CN108062416B - 用于在地图上生成标签的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于在地图上生成标签的方法和装置。该方法的一具体实施方式包括：获取包含目标用户的面部图像的第一图像；基于第一图像从预先收集的图像库中选择包含目标用户的面部图像的第二图像，其中，第二图像的图像信息中包括拍摄位置信息；对第二图像中包含的目标用户的面部图像进行表情识别，确定目标用户在拍摄位置处的面部表情类型；基于面部表情类型和拍摄位置信息，在地图上生成用于表征目标用户的表情的标签。该实施方式实现了对目标用户线下数据的收集。

Description

用于在地图上生成标签的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于在地图上生成标签的方法和装置。

背景技术

“线下行为”一词一般是相对“线上行为”而言，线上行为主要是指利用互联网等虚拟媒介而实现的一系列没有发生面对面交互的行为(例如，搜索、即时通信等)，而线下行为则可理解为真实发生的、当面的、有肢体活动的一系列行为(例如，社交活动、实体店购物等)。

通过对用户行为数据进行收集和分析，能够更加详细、清楚地了解用户的行为习惯和喜好，从而可以将海量的数据转化为有价值的信息。

发明内容

本申请实施例提出了用于在地图上生成标签的方法和装置。

第一方面，本申请实施例提供了一种用于在地图上生成标签的方法，该方法包括：获取包含目标用户的面部图像的第一图像；基于第一图像从预先收集的图像库中选择包含目标用户的面部图像的第二图像，其中，第二图像的图像信息中包括拍摄位置信息；对第二图像中包含的目标用户的面部图像进行表情识别，确定目标用户在拍摄位置处的面部表情类型；基于面部表情类型和拍摄位置信息，在地图上生成用于表征目标用户的表情的标签。

在一些实施例中，基于第一图像从预先收集的图像库中选择包含目标用户的面部图像的第二图像，包括：从第一图像中提取目标用户的面部特征生成第一特征向量；对于图像库中的每张图像，从该图像中提取每个用户的面部特征生成第二特征向量，计算每个第二特征向量与第一特征向量的相似度，响应于存在与第一特征向量的相似度大于等于相似度阈值的第二特征向量，将该图像确定为第二图像。

在一些实施例中，对第二图像中包含的目标用户的面部图像进行表情识别，确定目标用户在拍摄位置处的面部表情类型，包括：将第二图像中包含的目标用户的面部图像输入到预先训练的表情识别模型，得到目标用户在拍摄位置处的面部表情类型，其中，表情识别模型用于表征面部图像与面部表情类型之间的对应关系。

在一些实施例中，表情识别模型包括卷积层和全连接层。

在一些实施例中，将第二图像中包含的目标用户的面部图像输入到预先训练的表情识别模型，得到目标用户在拍摄位置处的面部表情类型，包括：从第二图像中提取目标用户的面部图像；将提取的面部图像输入到卷积层，得到第二图像中包含的目标用户的面部图像的面部特征向量，其中，卷积层用于表征面部图像与面部特征向量之间的对应关系；将第二图像中包含的目标用户的面部图像的面部特征向量输入到全连接层，得到目标用户在拍摄位置处的面部表情类型，其中，全连接层用于表征面部特征向量与面部表情类型之间的特征关系。

在一些实施例中，表情识别模型通过如下步骤训练得到：获取多个训练样本，每个训练样本包括面部图像和与面部图像对应的面部表情类型；将每个训练样本中的面部图像作为输入，将每个训练样本中的与面部图像对应的面部表情类型作为输出，训练得到表情识别模型。

第二方面，本申请实施例提供了一种用于在地图上生成标签的装置，装置包括：获取单元，配置用于获取包含目标用户的面部图像的第一图像；选择单元，配置用于基于第一图像从预先收集的图像库中选择包含目标用户的面部图像的第二图像，其中，第二图像的图像信息中包括拍摄位置信息；识别单元，配置用于对第二图像中包含的目标用户的面部图像进行表情识别，确定目标用户在拍摄位置处的面部表情类型；生成单元，配置用于基于面部表情类型和拍摄位置信息，在地图上生成用于表征目标用户的表情的标签。

