CN109670444A - 姿态检测模型的生成、姿态检测方法、装置、设备及介质 - Google Patents

Abstract

本公开公开了一种姿态检测模型的生成、姿态检测方法、装置、设备及介质。该方法包括：获取至少一组姿态一致性样本集，其中，所述姿态一致性样本集中包括：原始人脸图像，与所述原始人脸图像满足姿态差异条件的至少一个姿态变换人脸图像，所述姿态变换人脸图像通过所述原始人脸图像变换生成；将每组所述姿态一致性样本集包括的各人脸图像的姿态参数设置为同一标准姿态参数值；采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型。本公开实施例可以避免使用照片实现用户姿态误判的情况，提高用户姿态识别准确率。

Description

姿态检测模型的生成、姿态检测方法、装置、设备及介质

技术领域

本公开实施例涉及图像处理技术，尤其涉及一种姿态检测模型的生成、姿态检测方法、装置、设备及介质。

背景技术

人们在从事各种活动中，经常需要进行身份认证，从而保证信息的安全性。随着计算机和网络的发展，联网电子设备的普及使身份认证工作变得高效，通常身份认证需要确定被拍摄对象为活体。

目前，在金融系统、人脸识别系统中经常需要进行活体判断。在这个过程中，一般需要用户完成面部基础动作。例如，点头动作和/或摇头动作。现有技术主要通过检测多个包括用户脸部图像的照片中，设定脸部部位(例如，眼睛或者嘴巴等)姿态参数的变化情况，确定该用户是否为活体用户，同时使用人脸关键点定位和人脸追踪等技术，验证用户是否为本人操作。

发明人在实现本公开的过程中，发现现有技术存在如下缺陷：如果一个人拿着一个合法用户的照片进行上下翻转，很容易通过点头动作或者摇头动作的检测，导致活体检测失败。

发明内容

本公开实施例提供一种姿态检测模型的生成、姿态检测方法、装置、设备及介质，可以避免使用照片实现用户姿态误判的情况，提高用户姿态识别准确率。

第一方面，本公开实施例提供了一种姿态检测模型的生成方法，该方法包括：

获取至少一组姿态一致性样本集，其中，所述姿态一致性样本集中包括：原始人脸图像，与所述原始人脸图像满足姿态差异条件的至少一个姿态变换人脸图像，所述姿态变换人脸图像通过所述原始人脸图像变换生成；

将每组所述姿态一致性样本集包括的各人脸图像的姿态参数设置为同一标准姿态参数值；

采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型。

进一步的，所述获取姿态一致性样本集，包括：

获取原始人脸图像，并对所述原始人脸图像进行人脸姿态调整，得到与所述原始人脸图像对应的至少一个备选变换图像；

获取所述原始人脸图像以及各所述备选变换图像分别对应的姿态参数；

计算各所述备选变换图像与所述原始人脸图像的姿态参数差异值；

将姿态参数差异值满足设定阈值条件的备选变换图像作为所述姿态变换人脸图像。

进一步的，所述标准检测模型为原始机器学习模型；

所述采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型，包括：

采用所述至少一组姿态一致性样本集以及标准姿态训练样本集，对所述原始机器学习模型进行训练，形成所述姿态检测模型。

进一步的，所述标准检测模型为通过标准姿态训练样本集训练得到的姿态基础检测模型；

所述获取所述原始人脸图像以及各所述备选变换图像分别对应的姿态参数，包括：

将所述原始人脸图像以及各所述备选变换图像分别输入至所述姿态基础检测模型，并获取所述姿态基础检测模型输出的姿态参数；

采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型，包括：

采用所述至少一组姿态一致性样本集对所述姿态基础检测模型进行训练，形成所述姿态检测模型。

进一步的，所述姿态一致性样本集中的图像和标准姿态训练样本集中的图像均包括鼻子区域标注结果。

第二方面，本公开实施例还提供了一种姿态检测方法，包括：

获取视频中包括连续多个包括用户人脸图像的视频帧；

将每个所述视频帧分别输入至通过本公开实施例所述的方法生成的姿态检测模型；

获取所述姿态检测模型输出的针对多个视频帧的人脸姿态检测结果。

进一步的，在获取视频中包括连续多个包括用户人脸图像的视频帧之后，在将每个所述视频帧分别输入至通过本公开实施例所述的方法生成的姿态检测模型之前，还包括：识别并标注所述视频帧中的鼻子区域。

