CN108363995B - 用于生成数据的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成数据的方法和装置。该方法的一具体实施方式包括：获取目标人脸的二维人脸图像和目标人脸的初始点云数据；对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角；获取用于表征第二设备与第一设备的位置关系的位置信息；基于正面姿态角和位置信息，对初始点云数据的坐标进行调整，以得到目标人脸的正面点云数据；将正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据。该实施方式了生成三维人脸特征数据的准确性和灵活性。

Description

用于生成数据的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成数据的方法和装置。

背景技术

随着计算机视觉技术的快速发展，人脸识别技术受到越来越广泛的关注。三维人脸识别技术相对于二维人脸识别技术，具有对光照条件要求低、受人脸姿态以及人脸表情等因素影响小等优点。因此随着三维数据采集技术飞速发展以及采集的三维数据的质量和精度大大提升，三维人脸识别技术的应用领域越来越广泛。

发明内容

本申请实施例提出了用于生成数据的方法和装置。

第一方面，本申请实施例提供了一种用于生成数据的方法，该方法包括：获取目标人脸的二维人脸图像和目标人脸的初始点云数据；对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角，其中，正面姿态角用于表征目标人脸的正面朝向相对于拍摄得到二维人脸图像的第一设备的偏转程度；获取用于表征第二设备与第一设备的位置关系的位置信息，其中，第二设备用于拍摄得到初始点云数据；基于正面姿态角和位置信息，对初始点云数据的坐标进行调整，以得到目标人脸的正面点云数据；将正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据，其中，三维人脸识别模型用于表征点云数据与三维人脸特征数据的对应关系。

在一些实施例中，对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角，包括：将二维人脸图像输入预先训练的二维人脸识别模型，得到目标人脸的正面姿态角，其中，二维人脸识别模型用于表征二维人脸图像与二维人脸图像所表征的人脸的正面姿态角的对应关系。

在一些实施例中，二维人脸识别模型通过如下步骤训练得到：获取多个样本二维人脸图像和多个样本二维人脸图像中的每个样本二维人脸图像对应的标注人脸姿态角；利用机器学习方法，将多个样本二维人脸图像中的每个样本二维人脸图像作为输入，将与输入的样本二维人脸图像对应的标注人脸姿态角作为输出，训练得到二维人脸识别模型。

在一些实施例中，三维人脸识别模型通过如下步骤训练得到：获取多个样本人脸点云数据和多个样本人脸点云数据中的每个样本人脸点云数据对应的样本人脸特征数据；利用机器学习方法，将多个样本人脸点云数据中的每个样本人脸点云数据作为输入，将与输入的样本人脸点云数据对应的样本人脸特征数据作为输出，训练得到三维人脸识别模型。

在一些实施例中，初始点云数据是对预设的目标人脸的点云数据进行降噪处理后得到的点云数据。

第二方面，本申请实施例提供了一种用于生成数据的装置，该装置包括：第一获取单元，配置用于获取目标人脸的二维人脸图像和目标人脸的初始点云数据；计算单元，配置用于对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角，其中，正面姿态角用于表征目标人脸的正面朝向相对于拍摄得到二维人脸图像的第一设备的偏转程度；第二获取单元，配置用于获取用于表征第二设备与第一设备的位置关系的位置信息，其中，第二设备用于拍摄得到初始点云数据；调整单元，配置用于基于正面姿态角和位置信息，对初始点云数据的坐标进行调整，以得到目标人脸的正面点云数据；生成单元，配置用于将正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据，其中，三维人脸识别模型用于表征点云数据与三维人脸特征数据的对应关系。

在一些实施例中，计算单元进一步配置用于：将二维人脸图像输入预先训练的二维人脸识别模型，得到目标人脸的正面姿态角，其中，二维人脸识别模型用于表征二维人脸图像与二维人脸图像所表征的人脸的正面姿态角的对应关系。

在一些实施例中，二维人脸识别模型通过如下步骤训练得到：获取多个样本二维人脸图像和多个样本二维人脸图像中的每个样本二维人脸图像对应的标注人脸姿态角；利用机器学习方法，将多个样本二维人脸图像中的每个样本二维人脸图像作为输入，将与输入的样本二维人脸图像对应的标注人脸姿态角作为输出，训练得到二维人脸识别模型。

