CN109101956B - 用于处理图像的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于处理图像的方法和装置。该方法的一具体实施方式包括：获取待处理的人脸图像；获取人脸图像对应的表情类别信息，其中，表情类别信息用于表示人脸图像显示的人脸的表情所属的类别；将表情类别信息指示的表情类别确定为目标表情类别；将人脸图像输入至预先训练的、与目标表情类别对应的表情子类别确定模型，得到表情子类别信息，其中，表情子类别信息用于表示人脸图像显示的人脸的表情所属的、目标表情类别中的子类别。该实施方式实现了对人脸的表情所属的类别进一步的分类。

Description

用于处理图像的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于处理图像的方法和装置。

背景技术

目前，随着人脸识别技术的逐渐发展和成熟，人脸表情识别成为了其中一个研究方向，以实现在识别人脸的基础上，能够进一步识别人脸的表情信息，并通过表情信息来确定被识别对象的心理情绪。

发明内容

本申请实施例提出了用于处理图像的方法和装置。

第一方面，本申请实施例提供了一种用于处理图像的方法，该方法包括：获取待处理的人脸图像；获取人脸图像对应的表情类别信息，其中，表情类别信息用于表示人脸图像显示的人脸的表情所属的类别；将表情类别信息指示的表情类别确定为目标表情类别；将人脸图像输入至预先训练的、与目标表情类别对应的表情子类别确定模型，得到表情子类别信息，其中，表情子类别信息用于表示人脸图像显示的人脸的表情所属的、目标表情类别中的子类别。

在一些实施例中，目标表情类别按照目标分类方式划分为至少两个子类别，其中，目标分类方式包括以下任意一种：表示按照表情表达的情感的类型进行划分的第一分类方式、表示按照表情的表现程度进行划分的第二分类方式。

在一些实施例中，获取人脸图像对应的表情类别信息，包括：将人脸图像输入至预先训练的表情类别确定模型，得到人脸图像对应的表情类别信息，其中，表情类别确定模型用于表征人脸图像与表情类别信息的对应关系。

在一些实施例中，表情子类别确定模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括对应于目标表情类别的人脸图像和人脸图像对应的表情子类别信息；确定初始化的表情子类别确定模型；利用机器学习的方法，将训练样本集合中的训练样本中的人脸图像作为初始化的表情子类别确定模型的输入，将与输入的人脸图像对应的表情子类别信息作为初始化的表情子类别确定模型的期望输出，训练得到表情子类别确定模型。

在一些实施例中，表情类别确定模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括人脸图像和人脸图像对应的表情类别信息；确定初始化的表情类别确定模型；利用机器学习的方法，将训练样本集合中的训练样本中的人脸图像作为初始化的表情类别确定模型的输入，将与输入的人脸图像对应的表情类别信息作为初始化的表情类别确定模型的期望输出，训练得到表情类别确定模型。

第二方面，本申请实施例提供了一种用于处理图像的装置，该装置包括：人脸图像获取单元，被配置成获取待处理的人脸图像；表情类别信息获取单元，被配置成获取人脸图像对应的表情类别信息，其中，表情类别信息用于表示人脸图像显示的人脸的表情所属的类别；目标表情类别确定单元，被配置成将表情类别信息指示的表情类别确定为目标表情类别；表情子类别信息确定单元，被配置成将人脸图像输入至预先训练的、与目标表情类别对应的表情子类别确定模型，得到表情子类别信息，其中，表情子类别信息用于表示人脸图像显示的人脸的表情所属的、目标表情类别中的子类别。

在一些实施例中，目标表情类别按照目标分类方式划分为至少两个子类别，其中，目标分类方式包括以下任意一种：表示按照表情表达的情感的类型进行划分的第一分类方式、表示按照表情的表现程度进行划分的第二分类方式。

在一些实施例中，表情类别信息获取单元进一步被配置成：将人脸图像输入至预先训练的表情类别确定模型，得到人脸图像对应的表情类别信息，其中，表情类别确定模型用于表征人脸图像与表情类别信息的对应关系。

