CN109754464B - 用于生成信息的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取目标人脸图像；确定目标人脸图像所对应的头部姿态信息，其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度；响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。该实施方式可以减少计算量，有助于提高三维人脸重建的效率。

Description

用于生成信息的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

随着手机视频应用的普及，各种人脸特效功能也得到了广泛的应用。三维人脸重建作为一种有效的人脸表述的技术，有广泛的应用前景。

三维人脸重建，是通过给定的二维人脸图像的像素信息来直接回归人脸的三维网格信息(3D mesh)的过程。目前，在进行三维人脸重建时，通常会将三维网格的所有顶点重建出来。

发明内容

本公开的实施例提出了用于生成信息的方法和装置。

第一方面，本公开的实施例提供了一种用于生成信息的方法，该方法包括：获取目标人脸图像；确定目标人脸图像所对应的头部姿态信息，其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度；响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。

在一些实施例中，该方法还包括：响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度大于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第二生成模型，得到目标人脸图像所对应的映射图，其中，映射图中的点与目标人脸图像中的人脸关键点相对应；基于映射图中的点的坐标和像素值，生成目标人脸图像所对应的结果三维网格信息。

在一些实施例中，第二生成模型通过以下步骤训练获得：获取训练样本集，其中，训练样本包括样本人脸图像、样本人脸图像中的人脸关键点的坐标和深度值；对于训练样本集中的训练样本，基于该训练样本中的人脸关键点的坐标，确定该训练样本中的人脸关键点在待构建的映射图中的映射位置，以及基于该训练样本中的人脸关键点的深度值，确定待构建的映射图中相应的映射位置的像素值，利用所确定的映射位置和映射位置的像素值，构建与该训练样本中的样本人脸图像对应的映射图；利用机器学习方法，将训练样本集中的训练样本的样本人脸图像作为输入，将所输入的样本人脸图像所对应的映射图作为期望输出，训练得到第二生成模型。

在一些实施例中，第一生成模型和第二生成模型分别为预设的三维人脸重建模型中的子模型。

在一些实施例中，第一生成模型通过以下步骤训练获得：获取多个样本人脸图像和预设的平均人脸图像所对应的预设三维网格信息；基于预设三维网格信息确定平均人脸图像中的人脸关键点的坐标和深度值；对于多个样本人脸图像中的样本人脸图像，确定该样本人脸图像中的人脸关键点的坐标和深度值，以及基于该样本人脸图像中的人脸关键点的坐标、深度值和平均人脸图像中的人脸关键点的坐标、深度值，确定该样本人脸图像相对于平均人脸图像的样本偏差数据；利用机器学习方法，将多个样本人脸图像中的样本人脸图像作为输入，将所输入的样本人脸图像所对应的样本偏差数据作为期望输出，训练得到第一生成模型。

在一些实施例中，确定目标人脸图像所对应的头部姿态信息，包括：将目标人脸图像输入预先训练的头部姿态识别模型，获得目标人脸图像所对应的头部姿态信息。

第二方面，本公开的实施例提供了一种用于生成信息的装置，该装置包括：图像获取单元，被配置成获取目标人脸图像；姿态确定单元，被配置成确定目标人脸图像所对应的头部姿态信息，其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度；第一执行单元，被配置成响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。

在一些实施例中，该装置还包括：第二执行单元，被配置成响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度大于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第二生成模型，得到目标人脸图像所对应的映射图，其中，映射图中的点与目标人脸图像中的人脸关键点相对应；基于映射图中的点的坐标和像素值，生成目标人脸图像所对应的结果三维网格信息。

在一些实施例中，第二生成模型通过以下步骤训练获得：获取训练样本集，其中，训练样本包括样本人脸图像、样本人脸图像中的人脸关键点的坐标和深度值；对于训练样本集中的训练样本，基于该训练样本中的人脸关键点的坐标，确定该训练样本中的人脸关键点在待构建的映射图中的映射位置，以及基于该训练样本中的人脸关键点的深度值，确定待构建的映射图中相应的映射位置的像素值，利用所确定的映射位置和映射位置的像素值，构建与该训练样本中的样本人脸图像对应的映射图；利用机器学习方法，将训练样本集中的训练样本的样本人脸图像作为输入，将所输入的样本人脸图像所对应的映射图作为期望输出，训练得到第二生成模型。

在一些实施例中，第一生成模型和第二生成模型分别为预设的三维人脸重建模型中的子模型。

在一些实施例中，第一生成模型通过以下步骤训练获得：获取多个样本人脸图像和预设的平均人脸图像所对应的预设三维网格信息；基于预设三维网格信息确定平均人脸图像中的人脸关键点的坐标和深度值；对于多个样本人脸图像中的样本人脸图像，确定该样本人脸图像中的人脸关键点的坐标和深度值，以及基于该样本人脸图像中的人脸关键点的坐标、深度值和平均人脸图像中的人脸关键点的坐标、深度值，确定该样本人脸图像相对于平均人脸图像的样本偏差数据；利用机器学习方法，将多个样本人脸图像中的样本人脸图像作为输入，将所输入的样本人脸图像所对应的样本偏差数据作为期望输出，训练得到第一生成模型。

