CN108171167A - 用于输出图像的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于输出图像的方法和装置。该方法的一具体实施方式包括：获取待预测用户在预设年龄段的人脸图像和待预测年龄段；从待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征；将待预测用户在预设年龄段的人脸特征和待预测年龄段输入至预先训练的预测模型，得到待预测用户在待预测年龄段的预测人脸特征，其中，预测模型用于预测人脸特征；基于待预测用户在待预测年龄段的预测人脸特征，生成待预测用户在待预测年龄段的预测人脸图像；输出待预测用户在待预测年龄段的预测人脸图像。该实施方式提高了所预测出的人脸图像的准确度。

Description

用于输出图像的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像处理技术领域，尤其涉及用于输出图像的方法和装置。

背景技术

图像处理，又称影像处理，是用计算机对图像进行分析，以达到所需结果的技术。近年来通过图像处理技术预测一个人以前或未来的长相的应用层出不穷。现有的人脸图像预测方法通常是基于人脸合成技术。具体地，在预测人脸图像时，首先对输入的人脸图像进行关键点检测，然后对输入的人脸图像进行三维重建，并对检测到的关键点进行三维形变，最后将相应年龄段的皱纹添加到处理后的三维模型上，从而得到重建的相应年龄段的人脸图像。

发明内容

本申请实施例提出了用于输出图像的方法和装置。

第一方面，本申请实施例提供了一种用于输出图像的方法，该方法包括：获取待预测用户在预设年龄段的人脸图像和待预测年龄段；从待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征；将待预测用户在预设年龄段的人脸特征和待预测年龄段输入至预先训练的预测模型，得到待预测用户在待预测年龄段的预测人脸特征，其中，预测模型用于预测人脸特征；基于待预测用户在待预测年龄段的预测人脸特征，生成待预测用户在待预测年龄段的预测人脸图像；输出待预测用户在待预测年龄段的预测人脸图像。

在一些实施例中，从待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征，包括：生成待预测用户在预设年龄段的人脸图像的图像矩阵，其中，图像矩阵的行对应人脸图像的高，图像矩阵的列对应人脸图像的宽，图像矩阵的元素对应人脸图像的像素；将待预测用户在预设年龄段的人脸图像的图像矩阵输入至预先训练的卷积神经网络，得到待预测用户在预设年龄段的人脸特征，其中，卷积神经网络用于表征人脸图像的图像矩阵与人脸特征之间的对应关系。

在一些实施例中，基于待预测用户在待预测年龄段的预测人脸特征，生成待预测用户在待预测年龄段的预测人脸图像，包括：将待预测用户在待预测年龄段的预测人脸特征输入至预先训练的反卷积神经网络，得到待预测用户在待预测年龄段的预测人脸图像的图像矩阵，其中，反卷积神经网络用于表征人脸特征与人脸图像的图像矩阵之间的对应关系；基于待预测用户在待预测年龄段的预测人脸图像的图像矩阵，生成待预测用户在待预测年龄段的预测人脸图像。

在一些实施例中，预测模型通过如下步骤训练得到：获取样本用户在第一年龄段的人脸图像和在第二年龄段的人脸图像；从样本用户在第一年龄段的人脸图像中提取样本用户在第一年龄段的人脸特征，并从样本用户在第二年龄段的人脸图像中提取样本用户在第二年龄段的人脸特征；将样本用户在第一年龄段的人脸特征和第二年龄段作为输入，将样本用户在第二年龄段的人脸特征作为输出，训练得到预测模型。

在一些实施例中，将样本用户在第一年龄段的人脸特征和第二年龄段作为输入，将样本用户在第二年龄段的人脸特征作为输出，训练得到预测模型，包括：执行以下训练步骤：将样本用户在第一年龄段的人脸特征和第二年龄段输入至初始预测模型，得到样本用户在第二年龄段的预测人脸特征，计算样本用户在第二年龄段的预测人脸特征与样本用户在第二年龄段的人脸特征之间的相似度，确定相似度是否大于预设相似度阈值，若大于预设相似度阈值，则将初始预测模型作为训练完成的预测模型；响应于确定相似度不大于预设相似度阈值，则调整初始预测模型的参数，并继续执行训练步骤。