在一些实施例中，表情子类别确定模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括对应于目标表情类别的人脸图像和人脸图像对应的表情子类别信息；确定初始化的表情子类别确定模型；利用机器学习的方法，将训练样本集合中的训练样本中的人脸图像作为初始化的表情子类别确定模型的输入，将与输入的人脸图像对应的表情子类别信息作为初始化的表情子类别确定模型的期望输出，训练得到表情子类别确定模型。

在一些实施例中，表情类别确定模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括人脸图像和人脸图像对应的表情类别信息；确定初始化的表情类别确定模型；利用机器学习的方法，将训练样本集合中的训练样本中的人脸图像作为初始化的表情类别确定模型的输入，将与输入的人脸图像对应的表情类别信息作为初始化的表情类别确定模型的期望输出，训练得到表情类别确定模型。

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处理图像的方法和装置，通过获取待处理的人脸图像；获取人脸图像对应的表情类别信息，其中，表情类别信息用于表示人脸图像显示的人脸的表情所属的类别；将表情类别信息指示的表情类别确定为目标表情类别；将人脸图像输入至预先训练的、与目标表情类别对应的表情子类别确定模型，得到表情子类别信息，其中，表情子类别信息用于表示人脸图像显示的人脸的表情所属的、目标表情类别中的子类别，实现了对人脸的表情所属的类别进一步的分类，从而能够从人脸图像中得到更丰富的表情信息。

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是本申请的一个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处理图像的方法的一个实施例的流程图；

图3是根据本申请的用于处理图像的方法的又一个实施例的流程图；

图4是根据本申请实施例的用于处理图像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处理图像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的用于处理图像的方法或用于处理图像的装置的实施例的示例性架构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。

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上可以安装有各种客户端应用。例如，摄像类应用、图像处理类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是支持图像存储和图像传输的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103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多个软件或软件模块)，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105可以是提供各种服务的服务器，例如为终端设备101、102、103发送的待处理的人脸图像进行处理的处理服务器。处理服务器可以对接收到的人脸图像进行表情分析。进一步地，处理服务器还可以将表情分析结果发送至终端设备。

需要说明的是，上述待处理的人脸图像也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的人脸图像并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，本申请实施例所提供的用于处理图像的方法一般由服务器105执行，相应地，用于处理图像的装置一般设置于服务器105中。

还需要指出的是，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人脸图像进行处理，此时，用于处理图像的方法也可以由终端设备101、102、103执行，相应地，用于处理图像的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。

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)，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，其示出了根据本申请的用于处理图像的方法的一个实施例的流程200。该用于处理图像的方法包括以下步骤：

步骤201，获取待处理的人脸图像。

在本实施例中，用于处理图像的方法的执行主体(如图1所示的服务端105)可以先通过有线连接或无线连接的方式从本地或其它存储设备获取待处理的人脸图像。其中，人脸图像可以指显示有人脸的图像。

可选地，上述执行主体还可以利用现有的各种人脸检测方法先从一图像中提取出显示人脸的图像区域，并将提取出的显示人脸的图像区域作为上述待处理的人脸图像。

步骤202，获取人脸图像对应的表情类别信息。

在本实施例中，表情类别信息可以用于表示人脸图像显示的人脸的表情所属的类别。表情类别信息的形式可以多种多样，包括但不限于：数字、字符串、文字、图像等等。

其中，表情可以指人脸所表现出的思想感情。表情可以根据不同的划分方式、具体不同的需求而划分为不同的多个类别。例如，可以简单的划分为笑和非笑两个类别，也可以按照喜、怒、哀、乐划分为对应的四个类别，还可以按照高兴、惊奇、伤心、害怕、害羞、轻蔑、生气划分为对应的七个类别。

在本实施例中，可以通过各种方式获取人脸图像对应的表情类别信息。例如，可以接收技术人员对人脸图像标注的表情类别信息，也可以接收其它网络设备发送的人脸图像对应的表情类别信息。