在一些实施例中，姿态确定单元进一步被配置成：将目标人脸图像输入预先训练的头部姿态识别模型，获得目标人脸图像所对应的头部姿态信息。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述用于生成信息的方法中任一实施例的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述用于生成信息的方法中任一实施例的方法。

本公开的实施例提供的用于生成信息的方法和装置，通过获取目标人脸图像，而后确定目标人脸图像所对应的头部姿态信息，其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度，接着响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息，从而可以根据人脸图像所对应的头部姿态，确定用于三维人脸重建的方法，具体的，当头部姿态信息指示的旋转角度小于预设角度时，可以基于平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息，以此，可以减少计算量，有助于提高三维人脸重建的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成信息的方法的一个实施例的流程图；

图3是根据本公开的实施例的用于生成信息的方法的一个应用场景的示意图；

图4是根据本公开的用于生成信息的方法的又一个实施例的流程图；

图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类软件、视频播放类软件、网页浏览器应用、搜索类应用、即时通信工具、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103对目标人脸进行拍摄获得的目标人脸图像进行处理的图像处理服务器。图像处理服务器可以对接收到的目标人脸图像等数据进行分析等处理，并获得处理结果(例如目标人脸图像所对应的结果三维网格信息)。

需要说明的是，本公开的实施例所提供的用于生成信息的方法可以由服务器105执行，也可以由终端设备101、102、103执行；相应地，用于生成信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在生成目标人脸图像所对应的结果三维网格信息的过程中所使用的数据不需要从远程获取的情况下，上述系统架构可以不包括网络，而只包括终端设备或服务器。

继续参考图2，示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取目标人脸图像。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取目标人脸图像。其中，目标人脸图像为待利用其进行三维人脸重建的图像。这里，目标人脸图像为二维人脸图像。实践中，三维人脸重建指的是通过给定的二维人脸图像的像素信息来确定人脸的三维网格信息的过程。三维网格信息为用于生成三维网格的信息。例如可以为三维网格所包括的顶点的三维坐标。

在本实施例中，上述执行主体可以采用各种方法获取目标人脸图像。具体的，上述执行主体可以获取预先存储于本地的目标人脸图像，也可以获取通信连接的电子设备(例如图1所示的终端设备)发送的目标人脸图像。

步骤202，确定目标人脸图像所对应的头部姿态信息。

在本实施例中，基于步骤201中得到的目标人脸图像，上述执行主体可以确定目标人脸图像所对应的头部姿态信息。其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度。具体的，作为示例，头部姿态信息可以包括目标人脸图像所对应的头部的旋转角度。例如，针对三维世界坐标系，头部姿态信息可以包括人脸图像所对应的头部相对于X轴旋转的角度值、相对于Y轴旋转的角度值以及相对应Z轴旋转的角度值；或者，头部姿态信息可以用于表征目标人脸图像所对应的头部的旋转角度是否大于预设角度。例如，头部姿态信息为文字“大于”。其中，预设角度可以为技术人员预先确定的角度。

在本实施例中，上述执行主体可以采用各种方法确定目标人脸图像所对应的头部姿态信息。例如，当头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度是否大于预设角度时，上述执行主体可以获取预先确定的、所对应的头部的旋转角度为预设角度的预设人脸图像，然后对目标人脸图像和预设人脸图像进行比对，以确定目标人脸图像所对应的头部的旋转角度是否大于预设人脸图像所对应的预设角度，进而生成头部姿态信息。

在本实施例的一些可选的实现方式中，上述执行主体还可以将目标人脸图像输入预先训练的头部姿态识别模型，获得目标人脸图像所对应的头部姿态信息。

其中，头部姿态识别模型可以用于表征人脸图像和人脸图像所对应的头部姿态信息的对应关系。这里，头部姿态识别模型可以是利用机器学习方法，基于样本集(包含人脸图像和用于表征人脸图像所对应的头部的旋转角度的标注)，对现有的卷积神经网络进行有监督训练得到的。其中，卷积神经网络可以使用各种现有的结构，例如DenseBox、VGGNet、ResNet、SegNet等。

需要说明的是，训练获得头部姿态识别模型的方法是目前广泛研究和应用的公知技术，此处不再赘述。

步骤203，响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。

在本实施例中，上述执行主体可以响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：

步骤2031，将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据。

在本实施例中，预设角度可以为技术人员针对平均人脸图像预先设置的角度，用于确定是否可以基于平均人脸图像，实现针对目标人脸图像的三维人脸重建。具体的，预设角度可以为平均人脸图像所对应的头部的旋转角度，或者可以为基于平均人脸图像所对应的头部的旋转角度确定出的角度(例如利用平均人脸图像所对应的头部的旋转角度加上一个预设的旋转角度)。

