CN110942033A - 用于推送信息的方法、装置、电子设备和计算机介质 - Google Patents

Abstract

本公开的实施例公开了用于推送信息的方法、装置、电子设备和计算机介质。该方法的一具体实施方式包括：获取目标图像；将上述目标图像输入至预先训练的机器学习模型，生成上述目标图像的脸部位置信息、脸部置信度信息和特征点信息；确定上述脸部位置信息与上述脸部置信度信息是否满足预设条件；响应于确定满足预设条件，确定与上述特征点信息对应的展示信息；输出上述展示信息到显示终端。该实施方式实现了富于针对性的信息推送，同时减小了计算量，提高了识别效率。

Description

用于推送信息的方法、装置、电子设备和计算机介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于推送信息的 方法、装置、电子设备和计算机介质。

背景技术

脸部识别是一项热门的计算机技术研究领域，它属于生物特征识 别技术，是对生物体本身的生物特征来区分生物体个体。

目前，脸部识别应用到多种场景中。例如公安、金融、机场、地 铁、边防口岸等多个对人员身份进行自然比对识别的重要领域。但是， 当脸部图像识别的效果不佳时，往往还是会进行计算，如此一来增大 了计算量，降低了识别效率。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后 面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识 要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要 求的保护的技术方案的范围。

本公开的一些实施例提出了用于推送信息的方法、装置、电子设 备和计算机介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于推送信息的方法， 该方法包括：获取目标图像；将上述目标图像输入至预先训练的机器 学习模型，生成上述目标图像的脸部位置信息、脸部置信度信息和特 征点信息；确定上述脸部位置信息与上述脸部置信度信息是否满足预 设条件；响应于确定满足预设条件，确定与上述特征点信息对应的展 示信息；输出上述展示信息到显示终端。

在一些实施例中，上述机器学习模型包括卷积神经网络和特征点 提取网络。

在一些实施例中，上述将上述目标脸部图像输入至预先训练的机 器学习模型，生成上述目标图像的脸部位置信息、脸部置信度信息和 特征点信息，包括：将上述目标图像输入至上述卷积神经网络，生成 上述脸部位置信息和上述脸部置信度信息，其中，上述卷积神经网络 用于表征图像与脸部位置信息和脸部置信度信息的对应关系；将上述 目标图像输入至上述特征点提取网络，生成上述目标图像的特征点信 息，其中，上述特征点提取网络用于表征图像与特征点信息的对应关 系。

在一些实施例中，获取训练样本集，其中，上述训练样本集中的 训练样本包括样本图像、上述样本图像对应的样本脸部位置信息、样 本脸部置信度信息和样本特征点信息；将上述训练样本中的样本图像 输入待训练模型中的卷积神经网络，生成脸部位置信息和脸部置信度 信息；将上述训练样本中的样本图像输入初始网络中的特征点提取网 络，生成目标图像样本的特征点信息；将脸部位置信息与对应的样本 脸部位置信息进行分析，确定脸部位置信息的损失值；将脸部置信度 信息与对应的样本脸部置信度信息进行分析，确定脸部置信度信息的 损失值；将特征点信息与对应的样本特征点信息进行分析，确定特征 点信息的损失值；将上述脸部位置信息的损失值、上述脸部置信度的 损失值和上述特征点信息的损失值进行处理，得到输出损失值；响应 于确定上述输出损失值处于预定阈值范围内，确定待训练模型训练完 成，将待训练模型确定为机器学习模型。

在一些实施例中，响应于确定上述输出损失值处于预定阈值范围 之外，确定上述初始模型未训练完成，调整待训练模型中的相关参数。

在一些实施例中，上述展示信息包括以下至少一项：身份信息， 犯罪信息，考勤信息。

第二方面，本公开的一些实施例提供了一种用于推送信息的装置， 装置包括：获取单元，被配置成获取目标图像；

生成单元，被配置成将目标图像输入至预先训练的机器学习模型， 生成目标图像的脸部位置信息、脸部置信度信息和特征点信息；第一 确定单元，被配置成确定脸部位置信息与脸部置信度信息是否满足预 设条件；第二确定单元，被配置成响应于确定满足预设条件，确定与 特征点信息对应的展示信息；输出单元，被配置成输出展示信息到显 示终端。

