CN107909065B - 用于检测人脸遮挡的方法及装置 - Google Patents

Abstract

本申请实施例公开了用于检测人脸遮挡的方法及装置。该方法的一具体实施方式包括：获取待处理人脸遮挡图像，上述待处理人脸遮挡图像包含多个用于标记人脸特征的特征点；将上述待处理人脸遮挡图像导入预先训练的人脸遮挡模型，得到对应上述待处理人脸遮挡图像的遮挡信息，上述人脸遮挡模型用于通过待处理人脸遮挡图像包含的特征点获取人脸的遮挡信息；输出上述遮挡信息。该实施方式将获取到的包含特征点的待处理人脸遮挡图像导入人脸遮挡模型，能够快速准确地得到待处理人脸遮挡图像的遮挡信息，提高了获取遮挡信息的效率和准确性。

Description

用于检测人脸遮挡的方法及装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像识别技术领域，尤其涉及用于检测人脸遮挡的方法及装置。

背景技术

人脸识别技术是一项计算机应用研究技术，它属于生物特征识别技术。通过生物体的生物特征不仅能够区分生物个体，还能够对生物个体的身体状态进行判断。对人脸识别时，首先要获取光线充足时清晰的人脸图像，然后再对人脸图像进行数据处理。

发明内容

本申请实施例的目的在于提出了用于检测人脸遮挡的方法及装置。

第一方面，本申请实施例提供了一种用于检测人脸遮挡的方法，该方法包括：获取待处理人脸遮挡图像，上述待处理人脸遮挡图像包含多个用于标记人脸特征的特征点；将上述待处理人脸遮挡图像导入预先训练的人脸遮挡模型，得到对应上述待处理人脸遮挡图像的遮挡信息，上述人脸遮挡模型用于通过待处理人脸遮挡图像包含的特征点获取人脸的遮挡信息；输出上述遮挡信息。

在一些实施例中，上述方法还包括构建人脸遮挡模型的步骤，上述构建人脸遮挡模型的步骤包括：对于多个样本人脸遮挡图像中的每个样本人脸遮挡图像，通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域，其中，每个样本人脸遮挡图像都包含有预先标记的特征点；对于上述至少一个人脸区域中的每个人脸区域，计算该人脸区域内的非人脸像素占该人脸区域内全部像素的比值得到比值信息，并通过上述比值信息构建该人脸区域的遮挡信息；利用机器学习方法，将样本人脸遮挡图像作为输入，将该样本人脸遮挡图像中每个人脸区域的遮挡信息作为输出，训练得到人脸遮挡模型。

在一些实施例中，上述通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域包括：将样本人脸遮挡图像导入像素识别模型，得到上述样本人脸遮挡图像的每个像素的标签，上述像素识别模型用于识别像素是否属于人脸图像，并为像素设置标签，上述标签用于标记像素是否属于人脸图像；通过标签将样本人脸遮挡图像划分为人脸图像和非人脸图像；通过特征点将上述人脸图像划分为至少一个人脸区域。

在一些实施例中，上述方法还包括构建像素识别模型的步骤，上述构建像素识别模型的步骤包括：对样本人脸遮挡图像进行特征提取，得到特征图像，上述特征图像的尺寸小于样本人脸遮挡图像；确定上述特征图像上的人脸特征对应的特征图像区域，上述人脸特征包括头发、眉毛、眼睛、鼻子；将上述特征图像映射至尺寸上与样本人脸遮挡图像相同后，为特征图像区域包含的每个像素设置人脸区域标签，并为特征图像区域以外的每个像素设置非人脸区域标签；利用机器学习方法，将上述样本人脸遮挡图像作为输入，将上述样本人脸遮挡图像中每个像素的人脸区域标签或非人脸区域标签作为输出，训练得到像素识别模型。

在一些实施例中，在上述获取待处理人脸遮挡图像之前，上述方法还包括：对待处理人脸遮挡图像进行图像处理，识别出人脸特征，并在上述待处理人脸遮挡图像为人脸特征设置特征点。