在这里，平均人脸图像可以为技术人员预先基于对大量的人脸图像的统计而确定出的人脸图像，其可以包括人脸的一般特征(例如包括五官轮廓和椭圆形脸部轮廓)。偏差数据可以用于表征目标人脸图像所对应的人脸关键点与平均人脸图像所对应的人脸关键点的差异。实践中，人脸关键点可以是人脸中关键的点，具体的，可以为影响脸部轮廓或者五官形状的点。作为示例，人脸关键点可以为鼻尖所对应的点、眼睛所对应的点等。需要说明的是，偏差数据所表征的、目标人脸图像和平均人脸图像之间的人脸关键点的差异具体指的是目标人脸图像和平均人脸图像上相对应的人脸关键点的三维坐标的差异。相对应的人脸关键点可以为具有相同的语义信息的点，例如目标人脸图像包括的人脸关键点中的鼻尖所对应的点可以与平均人脸图像包括的人脸关键点中的鼻尖所对应的点相对应。

在本实施例中，第一生成模型可以用于表征人脸图像和人脸图像相对于平均人脸图像的偏差数据的对应关系。具体的，第一生成模型可以为基于训练样本，利用机器学习方法，对初始模型(例如卷积神经网络)进行训练后得到的模型。

在本实施例的一些可选的实现方式中，第一生成模型可以由上述执行主体或其他电子设备通过以下步骤训练获得：

首先，获取多个样本人脸图像和预设的平均人脸图像所对应的预设三维网格信息。其中，预设三维网格信息可以为预先利用平均人脸图像进行三维人脸重建获得的三维网格信息。预设三维网格信息可以用于确定平均人脸图像所对应的三维网格。可以理解，实践中，确定三维网格时，需要确定三维网格的顶点坐标。所以通常，预设三维网格信息包括待确定的三维网格的顶点坐标信息。顶点坐标信息用于指示顶点的坐标。

需要说明的是，利用平均人脸图像生成预设三维网格信息的方法可以为现有的用于实现三维人脸重建的各种方法，此处不再赘述。

然后，基于预设三维网格信息确定平均人脸图像中的人脸关键点的坐标和深度值。

实践中，在利用二维人脸图像进行三维人脸重建时，二维人脸图像所对应的三维网格的顶点可以与二维人脸图像中的人脸关键点一一对应。因此这里，可以基于预设三维网格信息包括的、三维网格的顶点坐标信息，确定平均人脸图像中的人脸关键点的坐标和深度值。具体的，平均人脸图像中的人脸关键点的坐标即为三维网格的顶点的平面坐标(可以表示为(x，y))。人脸关键点的深度值可以是采集人脸图像时的人脸关键点到成像平面的距离。所以，平均人脸图像中的人脸关键点的深度值即为三维网格的顶点坐标中与上述平面坐标所对应的平面垂直的坐标轴所对应的坐标(可以表示为z)。

接着，对于多个样本人脸图像中的样本人脸图像，确定该样本人脸图像中的人脸关键点的坐标和深度值，以及基于该样本人脸图像中的人脸关键点的坐标、深度值和平均人脸图像中的人脸关键点的坐标、深度值，确定该样本人脸图像相对于平均人脸图像的样本偏差数据。

在这里，可以采用各种方法确定样本人脸图像中的人脸关键点的坐标和深度值。

作为示例，可以首先对样本人脸图像进行人脸关键点检测，以确定样本人脸图像中的人脸关键点的坐标。然后，获取样本人脸图像所对应的人脸深度图，进而基于人脸深度图确定的样本人脸图像中的人脸关键点的深度值。

在该示例中，可以利用各种人脸关键点检测方式对样本人脸图像进行人脸关键点检测。例如，可以将样本人脸图像输入至预先训练的人脸关键点检测模型，得到检测结果。其中，人脸关键点检测模型可以用于检测样本人脸图像中的人脸关键点的位置。这里，人脸关键点检测模型可以是利用机器学习方法，基于样本集(包含人脸图像和用于指示人脸关键点的位置的标注)，对现有的卷积神经网络进行有监督训练得到的。

在这里，样本人脸图像所对应的人脸深度图可以采用各种方式获得，例如，可以在获取样本人脸图像时，利用深度图采集装置对样本人脸图像所对应的样本人脸进行拍摄，获得人脸深度图。其中，深度图采集装置可以是各种可以采集深度图的图像采集装置。例如双目相机、深度摄像头等。人脸深度图为包含深度信息(即视点与场景对象的表面的距离信息)的图像。人脸深度图所对应的人脸图像为人脸深度图对应的不含深度信息的RGB(RedGreen Blue)三通道彩色图像。