第二方面，本申请实施例提供了一种用于输出图像的装置，该装置包括：获取单元，配置用于获取待预测用户在预设年龄段的人脸图像和待预测年龄段；提取单元，配置用于从待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征；预测单元，配置用于将待预测用户在预设年龄段的人脸特征和待预测年龄段输入至预先训练的预测模型，得到待预测用户在待预测年龄段的预测人脸特征，其中，预测模型用于预测人脸特征；生成单元，配置用于基于待预测用户在待预测年龄段的预测人脸特征，生成待预测用户在待预测年龄段的预测人脸图像；输出单元，配置用于输出待预测用户在待预测年龄段的预测人脸图像。

在一些实施例中，提取单元包括：第一生成子单元，配置用于生成待预测用户在预设年龄段的人脸图像的图像矩阵，其中，图像矩阵的行对应人脸图像的高，图像矩阵的列对应人脸图像的宽，图像矩阵的元素对应人脸图像的像素；第一获得子单元，配置用于将待预测用户在预设年龄段的人脸图像的图像矩阵输入至预先训练的卷积神经网络，得到待预测用户在预设年龄段的人脸特征，其中，卷积神经网络用于表征人脸图像的图像矩阵与人脸特征之间的对应关系。

在一些实施例中，生成单元包括：第二获得子单元，配置用于将待预测用户在待预测年龄段的预测人脸特征输入至预先训练的反卷积神经网络，得到待预测用户在待预测年龄段的预测人脸图像的图像矩阵，其中，反卷积神经网络用于表征人脸特征与人脸图像的图像矩阵之间的对应关系；第二生成子单元，配置用于基于待预测用户在待预测年龄段的预测人脸图像的图像矩阵，生成待预测用户在待预测年龄段的预测人脸图像。

在一些实施例中，该装置还包括训练单元，训练单元包括：获取子单元，配置用于获取样本用户在第一年龄段的人脸图像和在第二年龄段的人脸图像；提取子单元，配置用于从样本用户在第一年龄段的人脸图像中提取样本用户在第一年龄段的人脸特征，并从样本用户在第二年龄段的人脸图像中提取样本用户在第二年龄段的人脸特征；训练子单元，配置用于将样本用户在第一年龄段的人脸特征和第二年龄段作为输入，将样本用户在第二年龄段的人脸特征作为输出，训练得到预测模型。

在一些实施例中，训练子单元包括：训练模块，配置用于执行以下训练步骤：将样本用户在第一年龄段的人脸特征和第二年龄段输入至初始预测模型，得到样本用户在第二年龄段的预测人脸特征，计算样本用户在第二年龄段的预测人脸特征与样本用户在第二年龄段的人脸特征之间的相似度，确定相似度是否大于预设相似度阈值，若大于预设相似度阈值，则将初始预测模型作为训练完成的预测模型；调整模块，配置用于响应于确定相似度不大于预设相似度阈值，则调整初始预测模型的参数，并继续执行训练步骤。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：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第一方面中任一实现方式描述的方法。

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，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于输出图像的方法和装置，首先从所获取的待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征；然后将待预测用户在预设年龄段的人脸特征和所获取的待预测年龄段输入至预先训练的、用于预测人脸特征的预测模型，从而得到待预测用户在待预测年龄段的预测人脸特征；最后基于待预测用户在待预测年龄段的预测人脸特征，生成待预测用户在待预测年龄段的预测人脸图像，并输出待预测用户在待预测年龄段的预测人脸图像。利用用于预测人脸特征的预测模型预测用户在相应年龄段的人脸特征，并基于所预测的人脸特征生成用户在相应年龄段的人脸图像，从而提高了所预测出的人脸图像的准确度。

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是根据本申请的用于输出图像的方法的一个实施例的流程图；

图3是根据本申请的预测模型训练方法的一个实施例的流程图；

图4是根据本申请的用于输出图像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实施例的用于输出图像的方法或用于输出图像的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，例如图像预测类应用、图像处理类应用等。

终端设备101、102、103可以是具有显示屏并且支持图像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，服务器105可以是终端设备101、102、103上安装的图像预测类应用的后台服务器。图像预测类应用的后台服务器可以对所获取到的待预测用户在预设年龄段的人脸图像和待预测年龄段等数据进行分析等处理，并输出处理结果(例如待预测用户在待预测年龄段的预测人脸图像)。