在一些实施例中，三维人脸识别模型通过如下步骤训练得到：获取多个样本人脸点云数据和多个样本人脸点云数据中的每个样本人脸点云数据对应的样本人脸特征数据；利用机器学习方法，将多个样本人脸点云数据中的每个样本人脸点云数据作为输入，将与输入的样本人脸点云数据对应的样本人脸特征数据作为输出，训练得到三维人脸识别模型。

在一些实施例中，初始点云数据是对预设的目标人脸的点云数据进行降噪处理后得到的点云数据。

第三方面，本申请实施例提供了一种服务器，该服务器包括：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生成数据的方法和装置，通过获取第一设备拍摄得到的目标人脸的二维人脸图像和第二设备拍摄得到的点云数据，再对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角，然后获取表征第二设备与述第一设备的位置关系的位置信息。接着基于正面姿态角和位置信息，得到目标人脸的正面点云数据。最后利用三维人脸识别模型得到三维人脸特征数据。提高了生成三维人脸特征数据的准确性和灵活性。

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生成数据的方法的一个实施例的流程图；

图3是根据本申请的用于生成数据的方法的正面姿态角的示例性示意图；

图4是根据本申请的用于生成数据的方法的一个应用场景的示意图；

图5是根据本申请的用于生成数据的方法的又一个实施例的流程图；

图6是根据本申请的用于生成数据的装置的一个实施例的结构示意图；

图7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实施例的用于生成数据的方法或用于生成数据的装置的示例性系统架构100。

如图1所示，系统架构100可以包括第一设备101、第二设备102、终端设备103、104、105，网络106和服务器107。其中，第一设备101用于对人脸进行拍摄以得到二维人脸图像，第二设备102用于对人脸进行拍摄以得到点云数据。第一设备101和第二设备102分别与终端设备通信连接。网络106用以在终端设备103、104、105和服务器107之间提供通信链路的介质。网络106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103、104、105通过网络106与服务器107交互，以接收或发送消息等。终端设备103、104、105上可以安装有各种应用，例如图像拍摄类应用、图像处理类应用等。

终端设备103、104、105可以是硬件，也可以是软件。当终端设备103、104、105为硬件时，可以是具有显示屏并且支持图像显示的各种电子设备，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 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103、104、105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107可以是提供各种服务的服务器，例如对终端设备103、104、105发送的数据进行处理的后台数据处理服务器。后台数据处理服务器可以对接收到的数据进行处理，并将处理结果(例如人脸的正面点云数据)存储于服务器107或反馈给终端设备。

需要说明的是，本申请实施例所提供的用于生成数据的方法一般由服务器107执行，相应地，用于生成数据的装置一般设置于服务器107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。

继续参考图2，示出了根据本申请的用于生成数据的方法的一个实施例的流程200。该用于生成数据的方法，包括以下步骤：

步骤201，获取目标人脸的二维人脸图像和目标人脸的初始点云数据。

在本实施例中，用于生成数据的方法的执行主体(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从远程或从本地获取目标人脸的二维人脸图像和目标人脸的初始点云数据。其中，目标人脸可以是在特定场合(例如某地段、某房间等)被拍摄以得到二维人脸图像和初始点云数据的人脸。二维人脸图像可以是各种类型的图像，例如灰度图像、彩色图像、红外图像等。初始点云数据可以是利用预设的拍摄手段(例如双目摄像头技术、单目结构光技术、激光三维扫描技术)对目标人脸拍摄得到的、表征目标人脸的三维特征的点云数据。其中。点云数据可以是三维坐标系下的点数据的集合。点数据可以包括三维坐标信息、颜色信息、类别信息、光照强度值信息等等。

在本实施例的一些可选的实现方式中，上述初始点云数据可以是对预设的目标人脸的点云数据进行降噪处理后得到的点云数据。通常，在拍摄目标人脸的设备容易受到光照、相机抖动等因素的影响，造成点云数据失真和降质。因此，需要对点云数据进行降噪处理。实践中，可以采用各种算法对点云数据进行降噪处理。作为示例，降噪算法可以包括快速网格光顺算法、双边滤波算法等。