第三方面，本公开实施例还提供了一种姿态检测模型的生成装置，该装置包括：

姿态一致性样本集获取模块，用于获取至少一组姿态一致性样本集，其中，所述姿态一致性样本集中包括：原始人脸图像，与所述原始人脸图像满足姿态差异条件的至少一个姿态变换人脸图像，所述姿态变换人脸图像通过所述原始人脸图像变换生成；

姿态参数设置模块，用于将每组所述姿态一致性样本集包括的各人脸图像的姿态参数设置为同一标准姿态参数值；

姿态检测模型生成模块，用于采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型。

进一步的，所述姿态一致性样本集获取模块，包括：

备选变换图像获取模块，用于获取原始人脸图像，并对所述原始人脸图像进行人脸姿态调整，得到与所述原始人脸图像对应的至少一个备选变换图像；

姿态参数获取模块，用于获取所述原始人脸图像以及各所述备选变换图像分别对应的姿态参数；

姿态参数差异值获取模块，用于并计算各所述备选变换图像与所述原始人脸图像的姿态参数差异值；

姿态变换人脸图像确定模块，用于将姿态参数差异值满足设定阈值条件的备选变换图像作为所述姿态变换人脸图像。

进一步的，所述标准检测模型为原始机器学习模型；

所述姿态检测模型生成模块，包括：

原始机器学习模型训练模块，用于采用所述至少一组姿态一致性样本集以及标准姿态训练样本集，对所述原始机器学习模型进行训练，形成所述姿态检测模型。

进一步的，所述标准检测模型为通过标准姿态训练样本集训练得到的姿态基础检测模型；

所述姿态参数获取模块，包括：

姿态基础检测模型检测模块，用于将所述原始人脸图像以及各所述备选变换图像分别输入至所述姿态基础检测模型，并获取所述姿态基础检测模型输出的姿态参数；

所述姿态检测模型生成模块，包括：

姿态基础检测模型训练模块，用于采用所述至少一组姿态一致性样本集对所述姿态基础检测模型进行训练，形成所述姿态检测模型。

进一步的，所述姿态一致性样本集中的图像和所述标准姿态训练样本集中的图像均包括鼻子区域标注结果。

第四方面，本公开实施例还提供了一种姿态检测装置，包括：

视频帧获取模块，用于获取视频中包括连续多个包括用户人脸图像的视频帧；

姿态检测模型检测模块，用于将每个所述视频帧分别输入至通过本公开实施例中所述的装置生成的姿态检测模型；

人脸姿态检测结果获取模块，用于获取所述姿态检测模型输出的针对多个视频帧的人脸姿态检测结果。

进一步的，所述姿态检测装置还包括：

鼻子区域识别模块，用于识别并标注所述视频帧中的鼻子区域。

第五方面，本公开实施例还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，使得所述一个或多个处理器实现如本公开实施例所述的姿态检测模型的生成或姿态检测方法。

第六方面，本公开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如本公开实施例所述的姿态检测模型的生成或姿态检测方法。

本公开实施例通过获取至少一组姿态一致性样本集，且每组包括的各人脸图像的姿态参数均为同一标准姿态参数值，采用经过筛选的样本集对标准检测模型进行训练，以生成姿态检测模型识别人脸姿态，解决了现有技术中采用照片通过活体检测的问题，提高训练样本的代表性，提高标准检测模型的姿态识别准确率。

附图说明

图1是本公开实施例一提供的一种姿态检测模型的生成方法的流程图；

图2是本公开实施例二提供的一种姿态检测方法的流程图；

图3是本公开实施例三提供的一种姿态检测模型的生成装置的结构示意图；

图4是本公开实施例四提供的一种姿态检测装置的结构示意图；

图5是本公开实施例五提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开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本公开，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分而非全部结构。