第三方面，本公开的一些实施例提供了一种电子设备，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 面中任一的方法。

第四方面，本公开的一些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，其中，程序被处理器执行时实现如第一方面中任一 的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首 先，通过获取目标图像。然后，将上述目标图像输入至预先训练的机 器学习模型，进而得到上述目标图像的脸部位置信息、脸部置信度信 息和特征点信息。接着，确定上述脸部位置信息与上述脸部置信度信 息是否满足预设条件。响应于确定满足预设条件，确定与上述特征点 信息对应的展示信息。最后输出上述展示信息到显示终端。如此一来， 实现了富于针对性的信息推送。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其 他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附 图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元 素不一定按照比例绘制。

图1是根据本公开的一些实施例的用于推送信息的方法的一个应 用场景的示意图；

图2是根据本公开的用于推送信息的方法的一些实施例的流程 图；

图3是根据本公开的用于推送信息的装置的一些实施例的结构示 意图；

图4是适于用来实现本公开的一些实施例的电子设备的结构示意 图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示 了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形 式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供 这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本 公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护 范围。

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。在不冲突的情况下，本公开中的实施例及实施例中的 特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不 同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单 元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而 非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出， 否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称 仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限 制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开的一些实施例的用于推送信息的方法的一个应 用场景的示意图。

如图1所示，在图1的应用场景中，首先，终端设备101可以获 取目标图像102。接着，终端设备101将目标图像102输入到机器学 习模型中。从而生成目标图像的脸部位置信息105、脸部置信度信息 106和特征点信息107。接着，响应于上述脸部位置信息105与脸部置 信度信息106满足预设条件，进而确定与上述特征点信息107对应的 展示信息103。最后，终端设备101控制显示终端104将上述展示信 息103进行展示。

可以理解的是，用于推送信息的方法可以由终端设备101来执行， 或者也可以是由服务器来执行，上述方法的执行主体还可以包括上述 终端设备101与上述服务器通过网络相集成所构成的设备，或者还可 以是各种软件程序来执行。其中，终端设备101可以是具有信息处理 能力的各种电子设备，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、嵌入式设备和台式计算机等等。此外，执 行主体也可以体现为服务器、软件等。当执行主体为软件时，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。

应该理解，图1中的终端设备数目仅仅是示意性的。根据实现需 要，可以具有任意数目的服务器。

接着参阅图2，示出了根据本公开的用于推送信息的方法的一些 实施例的流程200。该用于推送信息的方法，包括以下步骤：

步骤201，获取目标图像。

在一些实施例中，用于推送信息的方法的执行主体(例如图1所 示的服务器101)可以通过有线连接方式或者无线连接方式从图像采 集设备获取目标图像。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。具体而言，上述图像采集设备可以是照相机、摄像机等 能够采集图像的设备。上述目标图像可以是用户指定的图像，也可以 是服务器缺省设置确定的图像。

步骤202，将目标图像输入至预先训练的机器学习模型，生成目 标图像的脸部位置信息、脸部置信度信息和特征点信息。

在一些实施例中，上述执行主体可以将步骤201中获取的目标图 像输入到预先训练的机器学习模型。从而生成目标图像的脸部位置信 息、脸部置信度信息和特征点信息。上述机器学习模型可以用于表征 目标图像与脸部位置信息、脸部置信度信息和特征点信息的对应关系。 在这里，上述脸部位置信息可以表征脸部处于目标图像中的位置信息。 例如，上述脸部位置信息可以包括脸部在目标图片中的位置以及脸部 覆盖的范围。上述覆盖范围可以用矩形框或者其他形状替代。具体来 说，可以在目标图像上建立坐标系。左下角的位置坐标为(0，0)。其 中，x轴可以是目标图像的水平方向。y轴可以是目标图像的竖直方向。 以一个像素点作为基本的长度单位，确定脸部所覆盖的矩形框四个点 的横纵坐标。如此一来，可以将脸部在目标图片中的位置以及脸部覆 盖的范围准确地表示出来。

