CN107590482A - 信息生成方法和装置 - Google Patents

Abstract

本申请实施例公开了信息生成方法和装置。该方法的一具体实施方式包括：获取待检测图像和预先对该待检测图像进行人脸检测后所得到的、用于指示该待检测图像中的人脸区域的人脸区域信息；将该人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取该目标区域内的图像；将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，该卷积神经网络用于提取图像特征；对该图像特征信息进行解析，确定该目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。该实施方式提高了信息生成的丰富度。

Description

信息生成方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及信息生成方法和装置。

背景技术

随着互联网技术的发展，人脸检测技术应用到了越来越多的领域。例如，可以通过人脸检测来进行身份验证等。通常，需要对人脸图像中的人脸关键点(例如眼角、嘴角、轮廓中的点等)进行定位，以生成人脸关键点的位置信息。

然而，在人脸戴墨镜、口罩等情况下，人脸图像中的部分人脸关键点被遮挡。现有的方式仅支持生成人脸关键点的位置信息，无法生成人脸关键点是否被遮挡的判定信息，因而不利于进一步对图像进行处理(例如进行遮挡判断、配饰判断、人脸质量检测等)。因此，现有的方式存在着信息生成的丰富度较低的问题。

发明内容

本申请实施例的目的在于提出一种改进的信息生成方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种信息生成方法，该方法包括：获取待检测图像和预先对待检测图像进行人脸检测后所得到的、用于指示待检测图像中的人脸区域的人脸区域信息；将人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取目标区域内的图像；将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，卷积神经网络用于提取图像特征；对图像特征信息进行解析，确定目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。

在一些实施例中，对图像特征信息进行解析，确定目标区域内的图像中的人脸关键点的位置和人脸关键点未被遮挡的概率，包括：将图像特征信息分别输入至预先训练的位置信息生成模型和预先训练的概率计算模型，以分别得到截取的图像中的各个人脸关键点的位置信息和各个人脸关键点未被遮挡的概率，其中，位置信息生成模型用于表征显示有包含人脸的图像的图像特征信息与人脸关键点的坐标的对应关系，概率计算模型用于表征包含人脸的图像的图像特征信息与人脸关键点未被遮挡的概率的对应关系。

在一些实施例中，方法还包括训练卷积神经网络、位置信息生成模型和概率计算模型的步骤，包括：提取预置的、包含显示有人脸的样本图像和样本图像的标注的训练样本，其中，标注包括样本图像中的人脸关键点的坐标和用于表征人脸关键点是否被遮挡的标识，标识包括0和1；利用机器学习方法，并基于样本图像、标注、预设的回归损失函数、预设的分类损失函数和反向传播算法训练得到卷积神经网络、位置信息生成模型和概率计算模型，其中，回归损失函数用于表征位置信息生成模型输出的坐标与标注中所包含的坐标的差异程度，分类损失函数用于表征概率计算模型输出的概率与标注中所包含的标识的差异程度。

在一些实施例中，将人脸区域信息所指示的人脸区域进行扩大包括：按照以下任一方式将人脸区域信息所指示的人脸区域进行扩大：将人脸区域信息所指示的人脸区域的宽度和高度扩大预设倍数，将人脸区域信息所指示的人脸区域的宽度和高度增加预设数值。

在一些实施例中，卷积神经网络为全卷积网络，全卷积网络包括7个卷积层和3个池化层，池化层用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

在一些实施例中，预设的窗口尺寸为2×2，预设的窗口滑动步长为2，7个卷积层中至少一个卷积层的卷积核的数量为32。

第二方面，本申请实施例提供了一种信息生成装置，该装置包括：获取单元，配置用于获取待检测图像和预先对待检测图像进行人脸检测后所得到的、用于指示待检测图像中的人脸区域的人脸区域信息；扩大单元，配置用于将人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取目标区域内的图像；输入单元，配置用于将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，卷积神经网络用于提取图像特征；解析单元，配置用于对图像特征信息进行解析，确定目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。

在一些实施例中，解析单元进一步配置用于：将图像特征信息分别输入至预先训练的位置信息生成模型和预先训练的概率计算模型，以分别得到截取的图像中的各个人脸关键点的位置信息和各个人脸关键点未被遮挡的概率，其中，位置信息生成模型用于表征显示有包含人脸的图像的图像特征信息与人脸关键点的坐标的对应关系，概率计算模型用于表征包含人脸的图像的图像特征信息与人脸关键点未被遮挡的概率的对应关系。

