CN109829431B - 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，以及将目标人脸图像输入预先训练的人脸特征识别模型，其中，人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果，所获得的识别结果与人脸图像中的人脸关键点的位置相关，人脸特征识别模型包括特征提取层，特征提取层用于提取人脸图像的图像特征；获取人脸特征识别模型的特征提取层提取的图像特征；将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像的人脸关键点信息。该实施方式利用了与人脸关键点的位置相关的图像特征作为参考数据，可以实现更为准确、快捷的人脸关键点识别。

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

随着人脸识别技术的发展，人脸关键点检测技术也得到了广泛应用，例如用于特效添加、人脸三维模型构建等。

人脸关键点指的是人脸中具有明显语义区分度的点。目前，人脸关键点检测的流程一般为将待检测人脸图像输入一个预先训练的人脸关键点检测模型，获得检测结果。

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，以及将目标人脸图像输入预先训练的人脸特征识别模型，其中，人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果，所获得的识别结果与人脸图像中的人脸关键点的位置相关，人脸特征识别模型包括特征提取层，特征提取层用于提取人脸图像的图像特征；获取人脸特征识别模型的特征提取层提取的图像特征；将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息。

在一些实施例中，将目标人脸图像输入预先训练的人脸特征识别模型，包括：将目标人脸图像输入预先训练的人脸特征识别模型，获得识别结果。

在一些实施例中，人脸特征识别模型通过如下步骤训练得到：获取训练样本集，其中，训练样本包括样本人脸图像和针对样本人脸图像预先标注的样本识别结果，样本识别结果用于表征样本人脸图像所对应的人脸的至少一种特征，样本识别结果与样本人脸图像中的人脸关键点的位置相关；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样本识别结果作为期望输出，训练得到人脸特征识别模型。

在一些实施例中，人脸关键点识别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和针对样本人脸图像预先标注的样本人脸关键点信息；对于训练样本集中的训练样本，执行以下步骤：将该训练样本中的样本人脸图像输入人脸特征识别模型；获取人脸特征识别模型的特征提取层提取的图像特征作为样本图像特征，以及利用所获取的样本图像特征和该训练样本组成新的训练样本；利用机器学习方法，将所组成的新的训练样本中的训练样本包括的样本人脸图像和样本图像特征作为输入，将所输入的样本人脸图像和样本图像特征所对应的样本人脸关键点信息作为期望输出，训练得到人脸关键点识别模型。

在一些实施例中，人脸特征识别模型所识别的特征包括以下至少一项：表情、头部姿态、脸型、年龄。

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，以及将目标人脸图像输入预先训练的人脸特征识别模型，其中，人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果，所获得的识别结果与人脸图像中的人脸关键点的位置相关，人脸特征识别模型包括特征提取层，特征提取层用于提取人脸图像的图像特征；特征获取单元，被配置成获取人脸特征识别模型的特征提取层提取的图像特征；信息生成单元，被配置成将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息。

在一些实施例中，图像获取单元进一步被配置成：将目标人脸图像输入预先训练的人脸特征识别模型，获得识别结果。

在一些实施例中，人脸特征识别模型通过如下步骤训练得到：获取训练样本集，其中，训练样本包括样本人脸图像和针对样本人脸图像预先标注的样本识别结果，样本识别结果用于表征样本人脸图像所对应的人脸的至少一种特征，样本识别结果与样本人脸图像中的人脸关键点的位置相关；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样本识别结果作为期望输出，训练得到人脸特征识别模型。

在一些实施例中，人脸关键点识别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和针对样本人脸图像预先标注的样本人脸关键点信息；对于训练样本集中的训练样本，执行以下步骤：将该训练样本中的样本人脸图像输入人脸特征识别模型；获取人脸特征识别模型的特征提取层提取的图像特征作为样本图像特征，以及利用所获取的样本图像特征和该训练样本组成新的训练样本；利用机器学习方法，将所组成的新的训练样本中的训练样本包括的样本人脸图像和样本图像特征作为输入，将所输入的样本人脸图像和样本图像特征所对应的样本人脸关键点信息作为期望输出，训练得到人脸关键点识别模型。

在一些实施例中，人脸特征识别模型所识别的特征包括以下至少一项：表情、头部姿态、脸型、年龄。

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，以及将目标人脸图像输入预先训练的人脸特征识别模型，其中，人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果，所获得的识别结果与人脸图像中的人脸关键点的位置相关，人脸特征识别模型包括特征提取层，特征提取层用于提取人脸图像的图像特征，而后获取人脸特征识别模型的特征提取层提取的图像特征，最后将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息，从而在进行人脸关键点识别时，利用了与人脸关键点的位置相关的图像特征作为参考数据，以此，可以实现更为准确、快捷的人脸关键点识别，提高了信息生成的准确性和效率。