需要说明的是，本申请实施例所提供的用于输出图像的方法一般由服务器105执行，相应地，用于输出图像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，其示出了根据本申请的用于输出图像的方法的一个实施例的流程200。该用于输出图像的方法，包括以下步骤：

步骤201，获取待预测用户在预设年龄段的人脸图像和待预测年龄段。

在本实施例中，用于输出图像的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)获取待预测用户在预设年龄段(例如30岁)的人脸图像和待预测年龄段(例如10岁、50岁)。其中，人脸图像可以是包括人脸区域的图像。待预测用户在预设年龄段的人脸图像可以是当待预测用户在预设年龄段时通过手机、相机、摄像机或摄像头所拍摄的待预测用户的静态或动态人脸图像。例如，当待预测用户10岁时通过手机所拍摄的待预测用户的静态人脸图像。

实践中，图像预测类应用可以是用于预测用户在任意年龄段时的人脸图像的应用。终端设备上可以安装有图像预测类应用，电子设备可以是图像预测类应用的后台服务器。用户可以首先通过图像预测类应用载入待预测用户在预设年龄段的人脸图像，并通过图像预测类应用输入或选择待预测年龄段；然后当用户点击图像预测类应用上的预测按钮时，就可以向图像预测类应用的后台服务器发送包括待预测用户在预设年龄段的人脸图像和待预测年龄段的预测指令。图像预测类应用的后台服务器接收到该预测指令之后，可以提取出该预测指令中的待预测用户在预设年龄段的人脸图像和待预测年龄段。作为示例，若用户A当前20岁，需要预测用户A在50岁时的人脸图像，则可以首先通过终端设备拍摄用户A的当前人脸图像；然后通过图像预测类应用载入用户A的当前人脸图像，同时通过图像预测类应用选择待预测年龄段“50岁”；最后当用户点击图像预测类应用上的预测按钮时，就可以向图像预测应用的后台服务器发送包括用户A的当前人脸图像和待预测年龄段“50岁”的预测指令。图像预测类应用的后台服务器接收到该预测指令之后，可以提取出该预测指令中的用户A的当前人脸图像和待预测年龄段“50岁”。

步骤202，从待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征。

在本实施例中，基于步骤201所获取的待预测用户在预设年龄段的人脸图像，电子设备可以从待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征。其中，人脸特征可以是对人脸图像的脸特征进行描述的信息，包括但不限于颜色特征、纹理特征、形状特征、空间关系特征等等。

在本实施例的一些可选的实现方式中，电子设备可以首先检测待预测用户在预设年龄段的人脸图像中的人脸的位置；然后对待预测用户在预设年龄段的人脸图像中的人脸的位置所处的区域利用数学模型并结合图像处理技术进行图像分析，以提取待预测用户在预设年龄段的至少一项面部特征，并将其作为待预测用户在预设年龄段的人脸特征。其中，面部特征可以是脸型、五官的形状、五官的位置及比例等等。

在本实施例的一些可选的实现方式中，电子设备可以首先生成待预测用户在预设年龄段的人脸图像的图像矩阵；然后将待预测用户在预设年龄段的人脸图像的图像矩阵输入至预先训练的、表征人脸图像的图像矩阵与人脸特征之间的对应关系的卷积神经网络，从而得到待预测用户在预设年龄段的人脸特征。

实践中，图像可以用矩阵来表示。具体地，图像矩阵的行可以对应人脸图像的高，图像矩阵的列可以对应人脸图像的宽，图像矩阵的元素可以对应人脸图像的像素。作为示例，在图像是灰度图像的情况下，图像矩阵的元素可以对应灰度图像的灰度值；在图像是彩色图像的情况下，图像矩阵的元素对应彩色图像的RGB(Red Green Blue，红绿蓝)值。通常，人类视力所能感知的所有颜色均是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到的。

这里，卷积神经网络可以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。并且，卷积神经网络的输入是人脸图像的图像矩阵，卷积神经网络的输出是人脸特征，使得卷积神经网络可以用于表征人脸图像的图像矩阵与人脸特征之间的对应关系。