具体地，网络设备可以利用现有的表情分类的方法(如基于隐马尔科夫模型的表情分类方法等)得到人脸图像的表情类别信息，并发送至上述执行主体。应当可以理解，上述执行主体也可以本身利用现有的表情分类的方法得到人脸图像的表情类别信息。

步骤203，将表情类别信息指示的表情类别确定为目标表情类别。

在本实施例中，可以将人脸图像显示的人脸的表情所属的类别确定为目标表情类别。其中，目标表情类别还可以从不同维度、或根据具体不同的应用需求等进一步划分为至少两个子类别。例如，对于笑这一表情类别根据嘴巴的闭合状态可以划分为开口笑和闭口笑两个子类别。

可选地，目标表情类别可以按照目标分类方式划分为至少两个子类别。其中，目标分类方式可以是由技术人员根据应用需求进行设置的分类方式，也可以是根据一定条件而确定的分类方式(例如针对不同的表情类别设置不同的分类方式等)。

例如，目标分类方式可以包括表示按照表情表达的情感的类型进行划分的第一分类方式。以笑这一表情类别为示例，按照笑所表达的情感的类型，可以将笑划分为：欣喜、兴奋、嘲笑、喜爱、羡慕等多个子类别。

又例如，目标分类方式还可以包括表示按照表情的表现程度进行划分的第二分类方式。仍以笑这一表情类别为示例，按照笑的表现程度可以划分为：含笑、微笑、轻笑、浅笑、大笑、狂笑等多个子类别。

应当可以理解，按照一种分类方式对目标表情类别进行子类别划分时，也可以有不同的子类别划分方式。以上述第二分类方式为示例，按照表情的表现程度也可以有多种划分方式。仍以笑这一表情类别为示例，可以根据嘴巴的开合程度来体现不同的笑的表现程度。例如，可以将笑划分为：闭口笑、中度开口笑、高度开口笑。其中，开口笑可以按照上下牙齿之间的间距是否大于预设的间距阈值来分为中度开口笑和高度开口笑。

步骤204，将人脸图像输入至预先训练的、与目标表情类别对应的表情子类别确定模型，得到表情子类别信息。

在本实施例中，表情子类别信息可以用于表示人脸图像显示的人脸的表情所属的、目标表情类别中的子类别。实践中，可以预先针对每种表情类别预先训练对应的表情子类别确定模型。例如针对喜、怒、哀、乐四种表情类别可以分别训练与喜、怒、哀、乐对应的四个表情子类别确定模型。其中，表情子类别确定模型可以预先通过各种方式来训练得到。

可选地，可以通过如下的方式训练得到对应于目标表情类别的表情子类别确定模型：

步骤一，获取人脸图像集。其中，这些人脸图像中的人脸显示的表情都属于目标表情类别。具体地，人脸图像集可以从一个或多个公开的人脸图像库中选取人脸图像而得到。人脸图像集也可以由相关人员利用一些图像处理软件生成目标表情类别的人脸图像而得到。人脸图像集也可以是上述两种方式或与其它方式获取的人脸图像组合而得到。

步骤二，标注人脸图像集中的各个人脸图像对应的表情子类别信息。其中，表情子类别信息可以表示人脸图像显示的人脸的表情所属的子类别。

步骤三，针对人脸图像集中的人脸图像，利用现有的人脸特征提取方法(如基于主元分析法的人脸特征提取算法、基于主动形状模型的人脸特征提取算法等)来提取人脸图像显示的人脸的特征。

步骤四，针对人脸图像集合中的人脸图像，将该人脸图像对应的特征和表情子类别信息关联存储，从而得到存储有人脸图像集合中的各个人脸图像对应的特征和表情子类别信息的对应关系表。之后，可以将得到的对应关系表作为上述目标表情类别对应的表情子类别确定模型。