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，例如图像处理类应用、美图软件、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发送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人脸关键点信息)。

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人脸关键点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，以及将目标人脸图像输入预先训练的人脸特征识别模型。

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，目标人脸图像为待对其进行人脸关键点识别的人脸图像。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。

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，或者，上述执行主体可以获取与之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。

在本实施例中，获取目标人脸图像之后，上述执行主体可以将所获取的目标人脸图像输入预先训练的人脸特征识别模型。其中，人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果。具体的，作为示例，人脸特征识别模型可以是技术人员预先基于对大量的人脸图像和用于表征人脸图像所对应的人脸特征的识别结果的统计而预先制定的、存储有多个人脸图像与对应的识别结果的对应关系表；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，在这里，识别结果用于表征输入人脸特征识别模型的人脸图像所对应的人脸的特征，可以包括但不限于以下至少一项：文字、数字、符号、图像。

在本实施例中，人脸特征识别模型对人脸图像进行识别后获得的识别结果与人脸图像中的人脸关键点的位置相关。具体的，人脸特征识别模型所识别的特征可以包括各种与人脸关键点的位置相关的特征，例如人脸的大小。

在本实施例的一些可选的实现方式中，人脸特征识别模型所识别的特征可以包括但不限于以下至少一项：表情、头部姿态、脸型、年龄。其中，头部姿态是指头部在三维坐标系中的方向。在这里，头部在三维坐标系中的方向可以用头部绕三维坐标系的X轴、Y轴、Z轴旋转的角度来表征。可以理解，上述特征均与人脸图像中的人脸关键点的位置相关，进而对上述特征进行识别，获得的识别结果与人脸图像中的人脸关键点的位置相关。

作为示例，人脸特征识别模型可以用于识别人脸图像所对应的人脸的脸型。这里，脸型可以包括圆脸、鹅蛋脸、长脸、方脸。每种脸型可以通过一个识别结果表征(例如长脸由文字识别结果“长脸”来表征)。而实践中，人脸图像中的、影响脸部轮廓的人脸关键点的位置可以影响人脸的脸型(例如当脸部轮廓上纵向相距最远的两个人脸关键点的距离大于等于预设距离时，可以确定人脸的脸型为长脸)，所以人脸特征识别模型对人脸图像进行识别后获得的识别结果与人脸图像中的人脸关键点的位置相关。

另外，在本实施例中，人脸特征识别模型包括特征提取层。特征提取层用于提取人脸图像的图像特征。其中，图像特征可以为图像的颜色、形状等特征。具体的，特征提取层包括能够提取图像特征的结构(例如卷积层)，另外也可以包括其他结构(例如池化层)，此处不做限制。

特别的，人脸特征识别模型可以同时识别人脸的至少两种特征(例如表情和脸型)。此时，人脸特征识别模型可以包括至少两个特征识别子模型。至少两个特征识别子模型中的每个特征识别子模型可以与特征提取层连接，用于基于特征提取层输出的图像特征，识别人脸的一种特征。

在本实施例的一些可选的实现方式中，人脸特征识别模型可以由上述执行主体或其他电子设备通过如下步骤训练得到：首先，获取训练样本集，其中，训练样本包括样本人脸图像和针对样本人脸图像预先标注的样本识别结果，样本识别结果用于表征样本人脸图像所对应的人脸的至少一种特征，样本识别结果与样本人脸图像中的人脸关键点的位置相关。然后，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样本识别结果作为期望输出，训练得到人脸特征识别模型。

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，将训练样本集中的训练样本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识别结果作为初始模型的期望输出，对初始模型进行训练，最终训练得到人脸特征识别模型。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。

步骤202，获取人脸特征识别模型的特征提取层提取的图像特征。

在本实施例中，通过步骤201将目标人脸图像输入人脸特征识别模型后，上述执行主体可以获取人脸特征识别模型的特征提取层提取的图像特征。

需要说明的是，在本实施例中，将目标人脸图像输入人脸特征识别模型后，可以生成目标人脸图像所对应的识别结果，也可以不生成目标人脸图像所对应的识别结果，此处不做限制。但是，将目标人脸图像输入人脸特征识别模型后，需要通过人脸特征识别模型的特征提取层提取目标人脸图像的图像特征，以便上述执行主体获取。