在一些实施例中，装置还包括：提取单元，配置用于提取预置的、包含显示有人脸的样本图像和样本图像的标注的训练样本，其中，标注包括样本图像中的人脸关键点的坐标和用于表征人脸关键点是否被遮挡的标识，标识包括0和1；训练单元，配置用于利用机器学习方法，并基于样本图像、标注、预设的回归损失函数、预设的分类损失函数和反向传播算法训练得到卷积神经网络、位置信息生成模型和概率计算模型，其中，回归损失函数用于表征位置信息生成模型输出的坐标与标注中所包含的坐标的差异程度，分类损失函数用于表征概率计算模型输出的概率与标注中所包含的标识的差异程度。

在一些实施例中，扩大单元进一步配置用于：按照以下任一方式将人脸区域信息所指示的人脸区域进行扩大：将人脸区域信息所指示的人脸区域的宽度和高度扩大预设倍数，将人脸区域信息所指示的人脸区域的宽度和高度增加预设数值。

在一些实施例中，卷积神经网络为全卷积网络，全卷积网络包括7个卷积层和3个池化层，池化层用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

在一些实施例中，预设的窗口尺寸为2×2，预设的窗口滑动步长为2，7个卷积层中至少一个卷积层的卷积核的数量为32。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，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如人脸检测方法中任一实施例的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如人脸检测方法中任一实施例的方法。

本申请实施例提供的信息生成方法和装置，通过获取待检测图像和人脸区域信息，而后将人脸区域信息所指示的人脸区域进行扩大以截取目标区域内的图像，之后将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，最后对图像特征信息进行解析，确定目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率，从而可以生成人脸关键点是否被遮挡的判定信息，便于进一步对图像进行处理(例如进行遮挡判断、配饰判断、人脸质量检测等)，提高了信息生成的丰富度。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的信息生成方法的一个实施例的流程图；

图3是根据本申请的信息生成方法的一个应用场景的示意图；

图4是根据本申请的信息生成方法的又一个实施例的流程图；

图5是根据本申请的信息生成装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器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申请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，本申请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申请。

图1示出了可以应用本申请的信息生成方法或信息生成装置的示例性系统架构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，例如摄影摄像类应用、图像处理类应用、搜索类应用等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

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上传的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待检测图像等进行分析等处理，并生成处理结果(例如人脸关键点的位置和各个人脸关键点未被遮挡的概率)。

需要说明的是，本申请实施例所提供的人脸检测方法一般由服务器105执行，相应地，人脸检测装置一般设置于服务器105中。

需要指出的是，服务器105的本地也可以直接存储待检测图像，服务器105可以直接提取本地的待检测图像进行处理，此时，示例性系统架构100可以不存在终端设备101、102、103和网络104。

但需要指出的是，终端设备101、102、103中也可以安装有图像处理类应用，终端设备101、102、103也可以基于图像处理类应用对待检测图像进行处理，此时，人脸检测装置也可以由终端设备101、102、103执行，相应地，人脸检测装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

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。

继续参考图2，示出了根据本申请的信息生成方法的一个实施例的流程200。所述的信息生成方法，包括以下步骤：

步骤201，获取待检测图像和预先对待检测图像进行人脸检测后所得到的、用于指示待检测图像中的人脸区域的人脸区域信息。

在本实施例中，信息生成方法运行于其上的电子设备(例如图1所示的服务器105)可以获取待检测图像和预先对上述待检测图像进行人脸检测后所得到的、用于指示上述待检测图像中的人脸区域的人脸区域信息。其中，上述人脸区域可以是矩形区域，上述人脸区域信息中可以包含上述人脸区域的至少两个顶点(例如左上角和右下角)的坐标。

步骤202，将人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取目标区域内的图像。

在本实施例中，上述电子设备可以将人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取目标区域内的图像。实践中，由于预先对上述待检测图像进行人脸检测后所得到的人脸区域存在不包含完整人脸轮廓的可能，因此，需要将预先得到的人脸区域进行扩大，在更大的范围内进行图像的处理。上述电子设备可以按照各种方式将上述人脸区域信息所指示的人脸区域进行扩大。作为示例，上述电子设备可以确定上述人脸区域的尺寸是否小于预设尺寸，若小于，将上述人脸区域扩大到预设尺寸。