这里，电子设备可以首先获取样本人脸图像所对应的图像矩阵和样本人脸图像所对应的人脸特征；然后将样本人脸图像所对应的图像矩阵作为输入，将样本人脸图像所对应的人脸特征作为输出，训练得到能够表征人脸图像的图像矩阵与人脸特征之间的对应关系的卷积神经网络。其中，电子设备训练的可以是初始卷积神经网络，初始卷积神经网络可以是未经训练的卷积神经网络或未训练完成的卷积神经网络，初始卷积神经网络的各层可以设置有初始参数，参数在训练过程中可以被不断地调整，直至训练出能够表征人脸图像的图像矩阵与人脸特征之间的对应关系的卷积神经网络为止。

步骤203，将待预测用户在预设年龄段的人脸特征和待预测年龄段输入至预先训练的预测模型，得到待预测用户在待预测年龄段的预测人脸特征。

在本实施例中，基于步骤202所提取的待预测用户在预设年龄段的人脸特征和步骤201所获取的待预测年龄段，电子设备可以将待预测用户在预设年龄段的人脸特征和待预测年龄段输入至预先训练的、用于预测人脸特征的预测模型，从而得到待预测用户在待预测年龄段的预测人脸特征。

在本实施例中，预测模型可以用于预测人脸特征，电子设备可以通过多种方式训练预测模型。

作为一种示例，电子设备可以首先收集大量用户在不同年龄段的多张人脸图像；然后分别提取对应的人脸特征，从而生成存储有多个用户在不同年龄段的人脸特征的数据表，并将该数据表作为预测模型。这样，电子设备可以将待预测用户在预设年龄段的人脸特征与该数据表中的多个用户在预设年龄段的人脸特征进行匹配，若存在用户在预设年龄段的人脸特征与待预测用户在预设年龄段的人脸特征相同或相似，则从该数据表中获取该用户在待预测年龄段的人脸特征，并作为待预测用户在待预测年龄段的人脸特征。

作为另一种示例，电子设备可以首先获取样本用户在第一年龄段(例如10岁、20岁、30岁、40岁)的人脸图像和在第二年龄段(例如50岁、60岁、70岁、80岁)的人脸图像；从样本用户在第一年龄段的人脸图像中提取样本用户在第一年龄段的人脸特征，并从样本用户在第二年龄段的人脸图像中提取样本用户在第二年龄段的人脸特征；将样本用户在第一年龄段的人脸特征和第二年龄段作为输入，将样本用户在第二年龄段的人脸特征作为输出，训练得到预测模型。

这里，预测模型可以是神经网络，它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)之间相互联接构成，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。电子设备训练的可以是初始神经网络，初始神经网络可以是未经训练的神经网络或未训练完成的神经网络，初始神经网络可以设置有初始参数，参数在训练过程中可以被不断地调整，直至训练出可以用于预测人脸特征的预测模型为止。这样，电子设备可以将待预测用户在预设年龄段的人脸图像和待预测年龄段从预测模型的输入侧输入，经过预测模型的处理，并从预测模型的输出侧输出，输出侧输出的信息即为待预测用户在待预测年龄段的预测人脸特征。

需要说明的是，提取样本用户在第一年龄段和第二年龄段的人脸特征的方法与提取的待预测用户在预设年龄段的人脸特征的方法类似，此处不在赘述。

步骤204，基于待预测用户在待预测年龄段的预测人脸特征，生成待预测用户在待预测年龄段的预测人脸图像。

在本实施例中，基于步骤203所得到的待预测用户在待预测年龄段的预测人脸特征，电子设备可以生成待预测用户在待预测年龄段的人脸图像。

在本实施例的一些可选的实现方式中，人脸特征可以是对人脸图像的脸特征进行描述的信息，电子设备可以根据待预测用户在待预测年龄段的预测人脸特征中对脸型、五官形状、五官位置及比例等进行描述的信息，直接勾勒出待预测用户在待预测年龄段的预测人脸图像。

在本实施例的一些可选的实现方式中，电子设备可以首先将待预测用户在待预测年龄段的预测人脸特征输入至预先训练的、表征人脸特征与人脸图像的图像矩阵之间的对应关系的反卷积神经网络，从而得到待预测用户在待预测年龄段的预测人脸图像的图像矩阵；然后基于待预测用户在待预测年龄段的预测人脸图像的图像矩阵，生成待预测用户在待预测年龄段的预测人脸图像。