另外，需要说明的是，基于人脸深度图确定人脸关键点的深度值的方法是目前广泛研究和应用的公知技术，此处不再赘述。

在本实现方式中，基于该样本人脸图像中的人脸关键点的坐标、深度值和平均人脸图像中的人脸关键点的坐标、深度值，可以采用各种方法确定该样本人脸图像相对于平均人脸图像的样本偏差数据。其中，样本偏差数据用于表征该样本人脸图像中的人脸关键点的坐标与平均人脸图像中的人脸关键点的坐标的差异，以及该样本人脸图像中的人脸关键点的深度值与平均人脸图像中的人脸关键点的深度值的差异。

作为示例，对于该样本人脸图像中的某个人脸关键点(例如鼻尖所对应的点)，可以对该人脸关键点的坐标和平均人脸图像中相对应的人脸关键点(鼻尖所对应的点)的坐标进行求差，获得第一求差结果(例如(2,3))；对该人脸关键点的深度值和平均人脸图像中相对应的人脸关键点的深度进行求差，获得第二求差结果(例如4)；进而利用第一求差结果和第二求差结果组成样本偏差数据(例如2,3,4))。

最后，利用机器学习方法，将多个样本人脸图像中的样本人脸图像作为输入，将所输入的样本人脸图像所对应的样本偏差数据作为期望输出，训练得到第一生成模型。

在这里，上述执行主体或其他电子设备可以利用机器学习方法，将多个样本人脸图像中的样本人脸图像作为初始模型的输入，将所输入的样本人脸图像所对应的样本偏差数据作为初始模型的期望输出，对初始模型进行训练，最终训练得到第一生成模型。此处，可以使用各种现有的卷积神经网络结构作为初始模型进行训练。需要说明的是，上述执行主体或其他电子设备也可以使用其他具有图像处理功能的模型作为初始模型，并不限于卷积神经网络，具体的模型结构可以根据实际需求设定，此处不作限定。另外，第一生成模型也可以采用其他现有的训练方法训练(例如批量训练)，此处不再赘述。

步骤2032，基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。

在本实施例中，上述执行主体可以基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。其中，结果三维网格信息可以为用于生成目标人脸图像所对应的三维网格的信息。可以理解，偏差数据可以用于表征目标人脸图像所对应的人脸关键点与平均人脸图像所对应的人脸关键点的差异。而实践中，在进行三维人脸重建时，人脸关键点即为三维网格的顶点，所以偏差数据可以用于表征目标人脸图像所对应的三维网格的顶点与平均人脸图像所对应的三维网格的顶点的差异。进而，由于三维网格信息可以指示三维网格的顶点坐标，所以基于偏差数据和预设三维网格信息，可以确定目标人脸图像所对应的结果三维网格信息。

需要说明的是，在本实施例中，针对平均人脸图像预先设置了预设角度，当目标人脸图像所对应的头部的旋转角度小于等于预设角度时，说明目标人脸图像与平均人脸图像的差异不大(不大于预设差异)，此时，基于平均人脸图像所对应的预设三维网格信息确定目标人脸图像所对应的结果三维网格信息不会对结果三维网格信息的准确度有太大影响，且可以减小计算量，提高信息生成的效率。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先可以获取终端设备302发送的目标人脸图像303。然后，服务器301可以确定目标人脸图像303所对应的头部姿态信息304，其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度，例如，如图3所示，头部姿态信息304可以为文本“旋转角度：30°”。接着，服务器301可以响应于确定头部姿态信息304指示目标人脸图像303所对应的头部的旋转角度小于等于预设角度(例如45°)，执行以下步骤：将目标人脸图像303输入预先训练的第一生成模型305，得到目标人脸图像303相对于预设的平均人脸图像的偏差数据306；基于所得到的偏差数据306和平均人脸图像所对应的预设三维网格信息307，生成目标人脸图像303所对应的结果三维网格信息308。

本公开的上述实施例提供的方法可以根据人脸图像所对应的头部姿态，确定用于三维人脸重建的方法，具体的，当头部姿态信息指示的旋转角度小于预设角度时，可以基于平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息，以此，可以减少计算量，有助于提高三维人脸重建的效率。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取目标人脸图像。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取目标人脸图像。其中，目标人脸图像为待利用其进行三维人脸重建的图像。这里，目标人脸图像为二维人脸图像。

步骤402，确定目标人脸图像所对应的头部姿态信息。

在本实施例中，基于步骤401中得到的目标人脸图像，上述执行主体可以确定目标人脸图像所对应的头部姿态信息。其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度。