步骤202，对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角。

在本实施例中，基于步骤201中获取的二维人脸图像，上述执行主体可以对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角。其中，正面姿态角用于表征目标人脸的正面朝向相对于拍摄得到二维人脸图像的第一设备(例如图1所示的第一设备101)的偏转程度。姿态角用于表征人脸的偏转的角度，包括俯仰角(pitch)、偏航角(yaw)、翻滚角(roll)三种角度，分别代表上下翻转，左右翻转，平面内旋转的角度。如图3所示，x轴、y轴、z轴是直角坐标系的三个轴。其中，y轴可以为通过人的头顶中心点且与水平面垂直的直线，x轴可以为与人的两个眼球中心点的连线平行的直线。则图3中的z轴的负方向可以为人脸的正面朝向。俯仰角可以为人脸绕x轴旋转的角度，偏航角可以为人脸绕y轴旋转的角度，翻滚角可以为人脸绕z轴旋转的角度。通过上述正面姿态角，可以确定目标人脸与第一设备的偏转程度(例如已知目标人脸与第一设备的距离，进而可以计算出目标人脸的正面朝向与基于第一设备所在位置建立的三维坐标系的各坐标轴的夹角)。

上述执行主体可以按照各种人脸姿态估计的方法对二维人脸图像进行人脸姿态估计。其中，人脸姿态估计的方法可以包括但不限于以下至少一种：基于模型的方法，基于人脸特征点的方法，基于分类的方法等。需要说明的是，上述各种人脸姿态估计的方法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤203，获取用于表征第二设备与第一设备的位置关系的位置信息。

在本实施例中，上述执行主体可以获取用于表征第二设备与第一设备的位置关系的位置信息。其中，第二设备(如图1所示的第二设备102)用于拍摄得到初始点云数据。其中，第二设备可以是双目摄像机、单目结构光摄像机，三维激光扫描仪等。上述位置信息可以包括但不限于以下至少一种：第一设备与第二设备的距离、第一设备的镜头光轴与第二设备的镜头光轴之间的夹角等。

步骤204，基于正面姿态角和位置信息，对初始点云数据的坐标进行调整，以得到目标人脸的正面点云数据。

在本实施例中，上述执行主体可以基于正面姿态角和位置信息，对初始点云数据的坐标进行调整，以得到目标人脸的正面点云数据。作为示例，上述执行主体可以根据正面姿态角和上述位置信息包括的第一设备与第二设备之间的距离，计算人脸朝向与基于第二设备所在位置建立的三维坐标系的各坐标轴的夹角，进而根据计算得到的夹角对初始点云数据进行坐标变换，将初始点云数据表征的人脸的朝向旋转至第二设备的位置，得到正面点云数据。正面点云数据能够更加全面地表征目标人脸的三维特征，提高人脸识别的准确性和识别效率。

步骤205，将正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据。

在本实施例中，基于步骤204得到的正面点云数据，上述执行主体可以将正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据。其中，三维人脸识别模型用于表征点云数据与人脸特征数据的对应关系。三维人脸特征数据可以表征目标人脸的轮廓、人脸上的各个特征点(例如眼角、鼻尖等)的位置关系，人脸的肤色等特征等。相比于二维人脸特征数据，三维人脸特征数据还可以表征目标人脸的表面的三维形状特征，可以更全面地表征目标人脸。

作为示例，三维人脸识别模型可以是技术人员基于对大量的表征人脸的点云数据和三维人脸特征数据的统计而预先制定的、存储有多个点云数据与三维人脸特征数据的对应关系的对应关系表；也可以是基于现有的人工神经网络(例如卷积神经网络)进行有监督地训练而得到的模型。

在本实施例的一些可选的实现方式中，上述执行主体或其他电子设备可以通过如下步骤训练得到三维人脸识别模型：

首先，获取多个样本人脸点云数据和多个样本人脸点云数据中的每个样本人脸点云数据对应的样本人脸特征数据。这里，多个样本人脸点云数据可以是预先获取的针对多个人脸的点云数据。样本人脸特征数据可以是针对人脸的特征进行标注的数据。然后，利用机器学习方法，将多个样本人脸点云数据中的每个样本人脸点云数据作为输入，将与输入的样本人脸点云数据对应的样本人脸特征数据作为输出，训练得到三维人脸识别模型。