具体而言，脸部置信度信息通常用于表征在目标图像中检测到的 脸部的真实程度。例如，可以根据人的脸部特征作为依据，确定目标 图像中的脸部的真是程度。具体而言，也可以在目标图像上建立坐标 系。一方面，人的眼睛区域具有一定的面积，并且左右眼的面积相近。 通过坐标的方式展示出来。另一方面，嘴巴左侧的横坐标会大于左眼 嘴左侧的横坐标，以及嘴巴最右的横坐标小于右眼的最右的横坐标。 同样地，还可以根据脸部其他器官的位置关系确定出脸部的特征。通 过对目标图像中脸部的特征与样本的脸部特征的比值表征脸部置信度 信息。

此外，特征点信息通常用于表征目标图像中检测到的脸部的特征 点。该特征点可以是人的五官。同样地，可以建立坐标系，将五官之 间的位置关系以坐标的形式进行表示，从而体现五官的特征。例如， 表征鼻子的高度的坐标与表征嘴唇和眼睛之间距离的分值表征该脸部 的特征等。如此一来，便可以获取到特征点信息。

在一些实施例的一些可选的实施方式中，上述机器学习模型可以 包括卷积神经网络和特征点提取网络。具体而言，可以通过卷积神经 网络中的卷积核提取图像特征，进而可以获取到脸部位置信息。进一 步地，通过与样本的脸部特征进行比对，确定出脸部置信度信息。该 卷积神经网络用于表征图像与脸部位置信息和脸部置信度信息的对应 关系。此外，还可以通过特征点提取网络对目标图像中的特征点信息 进行提取。该特征点提取网络可以用于表征图像与特征点信息的对应 关系。上述提取网络可以是基于LBP(LocalBinary Patterns，局部二 值模式)特征提取算法或者尺度不变特征变换(Scale-invariant features transform)算法或者的提取网络。

步骤203，确定脸部位置信息与脸部置信度信息是否满足预设条 件。

在一些实施例中，执行主体可以对脸部位置信息与脸部置信度信 息设定预设条件。举例来说，可以对脸部的所处的位置和范围进行限 制。具体而言，可以对脸部所处位置距离目标图像的边缘设置阈值； 还可以对脸部的范围大小设置阈值；对脸部置信度表征的数值设置阈 值。当大于或者小于上述阈值时，确定满足预设条件。

步骤204，响应于确定满足预设条件，确定与特征点信息对应的 展示信息。

在一些实施例中，举例来说，当脸部所处位置距离目标图像的边 缘大于对应的预设阈值时，以及脸部置信度表征的数值高于对应的预 设阈值，以及脸部的范围大小大于对应的预设阈值时，满足上述预设 条件时，确定与特征点信息对应的展示信息。具体而言，展示信息可 以是人们的身份信息或者记录的某一动作的相关信息。例如，展示信 息可以是记载人们的姓名、年龄和民族等。该展示信息还可以是考勤 信息。例如记载上班时间和下班时间等。该展示信息还可以是犯罪信 息。例如记载犯罪的时间和犯罪记录等。例如记载上班时间和下班时 间等进一步地，可以设置一个特征库。该特征库中储存有样本脸部特征点信息和展示信息的对应关系表。可以将上述特征点信息与特征库 中的样本脸部特征点信息进行匹配。当匹配到特征库中的样本时或者 匹配的相似度达到预设的相似度时，将与上述样本脸部特征点信息对 应的展示信息作为特征点信息的展示信息。

