本申请涉及图像处理技术领域，特别是涉及一种图像处理方法、装置、设备及存储介质。
背景技术：
当前，人物图像拍摄在人们的日常生活中已经越来越常见了，其中，美观的人体姿势(也可以被称为拍照姿势)可以提升人物图像的整体效果。
相关技术中，在拍摄到人物图像之后，被拍摄者或者拍摄者可以查看拍摄的人物图像，若发现人物图像中的人体姿势不美观，则被拍摄者可以调整自己的人体姿势，而后，拍摄者可以重新对被拍摄者进行拍摄，直到拍摄到的人物图像中的人体姿势美观为止。
然而，这样的方式较为繁琐，导致人物图像拍摄的效率较低。
技术实现要素：
基于此，本申请实施例提供了一种图像处理方法、装置、设备及存储介质，可以提高人物图像的拍摄效率。
第一方面，提供了一种图像处理方法，该方法包括：
获取非理想人物图像，该非理想人物图像中的人物具有非理想人体姿势；获取理想人物图像，该理想人物图像中的人物具有理想人体姿势；根据该理想人物图像对该非理想人物图像中人物的人体姿势进行校正处理；其中，校正处理后的人体姿势与该理想人体姿势的差异小于预设差异阈值。
第二方面，提供了一种图像处理装置，该装置包括：
第一获取模块，用于获取非理想人物图像，该非理想人物图像中的人物具有非理想人体姿势；
第二获取模块，用于获取理想人物图像，该理想人物图像中的人物具有理想人体姿势；
校正模块，用于根据该理想人物图像对该非理想人物图像中人物的人体姿势进行校正处理；其中，校正处理后的人体姿势与该理想人体姿势的差异小于预设差异阈值。
第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该计算机程序被该处理器执行时实现如上述第一方面任一所述的图像处理方法。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面任一所述的图像处理方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过获取非理想人物图像和理想人物图像，其中，该非理想人物图像中的人物具有非理想人体姿势，该理想人物图像中的人物具有理想人体姿势，而后，根据该理想人物图像对非理想人物图像中人物的人体姿势进行校正处理，使得校正处理后的人体姿势与理想人体姿势的差异小于预设差异阈值，这样，在拍摄到的人物图像中的人体姿势不美观时，也即是非理想时，可以直接根据理想人物图像对其进行校正处理，使校正处理后的人体姿势接近于理想人体姿势，由于理想人体姿势是理想化的美观的人体姿势，因此，通过校正处理可以提高拍摄的人物图像中人体姿势的美观性，这样，在拍摄人物图像的过程中，被拍摄者就不需要多次调整自己的人体姿势，拍摄者也不需要进行多次拍摄，故而可以提高人物图像拍摄的效率。
附图说明
图1为本申请实施例提供的一种实施环境的示意图；
图2为本申请实施例提供的一种图像处理方法的流程图；
图3为本申请实施例提供的一种根据理想人物图像对非理想人物图像中人物的人体姿势进行校正处理的方法流程图；
图4为本申请实施例提供的一种关键点识别网络的网络结构示意图；
图5为本申请实施例提供的一种第1个第二识别子网络的网络结构示意图；
图6为本申请实施例提供的一种第k个第二识别子网络的网络结构示意图；
图7为本申请实施例提供的一种stn网络结构的示意图；
图8为本申请实施例提供的一种图像处理装置的框图；
图9为本申请实施例提供的一种校正模块的框图；
图10为本申请实施例提供的一种计算机设备的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面，将对本申请实施例提供的图像处理方法所涉及到的实施环境进行简要说明。
图1为本申请实施例提供的图像处理方法所涉及到的一种实施环境的示意图，如图1所示，该实施环境可以包括服务器101和终端102，服务器101和终端102之间可以通过有线网络或无线网络进行通信。
其中，终端102可以为智能手机、平板电脑、可穿戴设备、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、电子书阅读器或者车载设备等。服务器101可以为一台服务器，也可以为由多台服务器组成的服务器集群。
在图1所示的实施环境中，终端102可以将非理想人物图像和理想人物图像发送至服务器101，其中，非理想人物图像中的人物具有非理想人体姿势，非理想人体姿势指的是不理想的或者不美观的人体姿势，可选的，该非理想人体姿势可以为用户所不满意的人体姿势，理想人物图像中的人物具有理想人体姿势，理想人体姿势指的是理想的或者美观的人体姿势，可选的，该理想人体姿势可以为用户希望摆出的人体姿势。服务器101可以利用该理想人物图像对非理想人物图像中人物的人体姿势进行校正处理。
当然，在一些可能的实现方式中，本申请实施例提供的图像处理方法所涉及到的实施环境可以仅包括终端102。
在实施环境仅包括终端102的情况下，终端102在获取到非理想人物图像和理想人物图像之后，可以直接利用该理想人物图像对非理想人物图像中人物的人体姿势进行校正处理。
请参考图2，其示出了本申请实施例提供的一种图像处理方法的流程图，该图像处理方法可以应用于上文所述的服务器101或者终端102中，本申请实施例仅以该图像处理方法应用于终端102中为例进行说明，该图像处理方法应用于服务器101时的技术过程与该图像处理方法应用于终端102时的技术过程同理，本申请实施例对其不再赘述。如图2所示，该图像处理方法可以包括以下步骤：
步骤201、终端获取非理想人物图像。
在本申请的一个实施例中，若终端在拍摄到人物图像后检测到针对该人物图像的校正指令，则终端可以将拍摄到的人物图像作为非理想人物图像。
可选的，终端在拍摄到人物图像之后，可以在图像展示界面中对拍摄到的人物图像进行展示，终端可以基于该图像展示界面接收针对该人物图像的校正指令。
在一种可能的实现方式中，图像展示界面中可以设置有校正选项，当检测到对该校正选项的触发操作后，终端即可接收针对人物图像的校正指令。