这里，反卷积神经网络的处理过程可以是卷积神经网络的处理过程的反过程，其输入是人脸特征，其输出是人脸图像的图像矩阵，使得反卷积神经网络可以将人脸特征处理为人脸图像的图像矩阵。其中，电子设备训练的可以是初始反卷积神经网络，初始反卷积神经网络可以是未经训练的反卷积神经网络或未训练完成的反卷积神经网络，初始反卷积神经网络的各层可以设置有初始参数，参数在训练过程中可以被不断地调整，直至训练出能够表征人脸特征与人脸图像的图像矩阵之间的对应关系的反卷积神经网络为止。

这里，电子设备可以将待预测用户在待预测年龄段的预测人脸图像的图像矩阵的行转换为预测人脸图像的高，待预测用户在待预测年龄段的预测人脸图像的图像矩阵的列转换为预测人脸图像的宽，待预测用户在待预测年龄段的预测人脸图像的图像矩阵的元素转换为预测人脸图像的像素，从而得到待预测用户在待预测年龄段的预测人脸图像。

步骤205，输出待预测用户在待预测年龄段的预测人脸图像。

在本实施例中，基于步骤204所得到的待预测用户在待预测年龄段的预测人脸图像，电子设备可以输出待预测用户在待预测年龄段的预测人脸图像。作为示例，电子设备可以将待预测用户在待预测年龄段的预测人脸图像发送至用户的终端设备，以使终端设备的显示屏上可以显示待预测用户在待预测年龄段的预测人脸图像。

本申请实施例提供的用于输出图像的方法，首先从所获取的待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征；然后将待预测用户在预设年龄段的人脸特征和所获取的待预测年龄段输入至预先训练的、用于预测人脸特征的预测模型，从而得到待预测用户在待预测年龄段的预测人脸特征；最后基于待预测用户在待预测年龄段的预测人脸特征，生成待预测用户在待预测年龄段的预测人脸图像，并输出待预测用户在待预测年龄段的预测人脸图像。利用用于预测人脸特征的预测模型预测用户在相应年龄段的人脸特征，并基于所预测的人脸特征生成用户在相应年龄段的人脸图像，从而提高了所预测出的人脸图像的准确度。

进一步参考图3，其示出了根据本申请的预测模型训练方法的一个实施例的流程300。该预测模型训练方法的流程300，包括以下步骤：

步骤301，获取样本用户在第一年龄段的人脸图像和在第二年龄段的人脸图像。

在本实施例中，预测模型训练方法运行于其上的电子设备(例如图1所示的服务器105)可以获取样本用户在第一年龄段(例如10岁、20岁、30岁、40岁)的人脸图像和在第二年龄段(例如50岁、60岁、70岁、80岁)的人脸图像。其中，样本用户在第一年龄段和第二年龄段的人脸图像可以是所收集的大量用户在不同年龄段的多张人脸图像。可选地，还可以通过人脸检测技术过滤掉所收集的人脸图像中人脸区域存在遮挡物或者人脸区域模糊不清的人脸图像，以避免影响预测模型的参数的准确度。

步骤302，从样本用户在第一年龄段的人脸图像中提取样本用户在第一年龄段的人脸特征，并从样本用户在第二年龄段的人脸图像中提取样本用户在第二年龄段的人脸特征。

在本实施例中，基于步骤301所获取的样本用户在第一年龄段的人脸图像和在第二年龄段的人脸图像，电子设备可以从样本用户在第一年龄段的人脸图像中提取样本用户在第一年龄段的人脸特征，并从样本用户在第二年龄段的人脸图像中提取样本用户在第二年龄段的人脸特征。其中，人脸特征可以是对人脸图像的脸特征进行描述的信息，包括但不限于颜色特征、纹理特征、形状特征、空间关系特征等等。

需要说明的是，提取样本用户在第一年龄段和第二年龄段的人脸特征的方法与提取的待预测用户在预设年龄段的人脸特征的方法类似，此处不在赘述。

步骤303，将样本用户在第一年龄段的人脸特征和第二年龄段输入至初始预测模型，得到样本用户在第二年龄段的预测人脸特征。

在本实施例中，电子设备可以将样本用户在第一年龄段的人脸特征和第二年龄段输入至初始预测模型，从而得到样本用户在第二年龄段的预测人脸特征。其中，初始预测模型可以是未经训练的神经网络或未训练完成的神经网络，其各层设置有初始参数，初始参数在训练过程中可以被不断地调整。