在一些实施例中，选择单元包括：提取模块，配置用于从第一图像中提取目标用户的面部特征生成第一特征向量；确定模块，配置用于对于图像库中的每张图像，从该图像中提取每个用户的面部特征生成第二特征向量，计算每个第二特征向量与第一特征向量的相似度，响应于存在与第一特征向量的相似度大于等于相似度阈值的第二特征向量，将该图像确定为第二图像。

在一些实施例中，识别单元包括：识别模块，配置用于将第二图像中包含的目标用户的面部图像输入到预先训练的表情识别模型，得到目标用户在拍摄位置处的面部表情类型，其中，表情识别模型用于表征面部图像与面部表情类型之间的对应关系。

在一些实施例中，表情识别模型包括卷积层和全连接层。

在一些实施例中，识别模块包括：图像提取模块，配置用于从第二图像中提取目标用户的面部图像；图像卷积模块，配置用于将提取的面部图像输入到卷积层，得到第二图像中包含的目标用户的面部图像的面部特征向量，其中，卷积层用于表征面部图像与面部特征向量之间的对应关系；表情分类模块，配置用于将第二图像中包含的目标用户的面部图像的面部特征向量输入到全连接层，得到目标用户在拍摄位置处的面部表情类型，其中，全连接层用于表征面部特征向量与面部表情类型之间的特征关系。

在一些实施例中，表情识别模型通过如下步骤训练得到：获取多个训练样本，每个训练样本包括面部图像和与面部图像对应的面部表情类型；将每个训练样本中的面部图像作为输入，将每个训练样本中的与面部图像对应的面部表情类型作为输出，训练得到表情识别模型。

本申请实施例提供的用于在地图上生成标签的方法和装置，通过基于包括目标用户的面部图像的第一图像从图像库中选择包括目标用户的面部图像的第二图像，而后对第二图像中包含的目标用户的面部图像进行表情识别，最后基于识别的表情类型和拍摄位置信息在地图上生成标签，从而实现了对目标用户线下数据的收集。

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在地图上生成标签的方法的一个实施例的流程图；

图3是根据本申请的用于在地图上生成标签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在地图上生成标签的方法的又一个实施例的流程图；

图5是根据本申请的用于在地图上生成标签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用于在地图上生成标签的方法或用于在地图上生成标签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，例如购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏的各种电子设备，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 LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer 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。

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提供的图像进行特征提取的图像后台服务器。图像后台服务器可以对接收到的图像等进行分析等处理，并将处理结果(例如，标注有用户表情标签的地图)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于在地图上生成标签的方法一般由服务器105执行，相应地，用于在地图上生成标签的装置一般设置于服务器105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在地图上生成标签的方法的一个实施例的流程200。该用于在地图上生成标签的方法，包括以下步骤：

步骤201，获取包含目标用户的面部图像的第一图像。

在本实施例中，用于在地图上生成标签的方法运行于其上的电子设备(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从终端设备接收包含目标用户的面部图像的第一图像。其中，第一图像可以是由线上平台或线下实体店提供，目标用户可以是线上平台或线下实体店的用户，第一图像可以是在用户在线上平台注册或首次在线下实体店办理业务(例如，办理会员卡等)时由线上平台或线下实体店收集的，并且第一图像中可以包含能够对用户进行人脸识别的面部图像(例如，具有正面、清晰的人脸区域)。

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。

步骤202，基于第一图像从预先收集的图像库中选择包含目标用户的面部图像的第二图像，其中，第二图像的图像信息中包括拍摄位置信息。

在本实施例中，用于在地图上生成标签的方法运行于其上的电子设备(例如图1所示的服务器)可以预先通过线下的图像采集装置(例如，线下实体店、公共场所等安装的摄像头)采集用户进行线下活动(例如，购物、娱乐、就餐等)时的图像(图像中包含能够进行人脸识别的面部图像)，得到包括海量的线下图像的图像库；然后基于步骤201接收的包含目标用户的面部图像的第一图像从图像库中选取包含目标用户的面部图像的第二图像，例如，通过图片搜索的方式从图片库中查找包含目标用户的面部图像的第二图像。其中，第二图像的图像信息中包括拍摄位置信息，拍摄位置信息可以是地理坐标信息，用于表示第二图像的拍摄位置。