第二方面，本申请实施例提供了一种用于检测人脸遮挡的装置，该装置包括：图像获取单元，用于获取待处理人脸遮挡图像，上述待处理人脸遮挡图像包含多个用于标记人脸特征的特征点；遮挡信息获取单元，用于将上述待处理人脸遮挡图像导入预先训练的人脸遮挡模型，得到对应上述待处理人脸遮挡图像的遮挡信息，上述人脸遮挡模型用于通过待处理人脸遮挡图像包含的特征点获取人脸的遮挡信息；信息输出单元，用于输出上述遮挡信息。

在一些实施例中，上述装置还包括人脸遮挡模型构建单元，用于构建人脸遮挡模型，上述人脸遮挡模型构建单元包括：人脸区域划分子单元，对于多个样本人脸遮挡图像中的每个样本人脸遮挡图像，用于通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域，其中，每个样本人脸遮挡图像都包含有预先标记的特征点；遮挡信息获取子单元，用于对于上述至少一个人脸区域中的每个人脸区域，计算该人脸区域内的非人脸像素占该人脸区域内全部像素的比值得到比值信息，并通过上述比值信息构建该人脸区域的遮挡信息；人脸遮挡模型构建子单元，用于利用机器学习方法，将样本人脸遮挡图像作为输入，将该样本人脸遮挡图像中每个人脸区域的遮挡信息作为输出，训练得到人脸遮挡模型。

在一些实施例中，上述人脸区域划分子单元包括：标签获取模块，用于将样本人脸遮挡图像导入像素识别模型，得到上述样本人脸遮挡图像的每个像素的标签，上述像素识别模型用于识别像素是否属于人脸图像，并为像素设置标签，上述标签用于标记像素是否属于人脸图像；图像划分模块，用于通过标签将样本人脸遮挡图像划分为人脸图像和非人脸图像；人脸区域划分模块，用于通过特征点将上述人脸图像划分为至少一个人脸区域。

在一些实施例中，上述装置还包括像素识别模型构建单元，用于构建像素识别模型，上述像素识别模型构建单元包括：特征图像获取子单元，用于对样本人脸遮挡图像进行特征提取，得到特征图像，上述特征图像的尺寸小于样本人脸遮挡图像；特征图像区域确定子单元，用于确定上述特征图像上的人脸特征对应的特征图像区域，上述人脸特征包括头发、眉毛、眼睛、鼻子；标签设置子单元，用于将上述特征图像映射至尺寸上与样本人脸遮挡图像相同后，为特征图像区域包含的每个像素设置人脸区域标签，并为特征图像区域以外的每个像素设置非人脸区域标签；像素识别模型构建子单元，用于利用机器学习方法，将上述样本人脸遮挡图像作为输入，将上述样本人脸遮挡图像中每个像素的人脸区域标签或非人脸区域标签作为输出，训练得到像素识别模型。

在一些实施例中，上述装置还包括：对待处理人脸遮挡图像进行图像处理，识别出人脸特征，并在上述待处理人脸遮挡图像为人脸特征设置特征点。

第三方面，本申请实施例提供了一种终端设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述第一方面的用于检测人脸遮挡的方法。

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，其特征在于，该程序被处理器执行时实现上述第一方面的用于检测人脸遮挡的方法。

本申请实施例提供的用于检测人脸遮挡的方法及装置，将获取到的包含特征点的待处理人脸遮挡图像导入人脸遮挡模型，能够快速准确地得到待处理人脸遮挡图像的遮挡信息，提高了获取遮挡信息的效率和准确性。

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是根据本申请的用于检测人脸遮挡的方法的一个实施例的流程图；

图3是根据本申请的用于检测人脸遮挡的方法的一个应用场景的示意图；

图4是根据本申请的用于检测人脸遮挡的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的终端设备的结构示意图。

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用于检测人脸遮挡的方法或用于检测人脸遮挡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上可以安装有各种图像处理应用，例如照相机应用、视频采集应用、图像转换应用、近红外图像处理应用等。

终端设备101、102、103可以是具有显示屏并且支持图像采集的各种电子设备，包括但不限于网络摄像头、监控摄像头、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采集的待处理人脸遮挡图像进行处理的服务器。服务器可以对接收到的待处理人脸遮挡图像进行数据处理，并将处理结果反馈给终端设备101、102、103。

需要说明的是，本申请实施例所提供的用于检测人脸遮挡的方法一般由终端设备101、102、103执行，相应地，用于检测人脸遮挡的装置一般设置于终端设备101、102、103中。