步骤304，计算样本用户在第二年龄段的预测人脸特征与样本用户在第二年龄段的人脸特征之间的相似度。

在本实施例中，基于在步骤303所得到的样本用户在第二年龄段的预测人脸特征和步骤302所提取的样本用户在第二年龄段的人脸特征，电子设备可以计算样本用户在第二年龄段的预测人脸特征与样本用户在第二年龄段的人脸特征之间的相似度。

在本实施例中，人脸特征通常可以用向量表示。此时，电子设备可以计算样本用户在第二年龄段的预测人脸特征与样本用户在第二年龄段的人脸特征之间的欧氏距离或余弦距离，通常，欧氏距离越小或余弦距离越接近1，相似度越高，欧氏距离越大或余弦距离越偏离1，相似度越低。

步骤305，确定相似度是否大于预设相似度阈值。

在本实施例中，基于步骤304所计算的相似度，电子设备可以将所计算的相似度与预设相似度阈值进行比较，若大于预设相似度阈值，则执行步骤306；若不大于预设相似度阈值，则执行步骤307。

步骤306，将初始预测模型作为训练完成的预测模型。

在本实施例中，在所计算的相似度大于预设相似度阈值的情况下，说明该预测模型训练完成，此时，电子设备可以将初始预测模型作为训练完成的预测模型。

步骤307，调整初始预测模型的参数，并继续执行训练步骤。

在本实施例中，在所计算的相似度不大于预设相似度阈值的情况下，电子设备可以调整初始预测模型的参数，并返回执行步骤303，直至训练出能够用于预测人脸特征的预测模型为止。

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输出图像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，本实施例的用于输出图像的装置400可以包括：获取单元401、提取单元402、预测单元403、生成单元404和输出单元405。其中，获取单元401，配置用于获取待预测用户在预设年龄段的人脸图像和待预测年龄段；提取单元402，配置用于从待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征；预测单元403，配置用于将待预测用户在预设年龄段的人脸特征和待预测年龄段输入至预先训练的预测模型，得到待预测用户在待预测年龄段的预测人脸特征，其中，预测模型用于预测人脸特征；生成单元404，配置用于基于待预测用户在待预测年龄段的预测人脸特征，生成待预测用户在待预测年龄段的预测人脸图像；输出单元405，配置用于输出待预测用户在待预测年龄段的预测人脸图像。

在本实施例中，用于输出图像的装置400中：获取单元401、提取单元402、预测单元403、生成单元404和输出单元405的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，提取单元402可以包括：第一生成子单元(图中未示出)，配置用于生成待预测用户在预设年龄段的人脸图像的图像矩阵，其中，图像矩阵的行对应人脸图像的高，图像矩阵的列对应人脸图像的宽，图像矩阵的元素对应人脸图像的像素；第一获得子单元(图中未示出)，配置用于将待预测用户在预设年龄段的人脸图像的图像矩阵输入至预先训练的卷积神经网络，得到待预测用户在预设年龄段的人脸特征，其中，卷积神经网络用于表征人脸图像的图像矩阵与人脸特征之间的对应关系。

在本实施例的一些可选的实现方式中，生成单元404可以包括：第二获得子单元(图中未示出)，配置用于将待预测用户在待预测年龄段的预测人脸特征输入至预先训练的反卷积神经网络，得到待预测用户在待预测年龄段的预测人脸图像的图像矩阵，其中，反卷积神经网络用于表征人脸特征与人脸图像的图像矩阵之间的对应关系；第二生成子单元(图中未示出)，配置用于基于待预测用户在待预测年龄段的预测人脸图像的图像矩阵，生成待预测用户在待预测年龄段的预测人脸图像。

在本实施例的一些可选的实现方式中，用于输出图像的装置400还可以包括训练单元(图中未示出)，训练单元可以包括：获取子单元(图中未示出)，配置用于获取样本用户在第一年龄段的人脸图像和在第二年龄段的人脸图像；提取子单元(图中未示出)，配置用于从样本用户在第一年龄段的人脸图像中提取样本用户在第一年龄段的人脸特征，并从样本用户在第二年龄段的人脸图像中提取样本用户在第二年龄段的人脸特征；训练子单元(图中未示出)，配置用于将样本用户在第一年龄段的人脸特征和第二年龄段作为输入，将样本用户在第二年龄段的人脸特征作为输出，训练得到预测模型。