实施例一

图1为本公开实施例一提供的一种姿态检测模型的生成方法的流程图，本实施例可适用于生成用于姿态检测的模型的情况，该方法可以由姿态检测模型的生成装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于电子设备中，例如典型的是计算机等。如图1所示，该方法具体包括如下步骤：

S110，获取至少一组姿态一致性样本集，其中，所述姿态一致性样本集中包括：原始人脸图像，与所述原始人脸图像满足姿态差异条件的至少一个姿态变换人脸图像，所述姿态变换人脸图像通过所述原始人脸图像变换生成。

具体的，姿态一致性样本集是指包括至少一组人脸姿态相同的样本的集合，用于训练人脸姿态检测模型。其中，人脸姿态检测是指，根据包含人脸的图像检测到人脸的状态角度。姿态相同是指识别到的人脸的仰角度、旋转角度和偏航角度相同。姿态差异条件是指原始人脸图像和至少一个姿态变换人脸图像分别经过姿态检测得到的姿态不同的结果，但实际上姿态是相同的条件。

一般来说，若将合法用户的照片进行上下翻转或左右旋转，检测设备容易误判为姿态不同，从而通过活体检测，但实际上，拍摄经过翻转的照片生成的图像中人脸姿态实际和拍摄未翻转的照片生成的图像的中人脸姿态相同。但传统人脸姿态检测方法(例如最小二乘法判别法)或者历史训练完成的深度学习模型将上述两张图像确定为不同的人脸姿态，从而导致仅使用用户的照片即可通过活体检测。

为了提高深度学习模型的训练样本的代表性，可以通过获取多组误判为人脸姿态不同但实际相同的样本集合对深度学习模型进行训练，从而提高深度学习模型的识别准确率。示例性的，姿态一致性样本集是指由传统人脸姿态检测方法或者历史训练完成的深度学习模型难以区分的样本形成的集合。

姿态一致性样本集包括至少两张图像，其中，至少两张图像中至少包括一张原始人脸图像，剩余的至少一张图像通过原始人脸图像得到，示例性的，可以通过分别拍摄以不同角度放置同一张用户图像得到；或者是通过同一张用户图像经过仿射变换得到。其中，原始人脸图像是指未经过任何处理的包含人脸的图像。姿态变换人脸图像是指在原始人脸图像的基础上经过不改变人脸姿态的处理形成的图像。

可选的，所述获取姿态一致性样本集，可以包括：获取原始人脸图像，并对所述原始人脸图像进行人脸姿态调整，得到与所述原始人脸图像对应的至少一个备选变换图像；获取所述原始人脸图像以及各所述备选变换图像分别对应的姿态参数；并计算各所述备选变换图像与所述原始人脸图像的姿态参数差异值；将姿态参数差异值满足设定阈值条件的备选变换图像作为所述姿态变换人脸图像。

其中，人脸姿态调整可以是指仿射变换，具体是平移、缩放、翻转、旋转和错切中的至少一种。可以对原始人脸图像进行至少一次随机仿射变换，得到至少一个备选变换图像。通过仿射变换对原始人脸图像进行调整，获取备选变换图像，减少获取训练样本的成本，提高训练样本的获取效率。

姿态参数是指用于表示人脸姿态的参数，具体可以包括俯仰角度、旋转角度和偏航角度中的至少一项。姿态参数可以通过传统人脸姿态检测方法或者历史训练完成的深度学习模型计算得到。

姿态参数差异值可以通过计算备选变换图像与原始人脸图像之间的俯仰角度的差值、旋转角度的差值或偏航角度的差值，或者基于俯仰角度、旋转角度和偏航角度中的至少一项，生成向量，计算备选变换图像的向量的模与原始人脸图像对应的向量的模的差值作为姿态参数差异值。