在本实施例的一些可选的实现方式中，上述电子设备可以将上述人脸区域信息所指示的人脸区域的宽度和高度扩大预设倍数(例如1倍)，以实现人脸区域的扩大。

在本实施例的一些可选的实现方式中，上述电子设备可以将上述人脸区域信息所指示的人脸区域的宽度和高度增加预设数值，以实现人脸区域的扩大。

步骤203，将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息。

在本实施例中，上述电子设备可以将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，上述卷积神经网络可以用于提取图像特征。此处，图像特征信息可以是用于对图像的特征进行表征的信息，图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。实践中，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行图像特征信息的提取。需要说明的是，上述卷积神经网络可以是利用机器学习方法和训练样本对现有的深度卷积神经网络(例如DenseBox、VGGNet、ResNet、SegNet等)进行有监督训练而得到的。需要指出的是，上述卷积神经网络可以包括至少一个卷积层和至少一个池化层，其中，卷积层可以用于提取图像特征，池化层可以用于对输入的信息进行降采样(downsample)。此外，上述卷积神经网络还可以使用各种非线性激活函数(例如ReLU(Rectified Linear Units，修正线性单元)函数、Sigmoid函数等)对信息进行非线性计算。

步骤204，对图像特征信息进行解析，确定目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。

在本实施例中，上述电子设备可以利用各种方式对图像特征信息进行解析，确定目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。作为示例，上述电子设备中可以预先存储有大量的图像特征信息与各个人脸关键点的位置(可以以坐标进行表示)、图像特征信息与各个人脸关键点未被遮挡的概率的对应关系表，上述电子设备可以从所存储的对应关系表中查询与所得到的图像特征信息相匹配的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。需要说明的是，上述人脸关键点可以是预先指定的、人脸中具有较强语义信息点(例如眼角、嘴角、鼻翼位置、轮廓中的点等)。实践中，人脸关键点的数量可以是72个，也可以是其他预设的数值，在此不做限定。

在本实施例的一些可选的实现方式中，上述电子设备可以将上述图像特征信息分别输入至预先训练的位置信息生成模型和预先训练的概率计算模型，以分别得到上述截取的图像中的各个人脸关键点的位置信息和各个人脸关键点未被遮挡的概率，其中，上述位置信息生成模型用于表征显示有包含人脸的图像的图像特征信息与人脸关键点的坐标的对应关系，上述概率计算模型用于表征包含人脸的图像的图像特征信息与人脸关键点未被遮挡的概率的对应关系。作为示例，上述位置信息生成模型可以是技术人员基于大量统计计算而预先制定的、用于表征图像特征信息与人脸关键点的坐标的对应关系表；也可以是使用现有的各种逻辑回归模型(Logistic Regression，LR)进行训练得到的。上述概率计算模型可以是是技术人员基于大量统计计算而预先制定的、用于表征图像特征信息与人脸关键点未被遮挡的概率的对应关系表；也可以是使用朴素贝叶斯模型(Naive BayesianModel，NBM)、支持向量机(Support Vector Machine，SVM)等用于分类的模型或使用分类函数(例如softmax函数等)等进行训练得到的。

继续参见图3，图3是根据本实施例的信息生成方法的应用场景的一个示意图。在图3的应用场景中，图像处理服务器首先获取了待检测图像301和预先对待检测图像301进行人脸检测后所得到的、用于指示待检测图像301中的人脸区域302的人脸区域信息；而后，图像处理服务器将人脸区域302进行扩大，并截取扩大后的目标区域303内的图像304；之后，图像处理服务器将所截取的图像304输入至预先训练的卷积神经网络，得到图像特征信息，并对上述图像特征信息进行解析，确定上述目标区域内的图像中的各个人脸关键点的坐标305和各个人脸关键点未被遮挡的概率306。