实践中，在获取到对应于目标表情类别的人脸图像之后，可以先提取该人脸图像对应的特征。然后，将提取的特征与上述对应关系表中的各个特征依次比较，选取与提取的特征的相似度最高的特征对应的表情子类别信息作为该人脸图像对应的表情子类别信息。

可选地，还可以通过如下的方式训练得到对应于目标表情类别的表情子类别确定模型：

步骤一，获取训练样本集合。其中，训练样本可以包括对应于目标表情类别的人脸图像和人脸图像对应的表情子类别信息。具体地，训练样本集合可以按照与上述获取人脸图像集类似的方法而得到，在此不再赘述。表情子类别信息可以由人工对人脸图像进行标注得到。

步骤二，确定初始化的表情子类别确定模型。其中，初始化的表情子类别确定模型可以是各种类型的未经训练的或未训练完成的人工神经网络，例如深度学习模型。初始化的表情子类别确定模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。例如，初始化的表情子类别确定模型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得到的模型。

具体地，可以先获取现有的一些用于表情识别分类的模型，之后技术人员可以根据需求对模型的网络结构进行适应性的调整得到初始化的表情子类别确定模型。也可以由技术人员根据实际的应用需求确定相关参数(如需要包括哪些层、每层的层数、卷积核的大小等)，然后构建初始化的表情子类别确定模型。

步骤三，利用机器学习的方法，将训练样本集合中的训练样本中的人脸图像作为初始化的表情子类别确定模型的输入，将与输入的人脸图像对应的表情子类别信息作为初始化的表情子类别确定模型的期望输出，训练得到表情子类别确定模型。

具体地，可以利用预设的损失函数来训练得到表情子类别确定模型。其中，损失函数的值可以用来表示初始化的表情子类别确定模型的实际输出与训练样本中表情子类别信息之间的差异程度。然后，可以基于损失函数的值，采用反向传播的方法调整初始化的表情子类别确定模型的参数，并在满足预设的训练结束条件的情况下，结束训练。训练完成后，可以将训练完成的初始化的表情子类别确定模型确定为上述表情子类别确定模型。

其中，预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值小于预设差异阈值等。

本申请的上述实施例提供的方法通过将人脸图像输入至与人脸图像显示的人脸的表情所属的类别对应的表情子类别确定模型，以进一步得到人脸图像显示的人脸的表情所属的表情子类别，从而得到更细致的表情信息，增加了从人脸图像获取到的表情信息的丰富性，进而有助于对人脸图像显示的人脸有更细粒度、更深层次的情绪判断。

进一步参考图3，其示出了用于处理图像的方法的又一个实施例的流程300。该用于处理图像的方法的流程300，包括以下步骤：

步骤301，获取待处理的人脸图像。

本步骤的具体的执行过程可参考图2对应实施例中的步骤201的相关说明，在此不再赘述。

步骤302，将人脸图像输入至预先训练的表情类别确定模型，得到人脸图像对应的表情类别信息。

在本实施例中，表情类别确定模型可以用于表征人脸图像与表情类别信息的对应关系。具体地，可以利用各种训练方式训练得到上述表情类别确定模型。

可选地，可以通过如下步骤训练得到上述表情类别确定模型：

步骤一，获取人脸图像集。其中，这些人脸图像中的人脸显示的表情可以尽量覆盖各种表情类别。人脸图像集中的对应各种表情类别的图像的总数量也可以尽量均匀。具体地，人脸图像集可以从一个或多个公开的人脸图像库中选取人脸图像而得到。人脸图像集也可以由相关人员利用一些图像处理软件生成。人脸图像集也可以是上述两种方式或与其它方式获取的人脸图像组合而得到。

步骤二，标注人脸图像集中的各个人脸图像对应的表情类别信息。其中，表情类别信息可以表示人脸图像显示的人脸的表情所属的类别。

步骤三，针对人脸图像集中的人脸图像，利用现有的人脸特征提取方法来提取人脸图像显示的人脸的特征。

步骤四，针对人脸图像集合中的人脸图像，将该人脸图像对应的特征和表情类别信息关联存储，从而得到存储有人脸图像集合中的各个人脸图像对应的特征和表情类别信息的对应关系表。之后，可以将得到的对应关系表作为上述目标表情类别对应的表情类别确定模型。