设定阈值条件用于筛选出传统人脸姿态检测方法或者历史训练完成的深度学习模型无法正确识别的一组图像，从而确定具有代表性的样本，实现生成姿态一致性样本集。

示例性的，阈值条件可以包括俯仰角度阈值、旋转角度阈值和偏航角度阈值，当备选变换图像与原始人脸图像之间俯仰角度的差值、旋转角度的差值或偏航角度的差值中任一项超过匹配的差值阈值时，确定备选变换图像符合设定阈值条件。或者阈值条件可以包括合成阈值，当俯仰角度、旋转角度和偏航角度中至少两项确定的姿态参数差异值超过合成阈值时，确定备选变换图像符合设定阈值条件。

通过对原始人脸图像进行人脸姿态调整，得到对应的至少一个备选变换图像，并计算原始人脸图像与至少一个备选变换图像之间的姿态参数差异值，并将姿态参数差异值满足设定阈值条件对应的备选变换图像与原始人脸图像作为姿态一致性样本集，从而，准确筛选出当前人脸姿态估计方法难以区分的图像生成训练样本，实现确定具有代表性的样本，进而提高人脸姿态检测模型的准确率，同时，自动实现人脸姿态调整以及自动计算姿态参数差异值，降低人工成本，从而提高训练样本的获取和筛选的效率，提高模型训练的效率。

S120，将每组所述姿态一致性样本集包括的各人脸图像的姿态参数设置为同一标准姿态参数值。

标准姿态参数值可以是指人脸图像的姿态参数的标准值，可以将一组姿态一致性样本集中原始人脸图像的姿态参数作为标准姿态参数值，或者还可以将一组姿态一致性样本集中各人脸图像的姿态参数的均值作为标准姿态参数值。

由于姿态一致性样本集包括的各人脸图像的人脸姿态实际是相同的，从而姿态一致性样本集包括的各人脸图像彼此之间的姿态参数差异值为0。从而将该组内的所有人脸图像的姿态参数设置为相同的数值，作为训练样本数据。

S130，采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型。

采用容易被误判的姿态一致性样本集作为训练样本，对标准检测模型进行训练，提高标准检测模型的姿态识别准确率。

可选的，所述标准检测模型为原始机器学习模型；所述采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型，可以包括：采用所述至少一组姿态一致性样本集以及标准姿态训练样本集，对所述原始机器学习模型进行训练，形成所述姿态检测模型。

原始机器学习模型可以是指未经训练的机器学习模型。姿态检测模型可以是指经过训练的机器学习模型，用于识别图像中的人脸姿态，对应输出用户人脸的姿态参数。标准姿态训练样本集可以是指大量包含人脸图像的样本形成的集合，与姿态一致性样本集不同，标准姿态训练样本集中的人脸图像并未经过筛选。而姿态一致性样本集是经过筛选出来的代表目前方法无法正确识别姿态的有效样本的集合。

可以理解的是，仅经过标准姿态训练样本集训练的原始机器学习模型会将前述由合法用户的照片进行上下翻转或左右旋转后形成的多张图像确定为具有不同姿态参数的图像，从而，需要将至少一组姿态一致性样本集添加至训练样本中，可以避免根据照片进行人脸调整形成的多张图像计算得到的姿态参数不同的情况，以进一步提高姿态检测模型的姿态识别准确率。

示例性的，可以采用标准姿态训练样本集对原始机器学习模型进行初步训练，再经过至少一组姿态一致性样本集进行训练，最终形成姿态检测模型。或者将至少一组姿态一致性样本集以及标准姿态训练样本集同时对原始机器学习模型进行训练，形成姿态检测模型。

可选的，所述标准检测模型为通过标准姿态训练样本集训练得到的姿态基础检测模型；所述获取所述原始人脸图像以及各所述备选变换图像分别对应的姿态参数，可以包括：将所述原始人脸图像以及各所述备选变换图像分别输入至所述姿态基础检测模型，并获取所述姿态基础检测模型输出的姿态参数；所述采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型，包括：采用所述至少一组姿态一致性样本集对所述姿态基础检测模型进行训练，形成所述姿态检测模型。