需要说明的是，第一图像中包含的目标用户的面部图像的表情类型与第二图像中包含的目标用户的面部图像的表情类型通常不同，例如，第一图像中包含的是具有严肃表情的面部图像，第二图像中包含的是具有微笑表情的面部图像。

步骤203，对第二图像中包含的目标用户的面部图像进行表情识别，确定目标用户在拍摄位置处的面部表情类型。

用于在地图上生成标签的方法运行于其上的电子设备(例如图1所示的服务器)可以对第二图像中的目标用户的面部图像进行表情识别，从而可以确定目标用户在第二图像的拍摄位置处的面部表情类型进而确定目标用户的情绪状态。情绪是对一系列主观认知经验的通称，是多种感觉、思想和行为综合产生的心理和生理状态，情绪通常和心情、性格、脾气、目的等因素互相作用，无论正面的情绪还是负面的情绪，都会引发人们行动的动机，因此，确定目标用户在拍摄位置的情绪状态，有助于分析目标用户的行为习惯、喜好等信息。例如，目标用户在餐厅A就餐时的面部表情是微笑的或大笑的，表明目标用户比较开心，即目标用户喜欢在A餐厅就餐；而目标用户在实体店B时的面部表情是严肃的或愤怒的，则说明目标用户不喜欢或讨厌实体店B等等。

作为一个示例，人脸表情识别可以包括：人脸检测、表情特征提取和表情分类。其中，人脸检测是用基于知识或统计的方法对人脸建模，比较待检测区域与人脸模型的匹配程度，从而得到可能存在人脸的区域；表情特征提取主要是采用特征提取算法(例如，HOG(Histogram of Oriented Gradient，方向梯度直方图)、LBP(Local Binary Pattern，局部二值模式)、Gabor小波等算法)，依靠计算机技术对面部图像进行数据组织和处理，去除非表情噪声，从而得到面部表情特征；表情分类则是基于分类算法(例如，Adaboost算法、SVM(Support Vector Machine，支持向量机)算法、随机森林算法等)对面部表情特征进行分类，得到表情识别结果。

此外，人脸表情识别也可以通过预先训练的表情识别模型实现。

在本实施例的一些可选的实现方式中，对第二图像中包含的目标用户的面部图像进行表情识别，确定目标用户在拍摄位置处的面部表情类型，包括：将第二图像中包含的目标用户的面部图像输入到预先训练的表情识别模型，得到目标用户在拍摄位置处的面部表情类型，其中，表情识别模型用于表征面部图像与面部表情类型之间的对应关系，面部表情类型可以包括但不限于喜悦类型、愤怒类型、悲伤类型、恐惧类型等。

表情识别模型可以是人工神经网络，人工神经网络从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。通常由大量的节点(或称神经元)之间相互连接构成，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重(又叫做参数)，网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。表情识别模型通常包括多个层，每个层包括多个节点，通常，同一层的节点的权重可以相同，不同层的节点的权重可以不同，故表情识别模型的多个层的参数也可以不同。这里，上述电子设备可以将第二图像中包含的目标用户的面部图像从表情识别模型的输入侧输入，依次经过表情识别模型中的各层的参数的处理(例如乘积、卷积等)，并从表情识别模型的输出侧输出，输出侧输出的信息即为目标用户在拍摄位置处的面部表情类型。

