CN114120410A - 用于生成标签信息的方法、装置、设备、介质和产品 - Google Patents

Abstract

本公开提供了用于生成标签信息的方法、装置、设备、介质和产品，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于人脸识别、活体检测等场景。具体实现方案为：获取各个图像的标识信息；基于标识信息，对各个图像进行聚类，得到图像聚类簇集合；对于图像聚类簇集合中的每个图像聚类簇，确定该图像聚类簇对应的簇特征信息；基于各个图像聚类簇对应的簇特征信息，生成标签信息。本实现方式可以提高标签信息的生成效率。

Description

用于生成标签信息的方法、装置、设备、介质和产品

技术领域

本公开涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于人脸识别、活体检测等场景。

背景技术

目前，在对活体数据进行处理时，经常需要生成活体数据相对应的标签信息，用以标注属于活体的数据和不属于活体的数据。基于这些标签信息能够实现对活体检测模型的训练，提高活体检测的识别精准度。

然而，在实践中发现，现在的标签信息生成方式依赖于人工标注，效率较低。

发明内容

本公开提供了一种用于生成标签信息的方法、装置、设备、介质和产品。

根据本公开的一方面，提供了一种用于生成标签信息的方法，包括：获取各个图像的标识信息；基于标识信息，对各个图像进行聚类，得到图像聚类簇集合；对于图像聚类簇集合中的每个图像聚类簇，确定该图像聚类簇对应的簇特征信息；基于各个图像聚类簇对应的簇特征信息，生成标签信息。

根据本公开的另一方面，提供了一种用于生成标签信息的装置，包括：信息获取单元，被配置成获取各个图像的标识信息；聚类单元，被配置成基于标识信息，对各个图像进行聚类，得到图像聚类簇集合；特征确定单元，被配置成对于图像聚类簇集合中的每个图像聚类簇，确定该图像聚类簇对应的簇特征信息；标签生成单元，被配置成基于各个图像聚类簇对应的簇特征信息，生成标签信息。

根据本公开的另一方面，提供了一种电子设备，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上任意一项用于生成标签信息的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上任意一项用于生成标签信息的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上任意一项用于生成标签信息的方法。

根据本公开的技术，提供一种用于生成标签信息的方法，能够提高标签信息的生成效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成标签信息的方法的一个实施例的流程图；

图3是根据本公开的用于生成标签信息的方法的一个应用场景的示意图；

图4是根据本公开的用于生成标签信息的方法的另一个实施例的流程图；

图5是根据本公开的用于生成标签信息的装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的用于生成标签信息的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，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。下面将参考附图并结合实施例来详细说明本公开。

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可以安装有具有活体检测、人脸识别等功能的应用软件，在这些应用软件进行人脸识别和活体检测时，可以依赖于预先训练好的模型，而这些模型在训练阶段需要基于大量的标注图像作为训练样本进行训练。其中，终端设备101、102、103可以采集大量的活体检测图像，并将这些活体检测图像传输给服务器105进行后续的标注工作。并且，在采集大量的活体检测图像时，可以生成与每个活体检测图像对应的标识信息，并将标识信息和活体检测图像同时传输给服务器105。

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，可以是各种电子设备，包括但不限于手机、电脑、平板等等。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)，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，服务器105可以获取终端设备101、102、103发送的各个活体检测图像，以及活体检测的标识信息，并基于标识信息对各个活体检测图像进行聚类，得到图像聚类簇集合，对于图像聚类簇集合中的每个图像聚类簇，可以基于该图像聚类簇的簇特征信息，生成该图像聚类簇对应的标签信息。后续执行主体可以基于这些活体检测图像和标签信息训练用于活体检测的模型，得到训练完成的模型。在进行活体检测时，可以将终端设备101、102、103返回待检测图像输入训练完成的模型，得到相应的识别结果，如待检测图像为活体或者非活体。并且，服务器105还可以将相应的识别结果返回给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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。