在另一种可能的实现方式中，当终端在图像展示界面中检测到预设类型的触控操作时，终端即可接收针对人物图像的校正指令，其中，该触控操作可以为双击操作、单机操作或者滑动操作等。
步骤202、终端获取理想人物图像。
在本申请的一个实施例中，终端可以根据用户的选择指令，从多个候选理想人物图像中确定上文所述的理想人物图像。
实际应用中，终端可以预先存储多个候选理想人物图像，或者，终端可以向服务器请求多个候选理想人物图像，其中，候选理想人物图像中人物的人体姿势为理想人体姿势，用户可以从该多个候选理想人物图像中选择一个候选理想人物图像作为上文所述的理想人物图像，终端可以基于用户选中的理想人物图像对非理想人物图像中人物的人体姿势进行校正处理。
步骤203、终端根据理想人物图像对非理想人物图像中人物的人体姿势进行校正处理。
其中，校正处理后的人体姿势与理想人体姿势的差异小于预设差异阈值，换句话说，校正处理后的人体姿势与理想人体姿势相接近。
本申请实施例提供的图像处理方法，通过获取非理想人物图像和理想人物图像，其中，该非理想人物图像中的人物具有非理想人体姿势，该理想人物图像中的人物具有理想人体姿势，而后，根据该理想人物图像对非理想人物图像中人物的人体姿势进行校正处理，使得校正处理后的人体姿势与理想人体姿势的差异小于预设差异阈值，这样，在拍摄到的人物图像中的人体姿势不美观时，也即是非理想时，可以直接根据理想人物图像对其进行校正处理，使校正处理后的人体姿势接近于理想人体姿势，由于理想人体姿势是理想化的美观的人体姿势，因此，通过校正处理可以提高拍摄的人物图像中人体姿势的美观性，这样，在拍摄人物图像的过程中，被拍摄者就不需要多次调整自己的人体姿势，拍摄者也不需要进行多次拍摄，故而可以提高人物图像拍摄的效率。
请参考图3，在上文该实施例的基础上，本申请实施例提供了一种根据理想人物图像对非理想人物图像中人物的人体姿势进行校正处理的方法，该方法可以包括以下步骤：
步骤2031、终端分别对非理想人物图像和理想人物图像进行人体骨骼关键点识别，得到非理想人物图像包括的多个人体骨骼关键点和理想人物图像包括的多个人体骨骼关键点。
可选的，在本申请的一个实施例中，终端可以利用神经网络对非理想人物图像和理想人物图像进行人体骨骼关键点识别，为了简化说明，在叙述人体骨骼关键点识别的过程中，统一将非理想人物图像和理想人物图像称为目标人物图像。其中，利用神经网络对目标人物图像进行人体骨骼关键点识别的技术过程可以包括下述步骤a和步骤b。
步骤a、终端将目标人物图像输入至关键点识别网络中，得到关键点识别网络输出的关键点概率图集合和肢体方向矢量图集合。
下面，本申请实施例将对关键点概率图集合和肢体方向矢量图集合分别进行说明。
一、关键点概率图集合。
关键点概率图集合包括与不同种人体骨骼关键点一一对应的多个关键点概率图，每个关键点概率图包括的概率值用于指示对应种类的人体骨骼关键点位于该概率值所在位置点处的概率。
例如，假设共有3种人体骨骼关键点，当然，实际应用中人体骨骼关键点的种类远不止3种，本申请实施例为了说明简练，仅以共3种人体骨骼关键点为例进行说明，其中，该3种人体骨骼关键点分别为左手肘关键点、左手腕关键点以及左肩关键点。
在共有3种人体骨骼关键点的情况下，上文所述的关键点概率图集合包括3个关键点概率图，每个关键点概率图与一种人体骨骼关键点相对应。
其中，关键点概率图本质上是一个矩阵，该矩阵中的每个矩阵元素均为概率值，该矩阵中的每个矩阵元素(也即是概率值)在矩阵中所处的位置可以被视为该矩阵元素在关键点概率图中所在的位置点，该位置点与目标人物图像中的一个或多个像素具有映射关系。
如上文所述，关键点概率图包括的概率值用于指示对应种类的人体骨骼关键点位于该概率值所在位置点处的概率，以左手肘关键点对应的关键点概率图为例，该关键点概率图中包括的概率值用于指示左手肘关键点位于该概率值所在位置点处的概率。
二、肢体方向矢量图集合。
肢体方向矢量图集合包括与不同种肢体一一对应的多个肢体方向矢量图，每个肢体方向矢量图包括的矢量值用于指示对应种类的肢体在该矢量值所在位置点处的方向。
需要指出的是，本申请实施例中的肢体并非狭义的肢体，而是指相关联的人体骨骼关键点之间的人体区域，例如，左眼关键点和右眼关键点之间的人体区域为一个肢体，脖子关键点和左肩关键点之间的人体区域是一个肢体。
例如，假设共有2种肢体，当然，实际应用中肢体的种类远不止2种，本申请实施例为了说明简练，仅以共2种肢体为例进行说明，该2种肢体分别为左小臂肢体和左大臂肢体，其中，左小臂肢体为左手肘关键点和左手腕关键点之间的人体区域，左大臂肢体为左手肘关键点和左肩关键点之间的人体区域。
在共有2种肢体的情况下，上文所述的肢体方向矢量图集合包括2个肢体方向矢量图，每个肢体方向矢量图与一种肢体相对应。
其中，肢体方向矢量图本质上是一个矩阵，该矩阵中的每个矩阵元素均为矢量值，该矩阵中的每个矩阵元素(也即是矢量值)在矩阵中所处的位置可以被视为该矩阵元素在肢体方向矢量图中所在的位置点，该位置点与目标人物图像中的一个或多个像素具有映射关系。
可选的，该矢量值可以为二维矢量值，可以用(x，y)表示，通常情况下，当肢体方向矢量图中的某一矢量值为(0,0)时，说明该矢量值所在的位置点处不存在与该肢体方向矢量图对应种类的肢体。
如上文所述，肢体方向矢量图包括的矢量值用于指示对应种类的肢体在该矢量值所在位置点处的方向，以左小臂肢体对应的肢体方向矢量图为例，该肢体方向矢量图中包括的矢量值用于指示左小臂肢体在该矢量值所在位置点处的方向。
在对关键点概率图集合和肢体方向矢量图集合进行说明之后，本申请实施例将对关键点识别网络的网络结构进行简要地说明。
请参考图4，该关键点识别网络可以包括第一识别子网络w1以及级联的n个第二识别子网络w2，n为大于1的正整数。
其中，该第一识别子网络w1用于对目标人物图像进行特征提取，并输出特征图。该特征图本质上是一个矩阵，该矩阵中的矩阵元素即为第一识别子网络w1所提取到的目标人物图像的特征。