步骤203，将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息。

在本实施例中，基于步骤202中得到的图像特征和步骤201中得到的目标人脸图像，上述执行主体可以将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息。其中，人脸关键点信息用于表征人脸关键点在目标人脸图像中的位置，可以包括但不限于以下至少一项：文字、数字、符号、图像。

在本实施例中，人脸关键点识别模型可以用于表征人脸图像的图像特征和人脸图像与人脸图像所对应的人脸关键点信息的对应关系。其中，人脸图像的图像特征为将人脸图像输入上述人脸特征识别模型后获得的图像特征。具体的，人脸关键点识别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，人脸关键点识别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，获取训练样本集。

其中，训练样本包括样本人脸图像和针对样本人脸图像预先标注的样本人脸关键点信息。样本人脸关键点信息用于表征样本人脸关键点在样本人脸图像中的位置。

然后，对于训练样本集中的训练样本，执行以下步骤：将该训练样本中的样本人脸图像输入上述人脸特征识别模型；获取人脸特征识别模型的特征提取层提取的图像特征作为样本图像特征，以及利用所获取的样本图像特征和该训练样本组成新的训练样本。

最后，利用机器学习方法，将所组成的新的训练样本中的训练样本包括的样本人脸图像和样本图像特征作为输入，将所输入的样本人脸图像和样本图像特征所对应的样本人脸关键点信息作为期望输出，训练得到人脸关键点识别模型。

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，将所组成的新的训练样本中的训练样本包括的样本人脸图像和样本图像特征作为初始模型的输入，将所输入的样本人脸图像和样本图像特征所对应的样本人脸关键点信息作为初始模型的期望输出，对初始模型进行训练，最终训练得到人脸关键点识别模型。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，也可以使用其他具有图像处理功能的模型作为初始模型，此处不作限定。另外，人脸关键点识别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。

可以理解，在这里，所获取的图像特征为用于生成识别结果的图像特征。由于人脸特征识别模型所生成的识别结果与人脸图像中的人脸关键点的位置相关，所以所获取的图像特征与人脸图像中的人脸关键点的位置相关。进而，可以将图像特征作为用于识别目标人脸图像所对应的人脸关键点的参考数据，以此，有助于利用人脸关键点识别模型，实现更为准确、快捷的人脸关键点识别。

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可以将目标人脸图像303输入预先训练的人脸特征识别模型304，其中，人脸特征识别模型304用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果。所获得的识别结果与人脸图像中的人脸关键点的位置相关。人脸特征识别模型304包括特征提取层3041。特征提取层3041用于提取人脸图像的图像特征。接着，服务器301可以获取人脸特征识别模型304的特征提取层3041提取的图像特征305。最后，服务器301可以将所获取的图像特征305和目标人脸图像303输入预先训练的人脸关键点识别模型306，获得目标人脸图像303所对应的人脸关键点信息307。

本公开的上述实施例提供的方法在进行人脸关键点识别时，利用了与人脸关键点的位置相关的图像特征作为参考数据，以此，可以实现更为准确、快捷的人脸关键点识别，提高了信息生成的准确性和效率。

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，以及将目标人脸图像输入预先训练的人脸特征识别模型，获得识别结果。

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，目标人脸图像为待对其进行人脸关键点识别的人脸图像。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。

在本实施例中，获取目标人脸图像之后，上述执行主体可以将所获取的目标人脸图像输入预先训练的人脸特征识别模型，获得识别结果。其中，人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果。识别结果用于表征输入人脸特征识别模型的人脸图像所对应的人脸的特征，可以包括但不限于以下至少一项：文字、数字、符号、图像。例如，识别结果可以为文字“长脸”。

在本实施例中，人脸特征识别模型对人脸图像进行识别后获得的识别结果与人脸图像中的人脸关键点的位置相关。具体的，人脸特征识别模型所识别的特征可以包括各种与人脸关键点的位置相关的特征。

另外，在本实施例中，人脸特征识别模型包括特征提取层。特征提取层用于提取人脸图像的图像特征。其中，图像特征可以为图像的颜色、形状等特征。具体的，特征提取层包括能够提取图像特征的结构(例如卷积层)，另外也可以包括其他结构(例如池化层)，此处不做限制。

步骤402，获取人脸特征识别模型的特征提取层提取的图像特征。

在本实施例中，通过步骤401将目标人脸图像输入人脸特征识别模型，获得识别结果后，上述执行主体可以获取人脸特征识别模型的特征提取层提取的图像特征。

步骤403，将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息。

在本实施例中，基于步骤402中得到的图像特征和步骤401中得到的目标人脸图像，上述执行主体可以将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息。其中，人脸关键点信息用于表征人脸关键点在目标人脸图像中的位置，可以包括但不限于以下至少一项：文字、数字、符号、图像。