其中，姿态基础检测模型可以是指原始机器学习模型在经过标准姿态训练样本集训练后所形成的机器学习模型。

由于姿态基础检测模型仅经过标准姿态训练样本集的训练，会将合法用户的照片经过角度调整形成的多张图像误判为不同的人脸姿态，即姿态基础检测模型检测多张图像的姿态参数不同。此时，可以姿态基础检测模型输出的姿态参数通过对训练样本进行筛选，确定姿态基础检测模型误判的样本，作为至少一组姿态一致性样本集继续对姿态基础检测模型进行训练，最终形成姿态检测模型，从而实现筛选有效样本，提高姿态检测模型的姿态识别准确率。

本公开实施例通过获取至少一组姿态一致性样本集，且每组包括的各人脸图像的姿态参数均为同一标准姿态参数值，采用经过筛选的样本集对标准检测模型进行训练，以生成姿态检测模型识别人脸姿态，解决了现有技术中采用照片通过活体检测的问题，提高训练样本的代表性，提高标准检测模型的姿态识别准确率。

在上述实施例的基础上，在使用标准检测模型对人脸姿态进行检测之前，可以预先在各人脸图像中识别人脸的至少一个关键点，将附加人脸关键点的样本图像作为训练样本对标准检测模型进行训练，后续也可以将附加人脸关键点数据的图像输入到姿态检测模型进行人脸姿态检测。

具体的，关键点可以是人脸中各器官的关键点，例如，关键点可以是左眼眼珠关键点、嘴角关键点和鼻孔关键点等。此外，还可以仅根据人脸中设定器官区域(如双眼区域、嘴巴区域或鼻子区域)的关键点识别人脸姿态。可选的，所述姿态一致性样本集中的图像和标准姿态训练样本集中的图像均包括鼻子区域标注结果。

其中，鼻子区域标注结果可以包括鼻子区域以及鼻子区域的关键点(如鼻尖关键点、鼻孔关键点和鼻梁关键点)。通过在训练样本中确定鼻子区域标注结果，并基于鼻子区域标注结果检测人脸姿态，避免使用全脸关键点识别人脸姿态，提高人脸姿态识别的准确率，同时减少人脸姿态检测的数据量，提高人脸姿态检测的效率。

实施例二

图2为本公开实施例二提供的一种姿态检测方法的流程图，本实施例可适用于检测人脸姿态的情况，该方法可以由姿态检测装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于电子设备中，例如典型的是计算机等。如图2所示，该方法具体包括如下步骤：

S210，获取视频中包括连续多个包括用户人脸图像的视频帧。

一般来说，视频是由一系列静态的视频帧以极快的速度连续放映形成。由此，可以将视频拆分成一系列视频帧，每个视频帧可以作为一张图像。在本公开实施例中视频帧是一张包括用户人脸图像的图像。在进行活体检测时，录制包括用户人脸的视频，从而根据录制的视频可以获取用户人脸的信息。其中，视频可以是一个录制完成的完整视频，也可以是正在实时录制的视频。

当视频为当前实时录制的视频时，可以获取视频录制的每一个视频帧并实时处理，从而保证活体检测的时效性，同时，每个视频帧中包含用户人脸图像。

S220，将每个所述视频帧分别输入至通过上述实施例所述的方法生成的姿态检测模型。

其中，姿态检测模型可以参照上述实施例的描述。

将获取的每个视频帧输入到本公开实施例一中所述方法生成的姿态检测模型中，以获取视频中用户的人脸姿态变化情况。

S230，获取所述姿态检测模型输出的针对多个视频帧的人脸姿态检测结果。

人脸姿态检测结果可以是指人脸姿态变化情况，例如，姿态参数的变化情况。其中，姿态参数可以参照上述实施例的描述。示例性的，人脸姿态检测结果可以包括检测到人脸是否上下点头，或者人脸是否左右摇头。

在上述实施例的基础上，可选的，在获取视频中包括连续多个包括用户人脸图像的视频帧之后，在将每个所述视频帧分别输入至通过上述实施例所述的方法生成的姿态检测模型之前，还可以包括：识别并标注所述视频帧中的鼻子区域。