可选的，该第一识别子网络w1可以为卷积神经网络(英文：convolutionalneuralnetwork；简称：cnn)，例如，该第一识别子网络w1可以为mobilenetv2网络。
该n个第二识别子网络w2中的第1个第二识别子网络的输入可以为：第一识别子网络w1输出的特征图，该第1个第二识别子网络可以对该特征图进行识别计算，并输出第1个候选关键点概率图集合和第1个候选肢体方向矢量图集合，可选的，上文所述的识别计算可以为卷积计算。
该n个第二识别子网络w2中第k个第二识别子网络的输入可以为：第一别子网络w1输出的特征图、第k-1个候选关键点概率图集合和第k-1个候选肢体方向矢量图集合，该第k个第二识别子网络可以对“第一别子网络w1输出的特征图、第k-1个候选关键点概率图集合和第k-1个候选肢体方向矢量图集合”进行识别计算，并输出第k个候选关键点概率图集合和第k个候选肢体方向矢量图集合，其中，k为大于1小于等于n的正整数，可选的，上文所述的识别计算可以为卷积计算。
可选的，该第二识别网络w2也可以为卷积神经网络。
图5为一种示例性的第1个第二识别子网络的网络结构示意图，如图5所示，该第1个第二识别子网络包括两个分支，该两个分支的输入均为第一识别子网络w1输出的特征图，该两个分支的输出分别为第1个候选关键点概率图集合和第1个候选肢体方向矢量图集合，其中，每个分支均包括3个3×3卷积层和2个1×1卷积层。
图6为一种示例性的第k个第二识别子网络的网络结构示意图，如图6所示，该第k个第二识别子网络包括两个分支，该两个分支的输入均为第一识别子网络w1输出的特征图、第k-1个候选关键点概率图集合和第k-1个候选肢体方向矢量图集合，该两个分支的输出分别为第k个候选关键点概率图集合和第k个候选肢体方向矢量图集合，其中，每个分支分别包含5个7×7卷积层和2个1×1卷积层。
下面，本申请实施例将结合关键点识别网络的网络结构对步骤a的技术过程进行简要说明。
终端将目标人物图像输入至第一识别子网络中，得到第一识别子网络对目标人物图像进行特征提取后输出的特征图，接着，终端将该特征图输入至级联的n个第二识别子网络中，通过第i个第二识别子网络对第i个输入图进行识别计算，并输出第i个候选关键点概率图集合和第i个候选肢体方向矢量图集合，终端将第n个第二识别子网络输出的第n个候选关键点概率图集合和第n个候选肢体方向矢量图集合，分别作为关键点识别网络最终输出的关键点概率图集合和肢体方向矢量图集合。
其中，当i＝1时，该第i个输入图为第一识别子网络输出的特征图，当1＜i≤n时，该第i个输入图为第一识别子网络输出的特征图、第i-1个候选关键点概率图集合和第i-1个候选肢体方向矢量图集合。
步骤b、终端根据关键点概率图集合和肢体方向矢量图集合，对目标人物图像进行人体骨骼关键点识别。
其中，步骤b可以包括以下几个子步骤：
子步骤b1、对于每个种类的人体骨骼关键点，终端在该人体骨骼关键点对应的关键点概率图中，确定与该种人体骨骼关键点对应的多个候选位置点。
其中，每个候选位置点处的概率值是与该候选位置点相临近的多个位置点中最大的。
可选的，终端可以对关键点概率图进行最大池化操作，得到池化概率图，该池化概率图包括多个池化概率值，该多个池化概率值与关键点概率图包括的多个概率值一一对应。而后，终端可以从关键点概率图中确定目标概率值，该目标概率值与对应的池化概率值相等。接着，终端可以将目标概率值所在位置点确定为与该种人体骨骼关键点对应的候选位置点。
b2、终端获取多个位置点集合。
其中，每个位置点集合包括m个候选位置点，且，每个位置点集合包括的各个候选位置点所对应的人体骨骼关键点的种类均不同，m为人体骨骼关键点种类的数量。
如上述举例，假设共有3种人体骨骼关键点，该3种人体骨骼关键点分别为左手肘关键点、左手腕关键点以及左肩关键点，则每个位置点集合可以包括3个候选位置点，其中，该3个候选位置点分别与左手肘关键点、左手腕关键点以及左肩关键点相对应。
b3、终端根据肢体方向矢量图集合，从多个位置点集合中确定目标位置点集合，并根据目标位置点集合包括的各个候选位置点在目标人物图像中确定人体骨骼关键点。
1、对于每个位置点集合，终端将该位置点集合包括的各个候选位置点之间的连线确定为候选肢体，得到候选肢体集合。
其中，候选肢体集合可以采用下述数学语言进行描述：
其中，z为候选肢体集合，j1、j2表示候选位置点对应的人体骨骼关键点的种类，x和y分别表示候选位置点在位置点集合中的编号，m为位置点集合中候选位置点的数量，
2、对于每个位置点集合的每个候选肢体，终端根据该候选肢体的肢体种类从肢体方向矢量图集合中确定与该候选肢体对应的目标肢体方向矢量图，并根据该目标肢体方向矢量图中的矢量值计算该候选肢体的置信度。
实际应用中，关键点概率图和肢体方向矢量图的尺寸相同，因此，关键点概率图中的位置点与肢体方向矢量图中的位置点具有一一对应的关系。基于这种一一对应关系，终端可以对候选肢体的置信度进行计算。其中，候选肢体的置信度用于指示该候选肢体两端的候选位置点属于同一人物的概率。
该候选肢体的置信度可以根据下述公式计算得到：
其中，p(u)为关键点概率图中候选肢体两端的候选位置点之间内插的位置点的第一坐标，即：
p(u)＝(1-u)rx ury。
其中，u一般在[0,1]上均匀间隔采样得到，rx为关键点概率图中候选肢体的其中一端的候选位置点的坐标，ry为关键点概率图中候选肢体的另一端的候选位置点的坐标。
lc(p(u))为目标肢体方向矢量图中该第一坐标对应的位置点的矢量值，dx为目标肢体方向矢量图中与候选肢体的其中一端的候选位置点相对应的位置点处的矢量值，dy为目标肢体方向矢量图中与候选肢体的另一端的候选位置点相对应的位置点处的矢量值。
3、对于每个位置点集合，终端根据该位置点集合的每个候选肢体的置信度计算该位置点集合的置信度。