实践中，在获取到人脸图像之后，可以先提取该人脸图像对应的特征。然后，将提取的特征与上述对应关系表中的各个特征依次比较，选取与提取的特征的相似度最高的特征对应的表情类别信息作为该人脸图像对应的表情类别信息。

可选地，还可以通过如下步骤训练得到上述表情类别确定模型：

步骤一，获取训练样本集合。其中，训练样本可以包括人脸图像和人脸图像对应的表情类别信息。表情类别信息可以由人工对人脸图像进行标注得到。

步骤二，确定初始化的表情类别确定模型。其中，初始化的表情类别确定模型可以是各种类型的未经训练的或未训练完成的人工神经网络，例如深度学习模型。初始化的表情类别确定模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。例如，初始化的表情类别确定模型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得到的模型。

具体地，可以先获取现有的一些用于表情识别分类的模型，之后技术人员可以根据需求对模型的网络结构进行适应性的调整得到初始化的表情类别确定模型。也可以由技术人员根据实际的应用需求确定相关参数(如需要包括哪些层、每层的层数、卷积核的大小等)，然后构建初始化的表情类别确定模型。

步骤三，利用机器学习的方法，将训练样本集合中的训练样本中的人脸图像作为初始化的表情类别确定模型的输入，将与输入的人脸图像对应的表情类别信息作为初始化的表情类别确定模型的期望输出，训练得到表情类别确定模型。

具体地，可以基于预设的损失函数来训练得到表情类别确定模型。其中，损失函数的值可以用来表示初始化的表情类别确定模型的实际输出与训练样本中表情类别信息之间的差异程度。然后，可以基于损失函数的值，采用反向传播的方法调整初始化的表情类别确定模型的参数，并在满足预设的训练结束条件的情况下，结束训练。训练完成后，可以将训练完成的初始化的表情类别确定模型确定为上述表情类别确定模型。

其中，预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值小于预设差异阈值等。

步骤303，将表情类别信息指示的表情类别确定为目标表情类别。

步骤304，将人脸图像输入至预先训练的、与目标表情类别对应的表情子类别确定模型，得到表情子类别信息。

上述步骤303和304的具体的执行过程可参考图2对应实施例中的步骤203和204的相关说明，在此不再赘述。

继续参见图4，图4是根据本实施例的用于处理图像的方法的应用场景的一个示意图。在图4的应用场景400中，上述执行主体可以先获取人脸图像401。之后，将人脸图像401输入至表情类别确定模型402，得到表示人脸图像401显示的人脸的表情所属的类别为笑的表情类别信息403。

之后，如图中标号404所示，可以预先训练与笑这一表情类别对应的表情子类别模型01、与哭这一表情类别对应的表情子类别模型02，以及与其它表情类别对应的表情子类别模型。因此，可以选取出与笑这一表情类别对应的表情子类别模型01。

之后，将人脸图像401输入至表情子类别模型01，得到表示人脸图像401显示的人脸的表情所属的笑的具体子类别为大笑的表情子类别信息405。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于处理图像的方法的流程300突出了可以利用表情类别确定模型来识别人脸图像显示的人脸的表情所属的类别的步骤。由此，本实施例描述的方案可以在获取到人脸图像之后，可以依次利用表情确定模型和表情子类别确定模型得到人脸图像对应的表情类别和表情子类别，从而在得到丰富的表情信息的基础上，还有助于提升得到的人脸图像的表情信息的速度和准确度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于处理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5所示，本实施例提供的用于处理图像的装置500包括人脸图像获取单元501、表情类别信息获取单元502、目标表情类别确定单元503和表情子类别信息确定单元504。其中，人脸图像获取单元501被配置成获取待处理的人脸图像；表情类别信息获取单元502被配置成获取人脸图像对应的表情类别信息，其中，表情类别信息用于表示人脸图像显示的人脸的表情所属的类别；目标表情类别确定单元503被配置成将表情类别信息指示的表情类别确定为目标表情类别；表情子类别信息确定单元504被配置成将人脸图像输入至预先训练的、与目标表情类别对应的表情子类别确定模型，得到表情子类别信息，其中，表情子类别信息用于表示人脸图像显示的人脸的表情所属的、目标表情类别中的子类别。