在本实施例的一些可选的实现方式中，表情识别模型通过如下步骤训练得到：用于在地图上生成标签的方法运行于其上的电子设备可以首先获取多个训练样本，每个训练样本包括面部图像和与面部图像对应的面部表情类型，其中面部图像对应的面部表情类型可以是预先确定的；然后，将每个训练样本中的面部图像作为输入，将每个训练样本中的与面部图像对应的面部表情类型作为输出，训练得到表情识别模型。上述电子设备训练的可以是初始化表情识别模型，初始化表情识别模型可以是未经训练的表情识别模型或未训练完成的表情识别模型，初始化的表情识别模型的各层可以设置有初始参数，参数在表情识别模型的训练过程中可以被不断地调整。初始化表情识别模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型，例如，初始化表情识别模型可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。

步骤204，基于面部表情类型和拍摄位置信息，在地图上生成用于表征目标用户的表情的标签。

在本实施例中，用于在地图上生成标签的方法运行于其上的电子设备(例如，图1所示的服务器)可以基于步骤203确定的目标用户在拍摄位置处的面部表情类型和第二图像的拍摄位置信息，在地图上生成表征目标用户在该拍摄位置的表情的标签，作为目标用户在地图上的轨迹点。这里，标签可以是带有表情的人脸标签或能够表征目标用户情绪的其他标签，标签与面部表情类型的对应关系是预先设定的。

应当理解，尽管本实施例描述了从图像库中选取一张第二图像进行表情识别以及在地图上生成标签，但是本实施例并不限于此。

在一些可选的实现方式中，可以从图像库中选取两张以上的第二图像(如果有的话)进行表情识别，然后基于每个识别的面部表情类型和拍摄位置信息在地图上生成相应的标签。当选择两个以上的第二图像时，可以将上述步骤201至步骤204(或，步骤202至步骤204)执行多次，从而在地图上生成两个以上的标签。

通过在地图上生成表征目标用户表情的多个标签，可以实现对目标用户的线下行为数据的收集、汇总，从而有助于分析用户的行为习惯和喜好信息。例如，对于目标用户，在地图上生成了10个人脸标签，其中7个人脸标签对应的拍摄位置是餐厅，则说明目标用户比较喜欢美食；7个人脸标签中有3个是微笑的人脸标签(对应拍摄位置为中餐厅)，则说明目标用户比较喜欢中餐，等等。

继续参见图3，图3是根据本实施例的用于在地图上生成标签的方法的应用场景的一个示意图。在图3的应用场景中，在某线上平台需要获取在该平台注册的用户的线下数据的情况下，对于每个注册用户，服务器302首先从终端设备301接收包括该注册用户的面部图像的第一图像；之后，服务器302基于第一图像从预先收集的图像库(例如，由摄像头303预先采集的图像组成的图像库)中选择包含该注册用户的面部图像的第二图像；然后，对第二图像中包含在该注册用户的面部图像进行表情识别，确定该注册用户在拍摄位置处(例如，P点表示的位置处)的面部表情类型(例如，为喜悦类型)；最后，服务器302在地图304的点P处生成标签305(例如，笑脸标签)。通过上述应用场景，线上平台可以获取在该平台注册的用户的线下行为数据，从而实现线上数据与线下数据的融合，能够更好地了解用户的行为习惯和喜好。

本申请的上述实施例提供的方法通过对从线下采集的图像库中选择的图像中包含目标用户的面部图像进行表情识别获取目标用户在拍摄位置处的面部表情类型进而在地图上生成标签，从而实现对用户的线下行为数据的收集。

进一步参考图4，其示出了用于在地图上生成标签的方法的又一个实施例的流程400。该实施例中，表情识别模型包括卷积层和全连接层，该用于在地图上生成标签的方法的流程400，包括以下步骤：

步骤401，获取包含目标用户的面部图像的第一图像。

在本实施例中，用于在地图上生成标签的方法运行于其上的电子设备(例如图1所示的服务器)通过有线连接方式或者无线连接方式从终端设备接收包含目标用户的面部图像的第一图像。其中，第一图像可以是由线上平台或线下实体店提供，目标用户可以是线上平台或线下实体店的用户，第一图像可以是在用户在线上平台注册或首次在线下实体店办理业务(例如，办理会员卡等)时由线上平台或线下实体店收集的，并且第一图像中可以包含能够对用户进行人脸识别的面部图像(例如，具有正面、清晰的人脸区域)。

