图层生成模块12，用于对人脸区域进行人脸关键点检测，确定人脸关键点，并根据人脸关键点生成人脸关键点图层；

[0092] 肤色处理图层生成模块13，用于对待处理图片的肤色区域进行检测，生成肤色处理图层；

[0093] 美颜处理图层生成模块14，用于将人脸关键点图层中的至少一个设定区域拼接到肤色处理图层的对应位置合成美颜处理图层；

[0094] 美颜图片生成模块15，用于根据美颜处理图层，对待处理图片进行美颜处理，生成美颜图片。

[0095] 进一步的，人脸关键点图层生成模块，包括：

[0096] 人脸关键点预估单元，用于获取预估人脸关键点；

[0097] 第一人脸关键点生成单元，用于将预估人脸关键点输入到第一卷积神经网络进行全局回归训练，生成第一人脸关键点；

[0098] 第二人脸关键点生成单元，用于将第一人脸关键点输入到第二卷积神经网络进行局部相关性回归训练，生成第二人脸关键点；

[0099] 第三人脸关键点生成单元，用于将第二人脸关键点中至少一个设定区域的关键点输入到第三卷积神经网络进行局部调整回归训练，生成人脸细节关键点，并将人脸细节关键点和第二人脸关键点中至少一个设定区域外的关键点合并为第三人脸关键点，并生成人脸关键点图层。

[0100] 进一步的，肤色处理图层生成模块，用于采用基于区域扩散的肤色检测方法将待处理图片生成肤色处理图层。

[0101] 进一步的，美颜图片生成模块，包括：

[0102] 待处理区域确定单元，用于获取待处理图片中的待处理区域；

[0103] 处理子图片生成单元，用于对待处理区域中的设定区域以外的区域进行美颜处理，生成预处理图片；

[0104] 美颜图片生成单元，用于将预处理图片拼接到待处理图片的对应位置，生成美颜图片。

[0105] 优选的，设定区域包括：眼睛区域、眉毛区域和嘴区域中的至少一个。

[0106] 上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

[0107] 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。