需要说明的是，本公开实施例所提供的用于生成标签信息的方法可以由终端设备101、102、103执行，也可以由服务器105执行，用于生成标签信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器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，示出了根据本公开的用于生成标签信息的方法的一个实施例的流程200。本实施例的用于生成标签信息的方法，包括以下步骤：

步骤201，获取各个图像的标识信息。

在本实施例中，执行主体(如图1中的终端设备101、102、103或者服务器105)可以从本地存储获取各个图像的标识信息，也可以基于预先建立连接的电子设备获取各个图像的标识信息。其中，每个图像的标识信息可以为基于该图像的属性信息所生成的唯一标识字符串。图像的属性信息可以包括但不限于图像名称、图像采集时间点、图像采集位置、图像中人像的身份标识等，本实施例中对此不做限定。执行主体在获取图像的属性信息之后，可以将属性信息按照预设的格式进行拼接，得到图像对应的标识信息。

步骤202，基于标识信息，对各个图像进行聚类，得到图像聚类簇集合。

在本实施例中，执行主体在获取到标识信息之后，可以基于标识信息对各个图像进行聚类，得到多个图像聚类簇，这些多个图像聚类簇能够组成图像聚类簇集合。

这里的聚类方式可以采用现有技术中的各类聚类手段，将标识信息相似度高的图像聚类成为一个图像聚类簇。其中，对于图像聚类簇集合中的每个图像聚类簇而言，该图像聚类簇与集合中其他图像聚类簇之间的差异较大，且该图像聚类簇内各个图像的相似度较高。

步骤203，对于图像聚类簇集合中的每个图像聚类簇，确定该图像聚类簇对应的簇特征信息。

在本实施例中，执行主体能够以图像聚类簇为粒度，对图像聚类簇中的各个图像同时判定标签信息，从而提高了标签信息的生成效率。

具体的，执行主体在得到图像聚类簇集合之后，可以对于图像聚类簇集合中的每个图像聚类簇，确定该图像聚类簇对应的簇特征信息。其中，簇特征信息指的是该图像聚类簇中的图像整体特征信息，可以包括但不限于图像数量特征信息、图像初始类别特征信息、与其他图像聚类簇之间的差异信息等，本实施例对此不做限定。

步骤204，基于各个图像聚类簇对应的簇特征信息，生成标签信息。

在本实施例中，执行主体可以对于每个图像聚类簇，基于该图像聚类簇对应的簇特征信息，生成该图像聚类簇对应的标签信息。这里的标签信息用于描述图像属于活体或者图像属于非活体。

在本实施例的一些可选的实现方式中，基于各个图像聚类簇对应的簇特征信息，生成标签信息可以包括：对于每个图像聚类簇，响应于确定该图像聚类簇与其他图像聚类簇之间的差异值大于预设的差异阈值，从该图像聚类簇中抽取样本图像，并对样本图像进行图像分析，得到各个样本图像对应的初始类别；响应于确定各个样本图像对应的初始类别均为非活体类别，将该图像聚类簇中的各个图像对应的标签信息确定为非活体。通过实施这种可选的实施方式，可以基于非活体待标注图像数量较少的特征，以及抽样检测的方式，快速定位标签信息均为非活体的图像聚类簇，实现标签信息的快速生成。

继续参见图3，其示出了根据本公开的用于生成标签信息的方法的一个应用场景的示意图。在图3的应用场景中，执行主体可以先获取待标注图像集合301，并对待标注图像集合301中的各个待标注图像进行聚类，得到图像聚类簇集合302。对于每个图像聚类簇，可以确定与之对应的簇特征信息，例如，确定该图像聚类簇对应的图像总数量、各个图像的初始类别等信息。之后，对于每个图像聚类簇，可以基于该图像聚类簇的簇特征信息303，生成相对应的标签信息303。