本申请的上述实施例提供的方法，通过获取待检测图像和人脸区域信息，而后将上述人脸区域信息所指示的人脸区域进行扩大以截取上述目标区域内的图像，之后将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，最后对上述图像特征信息进行解析，确定上述目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率，从而可以生成人脸关键点是否被遮挡的判定信息，便于进一步对图像进行处理(例如进行遮挡判断、配饰判断、人脸质量检测等)，因此，提高了信息生成的丰富度。

进一步参考图4，其示出了信息生成方法的又一个实施例的流程400。该信息生成方法的流程400，包括以下步骤：

步骤401，获取待检测图像和预先对待检测图像进行人脸检测后所得到的、用于指示待检测图像中的人脸区域的人脸区域信息。

在本实施例中，信息生成方法运行于其上的电子设备(例如图1所示的服务器105)可以获取待检测图像和预先对上述待检测图像进行人脸检测后所得到的、用于指示上述待检测图像中的人脸区域的人脸区域信息。其中，上述人脸区域可以是矩形区域，上述人脸区域信息中可以包含所人脸区域的至少两个顶点(例如左上角和右下角)的坐标。

步骤402，将人脸区域信息所指示的人脸区域的宽度和高度扩大预设倍数，并将扩大后的区域作为目标区域，截取目标区域内的图像。

在本实施例中，上述电子设备可以将人脸区域信息所指示的人脸区域扩大预设倍数(例如1倍)，并将扩大后的区域作为目标区域，截取目标区域内的图像。实践中，由于预先对上述待检测图像进行人脸检测后所得到的人脸区域存在不包含完整人脸轮廓的可能，因此，需要将预先得到的人脸区域进行扩大，在更大的范围内进行图像的处理。

步骤403，将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息。

在本实施例中，上述电子设备可以将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，上述卷积神经网络可以用于提取图像特征。此处，图像特征信息可以是用于对图像的特征进行表征的信息，图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。此处，上述卷积神经网络可以是全卷积网络(Fully ConvolutionalNetworks，FCN)，上述全卷积网络可以包括7个卷积层和3个池化层，上述池化层可以用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。上述预设的窗口尺寸可以是2×2，上述预设的窗口滑动步长可以是2，上述7个卷积层中至少一个卷积层的卷积核的数量可以是32。需要说明的是，上述全卷积网络可以使用非线性激活函数(例如ReLU函数)对信息进行非线性计算。

步骤404，将图像特征信息分别输入至预先训练的位置信息生成模型和预先训练的概率计算模型，以分别得到截取的图像中的各个人脸关键点的位置信息和各个人脸关键点未被遮挡的概率。

在本实施例中，上述电子设备可以将上述图像特征信息分别输入至预先训练的位置信息生成模型和预先训练的概率计算模型，以分别得到上述截取的图像中的各个人脸关键点的位置信息和各个人脸关键点未被遮挡的概率，其中，上述位置信息生成模型可以用于表征显示有包含人脸的图像的图像特征信息与人脸关键点的坐标的对应关系，上述概率计算模型可以用于表征包含人脸的图像的图像特征信息与人脸关键点未被遮挡的概率的对应关系。实践中，上述位置信息生成模型可以输出各个人脸关键点的坐标，上述概率计算模型可以输出各个人脸关键点未被遮挡的概率。上述电子设备可以将各个人脸关键点的坐标和各个人脸关键点未被遮挡的概率进行结合，以三元数组的形式对各个人脸关键点进行表示。作为示例，可以以(x，y，z)对人脸关键点进行表示，其中，x为人脸关键点的横坐标，y为人脸关键点的纵坐标，z为人脸关键点未被遮挡的概率。

在本实施例中，上述位置信息生成模型和上述概率计算模型可以是神经网络中的两个不同的全连接层(Fully Connected Layers，FC)，上述全卷积网络和上述两个不同的全连接层可以构成一个卷积神经网络的整体。上述电子设备可以同时对该卷积神经网络进行训练，即同时对上述全卷积网络和上述两个不同的全连接层进行训练。

具体地，上述电子设备可以通过以下步骤训练的得到上述卷积神经网络、上述位置信息生成模型和上述概率计算模型：

首先，上述电子设备可以提取预置的、包含显示有人脸的样本图像和上述样本图像的标注的训练样本，其中，上述标注可以包括样本图像中的人脸关键点的坐标和用于表征上述人脸关键点是否被遮挡的标识，上述标识包括0和1。0可以用于表征人脸关键点被遮挡，1可以表征人脸关键点未被遮挡。