可选的，终端可以将该位置点集合的每个候选肢体的置信度进行叠加，得到该位置点集合的置信度。
4、终端根据每个位置点集合的置信度，从该多个位置点集合中确定该目标位置点集合。
可选的，终端可以将多个该位置点集合中，置信度最高的位置点集合确定为该目标位置点集合。
其中，位置点集合的置信度可以用下述公式表示：
则确定目标位置点集合的过程即为找最大置信度的过程，在本申请实施例中，可以使用匈牙利算法查找该最大置信度。
在得到目标位置点集合之后，终端可以根据关键点概率图中的位置点与目标人物图像中的像素的对应关系，从目标人物图像中确定目标位置点集合中每个候选位置点对应的像素，并将确定的像素作为人体骨骼关键点。
步骤2032、终端根据非理想人物图像包括的多个人体骨骼关键点和理想人物图像包括的多个人体骨骼关键点，对非理想人物图像中人物的人体姿势进行校正处理。
可选的，终端可以将非理想人物图像包括的多个人体骨骼关键点、理想人物图像包括的多个人体骨骼关键点以及非理想人物图像输入至空间变换网络(英文：spatialtransformernetwork；简称：stn)中，通过该stn对该非理想人物图像中人物的人体姿势进行校正处理。
请参考图7，其为一种示例性的stn网络结构的示意图。如图7所示，stn包括本地网络(英文：localisationnetwork)、网格生成器(英文：gridgenator)以及采样器(英文：sampler)。
其中，本地网络是一个参数预测器，其可以为多层的神经网络，本地网络的输入为非理想人物图像包括的多个人体骨骼关键点、理想人物图像包括的多个人体骨骼关键点以及非理想人物图像，本地网络的输出为一组网格生成器参数。
网格生成器本质上是一种坐标映射器，本地网络输出的网格生成器参数是其参数，网格生成器可以输出非理想人物图像和待输出的目标图像之间的图像坐标映射关系，其中，目标图像中的人物的人体姿势为校正处理后的人体姿势。换句话说，对于非理想人物图像中的每一个像素，网格生成器都可以将其映射至目标图像中。
网格生成器所输出的坐标映射关系可以用如下数学语言进行表示：
其中，
采样器可以利用网格生成器输出的图像坐标映射关系对非理想人物图像中各个像素点的坐标进行转换，从而得到该目标图像，该目标图像即为人体姿势校正处理后的结果。
下面，本申请实施例将对stn的训练过程进行简要的说明：
1、采集足够数量的成对人物图像，其中每对人物图像包含一张未经过校正处理的人体姿势的人物图像和经过校正处理的人体姿势的人物图像(实际上，这里仅需保证两张人物图像的拍摄地和拍摄内容相同即可，一对人物图像中任一张人物图像都可以作为未经过校正处理的人体姿势的人物图像，这样可以节省数据采集量)。
2、对采集到的每张人物图像进行人体骨骼关键点识别，得到每张图像包括的人体骨骼关键点。
3、使用成对人物图像中的未经过校正处理的人体姿势的人物图像、未经过校正处理的人体姿势的人物图像的人体骨骼关键点和经过校正处理的人体姿势的人物图像的人体骨骼关键点作为输入，用经过校正处理的人体姿势的人物图像作为真实的输出，训练stn网络。
由于本申请实施例根据人体骨骼关键点对非理想人体姿势进行校正处理，因此，其能够同时调整大幅度的肢体偏移和小幅度的姿势偏移，校正处理后得到的人体姿势比较自然。
请参考图8，其示出了本申请实施例提供的一种图像处理装置400的框图，该图像处理装置400可以配置于图1所示的服务器101或者终端102中。如图8所示，该图像处理装置400可以包括：第一获取模块401、第二获取模块402和校正模块403。
其中，该第一获取模块401，用于获取非理想人物图像，该非理想人物图像中的人物具有非理想人体姿势。
该第二获取模块402，用于获取理想人物图像，该理想人物图像中的人物具有理想人体姿势。
该校正模块403，用于根据该理想人物图像对该非理想人物图像中人物的人体姿势进行校正处理；其中，校正处理后的人体姿势与该理想人体姿势的差异小于预设差异阈值。
请参考图9，可选的，在本申请的一个实施例中，该校正模块403可以包括识别子模块4031和校正子模块4032。
其中，该识别子模块4031，用于分别对该非理想人物图像和该理想人物图像进行人体骨骼关键点识别，得到该非理想人物图像包括的多个人体骨骼关键点和该理想人物图像包括的多个人体骨骼关键点。
该校正子模块4032，用于根据该非理想人物图像包括的多个人体骨骼关键点和该理想人物图像包括的多个人体骨骼关键点，对该非理想人物图像中人物的人体姿势进行校正处理。
在本申请的一个实施例中，该识别子模块4031，具体用于：
将目标人物图像输入至关键点识别网络中，得到该关键点识别网络输出的关键点概率图集合和肢体方向矢量图集合，该目标人物图像为该非理想人物图像或者该理想人物图像，该关键点概率图集合包括与不同种人体骨骼关键点一一对应的多个关键点概率图，每个关键点概率图包括的概率值用于指示对应种类的人体骨骼关键点位于该概率值所在位置点处的概率，该肢体方向矢量图集合包括与不同种肢体一一对应的多个肢体方向矢量图，该肢体为相关联的人体骨骼关键点之间的人体区域，每个肢体方向矢量图包括的矢量值用于指示对应种类的肢体在该矢量值所在位置点处的方向；根据该关键点概率图集合和该肢体方向矢量图集合，对该目标人物图像进行人体骨骼关键点识别。
在本申请的一个实施例中，该关键点识别网络包括第一识别子网络以及级联的n个第二识别子网络，n为大于1的正整数，该识别子模块4031，具体用于：
将该目标人物图像输入至该第一识别子网络中，得到该第一识别子网络对该目标人物图像进行特征提取后输出的特征图；将该特征图输入至该n个第二识别子网络中，通过第i个第二识别子网络对第i个输入图进行识别计算，并输出第i个候选关键点概率图集合和第i个候选肢体方向矢量图集合，其中，当i＝1时，该第i个输入图为该特征图，当1＜i≤n时，该第i个输入图为该特征图、第i-1个候选关键点概率图集合和第i-1个候选肢体方向矢量图集合；将第n个第二识别子网络输出的第n个候选关键点概率图集合和第n个候选肢体方向矢量图集合，分别作为该关键点识别网络输出的该关键点概率图集合和该肢体方向矢量图集合。