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用于检测人脸遮挡的方法的一个实施例的流程200。该用于检测人脸遮挡的方法包括以下步骤：

步骤201，获取待处理人脸遮挡图像。

在本实施例中，用于检测人脸遮挡的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103)可以通过有线连接方式或者无线连接方式从用户利用其获取图像的终端接收待处理人脸遮挡图像，其中，上述待处理人脸遮挡图像包含多个用于标记人脸特征的特征点。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

终端设备101、102、103可以通过有线或无线的方式获取待处理人脸遮挡图像。待处理人脸遮挡图像包含有被部分遮挡的人脸图像。并且，待处理人脸遮挡图像还包括多个用于标记人脸图像的特征点。其中，特征点与人脸特征相对应，而通常情况下，每个人脸都具有数量相同、位置相近的人脸特征(即，即使人脸被遮挡，也能确定被遮挡的人脸特征)。因此，本实施例的特征点可以用于对未被遮挡的人脸图像和被遮挡的人脸图像中的人脸特征进行标记。例如，待处理人脸遮挡图像中的人脸图像被遮挡的部分为嘴对应的图像，则特征点仍然可以对被遮挡的嘴的图像进行标记。

步骤202，将上述待处理人脸遮挡图像导入预先训练的人脸遮挡模型，得到对应上述待处理人脸遮挡图像的遮挡信息。

在本实施例中，上述电子设备可以存储有预先训练的人脸遮挡模型。在获取到待处理人脸遮挡图像后，上述电子设备可以将待处理人脸遮挡图像导入预先训练的人脸遮挡模型，得到对应上述待处理人脸遮挡图像的遮挡信息。其中，上述人脸遮挡模型用于通过待处理人脸遮挡图像包含的特征点获取人脸的遮挡信息。作为示例，人脸遮挡模型可以是技术人员基于对大量人脸遮挡图像和遮挡信息的统计而预先制定的、存储有人脸遮挡图像和遮挡信息的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对人脸遮挡图像进行数值计算以得到用于表征遮挡信息的计算结果的计算公式。

在本实施例的一些可选的实现方式中，上述方法还可以包括构建人脸遮挡模型的步骤，上述构建人脸遮挡模型的步骤可以包括以下步骤：

第一步，对于多个样本人脸遮挡图像中的每个样本人脸遮挡图像，通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域。

上述电子设备可以获取到多个样本人脸遮挡图像，多个样本人脸遮挡图像包含了各种可能的遮挡情况。其中，每个样本人脸遮挡图像都包含有预先标记的特征点。对于多个样本人脸遮挡图像中的每个样本人脸遮挡图像，由于特征点用于标记人脸特征，所以，上述电子设备可以通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域。其中，至少一个人脸区域组合起来构成人脸图像，每个人脸区域可以包含至少一个人脸特征。

第二步，对于上述至少一个人脸区域中的每个人脸区域，计算该人脸区域内的非人脸像素占该人脸区域内全部像素的比值得到比值信息，并通过上述比值信息构建该人脸区域的遮挡信息。

为了准确地获取到遮挡信息，本实施例以人脸区域为单位获取遮挡信息。在获取遮挡信息时，本申请通过对应人脸区域内的非人脸像素占该人脸区域内全部像素的比值计算得到该人脸区域被遮挡的比值信息；然后，通过该比值信息构建该人脸区域的遮挡信息。例如，某一人脸区域A1(例如可以是左脸)被遮挡的比值信息为40％，则通过该比值信息构建的遮挡信息可以为：“您的左脸被遮挡40％，请调整您的位置”。

第三步，利用机器学习方法，将样本人脸遮挡图像作为输入，将该样本人脸遮挡图像中每个人脸区域的遮挡信息作为输出，训练得到人脸遮挡模型。

上述电子设备可以利用机器学习方法，将样本人脸遮挡图像作为输入，将该样本人脸遮挡图像中每个人脸区域的遮挡信息作为输出，训练得到人脸遮挡模型。具体的，上述电子设备可以使用卷积神经网络、深度学习模型、朴素贝叶斯模型(Naive BayesianModel，NBM)或支持向量机(Support Vector Machine，SVM)等用于分类的模型，将样本人脸遮挡图像作为模型的输入，将该样本人脸遮挡图像中每个人脸区域的遮挡信息作为模型的输出，利用机器学习方法，对该模型进行训练，得到人脸遮挡模型。