在本实施例中，人脸关键点识别模型可以用于表征人脸图像的图像特征和人脸图像与人脸图像所对应的人脸关键点信息的对应关系。其中，人脸图像的图像特征为将人脸图像输入上述人脸特征识别模型后获得的图像特征。

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

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突出了将目标人脸图像输入预先训练的人脸特征识别模型，获得识别结果的步骤。由此，本实施例描述的方案可以在对目标人脸图像所对应的人脸关键点进行识别的同时，对目标人脸图像所对应的人脸特征进行识别，提高了信息生成的多样性。

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、特征获取单元502和信息生成单元503。其中，图像获取单元501被配置成获取目标人脸图像，以及将目标人脸图像输入预先训练的人脸特征识别模型，其中，人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果，所获得的识别结果与人脸图像中的人脸关键点的位置相关，人脸特征识别模型包括特征提取层，特征提取层用于提取人脸图像的图像特征；特征获取单元502被配置成获取人脸特征识别模型的特征提取层提取的图像特征；信息生成单元503被配置成将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息。

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，目标人脸图像为待对其进行人脸关键点识别的人脸图像。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。

在本实施例中，获取目标人脸图像之后，图像获取单元501可以将所获取的目标人脸图像输入预先训练的人脸特征识别模型。其中，人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果。

在本实施例中，人脸特征识别模型对人脸图像进行识别后获得的识别结果与人脸图像中的人脸关键点的位置相关。具体的，人脸特征识别模型所识别的特征可以包括各种与人脸关键点的位置相关的特征。

另外，在本实施例中，人脸特征识别模型包括特征提取层。特征提取层用于提取人脸图像的图像特征。其中，图像特征可以为图像的颜色、形状等特征。

在本实施例中，通过图像获取单元501将目标人脸图像输入人脸特征识别模型后，特征获取单元502可以获取人脸特征识别模型的特征提取层提取的图像特征。

在本实施例中，基于特征获取单元502得到的图像特征和图像获取单元501得到的目标人脸图像，信息生成单元503可以将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息。其中，人脸关键点信息用于表征人脸关键点在目标人脸图像中的位置，可以包括但不限于以下至少一项：文字、数字、符号、图像。

在本实施例中，人脸关键点识别模型可以用于表征人脸图像的图像特征和人脸图像与人脸图像所对应的人脸关键点信息的对应关系。其中，人脸图像的图像特征为将人脸图像输入上述人脸特征识别模型后获得的图像特征。

在本实施例的一些可选的实现方式中，图像获取单元501可以进一步被配置成：将目标人脸图像输入预先训练的人脸特征识别模型，获得识别结果。

在本实施例的一些可选的实现方式中，人脸特征识别模型可以通过如下步骤训练得到：获取训练样本集，其中，训练样本包括样本人脸图像和针对样本人脸图像预先标注的样本识别结果，样本识别结果用于表征样本人脸图像所对应的人脸的至少一种特征，样本识别结果与样本人脸图像中的人脸关键点的位置相关；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样本识别结果作为期望输出，训练得到人脸特征识别模型。

在本实施例的一些可选的实现方式中，人脸关键点识别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和针对样本人脸图像预先标注的样本人脸关键点信息；对于训练样本集中的训练样本，执行以下步骤：将该训练样本中的样本人脸图像输入人脸特征识别模型；获取人脸特征识别模型的特征提取层提取的图像特征作为样本图像特征，以及利用所获取的样本图像特征和该训练样本组成新的训练样本；利用机器学习方法，将所组成的新的训练样本中的训练样本包括的样本人脸图像和样本图像特征作为输入，将所输入的样本人脸图像和样本图像特征所对应的样本人脸关键点信息作为期望输出，训练得到人脸关键点识别模型。

在本实施例的一些可选的实现方式中，人脸特征识别模型所识别的特征可以包括以下至少一项：表情、头部姿态、脸型、年龄。

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在进行人脸关键点识别时，利用了与人脸关键点的位置相关的图像特征作为参考数据，以此，可以实现更为准确、快捷的人脸关键点识别，提高了信息生成的准确性和效率。

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RAM603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，以及将目标人脸图像输入预先训练的人脸特征识别模型，其中，人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果，所获得的识别结果与人脸图像中的人脸关键点的位置相关，人脸特征识别模型包括特征提取层，特征提取层用于提取人脸图像的图像特征；获取人脸特征识别模型的特征提取层提取的图像特征；将所获取的图像特征和目标人脸图像输入预先训练的人脸关键点识别模型，获得目标人脸图像所对应的人脸关键点信息