在本申请的一个实施例中，该识别子模块4031，具体用于：
对于每个种类的人体骨骼关键点，在该人体骨骼关键点对应的关键点概率图中，确定与该人体骨骼关键点对应的多个候选位置点；获取多个位置点集合，每个位置点集合包括m个候选位置点，且，每个位置点集合包括的各个候选位置点所对应的人体骨骼关键点的种类均不同，m为人体骨骼关键点种类的数量；根据该肢体方向矢量图集合，从该多个位置点集合中确定目标位置点集合，并根据该目标位置点集合包括的各个候选位置点在该目标人物图像中确定人体骨骼关键点。
在本申请的一个实施例中，该识别子模块4031，具体用于：
对该关键点概率图进行最大池化操作，得到池化概率图，该池化概率图包括多个池化概率值，该多个池化概率值与该关键点概率图包括的多个概率值一一对应；从该关键点概率图中确定目标概率值，该目标概率值与对应的池化概率值相等；将该目标概率值所在位置点确定为与该人体骨骼关键点对应的候选位置点。
在本申请的一个实施例中，该识别子模块4031，具体用于：
对于每个位置点集合，将该位置点集合包括的各个候选位置点之间的连线确定为候选肢体；对于每个位置点集合的每个候选肢体，根据该候选肢体的肢体种类从该肢体方向矢量图集合中确定与该候选肢体对应的目标肢体方向矢量图，并根据该目标肢体方向矢量图中的矢量值计算该候选肢体的置信度，该置信度用于指示该候选肢体两端的候选位置点属于同一人物的概率；对于每个位置点集合，根据该位置点集合的每个候选肢体的置信度计算该位置点集合的置信度；根据每个位置点集合的置信度，从该多个位置点集合中确定该目标位置点集合。
在本申请的一个实施例中，该识别子模块4031，具体用于：
将该位置点集合的每个候选肢体的置信度进行叠加，得到该位置点集合的置信度。
在本申请的一个实施例中，该识别子模块4031，具体用于：
将多个该位置点集合中，置信度最高的位置点集合确定为该目标位置点集合。
在本申请的一个实施例中，该校正子模块4032，具体用于：
将该非理想人物图像包括的多个人体骨骼关键点、该理想人物图像包括的多个人体骨骼关键点以及该非理想人物图像输入至空间变换网络stn中，通过该stn对该非理想人物图像中人物的人体姿势进行校正处理。
在本申请的一个实施例中，该stn包括本地网络、网格生成器和采样器，该校正子模块4032，具体用于：
通过该本地网络，根据该非理想人物图像包括的多个人体骨骼关键点、该理想人物图像包括的多个人体骨骼关键点以及该非理想人物图像，得到网格生成器参数；通过该网格生成器，利用该网格生成器参数得到该非理想人物图像和待输出的目标图像之间的图像坐标映射关系，其中，该目标图像中的人物的人体姿势为该校正处理后的人体姿势；通过该采样器，利用该图像坐标映射关系对该非理想人物图像中各个像素点的坐标进行转换，得到该目标图像。
本申请实施例提供的图像处理装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于终端中的处理器中，也可以以软件形式存储于终端中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在本申请的一个实施例中，提供了一种计算机设备，该计算机设备可以为终端或者服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器和存储器。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现本申请实施例提供的一种图像处理方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本申请的一个实施例中，提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取非理想人物图像，该非理想人物图像中的人物具有非理想人体姿势；获取理想人物图像，该理想人物图像中的人物具有理想人体姿势；根据该理想人物图像对该非理想人物图像中人物的人体姿势进行校正处理；其中，校正处理后的人体姿势与该理想人体姿势的差异小于预设差异阈值。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：分别对该非理想人物图像和该理想人物图像进行人体骨骼关键点识别，得到该非理想人物图像包括的多个人体骨骼关键点和该理想人物图像包括的多个人体骨骼关键点；根据该非理想人物图像包括的多个人体骨骼关键点和该理想人物图像包括的多个人体骨骼关键点，对该非理想人物图像中人物的人体姿势进行校正处理。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：将目标人物图像输入至关键点识别网络中，得到该关键点识别网络输出的关键点概率图集合和肢体方向矢量图集合，该目标人物图像为该非理想人物图像或者该理想人物图像，该关键点概率图集合包括与不同种人体骨骼关键点一一对应的多个关键点概率图，每个关键点概率图包括的概率值用于指示对应种类的人体骨骼关键点位于该概率值所在位置点处的概率，该肢体方向矢量图集合包括与不同种肢体一一对应的多个肢体方向矢量图，该肢体为相关联的人体骨骼关键点之间的人体区域，每个肢体方向矢量图包括的矢量值用于指示对应种类的肢体在该矢量值所在位置点处的方向；根据该关键点概率图集合和该肢体方向矢量图集合，对该目标人物图像进行人体骨骼关键点识别。