得到人脸遮挡模型后，当向人脸遮挡模型输入待处理人脸遮挡图像后，人脸遮挡模型可以匹配到与待处理人脸遮挡图像对应(遮挡类型相同或相似)的样本人脸遮挡图像，并直接将该样本人脸遮挡图像的遮挡信息作为待处理人脸遮挡图像的遮挡信息输出，从而大大降低了获取待处理人脸遮挡图像的遮挡信息的数据处理量，提高了获取遮挡信息的效率和准确性。

在本实施例的一些可选的实现方式中，上述通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域可以包括以下步骤：

第一步，将样本人脸遮挡图像导入像素识别模型，得到上述样本人脸遮挡图像的每个像素的标签。

像素识别模型可以用于识别像素是否属于人脸图像，并为像素设置标签。作为示例，像素识别模型可以是技术人员基于对大量样本人脸遮挡图像和样本人脸遮挡图像的每个像素的标签的统计而预先制定的、存储有样本人脸遮挡图像和样本人脸遮挡图像的每个像素的标签的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储在上述电子设备中的，对样本人脸遮挡图像中的一个或多个数值进行数值计算以得到用于表征每个像素的标签的计算结果的计算公式。其中，上述标签可以用于标记像素是否属于人脸图像，例如，当标签的取值为1时，可以认为像素属于人脸图像；当标签的取值为0时，可以认为像素不属于人脸图像。标签还可以通过文字或字符等方式来标识像素是否属于人脸图像，此处不再对标签一一赘述。

第二步，通过标签将样本人脸遮挡图像划分为人脸图像和非人脸图像。

得到每个像素的标签后，根据标签的分类(即像素属于人脸图像或不属于人脸图像)可以将样本人脸遮挡图像划分为人脸图像和非人脸图像。

第三步，通过特征点将上述人脸图像划分为至少一个人脸区域。

上述得到的人脸图像为只包含人脸的图像，非人脸图像为不包含人脸的图像。之后，可以通过特征点将上述人脸图像划分为至少一个人脸区域。需要说明的是，由于特征点可以用于对未被遮挡的人脸图像和被遮挡的人脸图像中的人脸特征进行标记。因此，此处通过特征点划分得到的人脸区域可以包括三种情况。第一种情况是：某一人脸区域只包含人脸图像；第二种情况是：某一人脸区域既包含人脸图像，又包含非人脸图像；第三种情况是：某一人脸区域只包含非人脸图像。

在本实施例的一些可选的实现方式中，上述方法还可以包括构建像素识别模型的步骤，上述构建像素识别模型的步骤可以包括以下步骤：

第一步，对样本人脸遮挡图像进行特征提取，得到特征图像。

为了确定样本人脸遮挡图像中哪些像素属于人脸图像，哪些像素属于非人脸图像，上述的电子设备可以对样本人脸遮挡图像进行特征提取，得到特征图像。其中，上述特征图像包含了人脸特征，并且特征图像的尺寸小于样本人脸遮挡图像。

第二步，确定上述特征图像上的人脸特征对应的特征图像区域。

由上述描述可知，特征图像的尺寸小于样本人脸遮挡图像。因此，可以在特征图像上较为准确地确定人脸特征所对应的特征图像区域。其中，上述人脸特征包括头发、眉毛、眼睛、鼻子等。特征图像区域可以为包含人脸特征的图像区域。

第三步，将上述特征图像映射至尺寸上与样本人脸遮挡图像相同后，为特征图像区域包含的每个像素设置人脸区域标签，并为特征图像区域以外的每个像素设置非人脸区域标签。

在特征图像上确定了特征图像区域后，再将特征图像映射至尺寸上与样本人脸遮挡图像相同。如此，可以通过映射后的特征图像区域准确地确定哪些像素属于人脸区域，哪些像素不属于人脸区域。之后，可以为特征图像区域包含的每个像素设置人脸区域标签，并为特征图像区域以外的每个像素设置非人脸区域标签。如此，实现了对样本人脸遮挡图像的每个像素设置标签。