步骤403，响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。

在本实施例中，上述执行主体可以响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：

步骤4031，将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据。

步骤4032，基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。

上述步骤401、步骤402、步骤403分别与前述实施例中的步骤201、步骤202、步骤203一致，上文针对步骤201、步骤202和步骤203的描述也适用于步骤401、步骤402和步骤403，此处不再赘述。

步骤404，响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度大于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第二生成模型，得到目标人脸图像所对应的映射图；基于映射图中的点的坐标和像素值，生成目标人脸图像所对应的结果三维网格信息。

在本实施例中，上述执行主体还可以响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度大于预设角度，执行以下步骤：

步骤4041，将目标人脸图像输入预先训练的第二生成模型，得到目标人脸图像所对应的映射图。

其中，映射图为用于确定目标人脸图像所对应的人脸关键点的三维坐标的图像。人脸关键点的三维坐标由人脸关键点在目标人脸图像中的位置坐标以及人脸关键点的深度值组成。映射图中的点与目标人脸图像中的人脸关键点相对应。

在本实施例中，第二生成模型可以用于表征人脸图像和人脸图像所对应的映射图的对应关系。具体的，作为示例，第二生成模型可以是技术人员预先基于对大量的人脸图像和人脸图像所对应的映射图的统计而预先制定的、存储有多个人脸图像与对应的映射图的对应关系表；也可以为基于预设的训练样本，利用机器学习方法对初始模型(例如神经网络)进行训练后得到的模型。

需要说明的是，第二生成模型对应一个预先确定的映射关系或映射原理，该映射关系或映射原理用于确定输入第二生成模型的人脸图像所对应的人脸关键点在第二生成模型输出的映射图中的映射位置。

在本实施例的一些可选的实现方式中，第二生成模型可以由上述执行主体或者其他电子设备通过以下步骤训练获得：

步骤40411，获取训练样本集。

其中，训练样本包括样本人脸图像、样本人脸图像中的人脸关键点的坐标和深度值。这里，样本人脸图像为二维的人脸图像。实践中，可以采用各种方法获取训练样本集。例如可以利用深度图采集装置采集样本人脸的人脸深度图，进而通过人脸深度图，获取样本人脸图像、样本人脸图像中的人脸关键点的坐标和深度值。

步骤40412，对于训练样本集中的训练样本，基于该训练样本中的人脸关键点的坐标，确定该训练样本中的人脸关键点在待构建的映射图中的映射位置，以及基于该训练样本中的人脸关键点的深度值，确定待构建的映射图中相应的映射位置的像素值，利用所确定的映射位置和映射位置的像素值，构建与该训练样本中的样本人脸图像对应的映射图。

在这里，对于训练样本集中的训练样本，上述执行主体或其他电子设备可以首先基于该训练样本中的人脸关键点的坐标，确定该训练样本中的人脸关键点在待构建的映射图中的映射位置。此处，对于某个人脸关键点，可以基于预先建立的映射关系或基于现有的映射原理，确定出该人脸关键点在待构建的映射图中的映射位置的坐标。作为示例，可以利用UV(U-VEEZ)映射的原理确定出该人脸关键点在待构建的映射图中的映射位置的坐标。实践中，UV是二维纹理坐标。UV用于定义二维纹理坐标系，称为“UV纹理空间”。UV纹理空间使用字母U和V来指示二维空间中的轴。在三维建模中，UV映射可以将纹理信息转换为平面信息。此时，所映射出的UV坐标可以用于指示待构建的映射图中的映射位置。所映射出的UV坐标可以作为待构建的映射图中的映射位置的坐标。

在本实现方式中，在确定了某个人脸关键点在待构建的映射图中的映射位置之后，可以基于该人脸关键点的深度值确定待构建的映射图中相应的映射位置的像素值。具体的，可以预先确定像素值和深度值的对应关系，进而，基于上述对应关系和该人脸关键点的深度值，确定待构建的映射图中相应的映射位置的像素值。作为示例，预先确定的像素值和深度值的对应关系为“像素值与深度值相等”。进而对于某个人脸关键点，该人脸关键点在样本人脸图像中的坐标为(100,50)，该人脸关键点对应的映射位置为坐标(50,25)，该人脸关键点的深度值为30。则映射图中坐标(50,25)处的像素值为30。

需要说明的是，可以预先建立映射图的尺寸与样本人脸图像的尺寸的对应关系。作为示例，可以预先设置映射图的尺寸与样本人脸图像的尺寸相同；或者，可以预先设置映射图的尺寸为样本人脸图像的尺寸的二分之一。

步骤40413，利用机器学习方法，将训练样本集中的训练样本的样本人脸图像作为输入，将所输入的样本人脸图像所对应的映射图作为期望输出，训练得到第二生成模型。

在这里，上述执行主体或其他电子设备可以利用机器学习方法，将上述训练样本集中的训练样本包括的样本人脸图像作为初始模型的输入，将所输入的样本人脸图像所对应的映射图作为初始模型的期望输出，对初始模型进行训练，最终训练得到映射图生成模型。