该关键点识别网络包括第一识别子网络以及级联的n个第二识别子网络，n为大于1的正整数，在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：将该目标人物图像输入至该第一识别子网络中，得到该第一识别子网络对该目标人物图像进行特征提取后输出的特征图；将该特征图输入至该n个第二识别子网络中，通过第i个第二识别子网络对第i个输入图进行识别计算，并输出第i个候选关键点概率图集合和第i个候选肢体方向矢量图集合，其中，当i＝1时，该第i个输入图为该特征图，当1＜i≤n时，该第i个输入图为该特征图、第i-1个候选关键点概率图集合和第i-1个候选肢体方向矢量图集合；将第n个第二识别子网络输出的第n个候选关键点概率图集合和第n个候选肢体方向矢量图集合，分别作为该关键点识别网络输出的该关键点概率图集合和该肢体方向矢量图集合。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：对于每个种类的人体骨骼关键点，在该人体骨骼关键点对应的关键点概率图中，确定与该人体骨骼关键点对应的多个候选位置点；获取多个位置点集合，每个位置点集合包括m个候选位置点，且，每个位置点集合包括的各个候选位置点所对应的人体骨骼关键点的种类均不同，m为人体骨骼关键点种类的数量；根据该肢体方向矢量图集合，从该多个位置点集合中确定目标位置点集合，并根据该目标位置点集合包括的各个候选位置点在该目标人物图像中确定人体骨骼关键点。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：对该关键点概率图进行最大池化操作，得到池化概率图，该池化概率图包括多个池化概率值，该多个池化概率值与该关键点概率图包括的多个概率值一一对应；从该关键点概率图中确定目标概率值，该目标概率值与对应的池化概率值相等；将该目标概率值所在位置点确定为与该人体骨骼关键点对应的候选位置点。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：对于每个位置点集合，将该位置点集合包括的各个候选位置点之间的连线确定为候选肢体；对于每个位置点集合的每个候选肢体，根据该候选肢体的肢体种类从该肢体方向矢量图集合中确定与该候选肢体对应的目标肢体方向矢量图，并根据该目标肢体方向矢量图中的矢量值计算该候选肢体的置信度，该置信度用于指示该候选肢体两端的候选位置点属于同一人物的概率；对于每个位置点集合，根据该位置点集合的每个候选肢体的置信度计算该位置点集合的置信度；根据每个位置点集合的置信度，从该多个位置点集合中确定该目标位置点集合。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：将该位置点集合的每个候选肢体的置信度进行叠加，得到该位置点集合的置信度。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：将多个该位置点集合中，置信度最高的位置点集合确定为该目标位置点集合。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：将该非理想人物图像包括的多个人体骨骼关键点、该理想人物图像包括的多个人体骨骼关键点以及该非理想人物图像输入至空间变换网络stn中，通过该stn对该非理想人物图像中人物的人体姿势进行校正处理。
该stn包括本地网络、网格生成器和采样器，在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：通过该本地网络，根据该非理想人物图像包括的多个人体骨骼关键点、该理想人物图像包括的多个人体骨骼关键点以及该非理想人物图像，得到网格生成器参数；通过该网格生成器，利用该网格生成器参数得到该非理想人物图像和待输出的目标图像之间的图像坐标映射关系，其中，该目标图像中的人物的人体姿势为该校正处理后的人体姿势；通过该采样器，利用该图像坐标映射关系对该非理想人物图像中各个像素点的坐标进行转换，得到该目标图像。
本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在本申请的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取非理想人物图像，该非理想人物图像中的人物具有非理想人体姿势；获取理想人物图像，该理想人物图像中的人物具有理想人体姿势；根据该理想人物图像对该非理想人物图像中人物的人体姿势进行校正处理；其中，校正处理后的人体姿势与该理想人体姿势的差异小于预设差异阈值。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别对该非理想人物图像和该理想人物图像进行人体骨骼关键点识别，得到该非理想人物图像包括的多个人体骨骼关键点和该理想人物图像包括的多个人体骨骼关键点；根据该非理想人物图像包括的多个人体骨骼关键点和该理想人物图像包括的多个人体骨骼关键点，对该非理想人物图像中人物的人体姿势进行校正处理。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：将目标人物图像输入至关键点识别网络中，得到该关键点识别网络输出的关键点概率图集合和肢体方向矢量图集合，该目标人物图像为该非理想人物图像或者该理想人物图像，该关键点概率图集合包括与不同种人体骨骼关键点一一对应的多个关键点概率图，每个关键点概率图包括的概率值用于指示对应种类的人体骨骼关键点位于该概率值所在位置点处的概率，该肢体方向矢量图集合包括与不同种肢体一一对应的多个肢体方向矢量图，该肢体为相关联的人体骨骼关键点之间的人体区域，每个肢体方向矢量图包括的矢量值用于指示对应种类的肢体在该矢量值所在位置点处的方向；根据该关键点概率图集合和该肢体方向矢量图集合，对该目标人物图像进行人体骨骼关键点识别。