第四步，利用机器学习方法，将上述样本人脸遮挡图像作为输入，将上述样本人脸遮挡图像中每个像素的人脸区域标签或非人脸区域标签作为输出，训练得到像素识别模型。

本实施例的上述电子设备可以利用机器学习方法，将上述样本人脸遮挡图像作为输入，将上述样本人脸遮挡图像中每个像素的人脸区域标签或非人脸区域标签作为输出，训练得到像素识别模型。具体的，上述电子设备可以使用卷积神经网络、深度学习模型、朴素贝叶斯模型(Naive Bayesian Model，NBM)或支持向量机(Support Vector Machine，SVM)等模型，将样本人脸遮挡图像作为模型的输入，将该样本人脸遮挡图像中每个像素的人脸区域标签或非人脸区域标签作为模型的输出，利用机器学习方法，对该模型进行训练，得到像素识别模型。

步骤203，输出上述遮挡信息。

通过上述的步骤，将待处理人脸遮挡图像导入预先训练的人脸遮挡模型后，可以快速准确地得到对应上述待处理人脸遮挡图像的遮挡信息。之后，可以通过文字、图像或音频等方式输出遮挡信息。

在本实施例的一些可选的实现方式中，在上述获取待处理人脸遮挡图像之前，上述方法还可以包括：对待处理人脸遮挡图像进行图像处理，识别出人脸特征，并在上述待处理人脸遮挡图像为人脸特征设置特征点。

由上述描述可知，特征点在获取遮挡信息的过程中发挥了重要作用。通常，上述电子设备获取的是不包含特征点的待处理人脸遮挡图像即，图像采集设备直接获取待处理人脸遮挡图像时，待处理人脸遮挡图像不包含特征点。为此，还需要对待处理人脸遮挡图像进行人脸识别等图像处理，识别出人脸特征。之后，在上述待处理人脸遮挡图像为人脸特征设置特征点。

继续参见图3，图3是根据本实施例的用于检测人脸遮挡的方法的应用场景的一个示意图。在图3的应用场景中，终端设备获取到待处理人脸遮挡图像后，将待处理人脸遮挡图像输入到人脸遮挡模型，得到遮挡信息为“您的左脸被遮挡40％，请调整您的位置”，然后终端设备可以通过语音的方式播放遮挡信息。

本申请的上述实施例提供的方法将获取到的包含特征点的待处理人脸遮挡图像导入人脸遮挡模型，能够快速准确地得到待处理人脸遮挡图像的遮挡信息，提高了获取遮挡信息的效率和准确性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于检测人脸遮挡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4所示，本实施例的用于检测人脸遮挡的装置400可以包括：图像获取单元401、遮挡信息获取单元402和信息输出单元403。其中，图像获取单元401用于获取待处理人脸遮挡图像，上述待处理人脸遮挡图像包含多个用于标记人脸特征的特征点；遮挡信息获取单元402用于将上述待处理人脸遮挡图像导入预先训练的人脸遮挡模型，得到对应上述待处理人脸遮挡图像的遮挡信息，上述人脸遮挡模型用于通过待处理人脸遮挡图像包含的特征点获取人脸的遮挡信息；信息输出单元403用于输出上述遮挡信息。

在本实施例的一些可选的实现方式中，用于检测人脸遮挡的装置400还可以包括人脸遮挡模型构建单元(图中未示出)，用于构建人脸遮挡模型，上述人脸遮挡模型构建单元可以包括：人脸区域划分子单元(图中未示出)、遮挡信息获取子单元(图中未示出)和人脸遮挡模型构建子单元(图中未示出)。其中，人脸区域划分子单元，对于多个样本人脸遮挡图像中的每个样本人脸遮挡图像，用于通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域，其中，每个样本人脸遮挡图像都包含有预先标记的特征点；遮挡信息获取子单元用于对于上述至少一个人脸区域中的每个人脸区域，计算该人脸区域内的非人脸像素占该人脸区域内全部像素的比值得到比值信息，并通过上述比值信息构建该人脸区域的遮挡信息；人脸遮挡模型构建子单元用于利用机器学习方法，将样本人脸遮挡图像作为输入，将该样本人脸遮挡图像中每个人脸区域的遮挡信息作为输出，训练得到人脸遮挡模型。