本公开上述实施例提供的用于生成标签信息的方法，相较于对每张活体图像，人工判定该活体图像为活体或者非活体，再人工输入相对应的标签信息。本公开可以通过对图像进行聚类，基于聚类后的簇特征信息，为各个图像聚类簇实现整体打标签，得到标签信息，既实现了标签信息的自动化生成，又提高了标签信息的生成效率。

继续参见图4，其示出了根据本公开的用于生成标签信息的方法的另一个实施例的流程400。如图4所示，本实施例的用于生成标签信息的方法可以包括以下步骤：

步骤401，获取各个图像的标识信息。

在本实施例中，对于步骤401的详细描述请参照对于步骤201的详细描述，在此不再赘述。

步骤402，基于标识信息，对各个图像进行聚类，得到图像聚类簇集合。

在本实施例中，对于步骤402的详细描述请参照对于步骤202的详细描述，在此不再赘述。

步骤403，对于图像聚类簇集合中的每个图像聚类簇，确定该图像聚类簇对应的簇特征信息，簇特征信息至少包括图像聚类簇的图像数量和图像聚类簇中各个图像的初始类别。

在本实施例中，执行主体在得到图像聚类簇集合之后，可以针对每个图像聚类簇，确定该图像聚类簇的图像数量，以及确定该图像聚类簇中每个图像的初始类别。其中，初始类别可以为基于现有的图像识别技术，初步分析得到的、用于指示图像为活体或者非活体的类别。通常的，由于现有的图像识别技术所得到的初始类别的准确度较差，因而通常不直接作为最终的标签信息。

需要说明的是，对于步骤403的详细描述请参照对于步骤203的详细描述，在此不再赘述。

步骤404，对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别均为活体类别、且该图像聚类簇的图像数量大于预设的数量阈值，确定该图像聚类簇中的每个图像对应的标签信息为活体。

在本实施例中，对于每个图像聚类簇，如果该图像聚类簇中的各个图像的初始类别均为活体类别、且该图像聚类簇的图像数量大于预设的数量阈值，则说明该图像聚类簇中的初始类别较为精准、且初始类别为活体类别，因此，将该图像聚类簇中的每个图像对应的标签信息确定为活体。其中，由于每个图像聚类簇中的各个图像为相似度较高的图像，如果这些相似度较高的图像均被识别为活体类别，并且这些相似度较高的图像的数量较多，也即是说明识别结果的可靠性较高，则确定初始类别为最终的类别，确定该图像聚类簇中每个图像对应的标签信息为活体。

其中，对于预设的数量阈值的设定可以基于需要设定，例如可以将预设的数量阈值设置为3，此时，在图像聚类簇中的图像大于3张、且初始类别均判定为活体的情况下，确定初始类别即为最终类别，无需二次判定。因此，将该图像聚类簇中的每个图像对应的标签信息确定为活体。

步骤405，对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别均为非活体类别、且该图像聚类簇的图像数量大于预设的数量阈值，确定该图像聚类簇中的每个图像对应的标签信息为非活体。

在本实施例中，对于每个图像聚类簇，如果该图像聚类簇中的各个图像的初始类别均为非活体类别、且该图像聚类簇的图像数量大于预设的数量阈值，则说明该图像聚类簇中的初始类别较为精准、且初始类别为非活体类别，因此，将该图像聚类簇中的每个图像对应的标签信息确定为非活体。其中，由于每个图像聚类簇中的各个图像为相似度较高的图像，如果这些相似度较高的图像均被识别为非活体类别，并且这些相似度较高的图像的数量较多，也即是说明识别结果的可靠性较高，则确定初始类别为最终的类别，确定该图像聚类簇中每个图像对应的标签信息为非活体。

其中，对于预设的数量阈值的设定可以基于需要设定，例如可以将预设的数量阈值设置为3，此时，在图像聚类簇中的图像大于3张、且初始类别均判定为非活体的情况下，确定初始类别即为最终类别，无需二次判定。因此，将该图像聚类簇中的每个图像对应的标签信息确定为非活体。