此处，可以使用各种现有的卷积神经网络结构作为初始模型进行训练。需要说明的是，上述执行主体或其他电子设备也可以使用其他具有图像处理功能的模型作为初始模型，并不限于卷积神经网络，具体的模型结构可以根据实际需求设定，此处不作限定。

在本实施例的一些可选的实现方式中，第一生成模型和第二生成模型可以分别为预设的三维人脸重建模型中的子模型。其中，三维人脸重建模型可以为预先设置的、用于基于二维人脸图像实现三维人脸重建的模型。具体的，可以对第一生成模型和第二生成模型进行级联。以此，在实际应用过程中，可以将人脸图像输入三维人脸重建模型，当所输入的人脸图像所对应的头部姿态信息指示人脸图像所对应的头部的旋转角度小于等于预设角度时，利用第一生成模型进行三维人脸重建；当所输入的人脸图像所对应的头部姿态信息指示人脸图像所对应的头部的旋转角度大于预设角度时，利用第二生成模型进行三维人脸重建。

步骤4042，基于映射图中的点的坐标和像素值，生成目标人脸图像所对应的结果三维网格信息。

在这里，结果三维网格信息为用于生成目标人脸图像所对应的三维网格的信息，可以包括目标人脸图像所对应的人脸关键点的三维坐标。而映射图中的点与目标人脸图像所对应的人脸关键点相对应，所以，上述执行主体可以基于映射图中的点的坐标和像素值，确定目标人脸图像中相对应的人脸关键点的三维坐标，进而基于所确定的三维人脸关键点的三维坐标，生成目标人脸图像所对应的结果三维网格信息。

具体的，人脸关键点的三维坐标由人脸关键点在人脸图像中的坐标和深度值组成。其中，对于人脸关键点在人脸图像中的坐标，上述执行主体可以根据第二生成模型所对应的映射方式或映射原理，采用逆向过程，基于映射图中的点的坐标，确定人脸关键点在目标人脸图像中的坐标。对于人脸关键点的深度值，可以基于训练第二生成模型时预先确定的深度值与像素值的对应关系来确定，例如，训练第二生成模型时，深度值与像素值的对应关系为“深度值与像素值相等”，则在确定人脸关键点的深度值时，可以直接将映射图中的点的像素值确定为人脸关键点的深度值。

需要说明的是，确定了人脸关键点在目标人脸图像中的坐标以及人脸关键点的深度值后，即确定了目标人脸图像所对应的三维网格的顶点的三维坐标，进而上述执行主体可以利用所确定的三维坐标，生成目标人脸图像所对应的结果三维网格信息。例如可以直接将所确定的三维坐标确定为结果三维网格信息，或者可以对所确定的三维坐标进行处理(例如利用三维坐标构建三维网格)，将处理结果确定为结果三维网格信息。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了响应于确定目标人脸图像所对应的头部的旋转角度大于预设角度，利用第二生成模型生成目标人脸图像所对应的结果三维网格信息的步骤。由于利用第二生成模型可以确定出目标人脸图像所对应的三维网格的顶点坐标，所以利用第二生成模型，可以提高所生成的结果三维网格信息的准确性。由此，本实施例描述的方案可以基于目标人脸图像所对应的头部的旋转角度，采用不同的方法确定目标人脸图像所对应的结果三维网格信息，有助于提高三维人脸重建的灵活性。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成信息的装置500包括：图像获取单元501、姿态确定单元502和第一执行单元503。其中，图像获取单元501被配置成获取目标人脸图像；姿态确定单元502被配置成确定目标人脸图像所对应的头部姿态信息，其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度；第一执行单元503被配置成响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。

在本实施例中，用于生成信息的装置500的图像获取单元501可以通过有线连接方式或者无线连接方式获取目标人脸图像。其中，目标人脸图像为待利用其进行三维人脸重建的图像。这里，目标人脸图像为二维人脸图像。实践中，三维人脸重建指的是通过给定的二维人脸图像的像素信息来确定人脸的三维网格信息的过程。三维网格信息为用于生成三维网格的信息。

在本实施例中，基于图像获取单元501得到的目标人脸图像，姿态确定单元502可以确定目标人脸图像所对应的头部姿态信息。其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度。

在本实施例中，第一执行单元503可以响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。

在本实施例中，预设角度可以为技术人员针对平均人脸图像预先设置的角度，用于确定是否可以基于平均人脸图像，实现针对目标人脸图像的三维人脸重建。平均人脸图像可以为技术人员预先基于对大量的人脸图像的统计而确定出的人脸图像，其可以包括人脸的一般特征。偏差数据可以用于表征目标人脸图像所对应的人脸关键点与平均人脸图像所对应的人脸关键点的差异。