步骤205，输出展示信息到显示终端。

在一些实施例中，该显示终端可以显示展示信息。从而实现了信 息推送。

本公开的一些实施例公开的信息呈现方法，首先，获取目标图像， 将上述目标图像输入至预先训练的机器学习模型，进而生成上述目标 图像的脸部位置信息、脸部置信度信息和特征点信息。接着，确定上 述脸部位置信息与上述脸部置信度信息是否满足预设条件，从而排除 一些目标图像中脸部位置不佳或者脸部置信度不高的图像。从而对目 标图像进行了有效地筛选，减少了无效的计算量。响应于确定满足预 设条件，确定与上述特征点信息对应的展示信息。最后输出上述展示 信息到显示终端。如此一来，实现了富于针对性的信息推送，从而， 本公开能够满足用户的需求，展示出期望的展示信息。对于目标图像采集效果不佳的图像进行了筛查，从而降低了无效的计算量，提升了 识别效率。

在一些实施例的一些可选的实施方式中，上述机器学习模型通过 如下训练步骤训练得到：

首先，获取训练样本集，其中，上述训练样本集中的训练样本包 括样本图像、上述样本图像对应的样本脸部位置信息、样本脸部置信 度信息和样本特征点信息。举例来说，可以在样本图像上标注样本脸 部位置信息和样本特征点信息。或者将样本脸部位置信息、样本脸部 置信度信息和样本特征点信息记录在文本中。

将上述训练样本中的样本图像输入待训练模型中的卷积神经网 络，生成脸部位置信息和脸部置信度信息；将上述训练样本中的样本 图像输入初始网络中的特征点提取网络，生成目标图像样本的特征点 信息。

将脸部位置信息与对应的样本脸部位置信息进行分析，确定脸部 位置信息的损失值。例如可以将脸部位置信息与对应的样本脸部位置 信息作为参数，输入指定的损失函数(loss function)中，从而可以计 算得到两者之间损失值。

将脸部置信度信息与对应的样本脸部置信度信息进行分析，确定 脸部置信度信息的损失值。例如可以将脸部置信度信息与对应的样本 脸部置信度信息作为参数，输入指定的损失函数(loss function)中， 从而可以计算得到两者之间损失值。

将特征点信息与对应的样本特征点信息进行分析，确定特征点信 息的损失值。例如可以将特征点信息与对应的样本特征点信息作为参 数，输入指定的损失函数(lossfunction)中，从而可以计算得到两者 之间损失值。

将上述脸部位置信息的损失值、上述脸部置信度的损失值和上述 特征点信息的损失值进行处理，得到输出损失值。具体而言，处理方 式可以是将上述三个损失值进行求和。或者根据上述脸部位置信息的 损失值、上述脸部置信度的损失值和上述特征点信息的损失值的重要 程度为每个损失值设定权重。如此一来，求和之后获取到该输出损失 值。

响应于确定上述输出损失值处于预定阈值范围内，确定待训练模 型训练完成，将待训练模型确定为机器学习模型。需要说明的是，上 述预定阈值范围可以是技术人员设定的。本领域技术人员可以根据实 际需求对上述预定阈值范围进行调整。

响应于确定上述输出损失值处于预定阈值范围之外，确定上述初 始模型未训练完成，调整待训练模型中的相关参数。

进一步参考图3，作为上述各图所示方法的实现，本公开提供了 一种用于推送信息的装置的一些实施例，这些实施例与图2所示的那 些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，一些实施例的用于推送信息的装置300包括：获取 单元301、生成单元302、第一确定单元303、第二确定单元304和输 出单元305。其中，获取单元301被配置成获取目标图像。生成单元 302被配置成将目标图像输入至预先训练的机器学习模型，生成目标 图像的脸部位置信息、脸部置信度信息和特征点信息。第一确定单元 303被配置成确定脸部位置信息与脸部置信度信息是否满足预设条 件。第二确定单元304被配置成响应于确定满足预设条件，确定与特 征点信息对应的展示信息。输出单元305被配置成输出展示信息到显 示终端。