该关键点识别网络包括第一识别子网络以及级联的n个第二识别子网络，n为大于1的正整数，在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：将该目标人物图像输入至该第一识别子网络中，得到该第一识别子网络对该目标人物图像进行特征提取后输出的特征图；将该特征图输入至该n个第二识别子网络中，通过第i个第二识别子网络对第i个输入图进行识别计算，并输出第i个候选关键点概率图集合和第i个候选肢体方向矢量图集合，其中，当i＝1时，该第i个输入图为该特征图，当1＜i≤n时，该第i个输入图为该特征图、第i-1个候选关键点概率图集合和第i-1个候选肢体方向矢量图集合；将第n个第二识别子网络输出的第n个候选关键点概率图集合和第n个候选肢体方向矢量图集合，分别作为该关键点识别网络输出的该关键点概率图集合和该肢体方向矢量图集合。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：对于每个种类的人体骨骼关键点，在该人体骨骼关键点对应的关键点概率图中，确定与该人体骨骼关键点对应的多个候选位置点；获取多个位置点集合，每个位置点集合包括m个候选位置点，且，每个位置点集合包括的各个候选位置点所对应的人体骨骼关键点的种类均不同，m为人体骨骼关键点种类的数量；根据该肢体方向矢量图集合，从该多个位置点集合中确定目标位置点集合，并根据该目标位置点集合包括的各个候选位置点在该目标人物图像中确定人体骨骼关键点。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：对该关键点概率图进行最大池化操作，得到池化概率图，该池化概率图包括多个池化概率值，该多个池化概率值与该关键点概率图包括的多个概率值一一对应；从该关键点概率图中确定目标概率值，该目标概率值与对应的池化概率值相等；将该目标概率值所在位置点确定为与该人体骨骼关键点对应的候选位置点。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：对于每个位置点集合，将该位置点集合包括的各个候选位置点之间的连线确定为候选肢体；对于每个位置点集合的每个候选肢体，根据该候选肢体的肢体种类从该肢体方向矢量图集合中确定与该候选肢体对应的目标肢体方向矢量图，并根据该目标肢体方向矢量图中的矢量值计算该候选肢体的置信度，该置信度用于指示该候选肢体两端的候选位置点属于同一人物的概率；对于每个位置点集合，根据该位置点集合的每个候选肢体的置信度计算该位置点集合的置信度；根据每个位置点集合的置信度，从该多个位置点集合中确定该目标位置点集合。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：将该位置点集合的每个候选肢体的置信度进行叠加，得到该位置点集合的置信度。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：将多个该位置点集合中，置信度最高的位置点集合确定为该目标位置点集合。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：将该非理想人物图像包括的多个人体骨骼关键点、该理想人物图像包括的多个人体骨骼关键点以及该非理想人物图像输入至空间变换网络stn中，通过该stn对该非理想人物图像中人物的人体姿势进行校正处理。
该stn包括本地网络、网格生成器和采样器，在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过该本地网络，根据该非理想人物图像包括的多个人体骨骼关键点、该理想人物图像包括的多个人体骨骼关键点以及该非理想人物图像，得到网格生成器参数；通过该网格生成器，利用该网格生成器参数得到该非理想人物图像和待输出的目标图像之间的图像坐标映射关系，其中，该目标图像中的人物的人体姿势为该校正处理后的人体姿势；通过该采样器，利用该图像坐标映射关系对该非理想人物图像中各个像素点的坐标进行转换，得到该目标图像。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ro多)、可编程ro多(pro多)、电可编程ro多(epro多)、电可擦除可编程ro多(eepro多)或闪存。易失性存储器可包括随机存取存储器(ra多)或者外部高速缓冲存储器。作为说明而非局限，ra多以多种形式可得，诸如静态ra多(sra多)、动态ra多(dra多)、同步dra多(sdra多)、双数据率sdra多(ddrsdra多)、增强型sdra多(esdra多)、同步链路(sy多chli多k)dra多(sldra多)、存储器总线(ra多bus)直接ra多(rdra多)、直接存储器总线动态ra多(drdra多)、以及存储器总线动态ra多(rdra多)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
1.一种图像处理方法，其特征在于，所述方法包括：
获取非理想人物图像，所述非理想人物图像中的人物具有非理想人体姿势；
获取理想人物图像，所述理想人物图像中的人物具有理想人体姿势；
根据所述理想人物图像对所述非理想人物图像中人物的人体姿势进行校正处理；其中，校正处理后的人体姿势与所述理想人体姿势的差异小于预设差异阈值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述理想人物图像对所述非理想人物图像中人物的人体姿势进行校正处理，包括：
分别对所述非理想人物图像和所述理想人物图像进行人体骨骼关键点识别，得到所述非理想人物图像包括的多个人体骨骼关键点和所述理想人物图像包括的多个人体骨骼关键点；
根据所述非理想人物图像包括的多个人体骨骼关键点和所述理想人物图像包括的多个人体骨骼关键点，对所述非理想人物图像中人物的人体姿势进行校正处理。
3.根据权利要求2所述的方法，其特征在于，所述分别对所述非理想人物图像和所述理想人物图像进行人体骨骼关键点识别，包括：