在本实施例中，第一生成模型可以用于表征人脸图像和人脸图像相对于平均人脸图像的偏差数据的对应关系。

在本实施例中，第一执行单元503可以基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。其中，结果三维网格信息可以为用于生成目标人脸图像所对应的三维网格的信息。

在本实施例的一些可选的实现方式中，装置500还可以包括：第二执行单元(图中未示出)，被配置成响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度大于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第二生成模型，得到目标人脸图像所对应的映射图，其中，映射图中的点与目标人脸图像中的人脸关键点相对应；基于映射图中的点的坐标和像素值，生成目标人脸图像所对应的结果三维网格信息。

在本实施例的一些可选的实现方式中，第二生成模型可以通过以下步骤训练获得：获取训练样本集，其中，训练样本包括样本人脸图像、样本人脸图像中的人脸关键点的坐标和深度值；对于训练样本集中的训练样本，基于该训练样本中的人脸关键点的坐标，确定该训练样本中的人脸关键点在待构建的映射图中的映射位置，以及基于该训练样本中的人脸关键点的深度值，确定待构建的映射图中相应的映射位置的像素值，利用所确定的映射位置和映射位置的像素值，构建与该训练样本中的样本人脸图像对应的映射图；利用机器学习方法，将训练样本集中的训练样本的样本人脸图像作为输入，将所输入的样本人脸图像所对应的映射图作为期望输出，训练得到第二生成模型。

在本实施例的一些可选的实现方式中，第一生成模型和第二生成模型可以分别为预设的三维人脸重建模型中的子模型。

在本实施例的一些可选的实现方式中，第一生成模型可以通过以下步骤训练获得：获取多个样本人脸图像和预设的平均人脸图像所对应的预设三维网格信息；基于预设三维网格信息确定平均人脸图像中的人脸关键点的坐标和深度值；对于多个样本人脸图像中的样本人脸图像，确定该样本人脸图像中的人脸关键点的坐标和深度值，以及基于该样本人脸图像中的人脸关键点的坐标、深度值和平均人脸图像中的人脸关键点的坐标、深度值，确定该样本人脸图像相对于平均人脸图像的样本偏差数据；利用机器学习方法，将多个样本人脸图像中的样本人脸图像作为输入，将所输入的样本人脸图像所对应的样本偏差数据作为期望输出，训练得到第一生成模型。

在本实施例的一些可选的实现方式中，姿态确定单元502可以进一步被配置成：将目标人脸图像输入预先训练的头部姿态识别模型，获得目标人脸图像所对应的头部姿态信息。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

本公开的上述实施例提供的装置500可以根据人脸图像所对应的头部姿态，确定用于三维人脸重建的方法，具体的，当头部姿态信息指示的旋转角度小于预设角度时，可以基于平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息，以此，可以减少计算量，有助于提高三维人脸重建的效率。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的终端设备或服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标人脸图像；确定目标人脸图像所对应的头部姿态信息，其中，头部姿态信息用于表征目标人脸图像所对应的头部的旋转角度；响应于确定头部姿态信息指示目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将目标人脸图像输入预先训练的第一生成模型，得到目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和平均人脸图像所对应的预设三维网格信息，生成目标人脸图像所对应的结果三维网格信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取单元、姿态确定单元和第一执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，图像获取单元还可以被描述为“获取目标人脸图像的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于生成信息的方法，包括：

获取目标人脸图像；

确定所述目标人脸图像所对应的头部姿态信息，其中，头部姿态信息用于表征所述目标人脸图像所对应的头部的旋转角度；

响应于确定所述头部姿态信息指示所述目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将所述目标人脸图像输入预先训练的第一生成模型，得到所述目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和所述平均人脸图像所对应的预设三维网格信息，生成所述目标人脸图像所对应的结果三维网格信息，其中，预设角度为基于平均人脸图像所对应的头部的旋转角度确定出的角度；

响应于确定所述头部姿态信息指示所述目标人脸图像所对应的头部的旋转角度大于所述预设角度，执行以下步骤：将所述目标人脸图像输入预先训练的第二生成模型，得到所述目标人脸图像所对应的映射图，其中，映射图中的点与所述目标人脸图像中的人脸关键点相对应；基于映射图中的点的坐标和像素值，生成所述目标人脸图像所对应的结果三维网格信息。

2.根据权利要求1所述的方法，其中，所述第二生成模型通过以下步骤训练获得：

获取训练样本集，其中，训练样本包括样本人脸图像、样本人脸图像中的人脸关键点的坐标和深度值；

对于训练样本集中的训练样本，基于该训练样本中的人脸关键点的坐标，确定该训练样本中的人脸关键点在待构建的映射图中的映射位置，以及基于该训练样本中的人脸关键点的深度值，确定待构建的映射图中相应的映射位置的像素值，利用所确定的映射位置和映射位置的像素值，构建与该训练样本中的样本人脸图像对应的映射图；