步骤406，对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别和该图像聚类簇的图像数量满足预设的特征条件，确定该图像聚类簇中各个图像之间的相似度。

在本实施例中，如果图像聚类簇中的各个图像的初始类别和该图像聚类簇的图像数量满足预设的特征条件，则说明该图像聚类簇中的初始类别需要进行进一步的判定。并且，在进行进一步的判定时，需要确定图像聚类簇中各个图像之间的相似度。

其中，预设的特征条件可以为用于描述初始类别需要进行二次判定的条件，可以根据不同的精度需求进行适应性调整，本实施例对此不做限定。例如，预设的特征条件可以为该图像聚类簇的图像数量小于预设的阈值，或者，预设的特征条件也可以为该图像聚类簇中初始类别为活体的图像与该图像聚类簇中初始类别为非活体的图像之间的数量差值小于预设差值阈值等，本实施例对此不做限定。

在本实施例的一些可选的实现方式中，预设的特征条件为：图像聚类簇中的各个图像的初始类别包括活体类别和非活体类别；或者，图像聚类簇中的各个图像的初始类别均为活体类别、且图像聚类簇的图像数量小于或者等于预设的数量阈值；或者，图像聚类簇中的各个图像的初始类别均为非活体类别、且图像聚类簇的图像数量小于或者等于预设的数量阈值。

在本实现方式中，预设的特征条件可以设置为图像聚类簇中图像的初始类别既包括活体类别，又包括非活体类别，此时说明初始类别的可信度较低。或者，预设的特征条件也可以设置为图像聚类簇中各个图像的初始类别均为活体类别，但是图像数量小于或者等于预设的数量阈值，此时说明数量较少可信度较低。或者，预设的特征条件也可以设置为图像聚类簇中各个图像的初始类别均为非活体类别，但是图像数量小于或者等于预设的数量阈值，此时也是说明数量较少可信度较低。

步骤407，基于该图像聚类簇中各个图像之间的相似度，对该图像聚类簇中的目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇。

在本实施例中，在得到该图像聚类簇中各个图像之间的相似度之后，执行主体可以基于这些相似度，对该图像聚类簇中的目标图像再聚类，生成至少一个聚类子簇。

具体的，执行主体可以获取该图像聚类簇中每个图像的人脸特征信息，例如，人脸坐标、人脸关键点等信息。之后，执行主体可以基于现有的图像配准方式，对该图像聚类簇中的各个图像进行人脸对齐，得到各个图像之间的人脸相似度。其中，现有的图像配准方式可以为matlab(一种数学软件，可应用于图像处理与计算机视觉领域)中的医疗图片配准方式。对于该图像聚类簇，执行主体可以基于各个图像之间的人脸相似度，重新进行聚类，得到至少一个聚类子簇。或者，执行主体也可以先基于这些相似度，从该图像聚类簇中确定人脸相似度较高的目标图像，再对这些目标图像进行再聚类。对于该图像聚类簇中人脸相似度较低的图像，说明该图像的聚类结果精准度较差，此时可以将该图像输出给人工标注的设备，进行人工标注。

在本实施例的一些可选的实现方式中，基于该图像聚类簇中各个图像之间的相似度，对该图像聚类簇中的目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇可以包括：基于该图像聚类簇中各个图像之间的相似度，从该图像聚类簇中确定各个候选图像；基于各个候选图像和预设的人脸外扩操作，确定与各个候选图像对应的各个外扩图像；基于各个外扩图像之间的相似度，从各个外扩图像中确定各个目标图像；对各个目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇。

在本实现方式中，执行主体可以基于该图像聚类簇中各个图像之间的相似度，确定出相似度大于预设的阈值的各个候选图像。具体的，执行主体对于该图像聚类簇中的每个图像，可以确定该图像与其他各个图像之间的相似度，并对该图像与其他各个图像之间的相似度进行归一化处理，基于归一化处理后的相似度和预设的阈值作比较，如果归一化处理后的相似度大于预设的阈值，则将该图像确定为候选图像。