在本实施例的一些可选的实现方式中，训练子单元可以包括：训练模块(图中未示出)，配置用于执行以下训练步骤：将样本用户在第一年龄段的人脸特征和第二年龄段输入至初始预测模型，得到样本用户在第二年龄段的预测人脸特征，计算样本用户在第二年龄段的预测人脸特征与样本用户在第二年龄段的人脸特征之间的相似度，确定相似度是否大于预设相似度阈值，若大于预设相似度阈值，则将初始预测模型作为训练完成的预测模型；调整模块(图中未示出)，配置用于响应于确定相似度不大于预设相似度阈值，则调整初始预测模型的参数，并继续执行训练步骤。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子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；包括诸如阴极射线管(CRT)、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、提取单元、预测单元、生成单元和输出单元。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，获取单元还可以被描述为“获取待预测用户在预设年龄段的人脸图像和待预测年龄段的单元”。

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：获取待预测用户在预设年龄段的人脸图像和待预测年龄段；从待预测用户在预设年龄段的人脸图像中提取待预测用户在预设年龄段的人脸特征；将待预测用户在预设年龄段的人脸特征和待预测年龄段输入至预先训练的预测模型，得到待预测用户在待预测年龄段的预测人脸特征，其中，预测模型用于预测人脸特征；基于待预测用户在待预测年龄段的预测人脸特征，生成待预测用户在待预测年龄段的预测人脸图像；输出待预测用户在待预测年龄段的预测人脸图像。

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 (12)

1.一种用于输出图像的方法，包括：

获取待预测用户在预设年龄段的人脸图像和待预测年龄段；

从所述待预测用户在所述预设年龄段的人脸图像中提取所述待预测用户在所述预设年龄段的人脸特征；

将所述待预测用户在所述预设年龄段的人脸特征和所述待预测年龄段输入至预先训练的预测模型，得到所述待预测用户在所述待预测年龄段的预测人脸特征，其中，所述预测模型用于预测人脸特征；

基于所述待预测用户在所述待预测年龄段的预测人脸特征，生成所述待预测用户在所述待预测年龄段的预测人脸图像；

输出所述待预测用户在所述待预测年龄段的预测人脸图像。

2.根据权利要求1所述的方法，其中，所述从所述待预测用户在所述预设年龄段的人脸图像中提取所述待预测用户在所述预设年龄段的人脸特征，包括：

生成所述待预测用户在所述预设年龄段的人脸图像的图像矩阵，其中，图像矩阵的行对应人脸图像的高，图像矩阵的列对应人脸图像的宽，图像矩阵的元素对应人脸图像的像素；

将所述待预测用户在所述预设年龄段的人脸图像的图像矩阵输入至预先训练的卷积神经网络，得到所述待预测用户在所述预设年龄段的人脸特征，其中，所述卷积神经网络用于表征人脸图像的图像矩阵与人脸特征之间的对应关系。

3.根据权利要求1所述的方法，其中，所述基于所述待预测用户在所述待预测年龄段的预测人脸特征，生成所述待预测用户在所述待预测年龄段的预测人脸图像，包括：

将所述待预测用户在所述待预测年龄段的预测人脸特征输入至预先训练的反卷积神经网络，得到所述待预测用户在所述待预测年龄段的预测人脸图像的图像矩阵，其中，所述反卷积神经网络用于表征人脸特征与人脸图像的图像矩阵之间的对应关系；

基于所述待预测用户在所述待预测年龄段的预测人脸图像的图像矩阵，生成所述待预测用户在所述待预测年龄段的预测人脸图像。

4.根据权利要求1所述的方法，其中，所述预测模型通过如下步骤训练得到：

获取样本用户在第一年龄段的人脸图像和在第二年龄段的人脸图像；

从所述样本用户在所述第一年龄段的人脸图像中提取所述样本用户在所述第一年龄段的人脸特征，并从所述样本用户在所述第二年龄段的人脸图像中提取所述样本用户在所述第二年龄段的人脸特征；

将所述样本用户在所述第一年龄段的人脸特征和所述第二年龄段作为输入，将所述样本用户在所述第二年龄段的人脸特征作为输出，训练得到预测模型。

5.根据权利要求4所述的方法，其中，所述将所述样本用户在所述第一年龄段的人脸特征和所述第二年龄段作为输入，将所述样本用户在所述第二年龄段的人脸特征作为输出，训练得到预测模型，包括：