之后，上述电子设备可以利用机器学习方法，并基于上述样本图像、上述标注、预设的回归损失函数、预设的分类损失函数和反向传播算法训练得到卷积神经网络、位置信息生成模型和概率计算模型。其中，上述回归损失函数可以用于表征上述位置信息生成模型输出的坐标与上述标注中所包含的坐标的差异程度，上述分类损失函数可以用于表征上述概率计算模型输出的概率与上述标注中所包含的标识的差异程度。实践中，上述回归损失函数可以是各种用于回归的损失函数(例如欧式距离函数)，上述分类损失函数可以是各种用于分类的损失函数(例如Hinge函数)。在训练过程中，回归损失函数和分类损失函数可以约束卷积核修改的方式和方向，训练的目标为使回归损失函数和分类损失函数的值最小，因而，训练后得到的全卷积网络、两个全连接层的参数即为回归损失函数的值和分类损失函数的值为最小值时所对应的参数。

需要说明的是，上述反向传播算法(Back Propgation Algorithm，BP算法)也可称为误差反向传播(Error Back Propagation，BP)算法，或误差逆传播算法。BP算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中，输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。此处，上述回归损失函数和分类损失函数即可用于表征输出值与标记值的误差。

从图4中可以看出，与图2对应的实施例相比，本实施例中的信息生成方法的流程400突出了利用位置信息生成模型和概率计算模型对图像特征信息进行解析的步骤。由此，本实施例描述的方案可以利用全卷积网络和两个全连接层所构成的网络结构对所截取的图像进行处理，可以以三维数组的形式表示人脸关键点的坐标和未被遮挡的概率，便于进一步对图像进行处理(例如进行遮挡判断、配饰判断、人脸质量检测等)，提高了信息生成的灵活性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种信息生成装置的一个实施例，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，本实施例所述的信息生成装置500包括：获取单元501，配置用于获取待检测图像和预先对上述待检测图像进行人脸检测后所得到的、用于指示上述待检测图像中的人脸区域的人脸区域信息；扩大单元502，配置用于将上述人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取上述目标区域内的图像；输入单元503，配置用于将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，上述卷积神经网络用于提取图像特征；解析单元504，配置用于对上述图像特征信息进行解析，确定上述目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。

在本实施例中，获取单元501可以获取待检测图像和预先对上述待检测图像进行人脸检测后所得到的、用于指示上述待检测图像中的人脸区域的人脸区域信息。其中，上述人脸区域可以是矩形区域，上述人脸区域信息中可以包含所人脸区域的至少两个顶点(例如左上角和右下角)的坐标。

在本实施例中，扩大单元502可以将人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取目标区域内的图像。实践中，由于预先对上述待检测图像进行人脸检测后所得到的人脸区域存在不包含完整人脸轮廓的可能，因此，需要将预先得到的人脸区域进行扩大，在更大的范围内进行图像的处理。

在本实施例中，输入单元503可以将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，上述卷积神经网络可以用于提取图像特征。此处，图像特征信息可以是用于对图像的特征进行表征的信息，图像的特征可以是图像的各种基本要素。需要说明的是，上述卷积神经网络可以是利用机器学习方法和训练样本对现有的深度卷积神经网络进行有监督训练而得到的。上述卷积神经网络可以包括至少一个卷积层和至少一个池化层。

在本实施例中，上述解析单元504可以利用各种方式对图像特征信息进行解析，确定目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。作为示例，上述电子设备中可以预先存储有大量的图像特征信息与各个人脸关键点的位置、图像特征信息与各个人脸关键点未被遮挡的概率的对应关系表，上述电子设备可以从所存储的对应关系表中查询与所得到的图像特征信息相匹配的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。

在本实施例的一些可选的实现方式中，上述解析单元504可以进一步配置用于将上述图像特征信息分别输入至预先训练的位置信息生成模型和预先训练的概率计算模型，以分别得到上述截取的图像中的各个人脸关键点的位置信息和各个人脸关键点未被遮挡的概率，其中，上述位置信息生成模型用于表征显示有包含人脸的图像的图像特征信息与人脸关键点的坐标的对应关系，上述概率计算模型用于表征包含人脸的图像的图像特征信息与人脸关键点未被遮挡的概率的对应关系。