在本实施例中，用于处理图像的装置500中：人脸图像获取单元501、表情类别信息获取单元502、目标表情类别确定单元503和表情子类别信息确定单元504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和步骤204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，目标表情类别按照目标分类方式划分为至少两个子类别，其中，目标分类方式包括以下任意一种：表示按照表情表达的情感的类型进行划分的第一分类方式、表示按照表情的表现程度进行划分的第二分类方式。

在本实施例的一些可选的实现方式中，表情类别信息获取单元502进一步被配置成：将人脸图像输入至预先训练的表情类别确定模型，得到人脸图像对应的表情类别信息，其中，表情类别确定模型用于表征人脸图像与表情类别信息的对应关系。

在本实施例的一些可选的实现方式中，表情子类别确定模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括对应于目标表情类别的人脸图像和人脸图像对应的表情子类别信息；确定初始化的表情子类别确定模型；利用机器学习的方法，将训练样本集合中的训练样本中的人脸图像作为初始化的表情子类别确定模型的输入，将与输入的人脸图像对应的表情子类别信息作为初始化的表情子类别确定模型的期望输出，训练得到表情子类别确定模型。

在本实施例的一些可选的实现方式中，表情类别确定模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括人脸图像和人脸图像对应的表情类别信息；确定初始化的表情类别确定模型；利用机器学习的方法，将训练样本集合中的训练样本中的人脸图像作为初始化的表情类别确定模型的输入，将与输入的人脸图像对应的表情类别信息作为初始化的表情类别确定模型的期望输出，训练得到表情类别确定模型。

本申请的上述实施例提供的装置，通过人脸图像获取单元获取待处理的人脸图像；表情类别信息获取单元获取人脸图像对应的表情类别信息，其中，表情类别信息用于表示人脸图像显示的人脸的表情所属的类别；目标表情类别确定单元将表情类别信息指示的表情类别确定为目标表情类别；表情子类别信息确定单元将人脸图像输入至预先训练的、与目标表情类别对应的表情子类别确定模型，得到表情子类别信息，其中，表情子类别信息用于表示人脸图像显示的人脸的表情所属的、目标表情类别中的子类别，实现了对人脸的表情所属的类别进一步的分类，从而能够从人脸图像中得到更丰富的表情信息。

下面参考图6，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600的结构示意图。图6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，包括人脸图像获取单元、表情类别信息获取单元、目标表情类别确定单元和表情子类别信息确定单元。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，人脸图像获取单元还可以被描述为“获取待处理的人脸图像的单元”。

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：获取待处理的人脸图像；获取人脸图像对应的表情类别信息，其中，表情类别信息用于表示人脸图像显示的人脸的表情所属的类别；将表情类别信息指示的表情类别确定为目标表情类别；将人脸图像输入至预先训练的、与目标表情类别对应的表情子类别确定模型，得到表情子类别信息，其中，表情子类别信息用于表示人脸图像显示的人脸的表情所属的、目标表情类别中的子类别。

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)

1.一种用于处理图像的方法，包括：

获取待处理的人脸图像；

获取所述人脸图像对应的表情类别信息，其中，所述表情类别信息用于表示所述人脸图像显示的人脸的表情所属的类别，对于人脸的表情的每个表情类别，预先将该表情类别划分为至少两个子类别，以及预先训练该表情类别对应的表情子类别确定模型；