经过实验可知，基于附加鼻子区域内关键点的图像训练的姿态检测模型检测人脸姿态的姿态参数的准确率高于基于附加全脸关键点的图像训练的姿态检测模型检测人脸姿态的姿态参数的准确率，从而可以采用基于附加鼻子区域内关键点的图像训练的姿态检测模型，同时，预先对输入姿态检测模型前的视频帧进行鼻子区域识别，标注鼻子区域的关键点。

具体的，可以通过预先训练的机器学习模型识别视频帧中的关键点。此外，还可以通过其他方法，如基于活动形状模型(Active Shape Model，ASM)的方法，对此，本公开实施例不作具体限制。

本公开实施例通过预先经过姿态一致性样本集训练的姿态检测模型对多个视频帧进行人脸姿态检测，实现准确计算姿态参数，提高姿态识别准确率，从而提高活体检测的准确率。

实施例三

图3为本公开实施例提供的一种姿态检测模型的生成装置的结构示意图，本实施例可适用于生成用于姿态检测的模型的情况。该装置可以采用软件和/或硬件的方式实现，该装置可以配置于电子设备中。如图3所示，该装置可以包括：姿态一致性样本集获取模块310、姿态参数设置模块320和姿态检测模型生成模块330。

姿态一致性样本集获取模块310，用于获取至少一组姿态一致性样本集，其中，所述姿态一致性样本集中包括：原始人脸图像，与所述原始人脸图像满足姿态差异条件的至少一个姿态变换人脸图像，所述姿态变换人脸图像通过所述原始人脸图像变换生成；

姿态参数设置模块320，用于将每组所述姿态一致性样本集包括的各人脸图像的姿态参数设置为同一标准姿态参数值；

姿态检测模型生成模块330，用于采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型。

本公开实施例通过获取至少一组姿态一致性样本集，且每组包括的各人脸图像的姿态参数均为同一标准姿态参数值，采用经过筛选的样本集对标准检测模型进行训练，以生成姿态检测模型识别人脸姿态，解决了现有技术中采用照片通过活体检测的问题，提高训练样本的代表性，提高标准检测模型的姿态识别准确率。

进一步的，所述姿态一致性样本集获取模块310，包括：备选变换图像获取模块，用于获取原始人脸图像，并对所述原始人脸图像进行人脸姿态调整，得到与所述原始人脸图像对应的至少一个备选变换图像；姿态参数获取模块，用于获取所述原始人脸图像以及各所述备选变换图像分别对应的姿态参数；姿态参数差异值获取模块，用于并计算各所述备选变换图像与所述原始人脸图像的姿态参数差异值；姿态变换人脸图像确定模块，用于将姿态参数差异值满足设定阈值条件的备选变换图像作为所述姿态变换人脸图像。

进一步的，所述标准检测模型为原始机器学习模型；所述姿态检测模型生成模块330，包括：原始机器学习模型训练模块，用于采用所述至少一组姿态一致性样本集以及标准姿态训练样本集，对所述原始机器学习模型进行训练，形成所述姿态检测模型。

进一步的，所述标准检测模型为通过标准姿态训练样本集训练得到的姿态基础检测模型；所述姿态参数获取模块，包括：姿态基础检测模型检测模块，用于将所述原始人脸图像以及各所述备选变换图像分别输入至所述姿态基础检测模型，并获取所述姿态基础检测模型输出的姿态参数；所述姿态检测模型生成模块330，包括：姿态基础检测模型训练模块，用于采用所述至少一组姿态一致性样本集对所述姿态基础检测模型进行训练，形成所述姿态检测模型。

进一步的，所述姿态一致性样本集中的图像和所述标准姿态训练样本集中的图像均包括鼻子区域标注结果。

本公开实施例提供的姿态检测模型的生成装置，与实施例一提供的姿态检测模型的生成方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见实施例一，并且本公开实施例与实施例一具有相同的有益效果。

实施例四

图4为本公开实施例提供的一种姿态检测装置的结构示意图，本实施例可适用于人脸姿态检测的情况。该装置可以采用软件和/或硬件的方式实现，该装置可以配置于电子设备中。如图4所示，该装置可以包括：视频帧获取模块410、姿态检测模型检测模块420和人脸姿态检测结果获取模块430。