利用机器学习方法，将训练样本集中的训练样本的样本人脸图像作为输入，将所输入的样本人脸图像所对应的映射图作为期望输出，训练得到第二生成模型。

3.根据权利要求1所述的方法，其中，所述第一生成模型和所述第二生成模型分别为预设的三维人脸重建模型中的子模型。

4.根据权利要求1所述的方法，其中，所述第一生成模型通过以下步骤训练获得：

获取多个样本人脸图像和预设的平均人脸图像所对应的预设三维网格信息；

基于所述预设三维网格信息确定所述平均人脸图像中的人脸关键点的坐标和深度值；

对于所述多个样本人脸图像中的样本人脸图像，确定该样本人脸图像中的人脸关键点的坐标和深度值，以及基于该样本人脸图像中的人脸关键点的坐标、深度值和所述平均人脸图像中的人脸关键点的坐标、深度值，确定该样本人脸图像相对于所述平均人脸图像的样本偏差数据；

利用机器学习方法，将所述多个样本人脸图像中的样本人脸图像作为输入，将所输入的样本人脸图像所对应的样本偏差数据作为期望输出，训练得到第一生成模型。

5.根据权利要求1-4之一所述的方法，其中，所述确定所述目标人脸图像所对应的头部姿态信息，包括：

将所述目标人脸图像输入预先训练的头部姿态识别模型，获得所述目标人脸图像所对应的头部姿态信息。

6.一种用于生成信息的装置，包括：

图像获取单元，被配置成获取目标人脸图像；

姿态确定单元，被配置成确定所述目标人脸图像所对应的头部姿态信息，其中，头部姿态信息用于表征所述目标人脸图像所对应的头部的旋转角度；

第一执行单元，被配置成响应于确定所述头部姿态信息指示所述目标人脸图像所对应的头部的旋转角度小于等于预设角度，执行以下步骤：将所述目标人脸图像输入预先训练的第一生成模型，得到所述目标人脸图像相对于预设的平均人脸图像的偏差数据；基于所得到的偏差数据和所述平均人脸图像所对应的预设三维网格信息，生成所述目标人脸图像所对应的结果三维网格信息，其中，预设角度为基于平均人脸图像所对应的头部的旋转角度确定出的角度；

第二执行单元，被配置成响应于确定所述头部姿态信息指示所述目标人脸图像所对应的头部的旋转角度大于所述预设角度，执行以下步骤：将所述目标人脸图像输入预先训练的第二生成模型，得到所述目标人脸图像所对应的映射图，其中，映射图中的点与所述目标人脸图像中的人脸关键点相对应；基于映射图中的点的坐标和像素值，生成所述目标人脸图像所对应的结果三维网格信息。

7.根据权利要求6所述的装置，其中，所述第二生成模型通过以下步骤训练获得：

获取训练样本集，其中，训练样本包括样本人脸图像、样本人脸图像中的人脸关键点的坐标和深度值；

对于训练样本集中的训练样本，基于该训练样本中的人脸关键点的坐标，确定该训练样本中的人脸关键点在待构建的映射图中的映射位置，以及基于该训练样本中的人脸关键点的深度值，确定待构建的映射图中相应的映射位置的像素值，利用所确定的映射位置和映射位置的像素值，构建与该训练样本中的样本人脸图像对应的映射图；

利用机器学习方法，将训练样本集中的训练样本的样本人脸图像作为输入，将所输入的样本人脸图像所对应的映射图作为期望输出，训练得到第二生成模型。

8.根据权利要求6所述的装置，其中，所述第一生成模型和所述第二生成模型分别为预设的三维人脸重建模型中的子模型。

9.根据权利要求6所述的装置，其中，所述第一生成模型通过以下步骤训练获得：

获取多个样本人脸图像和预设的平均人脸图像所对应的预设三维网格信息；

基于所述预设三维网格信息确定所述平均人脸图像中的人脸关键点的坐标和深度值；

对于所述多个样本人脸图像中的样本人脸图像，确定该样本人脸图像中的人脸关键点的坐标和深度值，以及基于该样本人脸图像中的人脸关键点的坐标、深度值和所述平均人脸图像中的人脸关键点的坐标、深度值，确定该样本人脸图像相对于所述平均人脸图像的样本偏差数据；

利用机器学习方法，将所述多个样本人脸图像中的样本人脸图像作为输入，将所输入的样本人脸图像所对应的样本偏差数据作为期望输出，训练得到第一生成模型。

10.根据权利要求6-9之一所述的装置，其中，所述姿态确定单元进一步被配置成：

将所述目标人脸图像输入预先训练的头部姿态识别模型，获得所述目标人脸图像所对应的头部姿态信息。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

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权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images