在本实施例的一些可选的实现方式中，上述人脸区域划分子单元可以包括：标签获取模块(图中未示出)、图像划分模块(图中未示出)和人脸区域划分模块(图中未示出)。其中，标签获取模块用于将样本人脸遮挡图像导入像素识别模型，得到上述样本人脸遮挡图像的每个像素的标签，上述像素识别模型用于识别像素是否属于人脸图像，并为像素设置标签，上述标签用于标记像素是否属于人脸图像；图像划分模块用于通过标签将样本人脸遮挡图像划分为人脸图像和非人脸图像；人脸区域划分模块用于通过特征点将上述人脸图像划分为至少一个人脸区域。

在本实施例的一些可选的实现方式中，用于检测人脸遮挡的装置400还可以包括像素识别模型构建单元(图中未示出)，用于构建像素识别模型，上述像素识别模型构建单元可以包括：特征图像获取子单元(图中未示出)、特征图像区域确定子单元(图中未示出)、标签设置子单元(图中未示出)和像素识别模型构建子单元(图中未示出)。其中，特征图像获取子单元用于对样本人脸遮挡图像进行特征提取，得到特征图像，上述特征图像的尺寸小于样本人脸遮挡图像；特征图像区域确定子单元用于确定上述特征图像上的人脸特征对应的特征图像区域，上述人脸特征包括头发、眉毛、眼睛、鼻子；标签设置子单元用于将上述特征图像映射至尺寸上与样本人脸遮挡图像相同后，为特征图像区域包含的每个像素设置人脸区域标签，并为特征图像区域以外的每个像素设置非人脸区域标签；像素识别模型构建子单元用于利用机器学习方法，将上述样本人脸遮挡图像作为输入，将上述样本人脸遮挡图像中每个像素的人脸区域标签或非人脸区域标签作为输出，训练得到像素识别模型。

在本实施例的一些可选的实现方式中，用于检测人脸遮挡的装置400还可以包括：对待处理人脸遮挡图像进行图像处理，识别出人脸特征，并在上述待处理人脸遮挡图像为人脸特征设置特征点。

本实施例还提供了一种终端设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述的用于检测人脸遮挡的方法。

本实施例还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上述的用于检测人脸遮挡的方法。

下面参考图5，其示出了适于用来实现本申请实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，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5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。

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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501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，本申请上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：一种处理器包括图像获取单元、遮挡信息获取单元和信息输出单元。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，遮挡信息获取单元还可以被描述为“用于获取遮挡信息的单元”。

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：获取待处理人脸遮挡图像，上述待处理人脸遮挡图像包含多个用于标记人脸特征的特征点；将上述待处理人脸遮挡图像导入预先训练的人脸遮挡模型，得到对应上述待处理人脸遮挡图像的遮挡信息，上述人脸遮挡模型用于通过待处理人脸遮挡图像包含的特征点获取人脸的遮挡信息；输出上述遮挡信息。

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 (8)

1.一种用于检测人脸遮挡的方法，其特征在于，所述方法包括：

获取待处理人脸遮挡图像，所述待处理人脸遮挡图像包含多个用于标记人脸特征的特征点；

将所述待处理人脸遮挡图像导入预先训练的人脸遮挡模型，得到对应所述待处理人脸遮挡图像的遮挡信息，所述人脸遮挡模型用于通过待处理人脸遮挡图像包含的特征点获取人脸的遮挡信息；

所述人脸遮挡模型通过以下步骤得到的：对于多个样本人脸遮挡图像中的每个样本人脸遮挡图像，通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域，其中，每个样本人脸遮挡图像都包含有预先标记的特征点；对于所述至少一个人脸区域中的每个人脸区域，计算该人脸区域内的非人脸像素占该人脸区域内全部像素的比值得到比值信息，并通过所述比值信息构建该人脸区域的遮挡信息；利用机器学习方法，将样本人脸遮挡图像作为输入，将该样本人脸遮挡图像中每个人脸区域的遮挡信息作为输出，训练得到人脸遮挡模型；

输出所述遮挡信息；

其中，所述通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域包括：将样本人脸遮挡图像导入像素识别模型，得到所述样本人脸遮挡图像的每个像素的标签，所述像素识别模型用于识别像素是否属于人脸图像，并为像素设置标签，所述标签用于标记像素是否属于人脸图像；通过标签将样本人脸遮挡图像划分为人脸图像和非人脸图像；通过特征点将所述人脸图像划分为至少一个人脸区域。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括构建像素识别模型的步骤，所述构建像素识别模型的步骤包括：