步骤402，从第一图像中提取目标用户的面部特征生成第一特征向量。

在本实施例中，用于在地图上生成标签的方法运行于其上的电子设备(例如，图1所示的服务器)可以对步骤401接收的第一图像进行人脸检测，确定目标用户的人脸所在的区域(即，面部图像)，之后基于特征提取算法从所确定的人脸区域中提取目标用户的面部特征，并基于提取的面部特征生成第一特征向量。

步骤403，对于图像库中的每张图像，从该图像中提取每个用户的面部特征生成第二特征向量，计算每个第二特征向量与第一特征向量的相似度，响应于存在与第一特征向量的相似度大于等于相似度阈值的第二特征向量，将该图像确定为第二图像。

在本实施例中，用于在地图上生成标签的方法运行于其上的电子设备(例如，图1所示的服务器)可以预先通过线下的图像采集装置(例如，线下实体店、公共场所等安装的摄像头)采集用户进行线下活动(例如，购物、娱乐、就餐等)时的图像(图像中包含能够进行人脸识别的面部图像)，得到包括海量的线下图像的图像库；对于图像库中的每张图像，首先进行人脸检测，确定该图像中包含的所有人脸区域，之后从该图像的每个人脸区域提取面部特征并生成第二特征向量，然后计算每个第二特征向量与第一特征向量的相似度，响应于存在与第一特征向量的相似度大于等于相似度阈值(例如，97％、95％等)的第二特征向量，将该图像确定为第二图像。

在本实施例中，可以采用夹角余弦(cosine)、欧式距离等公知的相似度计算方法来进行相似度计算。以夹角余弦为例，第二特征向量与第一特征向量之间的相似度等于这两个特征向量之间的夹角的余弦值。

步骤404，从第二图像中提取目标用户的面部图像。

在本实施例中，用于在地图上生成标签的方法运行于其上的电子设备(例如，图1所示的服务器)可以从步骤403中确定的第二图像中检测目标用户的人脸区域，并从该人脸区域提取目标用户的面部图像，作为表情识别模型的输入。

步骤405，将提取的面部图像输入到卷积层，得到第二图像中包含的目标用户的面部图像的面部特征向量，其中，卷积层用于表征面部图像与面部特征向量之间的对应关系。

在本实施例中，基于步骤404提取的目标用户的面部图像，用于在地图上生成标签的方法运行于其上的电子设备(例如，图1所示的服务器)可以将该面部图像输入至卷积层，从而得到该面部图像的面部特征向量。其中，卷积层用于表征面部图像与面部特征向量之间的对应关系。

卷积层也称为卷积神经网络，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，对于大型图像处理有出色表现。通常，卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。

上述电子设备可以通过多种方式训练出可以表征面部图像与面部图像的面部特征向量之间的对应关系的卷积层。作为示例，上述电子设备可以首先获取多个训练样本，每个训练样本包括面部图像和面部图像的面部特征向量；然后将每个训练样本中的面部图像作为输入，将每个训练样本中的面部图像的面部特征向量作为输出，训练得到能够表征面部图像与面部图像的面部特征向量之间的对应关系的卷积神经网络(即，卷积层)。

步骤406，将第二图像中包含的目标用户的面部图像的面部特征向量输入到全连接层，得到目标用户在拍摄位置处的面部表情类型，其中，全连接层用于表征面部特征向量与面部表情类型之间的特征关系。

在本实施例中，基于步骤405输出的面部特征向量，用于在地图上生成标签的方法运行于其上的电子设备(例如，图1所示的服务器)可以将面部特征向量输入至全连接层，从而得到目标用户在拍摄位置处的面部表情类型，其中，全连接层用于表征面部特征向量与面部表情类型之间的特征关系，面部表情类型可以包括但不限于喜悦类型、愤怒类型、悲伤类型、恐惧类型等。