在本实施例的一些可选的实现方式中，上述信息生成装置500还可以包括提取单元和训练单元(图中未示出)。其中，上述提取单元可以配置用于提取预置的、包含显示有人脸的样本图像和上述样本图像的标注的训练样本，其中，上述标注包括样本图像中的人脸关键点的坐标和用于表征上述人脸关键点是否被遮挡的标识，上述标识包括0和1。上述训练单元可以配置用于利用机器学习方法，并基于上述样本图像、上述标注、预设的回归损失函数、预设的分类损失函数和反向传播算法训练得到卷积神经网络、位置信息生成模型和概率计算模型，其中，上述回归损失函数用于表征上述位置信息生成模型输出的坐标与上述标注中所包含的坐标的差异程度，上述分类损失函数用于表征上述概率计算模型输出的概率与上述标注中所包含的标识的差异程度。

在本实施例的一些可选的实现方式中，上述扩大单元502可以进一步配置用于：按照以下任一方式将上述人脸区域信息所指示的人脸区域进行扩大：将上述人脸区域信息所指示的人脸区域的宽度和高度扩大预设倍数，将上述人脸区域信息所指示的人脸区域的宽度和高度增加预设数值。

在本实施例的一些可选的实现方式中，上述卷积神经网络可以为全卷积网络，上述全卷积网络可以包括7个卷积层和3个池化层，上述池化层可以用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

在本实施例的一些可选的实现方式中，上述预设的窗口尺寸可以为2×2，上述预设的窗口滑动步长可以为2，上述7个卷积层中至少一个卷积层的卷积核的数量可以为32。

本申请的上述实施例提供的装置，通过获取单元501获取待检测图像和人脸区域信息，而后扩大单元502将上述人脸区域信息所指示的人脸区域进行扩大以截取上述目标区域内的图像，之后输入单元503将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，最后解析单元504对上述图像特征信息进行解析，确定上述目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率，从而可以生成人脸关键点是否被遮挡的判定信息，便于进一步对图像进行处理(例如进行遮挡判断、配饰判断、人脸质量检测等)，因此，提高了信息生成的丰富度。

下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)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部分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，还存储有系统600操作所需的各种程序和数据。CPU 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。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

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部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。

描述于本申请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：一种处理器包括获取单元、扩大单元、输入和解析单元。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，获取单元还可以被描述为“获取待检测图像和预先对待检测图像进行人脸检测后所得到的、用于指示待检测图像中的人脸区域的人脸区域信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取待检测图像和预先对该待检测图像进行人脸检测后所得到的、用于指示该待检测图像中的人脸区域的人脸区域信息；将该人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取该目标区域内的图像；将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，该卷积神经网络用于提取图像特征；对该图像特征信息进行解析，确定该目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。

以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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 (14)

1.一种信息生成方法，其特征在于，所述方法包括：

获取待检测图像和预先对所述待检测图像进行人脸检测后所得到的、用于指示所述待检测图像中的人脸区域的人脸区域信息；

将所述人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取所述目标区域内的图像；

将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，所述卷积神经网络用于提取图像特征；

对所述图像特征信息进行解析，确定所述目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。

2.根据权利要求1所述的信息生成方法，其特征在于，所述对所述图像特征信息进行解析，确定所述目标区域内的图像中的人脸关键点的位置和人脸关键点未被遮挡的概率，包括：

将所述图像特征信息分别输入至预先训练的位置信息生成模型和预先训练的概率计算模型，以分别得到所述截取的图像中的各个人脸关键点的位置信息和各个人脸关键点未被遮挡的概率，其中，所述位置信息生成模型用于表征显示有包含人脸的图像的图像特征信息与人脸关键点的坐标的对应关系，所述概率计算模型用于表征包含人脸的图像的图像特征信息与人脸关键点未被遮挡的概率的对应关系。

3.根据权利要求2所述的信息生成方法，其特征在于，所述方法还包括训练卷积神经网络、位置信息生成模型和概率计算模型的步骤，包括：

提取预置的、包含显示有人脸的样本图像和所述样本图像的标注的训练样本，其中，所述标注包括所述样本图像中的人脸关键点的坐标和用于表征所述人脸关键点是否被遮挡的标识，所述标识包括0和1；