上述三维人脸识别模型可以是对初始化的深度学习模型进行训练得到。初始化的深度学习模型可以是未经训练的深度学习模型或未训练完成的深度学习模型，初始化的深度学习模型的各层可以设置有初始参数，参数在深度学习模型的训练过程中可以被不断地调整。初始化的深度学习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，初始化的深度学习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。这样，正面点云数据可以被输入至三维人脸识别模型的输入侧，然后依次经过三维人脸识别模型中的各层的处理，从三维人脸识别模型的输出侧输出三维人脸特征数据。

继续参见图4，图4是根据本实施例的用于生成数据的方法的应用场景的一个示意图。在图4的应用场景中，服务器401从终端设备402获取目标人脸的二维人脸图像403和目标人脸的初始点云数据404。然后，服务器401对二维人脸图像403进行人脸姿态估计，得到目标人脸的正面姿态角405。其中，正面姿态角405包括俯仰角“10°”、偏航角-15°、翻滚角20°。再然后，服务器401获取用于表征第二设备(例如用于拍摄得到点云数据的双目摄像机)与第一设备(例如用于拍摄得到二维人脸图像的摄像机)的位置关系的位置信息406。位置信息406包括第二设备的放置位置相对于第一设备的放置位置的偏移位置坐标(1，5)，其中坐标值的单位为米。偏移位置坐标表示第二设备在以第一设备为原点建立的坐标系中的坐标。接着，服务器401基于正面姿态角405和位置信息406，对初始点云数据404的坐标进行调整，以得到目标人脸的正面点云数据407。最后，服务器401将正面点云数据407输入预先训练的三维人脸识别模型408，得到三维人脸特征数据409。

本申请的上述实施例提供的方法，通过获取第一设备拍摄得到的目标人脸的二维人脸图像和第二设备拍摄得到的点云数据，再对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角，然后获取表征第二设备与述第一设备的位置关系的位置信息。接着基于正面姿态角和位置信息，得到目标人脸的正面点云数据。最后利用三维人脸识别模型得到三维人脸特征数据。提高了生成三维人脸特征数据的准确性和灵活性。

进一步参考图5，其示出了用于生成数据的方法的又一个实施例的流程500。该用于生成数据的方法的流程500，包括以下步骤：

步骤501，获取目标人脸的二维人脸图像和目标人脸的初始点云数据。

在本实施例中，用于生成数据的方法的执行主体(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从远程或从本地获取目标人脸的二维人脸图像和目标人脸的初始点云数据。其中，目标人脸可以是在特定场合(例如某地段、某房间等)被拍摄以得到二维人脸图像和初始点云数据的人脸。二维人脸图像可以是各种类型的图像，例如灰度图像、彩色图像、红外图像等。初始点云数据可以是利用预设的拍摄手段(例如双目摄像头技术、单目结构光技术、激光三维扫描技术)对目标人脸拍摄得到的、表征目标人脸的三维特征的点云数据。其中。点云数据可以是三维坐标系下的点数据的集合。点数据可以包括三维坐标、颜色、类别信息、光照强度值等等。

步骤502，将二维人脸图像输入预先训练的二维人脸识别模型，得到目标人脸的正面姿态角。

在本实施例中，基于步骤501中获取的二维人脸图像，上述执行主体可以将二维人脸图像输入预先训练的二维人脸识别模型，得到目标人脸的正面姿态角。其中，正面姿态角用于表征目标人脸的正面朝向相对于拍摄得到二维人脸图像的第一设备(如图1所示的第一设备101)的偏转程度。二维人脸识别模型用于表征二维人脸图像与二维人脸图像所表征的人脸的正面姿态角的对应关系。

作为示例，二维人脸识别模型可以是技术人员基于对大量的二维人脸图像和二维人脸图像表征的人脸的正面姿态角的统计而预先制定的、存储有多个二维人脸图像与正面姿态角的对应关系的对应关系表；也可以是基于现有的人工神经网络(例如卷积神经网络)进行有监督地训练而得到的模型。