在一些实施例的可选实现方式中，机器学习模型包括卷积神经网 络和特征点提取网络。

在一些实施例的可选实现方式中，生成单元302进一步被配置成 将目标图像输入至卷积神经网络，生成脸部位置信息和脸部置信度信 息。其中，卷积神经网络用于表征图像与脸部位置信息和脸部置信度 信息的对应关系。之后，上述生成单元302将目标图像输入至特征点 提取网络，生成目标图像的特征点信息，其中，特征点提取网络用于 表征图像与特征点信息的对应关系。

在一些实施例的可选实现方式中，机器学习模型通过如下训练步 骤训练得到：获取训练样本集，其中，训练样本集中的训练样本包括 样本图像、样本图像对应的样本脸部位置信息、样本脸部置信度信息 和样本特征点信息。将训练样本中的样本图像输入待训练模型中的卷 积神经网络，生成脸部位置信息和脸部置信度信息。将训练样本中的 样本图像输入初始网络中的特征点提取网络，生成目标图像样本的特 征点信息。将脸部位置信息与对应的样本脸部位置信息进行分析，确 定脸部位置信息的损失值。将脸部置信度信息与对应的样本脸部置信 度信息进行分析，确定脸部置信度信息的损失值。将特征点信息与对应的样本特征点信息进行分析，确定特征点信息的损失值。将脸部位 置信息的损失值、脸部置信度的损失值和特征点信息的损失值进行处 理，得到输出损失值。响应于确定输出损失值处于预定阈值范围内， 确定待训练模型训练完成，将待训练模型确定为机器学习模型。作为 示例，可以预先针对样本图像和对应的样本脸部位置信息、样本脸部 置信度信息和样本特征点信息统计得到对应关系表。图像与上述对应 关系表中的样本图像进行比较，若与上述对应关系表中的样本图像相 同或相似，则输出对应关系表中的样本脸部位置信息、样本脸部置信 度信息和样本特征点信息。

在一些实施例的可选实现方式中，训练步骤还包括响应于确定输 出损失值处于预定阈值范围之外，确定初始模型未训练完成，调整待 训练模型中的相关参数。

在一些实施例的可选实现方式中，展示信息包括以下至少一项： 身份信息，犯罪信息，考勤信息。

下面参考图4，其示出了适于用来实现本公开的一些实施例的电 子设备(例如，服务器或者终端)400的结构示意图。本公开的一些 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、PDA(个人数字助理)、PAD(平板电脑)、PMP(便 携式多媒体播放器)、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4示出的电子设备 仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何 限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、 图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的 程序或者从存储装置408加载到随机访问存储器(RAM)403中的程 序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备 400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线 404。

通常，以下装置可以连接至I/O接口405：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 406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407； 包括例如存储卡等的存储装置408；以及通信装置409。通信装置409 可以允许电子设备400与其他设备进行无线或有线通信以交换数据。 虽然图4示出了具有各种装置的电子设备400，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。图4中示出的每个方框可以代表一个装置，也可以根据需 要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些实施例包括一种 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。在这样的一 些实施例中，该计算机程序可以通过通信装置409从网络上被下载和 安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计 算机程序被处理装置401执行时，执行本公开的一些实施例的方法中 限定的上述功能。

需要说明的是，本公开的一些实施例上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。在本公开的一些实施 例中，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。 而在本公开的一些实施例中，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、RF(射频)等 等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP (HyperText TransferProtocol，超文本传输协议)之类的任何当前已知 或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字 数据通信(例如，通信网络)互连。通信网络的示例包括局域网 (“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端 网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网 络。