对样本人脸遮挡图像进行特征提取，得到特征图像，所述特征图像的尺寸小于样本人脸遮挡图像；

确定所述特征图像上的人脸特征对应的特征图像区域，所述人脸特征包括头发、眉毛、眼睛、鼻子；

将所述特征图像映射至尺寸上与样本人脸遮挡图像相同后，为特征图像区域包含的每个像素设置人脸区域标签，并为特征图像区域以外的每个像素设置非人脸区域标签；

利用机器学习方法，将所述样本人脸遮挡图像作为输入，将所述样本人脸遮挡图像中每个像素的人脸区域标签或非人脸区域标签作为输出，训练得到像素识别模型。

3.根据权利要求1所述的方法，其特征在于，在所述获取待处理人脸遮挡图像之前，所述方法还包括：

对待处理人脸遮挡图像进行图像处理，识别出人脸特征，并在所述待处理人脸遮挡图像为人脸特征设置特征点。

4.一种用于检测人脸遮挡的装置，其特征在于，所述装置包括：

图像获取单元，用于获取待处理人脸遮挡图像，所述待处理人脸遮挡图像包含多个用于标记人脸特征的特征点；

遮挡信息获取单元，用于将所述待处理人脸遮挡图像导入预先训练的人脸遮挡模型，得到对应所述待处理人脸遮挡图像的遮挡信息，所述人脸遮挡模型用于通过待处理人脸遮挡图像包含的特征点获取人脸的遮挡信息；

人脸遮挡模型构建单元，用于构建所述人脸遮挡模型，所述人脸遮挡模型构建单元进一步包括：人脸区域划分子单元，对于多个样本人脸遮挡图像中的每个样本人脸遮挡图像，用于通过样本人脸遮挡图像中人脸图像的特征点将人脸图像划分为至少一个人脸区域，其中，每个样本人脸遮挡图像都包含有预先标记的特征点；遮挡信息获取子单元，用于对于所述至少一个人脸区域中的每个人脸区域，计算该人脸区域内的非人脸像素占该人脸区域内全部像素的比值得到比值信息，并通过所述比值信息构建该人脸区域的遮挡信息；人脸遮挡模型构建子单元，用于利用机器学习方法，将样本人脸遮挡图像作为输入，将该样本人脸遮挡图像中每个人脸区域的遮挡信息作为输出，训练得到人脸遮挡模型；

信息输出单元，用于输出所述遮挡信息；

其中，所述人脸区域划分子单元包括：标签获取模块，用于将样本人脸遮挡图像导入像素识别模型，得到所述样本人脸遮挡图像的每个像素的标签，所述像素识别模型用于识别像素是否属于人脸图像，并为像素设置标签，所述标签用于标记像素是否属于人脸图像；图像划分模块，用于通过标签将样本人脸遮挡图像划分为人脸图像和非人脸图像；人脸区域划分模块，用于通过特征点将所述人脸图像划分为至少一个人脸区域。

5.根据权利要求4所述的装置，其特征在于，所述装置还包括像素识别模型构建单元，用于构建像素识别模型，所述像素识别模型构建单元包括：

特征图像获取子单元，用于对样本人脸遮挡图像进行特征提取，得到特征图像，所述特征图像的尺寸小于样本人脸遮挡图像；

特征图像区域确定子单元，用于确定所述特征图像上的人脸特征对应的特征图像区域，所述人脸特征包括头发、眉毛、眼睛、鼻子；

标签设置子单元，用于将所述特征图像映射至尺寸上与样本人脸遮挡图像相同后，为特征图像区域包含的每个像素设置人脸区域标签，并为特征图像区域以外的每个像素设置非人脸区域标签；

像素识别模型构建子单元，用于利用机器学习方法，将所述样本人脸遮挡图像作为输入，将所述样本人脸遮挡图像中每个像素的人脸区域标签或非人脸区域标签作为输出，训练得到像素识别模型。

6.根据权利要求4所述的装置，其特征在于，所述装置还包括：

对待处理人脸遮挡图像进行图像处理，识别出人脸特征，并在所述待处理人脸遮挡图像为人脸特征设置特征点。

7.一种终端设备，包括：

一个或多个处理器；

存储器，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时，使得所述一个或多个处理器执行权利要求1至3中任一所述的方法。

8.一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至3中任一所述的方法。

Images