在本实施例的一些可选的实现方式中，上述执行主体或其他电子设备可以通过如下步骤训练得到二维人脸识别模型：

首先，获取多个样本二维人脸图像和多个样本二维人脸图像中的每个样本二维人脸图像对应的标注人脸姿态角。然后，利用机器学习方法，将多个样本二维人脸图像中的每个样本二维人脸图像作为输入，将与输入的样本二维人脸图像对应的标注人脸姿态角作为输出，训练得到二维人脸识别模型。

上述二维人脸识别模型可以是对初始化的深度学习模型进行训练得到。初始化的深度学习模型可以是未经训练的深度学习模型或未训练完成的深度学习模型。初始化的深度学习模型的各层可以设置有初始参数，参数在深度学习模型的训练过程中可以被不断地调整。初始化的深度学习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，初始化的深度学习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。这样，二维人脸图像可以被输入至二维人脸识别模型的输入侧，然后依次经过二维人脸识别模型中的各层的处理，从二维人脸识别模型的输出人脸姿态角。

步骤503，获取用于表征第二设备与第一设备的位置关系的位置信息。

在本实施例中，步骤503与图2对应实施例中的步骤203基本一致，这里不再赘述。

步骤504，基于正面姿态角和位置信息，对初始点云数据的坐标进行调整，以得到目标人脸的正面点云数据。

在本实施例中，步骤504与图2对应实施例中的步骤204基本一致，这里不再赘述。

步骤505，将正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据，其中，三维人脸识别模型用于表征点云数据与三维人脸特征数据的对应关系。

在本实施例中，步骤505与图2对应实施例中的步骤205基本一致，这里不再赘述。

从图5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数据的方法的流程500突出了利用二维人脸识别模型得到目标人脸的正面姿态角的步骤，可以提高获得正面姿态角的准确性。由此，本实施例描述的方案可以进一步提高数据处理的灵活性，以及提高生成三维人脸特征数据的准确性。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成数据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6所示，本实施例的用于生成数据的装置600包括：第一获取单元601，配置用于获取目标人脸的二维人脸图像和目标人脸的初始点云数据；计算单元602，配置用于对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角，其中，正面姿态角用于表征目标人脸的正面朝向相对于拍摄得到二维人脸图像的第一设备的偏转程度；第二获取单元603，配置用于获取用于表征第二设备与第一设备的位置关系的位置信息，其中，第二设备用于拍摄得到初始点云数据；调整单元604，配置用于基于正面姿态角和位置信息，对初始点云数据的坐标进行调整，以得到目标人脸的正面点云数据；生成单元605，配置用于将正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据，其中，三维人脸识别模型用于表征点云数据与三维人脸特征数据的对应关系。

在本实施例中，用于生成数据的装置600的第一获取单元601可以通过有线连接方式或者无线连接方式从远程或从本地获取目标人脸的二维人脸图像和目标人脸的初始点云数据。其中，目标人脸可以是在特定场合(例如某地段、某房间等)被拍摄以得到二维人脸图像和初始点云数据的人脸。二维人脸图像可以是各种类型的图像，例如灰度图像、彩色图像、红外图像等。初始点云数据可以是利用预设的拍摄手段(例如双目摄像头技术、单目结构光技术、激光三维扫描技术)对目标人脸拍摄得到的、表征目标人脸的三维特征的点云数据。其中。点云数据可以是三维坐标系下的点数据的集合。点数据可以包括三维坐标、颜色、类别信息、光照强度值等等。

在本实施例中，基于步骤第一获取单元601获取的二维人脸图像，上述计算单元602可以对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角。其中，正面姿态角用于表征目标人脸的正面朝向相对于拍摄得到二维人脸图像的第一设备(如图1所示的第一设备101)的偏转程度。姿态角用于表征人脸的偏转的角度，包括俯仰角(pitch)、偏航角(yaw)、翻滚角(roll)三种角度，分别代表上下翻转，左右翻转，平面内旋转的角度。

在本实施例中，上述第二获取单元603可以获取用于表征第二设备与第一设备的位置关系的位置信息。其中，第二设备(如图1所示的第二设备102)用于拍摄得到初始点云数据。其中，第二设备可以是双目摄像机、单目结构光摄像机，三维激光扫描仪等。上述位置信息可以包括但不限于以下至少一种：第一设备与第二设备的距离、第一设备的镜头光轴与第二设备的镜头光轴之间的夹角等。