在本实施例中，全连接层的每一个节点都与卷积神经网络(即卷积层)的输出层的所有节点相连，用来把卷积神经网络输出层输出的面部特征向量综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。同时，在利用全连接层的参数对面部特征向量进行线性变换后，可以加上一个非线性激励函数对线性变换的结果进行转换，从而引入非线性因素，以增强表情识别模型的表达能力。其中，激励函数可以是sigma函数，sigma函数是人工神经网络中常见的一种激励函数，在此不再详细赘述。

上述电子设备可以通过多种方式训练出可以表征面部特征向量与面部表情类型之间的对应关系的全连接层。作为示例，电子设备可以首先获取多个训练样本，每个训练样本包括面部特征向量和面部表情类型；然后将每个训练样本中的面部特征向量作为输入，将每个训练样本中的面部表情类型作为输出，训练得到能够表征面部特征向量与面部表情类型之间的对应关系的全连接层。

需要说明的是表情识别模型中的卷积层和全连接层可以分开训练，也可以作为一个整体同时训练，本实施例对此不进行限定。

步骤407，基于面部表情类型和拍摄位置信息，在地图上生成用于表征目标用户的表情的标签。

本实施例中，用于在地图上生成标签的方法运行于其上的电子设备(例如，图1所示的服务器)可以基于步骤406确定的面部表情类型和第二图像的拍摄位置信息，在地图上生成表征目标用户在该拍摄位置的表情的标签，作为目标用户在地图上的轨迹点。这里，标签可以是带有表情的人脸标签或能够表征目标用户情绪的其他标签，标签与面部表情类型的对应关系是预先设定的。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于在地图上生成标签的方法的流程400突出了使用包括卷积层和全连接层的表情识别模型对面部图像进行表情识别的步骤。由此，本实施例描述的方案可以获得更好的表情识别结果，从而提高了所收集的线下数据的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于在地图上生成标签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服务器中。

如图5所示，本实施例的用于在地图上生成标签的装置500包括：获取单元501、选择单元502、识别单元503和生成单元504。其中，获取单元501配置用于获取包含目标用户的面部图像的第一图像；选择单元502配置用于基于第一图像从预先收集的图像库中选择包含目标用户的面部图像的第二图像，其中，第二图像的图像信息中包括拍摄位置信息；识别单元503配置用于对第二图像中包含的目标用户的面部图像进行表情识别，确定目标用户在拍摄位置处的面部表情类型；而生成单元503配置用于基于面部表情类型和拍摄位置信息，在地图上生成用于表征目标用户的表情的标签。

在本实施例中，用于在地图上生成标签的装置500的获取单元501可以通过有线连接方式或者无线连接方式从终端设备接收包含目标用户的面部图像的第一图像。其中，第一图像可以是由线上平台或线下实体店提供，目标用户可以是线上平台或线下实体店的用户，第一图像可以是在用户在线上平台注册或首次在线下实体店办理业务(例如，办理会员卡等)时由线上平台或线下实体店收集的，并且第一图像中可以包含能够对用户进行人脸识别的面部图像(例如，具有正面、清晰的人脸区域)。

在本实施例中，上述选择单元502可以预先通过线下的图像采集装置(例如，线下实体店、公共场所等安装的摄像头)采集用户进行线下活动(例如，购物、娱乐、就餐等)时的图像(图像中包含能够进行人脸识别的面部图像)，得到包括海量的线下图像的图像库；然后基于获取单元501接收的包含目标用户的面部图像的第一图像从图像库中选取包含目标用户的面部图像的第二图像，例如，通过图片搜索的方式从图片库中查找包含目标用户的面部图像的第二图像。其中，第二图像的图像信息中包括拍摄位置信息，拍摄位置信息可以是地理坐标信息，用于表示第二图像的拍摄位置。