利用机器学习方法，并基于所述样本图像、所述标注、预设的回归损失函数、预设的分类损失函数和反向传播算法训练得到卷积神经网络、位置信息生成模型和概率计算模型，其中，所述回归损失函数用于表征所述位置信息生成模型输出的坐标与所述标注中所包含的坐标的差异程度，所述分类损失函数用于表征所述概率计算模型输出的概率与所述标注中所包含的标识的差异程度。

4.根据权利要求1所述的信息生成方法，其特征在于，所述将所述人脸区域信息所指示的人脸区域进行扩大，包括：

按照以下任一方式将所述人脸区域信息所指示的人脸区域进行扩大：将所述人脸区域信息所指示的人脸区域的宽度和高度扩大预设倍数，将所述人脸区域信息所指示的人脸区域的宽度和高度增加预设数值。

5.根据权利要求1所述的信息生成方法，其特征在于，所述卷积神经网络为全卷积网络，所述全卷积网络包括7个卷积层和3个池化层，所述池化层用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

6.根据权利要求5所述的信息生成方法，其特征在于，所述预设的窗口尺寸为2×2，所述预设的窗口滑动步长为2，所述7个卷积层中至少一个卷积层的卷积核的数量为32。

7.一种信息生成装置，其特征在于，所述装置包括：

获取单元，配置用于获取待检测图像和预先对所述待检测图像进行人脸检测后所得到的、用于指示所述待检测图像中的人脸区域的人脸区域信息；

扩大单元，配置用于将所述人脸区域信息所指示的人脸区域进行扩大，并将扩大后的区域作为目标区域，截取所述目标区域内的图像；

输入单元，配置用于将所截取的图像输入至预先训练的卷积神经网络，得到图像特征信息，其中，所述卷积神经网络用于提取图像特征；

解析单元，配置用于对所述图像特征信息进行解析，确定所述目标区域内的图像中的各个人脸关键点的位置和各个人脸关键点未被遮挡的概率。

8.根据权利要求7所述的信息生成装置，其特征在于，所述解析单元进一步配置用于：

将所述图像特征信息分别输入至预先训练的位置信息生成模型和预先训练的概率计算模型，以分别得到所述截取的图像中的各个人脸关键点的位置信息和各个人脸关键点未被遮挡的概率，其中，所述位置信息生成模型用于表征显示有包含人脸的图像的图像特征信息与人脸关键点的坐标的对应关系，所述概率计算模型用于表征包含人脸的图像的图像特征信息与人脸关键点未被遮挡的概率的对应关系。

9.根据权利要求8所述的信息生成装置，其特征在于，所述装置还包括：

提取单元，配置用于提取预置的、包含显示有人脸的样本图像和所述样本图像的标注的训练样本，其中，所述标注包括所述样本图像中的人脸关键点的坐标和用于表征所述人脸关键点是否被遮挡的标识，所述标识包括0和1；

训练单元，配置用于利用机器学习方法，并基于所述样本图像、所述标注、预设的回归损失函数、预设的分类损失函数和反向传播算法训练得到卷积神经网络、位置信息生成模型和概率计算模型，其中，所述回归损失函数用于表征所述位置信息生成模型输出的坐标与所述标注中所包含的坐标的差异程度，所述分类损失函数用于表征所述概率计算模型输出的概率与所述标注中所包含的标识的差异程度。

10.根据权利要求7所述的信息生成装置，其特征在于，所述扩大单元进一步配置用于：

按照以下任一方式将所述人脸区域信息所指示的人脸区域进行扩大：将所述人脸区域信息所指示的人脸区域的宽度和高度扩大预设倍数，将所述人脸区域信息所指示的人脸区域的宽度和高度增加预设数值。

11.根据权利要求7所述的信息生成装置，其特征在于，所述卷积神经网络为全卷积网络，所述全卷积网络包括7个卷积层和3个池化层，所述池化层用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

12.根据权利要求11所述的信息生成装置，其特征在于，所述预设的窗口尺寸为2×2，所述预设的窗口滑动步长为2，所述7个卷积层中至少一个卷积层的卷积核的数量为32。

13.一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

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1-6中任一所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。