在本实施例中，上述调整单元604可以基于正面姿态角和位置信息，对初始点云数据的坐标进行调整，以得到目标人脸的正面点云数据。作为示例，上述调整单元604可以根据正面姿态角和上述位置信息包括的第一设备与第二设备之间的距离，计算人脸朝向与基于第二设备所在位置建立的三维坐标系的各坐标轴的夹角，进而根据计算得到的夹角对初始点云数据进行坐标变换，将初始点云数据表征的人脸的朝向旋转至第二设备的位置，得到正面点云数据。

在本实施例中，基于调整单元604得到的正面点云数据，上述生成单元605可以将正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据。其中，三维人脸识别模型用于表征点云数据与人脸特征数据的对应关系。三维人脸特征数据可以表征目标人脸的轮廓、人脸上的各个特征点(例如眼角、鼻尖等)的位置关系，人脸的肤色等特征等。

在本实施例的一些可选的实现方式中，计算单元602可以进一步配置用于：将二维人脸图像输入预先训练的二维人脸识别模型，得到目标人脸的正面姿态角，其中，二维人脸识别模型用于表征二维人脸图像与二维人脸图像所表征的人脸的正面姿态角的对应关系。

在本实施例的一些可选的实现方式中，二维人脸识别模型可以通过如下步骤训练得到：获取多个样本二维人脸图像和多个样本二维人脸图像中的每个样本二维人脸图像对应的标注人脸姿态角；利用机器学习方法，将多个样本二维人脸图像中的每个样本二维人脸图像作为输入，将与输入的样本二维人脸图像对应的标注人脸姿态角作为输出，训练得到二维人脸识别模型。

在本实施例的一些可选的实现方式中，三维人脸识别模型可以通过如下步骤训练得到：获取多个样本人脸点云数据和多个样本人脸点云数据中的每个样本人脸点云数据对应的样本人脸特征数据；利用机器学习方法，将多个样本人脸点云数据中的每个样本人脸点云数据作为输入，将与输入的样本人脸点云数据对应的样本人脸特征数据作为输出，训练得到三维人脸识别模型。

在本实施例的一些可选的实现方式中，初始点云数据可以是对预设的目标人脸的点云数据进行降噪处理后得到的点云数据。

本申请的上述实施例提供的装置，通过第一获取单元601获取第一设备拍摄得到的目标人脸的二维人脸图像和第二设备拍摄得到的点云数据，计算单元602再对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角，然后第二获取单元603获取表征第二设备与述第一设备的位置关系的位置信息，接着调整单元604基于正面姿态角和位置信息，得到目标人脸的正面点云数据。最后生成单元605利用三维人脸识别模型得到三维人脸特征数据。提高了生成三维人脸特征数据的准确性和灵活性。

下面参考图7，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700的结构示意图。图7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7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。

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709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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：一种处理器包括第一获取单元、计算单元、第二获取单元、调整单元和生成单元。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，第一获取单元还可以被描述为“获取目标人脸的二维人脸图像和所述目标人脸的初始点云数据的单元”。

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服务器中所包含的；也可以是单独存在，而未装配入该服务器中。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服务器执行时，使得该服务器：获取目标人脸的二维人脸图像和目标人脸的初始点云数据；对二维人脸图像进行人脸姿态估计，得到目标人脸的正面姿态角，其中，正面姿态角用于表征目标人脸的正面朝向相对于拍摄得到二维人脸图像的第一设备的偏转程度；获取用于表征第二设备与第一设备的位置关系的位置信息，其中，第二设备用于拍摄得到初始点云数据；基于正面姿态角和位置信息，对初始点云数据的坐标进行调整，以得到目标人脸的正面点云数据；将正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据，其中，三维人脸识别模型用于表征点云数据与三维人脸特征数据的对应关系。

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)

1.一种用于生成数据的方法，包括：

获取目标人脸的二维人脸图像和所述目标人脸的初始点云数据；

对所述二维人脸图像进行人脸姿态估计，得到所述目标人脸的正面姿态角，其中，所述正面姿态角用于表征所述目标人脸的正面朝向相对于拍摄得到所述二维人脸图像的第一设备的偏转程度；