视频帧获取模块410，用于获取视频中包括连续多个包括用户人脸图像的视频帧；

姿态检测模型检测模块420，用于将每个所述视频帧分别输入至通过本公开实施例中所述的装置生成的姿态检测模型；

人脸姿态检测结果获取模块430，用于获取所述姿态检测模型输出的针对多个视频帧的人脸姿态检测结果。

本公开实施例通过预先经过姿态一致性样本集训练的姿态检测模型对多个视频帧进行人脸姿态检测，实现准确计算姿态参数，提高姿态识别准确率，从而提高活体检测的准确率。

进一步的，所述姿态检测装置还包括：鼻子区域识别模块，用于识别并标注所述视频帧中的鼻子区域。

本公开实施例提供的姿态检测装置，与实施例二提供的姿态检测方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见实施例二，并且本公开实施例与实施例二具有相同的有益效果。

实施例五

本公开实施例提供了一种电子设备，下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)500的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)、便携式多媒体播放器(PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备500操作所需的各种程序和数据。处理装置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。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

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装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的姿态检测模型的生成方法或姿态检测方法中限定的上述功能。

实施例六

本公开实施例还提供了一种计算机可读存储介质，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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、射频(RF)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述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：获取至少一组姿态一致性样本集，其中，所述姿态一致性样本集中包括：原始人脸图像，与所述原始人脸图像满足姿态差异条件的至少一个姿态变换人脸图像，所述姿态变换人脸图像通过所述原始人脸图像变换生成；将每组所述姿态一致性样本集包括的各人脸图像的姿态参数设置为同一标准姿态参数值；采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型。

或者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：获取视频中包括连续多个包括用户人脸图像的视频帧；将每个所述视频帧分别输入至通过如本公开实施例所述的方法生成的姿态检测模型；获取所述姿态检测模型输出的针对多个视频帧的人脸姿态检测结果。

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公开的操作的计算机程序代码，上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，图示了按照本公开各种实施例的系统、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。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，姿态一致性样本集获取模块还可以被描述为“获取至少一组姿态一致性样本集的模块”。

以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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 (18)

1.一种姿态检测模型的生成方法，其特征在于，包括：

获取至少一组姿态一致性样本集，其中，所述姿态一致性样本集中包括：原始人脸图像，与所述原始人脸图像满足姿态差异条件的至少一个姿态变换人脸图像，所述姿态变换人脸图像通过所述原始人脸图像变换生成；