将所述表情类别信息指示的表情类别确定为目标表情类别，其中，所述目标表情类别按照目标分类方式划分为至少两个子类别，所述目标分类方式包括以下任意一种：表示按照表情表达的情感的类型进行划分的第一分类方式、表示按照表情的表现程度进行划分的第二分类方式；

将所述人脸图像输入至预先训练的、与所述目标表情类别对应的表情子类别确定模型，得到表情子类别信息，其中，所述表情子类别信息用于表示所述人脸图像显示的人脸的表情所属的、所述目标表情类别中的子类别；

所述获取所述人脸图像对应的表情类别信息，包括：将所述人脸图像输入至预先训练的表情类别确定模型，得到所述人脸图像对应的表情类别信息，其中，所述表情类别确定模型用于表征人脸图像与表情类别信息的对应关系。

2.根据权利要求1所述的方法，其中，所述表情子类别确定模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括对应于所述目标表情类别的人脸图像和人脸图像对应的表情子类别信息；

确定初始化的表情子类别确定模型；

利用机器学习的方法，将所述训练样本集合中的训练样本中的人脸图像作为初始化的表情子类别确定模型的输入，将与输入的人脸图像对应的表情子类别信息作为初始化的表情子类别确定模型的期望输出，训练得到所述表情子类别确定模型。

3.根据权利要求1所述的方法，其中，所述表情类别确定模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括人脸图像和人脸图像对应的表情类别信息；

确定初始化的表情类别确定模型；

利用机器学习的方法，将所述训练样本集合中的训练样本中的人脸图像作为初始化的表情类别确定模型的输入，将与输入的人脸图像对应的表情类别信息作为初始化的表情类别确定模型的期望输出，训练得到所述表情类别确定模型。

4.一种用于处理图像的装置，包括：

人脸图像获取单元，被配置成获取待处理的人脸图像；

表情类别信息获取单元，被配置成获取所述人脸图像对应的表情类别信息，其中，所述表情类别信息用于表示所述人脸图像显示的人脸的表情所属的类别，对于人脸的表情的每个表情类别，预先将该表情类别划分为至少两个子类别，以及预先训练该表情类别对应的表情子类别确定模型；

目标表情类别确定单元，被配置成将所述表情类别信息指示的表情类别确定为目标表情类别，其中，所述目标表情类别按照目标分类方式划分为至少两个子类别，所述目标分类方式包括以下任意一种：表示按照表情表达的情感的类型进行划分的第一分类方式、表示按照表情的表现程度进行划分的第二分类方式；

表情子类别信息确定单元，被配置成将所述人脸图像输入至预先训练的、与所述目标表情类别对应的表情子类别确定模型，得到表情子类别信息，其中，所述表情子类别信息用于表示所述人脸图像显示的人脸的表情所属的、所述目标表情类别中的子类别；

所述表情类别信息获取单元进一步被配置成：将所述人脸图像输入至预先训练的表情类别确定模型，得到所述人脸图像对应的表情类别信息，其中，所述表情类别确定模型用于表征人脸图像与表情类别信息的对应关系。

5.根据权利要求4所述的装置，其中，所述表情子类别确定模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括对应于所述目标表情类别的人脸图像和人脸图像对应的表情子类别信息；

确定初始化的表情子类别确定模型；

利用机器学习的方法，将所述训练样本集合中的训练样本中的人脸图像作为初始化的表情子类别确定模型的输入，将与输入的人脸图像对应的表情子类别信息作为初始化的表情子类别确定模型的期望输出，训练得到所述表情子类别确定模型。

6.根据权利要求4所述的装置，其中，所述表情类别确定模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括人脸图像和人脸图像对应的表情类别信息；

确定初始化的表情类别确定模型；

利用机器学习的方法，将所述训练样本集合中的训练样本中的人脸图像作为初始化的表情类别确定模型的输入，将与输入的人脸图像对应的表情类别信息作为初始化的表情类别确定模型的期望输出，训练得到所述表情类别确定模型。

7.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

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1-3中任一所述的方法。

8.一种计算机可读介质，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1-3中任一所述的方法。

Images