在本实施例的一些可选的实现方式中，选择单元502包括提取模块和确定模块。其中，提取模块配置用于从第一图像中提取目标用户的面部特征生成第一特征向量；确定模块配置用于对于图像库中的每张图像，从该图像中提取其中包含的每个用户的面部特征生成第二特征向量，计算每个第二特征向量与第一特征向量的相似度，响应于存在与第一特征向量的相似度大于等于相似度阈值的第二特征向量，将该图像确定为第二图像。

在本实施例中，上述识别单元503可以对第二图像中的目标用户的面部图像进行表情识别，从而可以确定目标用户在第二图像的拍摄位置处的面部表情类型进而确定目标用户的情绪状态。例如，目标用户在餐厅A就餐时的面部表情是微笑的或大笑的，表明目标用户比较开心，即目标用户喜欢在A餐厅就餐；而目标用户在实体店B时的面部表情是严肃的或愤怒的，则说明目标用户不喜欢或讨厌实体店B等等。

在本实施例的一些可选的实现方式中，识别单元503包括识别模块，其中，识别模块配置用于将第二图像中包含的目标用户的面部图像输入到预先训练的表情识别模型，得到目标用户在拍摄位置处的面部表情类型，其中，表情识别模型用于表征面部图像与面部表情类型之间的对应关系。

在本实施例的一些可选的实现方式中，表情识别模型包括卷积层和全连接层。

在本实施例的一些可选的实现方式中，识别模块包括图像提取模块、图像卷积模块和表情分类模块。其中，图像提取模块配置用于从第二图像中提取目标用户的面部图像；图像卷积模块配置用于将提取的面部图像输入到卷积层，得到第二图像中包含的目标用户的面部图像的面部特征向量，其中，卷积层用于表征面部图像与面部特征向量之间的对应关系；表情分类模块配置用于将第二图像中包含的目标用户的面部图像的面部特征向量输入到全连接层，得到目标用户在拍摄位置处的面部表情类型，其中，全连接层用于表征面部特征向量与面部表情类型之间的特征关系。

在本实施例的一些可选的实现方式中，表情识别模型通过如下步骤训练得到：获取多个训练样本，每个训练样本包括面部图像和与面部图像对应的面部表情类型；将每个训练样本中的面部图像作为输入，将每个训练样本中的与面部图像对应的面部表情类型作为输出，训练得到表情识别模型。

在本实施例中，生成单元504可以基于识别单元503确定的目标用户在拍摄位置处的面部表情类型和第二图像的拍摄位置信息，在地图上生成表征目标用户在该拍摄位置的表情的标签，作为目标用户在地图上的轨迹点。这里，标签可以是带有表情的人脸标签或能够表征目标用户情绪的其他标签，标签与面部表情类型的对应关系是预先设定的。

本申请的上述实施例提供的装置通过对从线下采集的图像库中选择的图像中包含目标用户的面部图像进行表情识别获取目标用户在拍摄位置处的面部表情类型进而在地图上生成标签，从而实现对用户的线下行为数据的收集。

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。

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申请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、选择单元、识别单元和生成单元。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，获取单元还可以被描述为“接收包含目标用户的面部图像的第一图像的单元”。

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：获取包含目标用户的面部图像的第一图像；基于第一图像从预先收集的图像库中选择包含目标用户的面部图像的第二图像，其中，第二图像的图像信息中包括拍摄位置信息；对第二图像中包含的目标用户的面部图像进行表情识别，确定目标用户在拍摄位置处的面部表情类型；基于面部表情类型和拍摄位置信息，在地图上生成用于表征目标用户的表情的标签。

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 (11)