将每组所述姿态一致性样本集包括的各人脸图像的姿态参数设置为同一标准姿态参数值；

采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型。

2.根据权利要求1所述的方法，其特征在于，所述获取姿态一致性样本集，包括：

获取原始人脸图像，并对所述原始人脸图像进行人脸姿态调整，得到与所述原始人脸图像对应的至少一个备选变换图像；

获取所述原始人脸图像以及各所述备选变换图像分别对应的姿态参数；

计算各所述备选变换图像与所述原始人脸图像的姿态参数差异值；

将姿态参数差异值满足设定阈值条件的备选变换图像作为所述姿态变换人脸图像。

3.根据权利要求1所述的方法，其特征在于，所述标准检测模型为原始机器学习模型；

所述采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型，包括：

采用所述至少一组姿态一致性样本集以及标准姿态训练样本集，对所述原始机器学习模型进行训练，形成所述姿态检测模型。

4.根据权利要求2所述的方法，其特征在于，所述标准检测模型为通过标准姿态训练样本集训练得到的姿态基础检测模型；

所述获取所述原始人脸图像以及各所述备选变换图像分别对应的姿态参数，包括：

将所述原始人脸图像以及各所述备选变换图像分别输入至所述姿态基础检测模型，并获取所述姿态基础检测模型输出的姿态参数；

所述采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型，包括：

采用所述至少一组姿态一致性样本集对所述姿态基础检测模型进行训练，形成所述姿态检测模型。

5.根据权利要求3-4任一项所述的方法，其特征在于，所述姿态一致性样本集中的图像和所述标准姿态训练样本集中的图像均包括鼻子区域标注结果。

6.一种姿态检测方法，其特征在于，包括：

获取视频中包括连续多个包括用户人脸图像的视频帧；

将每个所述视频帧分别输入至通过如权利要求1-5任一项所述的方法生成的姿态检测模型；

获取所述姿态检测模型输出的针对多个视频帧的人脸姿态检测结果。

7.根据权利要求6所述的方法，其特征在于，在获取视频中包括连续多个包括用户人脸图像的视频帧之后，在将每个所述视频帧分别输入至通过如权利要求1-5任一项所述的方法生成的姿态检测模型之前，还包括：

识别并标注所述视频帧中的鼻子区域。

8.一种姿态检测模型的生成装置，其特征在于，包括：

姿态一致性样本集获取模块，用于获取至少一组姿态一致性样本集，其中，所述姿态一致性样本集中包括：原始人脸图像，与所述原始人脸图像满足姿态差异条件的至少一个姿态变换人脸图像，所述姿态变换人脸图像通过所述原始人脸图像变换生成；

姿态参数设置模块，用于将每组所述姿态一致性样本集包括的各人脸图像的姿态参数设置为同一标准姿态参数值；

姿态检测模型生成模块，用于采用所述至少一组姿态一致性样本集，对标准检测模型进行训练，形成姿态检测模型。

9.根据权利要求8所述的装置，其特征在于，所述姿态一致性样本集获取模块，包括：

备选变换图像获取模块，用于获取原始人脸图像，并对所述原始人脸图像进行人脸姿态调整，得到与所述原始人脸图像对应的至少一个备选变换图像；

姿态参数获取模块，用于获取所述原始人脸图像以及各所述备选变换图像分别对应的姿态参数；

姿态参数差异值获取模块，用于计算各所述备选变换图像与所述原始人脸图像的姿态参数差异值；

姿态变换人脸图像确定模块，用于将姿态参数差异值满足设定阈值条件的备选变换图像作为所述姿态变换人脸图像。

10.根据权利要求8所述的装置，其特征在于，所述标准检测模型为原始机器学习模型；

所述姿态检测模型生成模块，包括：

原始机器学习模型训练模块，用于采用所述至少一组姿态一致性样本集以及标准姿态训练样本集，对所述原始机器学习模型进行训练，形成所述姿态检测模型。

11.根据权利要求9所述的装置，其特征在于，所述标准检测模型为通过标准姿态训练样本集训练得到的姿态基础检测模型；

所述姿态参数获取模块，包括：

姿态基础检测模型检测模块，用于将所述原始人脸图像以及各所述备选变换图像分别输入至所述姿态基础检测模型，并获取所述姿态基础检测模型输出的姿态参数；

所述姿态检测模型生成模块，包括：

姿态基础检测模型训练模块，用于采用所述至少一组姿态一致性样本集对所述姿态基础检测模型进行训练，形成所述姿态检测模型。

12.根据权利要求8-11任一项所述的装置，其特征在于，所述姿态一致性样本集中的图像和所述标准姿态训练样本集中的图像均包括鼻子区域标注结果。

13.一种姿态检测装置，其特征在于，包括：

视频帧获取模块，用于获取视频中包括连续多个包括用户人脸图像的视频帧；

姿态检测模型检测模块，用于将每个所述视频帧分别输入至通过如权利要求8-12任一项所述的装置生成的姿态检测模型；

人脸姿态检测结果获取模块，用于获取所述姿态检测模型输出的针对多个视频帧的人脸姿态检测结果。

14.根据权利要求13所述的装置，其特征在于，还包括：

鼻子区域识别模块，用于识别并标注所述视频帧中的鼻子区域。

15.一种电子设备，其特征在于，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，使得所述一个或多个处理器实现如权利要求1-5任一所述的姿态检测模型的生成方法。

16.一种电子设备，其特征在于，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，使得所述一个或多个处理器实现如权利要求6-7任一所述的姿态检测方法。

17.一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1-5任一所述的姿态检测模型的生成方法。

18.一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6-7任一所述的姿态检测方法。