获取用于表征第二设备与所述第一设备的位置关系的位置信息，其中，所述第二设备用于拍摄得到所述初始点云数据；

基于所述正面姿态角和所述位置信息，对所述初始点云数据的坐标进行调整，以得到所述目标人脸的正面点云数据；

将所述正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据，其中，所述三维人脸识别模型用于表征点云数据与三维人脸特征数据的对应关系。

2.根据权利要求1所述的方法，其中，所述对所述二维人脸图像进行人脸姿态估计，得到所述目标人脸的正面姿态角，包括：

将所述二维人脸图像输入预先训练的二维人脸识别模型，得到所述目标人脸的正面姿态角，其中，所述二维人脸识别模型用于表征二维人脸图像与二维人脸图像所表征的人脸的正面姿态角的对应关系。

3.根据权利要求2所述的方法，其中，所述二维人脸识别模型通过如下步骤训练得到：

获取多个样本二维人脸图像和所述多个样本二维人脸图像中的每个样本二维人脸图像对应的标注人脸姿态角；

利用机器学习方法，将所述多个样本二维人脸图像中的每个样本二维人脸图像作为输入，将与输入的样本二维人脸图像对应的标注人脸姿态角作为输出，训练得到二维人脸识别模型。

4.根据权利要求1所述的方法，其中，所述三维人脸识别模型通过如下步骤训练得到：

获取多个样本人脸点云数据和所述多个样本人脸点云数据中的每个样本人脸点云数据对应的样本人脸特征数据；

利用机器学习方法，将所述多个样本人脸点云数据中的每个样本人脸点云数据作为输入，将与输入的样本人脸点云数据对应的样本人脸特征数据作为输出，训练得到三维人脸识别模型。

5.根据权利要求1-4之一所述的方法，其中，所述初始点云数据是对预设的目标人脸的点云数据进行降噪处理后得到的点云数据。

6.一种用于生成数据的装置，包括：

第一获取单元，配置用于获取目标人脸的二维人脸图像和所述目标人脸的初始点云数据；

计算单元，配置用于对所述二维人脸图像进行人脸姿态估计，得到所述目标人脸的正面姿态角，其中，所述正面姿态角用于表征所述目标人脸的正面朝向相对于拍摄得到所述二维人脸图像的第一设备的偏转程度；

第二获取单元，配置用于获取用于表征第二设备与所述第一设备的位置关系的位置信息，其中，所述第二设备用于拍摄得到所述初始点云数据；

调整单元，配置用于基于所述正面姿态角和所述位置信息，对所述初始点云数据的坐标进行调整，以得到所述目标人脸的正面点云数据；

生成单元，配置用于将所述正面点云数据输入预先训练的三维人脸识别模型，得到三维人脸特征数据，其中，所述三维人脸识别模型用于表征点云数据与三维人脸特征数据的对应关系。

7.根据权利要求6所述的装置，其中，所述计算单元进一步配置用于：

将所述二维人脸图像输入预先训练的二维人脸识别模型，得到所述目标人脸的正面姿态角，其中，所述二维人脸识别模型用于表征二维人脸图像与二维人脸图像所表征的人脸的正面姿态角的对应关系。

8.根据权利要求7所述的装置，其中，所述二维人脸识别模型通过如下步骤训练得到：

获取多个样本二维人脸图像和所述多个样本二维人脸图像中的每个样本二维人脸图像对应的标注人脸姿态角；

利用机器学习方法，将所述多个样本二维人脸图像中的每个样本二维人脸图像作为输入，将与输入的样本二维人脸图像对应的标注人脸姿态角作为输出，训练得到所述二维人脸识别模型。

9.根据权利要求6所述的装置，其中，所述三维人脸识别模型通过如下步骤训练得到：

获取多个样本人脸点云数据和所述多个样本人脸点云数据中的每个样本人脸点云数据对应的样本人脸特征数据；

利用机器学习方法，将所述多个样本人脸点云数据中的每个样本人脸点云数据作为输入，将与输入的样本人脸点云数据对应的样本人脸特征数据作为输出，训练得到所述三维人脸识别模型。

10.根据权利要求6-9之一所述的装置，其中，所述初始点云数据是对预设的目标人脸的点云数据进行降噪处理后得到的点云数据。

11.一种服务器，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1-5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