1.一种用于在地图上生成标签的方法，包括：

获取线上平台提供的、包含目标用户的面部图像的第一图像，所述目标用户为在所述线上平台注册的用户；

基于所述第一图像从线下预先收集的图像库中选择包含所述目标用户的面部图像的至少两个第二图像，其中，所述第二图像的图像信息中包括拍摄位置信息；

对所述至少两个第二图像中包含的所述目标用户的面部图像进行表情识别，确定所述目标用户在拍摄位置处的面部表情类型；

基于所述面部表情类型和所述拍摄位置信息，在地图上生成用于表征所述目标用户的表情的至少两个标签。

2.根据权利要求1所述的方法，其中，所述基于所述第一图像从线下预先收集的图像库中选择包含所述目标用户的面部图像的至少两个第二图像，包括：

从所述第一图像中提取所述目标用户的面部特征生成第一特征向量；

对于所述图像库中的每张图像，从该图像中提取每个用户的面部特征生成第二特征向量，计算每个第二特征向量与所述第一特征向量的相似度，响应于存在与所述第一特征向量的相似度大于等于相似度阈值的第二特征向量，将该图像确定为第二图像。

3.根据权利要求2所述的方法，其中，所述对所述至少两个第二图像中包含的所述目标用户的面部图像进行表情识别，确定所述目标用户在拍摄位置处的面部表情类型，包括：

将所述至少两个第二图像中包含的所述目标用户的面部图像输入到预先训练的表情识别模型，得到所述目标用户在拍摄位置处的面部表情类型，其中，所述表情识别模型用于表征面部图像与面部表情类型之间的对应关系。

4.根据权利要求3所述的方法，其中，所述表情识别模型包括卷积层和全连接层。

5.根据权利要求4所述的方法，其中，所述将所述至少两个第二图像中包含的所述目标用户的面部图像输入到预先训练的表情识别模型，得到所述目标用户在拍摄位置处的面部表情类型，包括：

从所述至少两个第二图像中提取所述目标用户的面部图像；

将提取的面部图像输入到所述卷积层，得到所述至少两个第二图像中包含的所述目标用户的面部图像的面部特征向量，其中，所述卷积层用于表征面部图像与面部特征向量之间的对应关系；

将所述至少两个第二图像中包含的所述目标用户的面部图像的面部特征向量输入到所述全连接层，得到所述目标用户在拍摄位置处的面部表情类型，其中，所述全连接层用于表征面部特征向量与面部表情类型之间的特征关系。

6.根据权利要求3所述的方法，其中，所述表情识别模型通过如下步骤训练得到：

获取多个训练样本，每个训练样本包括面部图像和与面部图像对应的面部表情类型；

将每个训练样本中的面部图像作为输入，将每个训练样本中的与面部图像对应的面部表情类型作为输出，训练得到所述表情识别模型。

7.一种用于在地图上生成标签的装置，包括：

获取单元，配置用于获取线上平台提供的、包含目标用户的面部图像的第一图像，所述目标用户为在所述线上平台注册的用户；

选择单元，配置用于基于所述第一图像从线下预先收集的图像库中选择包含所述目标用户的面部图像的至少两个第二图像，其中，所述第二图像的图像信息中包括拍摄位置信息；

识别单元，配置用于对所述至少两个第二图像中包含的所述目标用户的面部图像进行表情识别，确定所述目标用户在拍摄位置处的面部表情类型；

生成单元，配置用于基于所述面部表情类型和所述拍摄位置信息，在地图上生成用于表征所述目标用户的表情的至少两个标签。

8.根据权利要求7所述的装置，其中，所述选择单元包括：

提取模块，配置用于从所述第一图像中提取所述目标用户的面部特征生成第一特征向量；

确定模块，配置用于对于所述图像库中的每张图像，从该图像中提取每个用户的面部特征生成第二特征向量，计算每个第二特征向量与所述第一特征向量的相似度，响应于存在与所述第一特征向量的相似度大于等于相似度阈值的第二特征向量，将该图像确定为第二图像。

9.根据权利要求8所述的装置，其中，所述识别单元包括：

识别模块，配置用于将所述至少两个第二图像中包含的所述目标用户的面部图像输入到预先训练的表情识别模型，得到所述目标用户在拍摄位置处的面部表情类型，其中，所述表情识别模型用于表征面部图像与面部表情类型之间的对应关系。

10.一种服务器，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。

11.一种计算机可读存储介质，其上存储有计算机程序，其中，所述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。