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、特征获取单元和信息生成单元。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，以及将所述目标人脸图像输入预先训练的人脸特征识别模型，其中，所述人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果，所获得的识别结果与人脸图像中的人脸关键点的位置相关，所述人脸特征识别模型包括特征提取层，特征提取层用于提取人脸图像的图像特征，其中，所述人脸特征识别模型所识别的特征包括以下至少一项：脸型、年龄；

获取所述人脸特征识别模型的特征提取层提取的图像特征；

将所获取的图像特征和所述目标人脸图像输入预先训练的人脸关键点识别模型，获得所述目标人脸图像所对应的人脸关键点信息。

2.根据权利要求1所述的方法，其中，所述将所述目标人脸图像输入预先训练的人脸特征识别模型，包括：

将所述目标人脸图像输入预先训练的人脸特征识别模型，获得识别结果。

3.根据权利要求1所述的方法，其中，所述人脸特征识别模型通过如下步骤训练得到：

获取训练样本集，其中，训练样本包括样本人脸图像和针对样本人脸图像预先标注的样本识别结果，样本识别结果用于表征样本人脸图像所对应的人脸的至少一种特征，样本识别结果与样本人脸图像中的人脸关键点的位置相关；

利用机器学习方法，将所述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样本识别结果作为期望输出，训练得到人脸特征识别模型。

4.根据权利要求1所述的方法，其中，所述人脸关键点识别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和针对样本人脸图像预先标注的样本人脸关键点信息；

对于所述训练样本集中的训练样本，执行以下步骤：将该训练样本中的样本人脸图像输入所述人脸特征识别模型；获取所述人脸特征识别模型的特征提取层提取的图像特征作为样本图像特征，以及利用所获取的样本图像特征和该训练样本组成新的训练样本；

利用机器学习方法，将所组成的新的训练样本中的训练样本包括的样本人脸图像和样本图像特征作为输入，将所输入的样本人脸图像和样本图像特征所对应的样本人脸关键点信息作为期望输出，训练得到人脸关键点识别模型。

5.根据权利要求1-4之一所述的方法，其中，所述人脸特征识别模型所识别的特征还包括以下至少一项：

表情、头部姿态。

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，以及将所述目标人脸图像输入预先训练的人脸特征识别模型，其中，所述人脸特征识别模型用于识别人脸图像所对应的人脸的至少一种特征，获得识别结果，所获得的识别结果与人脸图像中的人脸关键点的位置相关，所述人脸特征识别模型包括特征提取层，特征提取层用于提取人脸图像的图像特征，其中，所述人脸特征识别模型所识别的特征包括以下至少一项：脸型、年龄；

特征获取单元，被配置成获取所述人脸特征识别模型的特征提取层提取的图像特征；

信息生成单元，被配置成将所获取的图像特征和所述目标人脸图像输入预先训练的人脸关键点识别模型，获得所述目标人脸图像所对应的人脸关键点信息。

7.根据权利要求6所述的装置，其中，所述图像获取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人脸特征识别模型，获得识别结果。

8.根据权利要求6所述的装置，其中，所述人脸特征识别模型通过如下步骤训练得到：

获取训练样本集，其中，训练样本包括样本人脸图像和针对样本人脸图像预先标注的样本识别结果，样本识别结果用于表征样本人脸图像所对应的人脸的至少一种特征，样本识别结果与样本人脸图像中的人脸关键点的位置相关；

利用机器学习方法，将所述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样本识别结果作为期望输出，训练得到人脸特征识别模型。

9.根据权利要求6所述的装置，其中，所述人脸关键点识别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和针对样本人脸图像预先标注的样本人脸关键点信息；

对于所述训练样本集中的训练样本，执行以下步骤：将该训练样本中的样本人脸图像输入所述人脸特征识别模型；获取所述人脸特征识别模型的特征提取层提取的图像特征作为样本图像特征，以及利用所获取的样本图像特征和该训练样本组成新的训练样本；

利用机器学习方法，将所组成的新的训练样本中的训练样本包括的样本人脸图像和样本图像特征作为输入，将所输入的样本人脸图像和样本图像特征所对应的样本人脸关键点信息作为期望输出，训练得到人脸关键点识别模型。

10.根据权利要求6-9之一所述的装置，其中，所述人脸特征识别模型所识别的特征还包括以下至少一项：

表情、头部姿态。

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