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：获取目标图像；将上述目标图像输入至预先训练的机 器学习模型，生成上述目标图像的脸部位置信息、脸部置信度信息和 特征点信息；确定上述脸部位置信息与上述脸部置信度信息是否满足 预设条件；响应于确定满足预设条件，确定与上述特征点信息对应的 展示信息；输出上述展示信息到显示终端。

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 的一些实施例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。

描述于本公开的一些实施例中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、生成单元、第一确定 单元、第二确定单元和输出单元。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“基 于目标图像，进行目标图像的信息获取的单元”。本文中以上描述的功 能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制 性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列 (FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系 统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些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，本公开的实施例中所涉及的发明范 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。例如上述特征与本公开的实施例 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 (9)

1.一种用于推送信息的方法，包括：

获取目标图像；

将所述目标图像输入至预先训练的机器学习模型，生成所述目标图像的脸部位置信息、脸部置信度信息和特征点信息；

确定所述脸部位置信息与所述脸部置信度信息是否满足预设条件；

响应于确定满足预设条件，确定与所述特征点信息对应的展示信息；

输出所述展示信息到显示终端。

2.根据权利要求1所述的方法，其中，所述机器学习模型包括卷积神经网络和特征点提取网络。

3.根据权利要求2所述的方法，其中，所述将所述目标脸部图像输入至预先训练的机器学习模型，生成所述目标图像的脸部位置信息、脸部置信度信息和特征点信息，包括：

将所述目标图像输入至所述卷积神经网络，生成所述脸部位置信息和所述脸部置信度信息，其中，所述卷积神经网络用于表征图像与脸部位置信息和脸部置信度信息的对应关系；

将所述目标图像输入至所述特征点提取网络，生成所述目标图像的特征点信息，其中，所述特征点提取网络用于表征图像与特征点信息的对应关系。

4.根据权利要求1所述的方法，其中，所述机器学习模型通过如下训练步骤训练得到：

获取训练样本集，其中，所述训练样本集中的训练样本包括样本图像、所述样本图像对应的样本脸部位置信息、样本脸部置信度信息和样本特征点信息；

将所述训练样本中的样本图像输入待训练模型中的卷积神经网络，生成脸部位置信息和脸部置信度信息；

将所述训练样本中的样本图像输入初始网络中的特征点提取网络，生成目标图像样本的特征点信息；

将脸部位置信息与对应的样本脸部位置信息进行分析，确定脸部位置信息的损失值；

将脸部置信度信息与对应的样本脸部置信度信息进行分析，确定脸部置信度信息的损失值；

将特征点信息与对应的样本特征点信息进行分析，确定特征点信息的损失值；

将所述脸部位置信息的损失值、所述脸部置信度的损失值和所述特征点信息的损失值进行处理，得到输出损失值；

响应于确定所述输出损失值处于预定阈值范围内，确定待训练模型训练完成，将待训练模型确定为机器学习模型。

5.根据权利要求4所述的方法，其中，所述训练步骤还包括：

响应于确定所述输出损失值处于预定阈值范围之外，确定所述初始模型未训练完成，调整待训练模型中的相关参数。

6.根据权利要求1-5中任一所述的方法，其中，所述展示信息包括以下至少一项：身份信息，犯罪信息，考勤信息。

7.一种信息输出装置，包括：

获取单元，被配置成获取目标图像；

生成单元，被配置成将所述目标图像输入至预先训练的机器学习模型，生成所述目标图像的脸部位置信息、脸部置信度信息和特征点信息；

第一确定单元，被配置成确定所述脸部位置信息与所述脸部置信度信息是否满足预设条件；

第二确定单元，被配置成响应于确定满足预设条件，确定与所述特征点信息对应的展示信息；

输出单元，被配置成输出所述展示信息到显示终端。

8.一种电子设备，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1-6中任一所述的方法。

9.一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1-6中任一所述的方法。

Images