将目标人物图像输入至关键点识别网络中，得到所述关键点识别网络输出的关键点概率图集合和肢体方向矢量图集合，所述目标人物图像为所述非理想人物图像或者所述理想人物图像，所述关键点概率图集合包括与不同种人体骨骼关键点一一对应的多个关键点概率图，每个所述关键点概率图包括的概率值用于指示对应种类的人体骨骼关键点位于所述概率值所在位置点处的概率，所述肢体方向矢量图集合包括与不同种肢体一一对应的多个肢体方向矢量图，所述肢体为相关联的人体骨骼关键点之间的人体区域，每个所述肢体方向矢量图包括的矢量值用于指示对应种类的肢体在所述矢量值所在位置点处的方向；
根据所述关键点概率图集合和所述肢体方向矢量图集合，对所述目标人物图像进行人体骨骼关键点识别。
4.根据权利要求3所述的方法，其特征在于，所述关键点识别网络包括第一识别子网络以及级联的n个第二识别子网络，n为大于1的正整数，所述将目标人物图像输入至关键点识别网络中，得到所述关键点识别网络输出的关键点概率图集合和肢体方向矢量图集合，包括：
将所述目标人物图像输入至所述第一识别子网络中，得到所述第一识别子网络对所述目标人物图像进行特征提取后输出的特征图；
将所述特征图输入至所述n个第二识别子网络中，通过第i个第二识别子网络对第i个输入图进行识别计算，并输出第i个候选关键点概率图集合和第i个候选肢体方向矢量图集合，其中，当i＝1时，所述第i个输入图为所述特征图，当1＜i≤n时，所述第i个输入图为所述特征图、第i-1个候选关键点概率图集合和第i-1个候选肢体方向矢量图集合；
将第n个第二识别子网络输出的第n个候选关键点概率图集合和第n个候选肢体方向矢量图集合，分别作为所述关键点识别网络输出的所述关键点概率图集合和所述肢体方向矢量图集合。
5.根据权利要求3所述的方法，其特征在于，所述根据所述关键点概率图集合和所述肢体方向矢量图集合，对所述目标人物图像进行人体骨骼关键点识别，包括：
对于每个种类的人体骨骼关键点，在所述人体骨骼关键点对应的关键点概率图中，确定与所述人体骨骼关键点对应的多个候选位置点；
获取多个位置点集合，每个所述位置点集合包括m个候选位置点，且，每个所述位置点集合包括的各个候选位置点所对应的人体骨骼关键点的种类均不同，m为人体骨骼关键点种类的数量；
根据所述肢体方向矢量图集合，从所述多个位置点集合中确定目标位置点集合，并根据所述目标位置点集合包括的各个候选位置点在所述目标人物图像中确定人体骨骼关键点。
6.根据权利要求5所述的方法，其特征在于，在所述人体骨骼关键点对应的关键点概率图中，确定与所述人体骨骼关键点对应的多个候选位置点，包括：
对所述关键点概率图进行最大池化操作，得到池化概率图，所述池化概率图包括多个池化概率值，所述多个池化概率值与所述关键点概率图包括的多个概率值一一对应；
从所述关键点概率图中确定目标概率值，所述目标概率值与对应的池化概率值相等；
将所述目标概率值所在位置点确定为与所述人体骨骼关键点对应的候选位置点。
7.根据权利要求5所述的方法，其特征在于，所述根据所述肢体方向矢量图集合，从所述多个位置点集合中确定目标位置点集合，包括：
对于每个所述位置点集合，将所述位置点集合包括的各个候选位置点之间的连线确定为候选肢体；
对于每个所述位置点集合的每个所述候选肢体，根据所述候选肢体的肢体种类从所述肢体方向矢量图集合中确定与所述候选肢体对应的目标肢体方向矢量图，并根据所述目标肢体方向矢量图中的矢量值计算所述候选肢体的置信度，所述置信度用于指示所述候选肢体两端的候选位置点属于同一人物的概率；
对于每个所述位置点集合，根据所述位置点集合的每个候选肢体的置信度计算所述位置点集合的置信度；
根据每个所述位置点集合的置信度，从所述多个位置点集合中确定所述目标位置点集合。
8.根据权利要求7所述的方法，其特征在于，所述根据所述位置点集合的每个候选肢体的置信度计算所述位置点集合的置信度，包括：
将所述位置点集合的每个候选肢体的置信度进行叠加，得到所述位置点集合的置信度。
9.根据权利要求8所述的方法，其特征在于，所述根据每个所述位置点集合的置信度，从所述多个位置点集合中确定所述目标位置点集合，包括：
将多个所述位置点集合中，置信度最高的位置点集合确定为所述目标位置点集合。
10.根据权利要求2至9任一所述的方法，其特征在于，所述根据所述非理想人物图像包括的多个人体骨骼关键点和所述理想人物图像包括的多个人体骨骼关键点，对所述非理想人物图像中人物的人体姿势进行校正处理，包括：
将所述非理想人物图像包括的多个人体骨骼关键点、所述理想人物图像包括的多个人体骨骼关键点以及所述非理想人物图像输入至空间变换网络stn中，通过所述stn对所述非理想人物图像中人物的人体姿势进行校正处理。
11.根据权利要求10所述的方法，其特征在于，所述stn包括本地网络、网格生成器和采样器，所述通过所述stn对所述非理想人物图像中人物的人体姿势进行校正处理，包括：
通过所述本地网络，根据所述非理想人物图像包括的多个人体骨骼关键点、所述理想人物图像包括的多个人体骨骼关键点以及所述非理想人物图像，得到网格生成器参数；
通过所述网格生成器，利用所述网格生成器参数得到所述非理想人物图像和待输出的目标图像之间的图像坐标映射关系，其中，所述目标图像中的人物的人体姿势为所述校正处理后的人体姿势；
通过所述采样器，利用所述图像坐标映射关系对所述非理想人物图像中各个像素点的坐标进行转换，得到所述目标图像。
12.一种图像处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取非理想人物图像，所述非理想人物图像中的人物具有非理想人体姿势；
第二获取模块，用于获取理想人物图像，所述理想人物图像中的人物具有理想人体姿势；
校正模块，用于根据所述理想人物图像对所述非理想人物图像中人物的人体姿势进行校正处理；其中，校正处理后的人体姿势与所述理想人体姿势的差异小于预设差异阈值。
13.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至11任一所述的图像处理方法。
14.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至11任一所述的图像处理方法。
技术总结