执行以下训练步骤：将所述样本用户在所述第一年龄段的人脸特征和所述第二年龄段输入至初始预测模型，得到所述样本用户在所述第二年龄段的预测人脸特征，计算所述样本用户在所述第二年龄段的预测人脸特征与所述样本用户在所述第二年龄段的人脸特征之间的相似度，确定所述相似度是否大于预设相似度阈值，若大于所述预设相似度阈值，则将所述初始预测模型作为训练完成的预测模型；

响应于确定所述相似度不大于所述预设相似度阈值，则调整所述初始预测模型的参数，并继续执行所述训练步骤。

6.一种用于输出图像的装置，包括：

获取单元，配置用于获取待预测用户在预设年龄段的人脸图像和待预测年龄段；

提取单元，配置用于从所述待预测用户在所述预设年龄段的人脸图像中提取所述待预测用户在所述预设年龄段的人脸特征；

预测单元，配置用于将所述待预测用户在所述预设年龄段的人脸特征和所述待预测年龄段输入至预先训练的预测模型，得到所述待预测用户在所述待预测年龄段的预测人脸特征，其中，所述预测模型用于预测人脸特征；

生成单元，配置用于基于所述待预测用户在所述待预测年龄段的预测人脸特征，生成所述待预测用户在所述待预测年龄段的预测人脸图像；

输出单元，配置用于输出所述待预测用户在所述待预测年龄段的预测人脸图像。

7.根据权利要求6所述的装置，其中，所述提取单元包括：

第一生成子单元，配置用于生成所述待预测用户在所述预设年龄段的人脸图像的图像矩阵，其中，图像矩阵的行对应人脸图像的高，图像矩阵的列对应人脸图像的宽，图像矩阵的元素对应人脸图像的像素；

第一获得子单元，配置用于将所述待预测用户在所述预设年龄段的人脸图像的图像矩阵输入至预先训练的卷积神经网络，得到所述待预测用户在所述预设年龄段的人脸特征，其中，所述卷积神经网络用于表征人脸图像的图像矩阵与人脸特征之间的对应关系。

8.根据权利要求6所述的装置，其中，所述生成单元包括：

第二获得子单元，配置用于将所述待预测用户在所述待预测年龄段的预测人脸特征输入至预先训练的反卷积神经网络，得到所述待预测用户在所述待预测年龄段的预测人脸图像的图像矩阵，其中，所述反卷积神经网络用于表征人脸特征与人脸图像的图像矩阵之间的对应关系；

第二生成子单元，配置用于基于所述待预测用户在所述待预测年龄段的预测人脸图像的图像矩阵，生成所述待预测用户在所述待预测年龄段的预测人脸图像。

9.根据权利要求6所述的装置，其中，所述装置还包括训练单元，所述训练单元包括：

获取子单元，配置用于获取样本用户在第一年龄段的人脸图像和在第二年龄段的人脸图像；

提取子单元，配置用于从所述样本用户在所述第一年龄段的人脸图像中提取所述样本用户在所述第一年龄段的人脸特征，并从所述样本用户在所述第二年龄段的人脸图像中提取所述样本用户在所述第二年龄段的人脸特征；

训练子单元，配置用于将所述样本用户在所述第一年龄段的人脸特征和所述第二年龄段作为输入，将所述样本用户在所述第二年龄段的人脸特征作为输出，训练得到预测模型。

10.根据权利要求9所述的装置，其中，所述训练子单元包括：

训练模块，配置用于执行以下训练步骤：将所述样本用户在所述第一年龄段的人脸特征和所述第二年龄段输入至初始预测模型，得到所述样本用户在所述第二年龄段的预测人脸特征，计算所述样本用户在所述第二年龄段的预测人脸特征与所述样本用户在所述第二年龄段的人脸特征之间的相似度，确定所述相似度是否大于预设相似度阈值，若大于所述预设相似度阈值，则将所述初始预测模型作为训练完成的预测模型；

调整模块，配置用于响应于确定所述相似度不大于所述预设相似度阈值，则调整所述初始预测模型的参数，并继续执行所述训练步骤。

11.一种电子设备，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1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机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。