之后，执行主体可以对每个候选图像执行预设的人脸外扩操作，得到每个候选图像对应的外扩图像。其中，预设的人脸外扩操作指的是将图像中进行识别的人脸区域外扩预设倍数的操作，例如将图像中进行识别的人脸区域外扩一倍。也即是，外扩图像既包括人脸特征又包括人脸边缘特征。通过计算外扩图像之间的相似度，可以识别更多特征来得到图像之间的相似度，相似度更加可靠。

之后，执行主体可以对于每个外扩图像，计算该外扩图像与其他外扩图像之间的相似度，并对该外扩图像与其他外扩图像之间的相似度进行归一化处理，将归一化处理后的相似度和预设的阈值作比较，如果归一化处理后的相似度大于预设的阈值，则将该外扩图像确定为目标图像。

通过计算候选图像、外扩图像之间的相似度，可以筛选出相似度较高的目标图像，对这些目标图像进行再聚类，可以得到至少一个聚类子簇。

步骤408，基于聚类子簇中各个目标图像之间的相似度，生成聚类子簇中各个目标图像对应的标签信息。

在本实施例中，执行主体得到再聚类后的聚类子簇之后，还可以进一步确定聚类子簇中各个目标图像之间的相似度，由于各个目标图像是筛选出的相似度较高的图像，如果各个目标图像之间的相似度较高，如高于预设的阈值，则说明各个目标图像之间的相似度非常高，可以将这些目标图像对应的标签信息确定为非活体。

在本实施例的一些可选的实现方式中，基于聚类子簇中各个目标图像之间的相似度，生成聚类子簇中各个目标图像对应的标签信息可以包括：基于聚类子簇中各个目标图像之间的相似度，从聚类子簇中各个目标图像中确定相似图像；响应于确定相似图像的数量大于预设的相似数量阈值，将聚类子簇中各个目标图像对应的标签信息确定为非活体。

在本实现方式中，执行主体可以对于聚类子簇中的每个目标图像，计算该目标图像与其他目标图像之间的相似度，并对该目标图像与其他目标图像之间的相似度进行归一化处理，将归一化处理后的相似度和预设的阈值作比较，如果归一化处理后的相似度大于预设的阈值，则将该目标图像确定为相似图像。如果相似图像的数量大于预设的数量阈值，则将各个目标图像对应的标签信息确定为非活体。其中，预设的数量阈值可以设置为目标图像的图像总数量的预设百分比，如目标图像的图像总数量的一半，也可以根据需要设置为其他数值，本实施例对此不做限定。

其中，如果相似图像的数量小于或者等于预设的相似数量阈值，则可以将相似图像输出给人工审核的设备进行人工审核。

在本实施例的一些可选的实现方式中，还可以执行以下步骤：响应于确定相似图像的数量小于或者等于预设的相似数量阈值，从目标图像中随机抽取一张图像，将该图像输出给人工审核的设备进行人工审核，并接收人工审核结果；如果人工审核结果指示该图像的标签信息为活体，则将所有的目标图像的标签信息确定为活体；如果人工审核结果指示该图像的标签信息为非活体，则将所有的目标图像的标签信息确定为非活体。

本公开的上述实施例提供的用于生成标签信息的方法，还可以根据各个图像聚类簇的图像数量和图像的初始类别，确定进行生成标签信息的相应操作，结合不同场景情况执行不同的操作，适用于各类场景情况的快速生成标签。如果图像聚类簇中各个图像的初始类别均相同、且图像数量较多，则直接根据初始类别得到最终的标签信息。如果图像聚类簇中各个图像的初始类别不同，或者图像数量较少，则进行再聚类，根据再聚类的结果得到最终的标签信息，提高了标签信息的生成精准度。以及，在进行再聚类的过程中，可以根据图像聚类簇中各个图像之间的相似度，筛选出相似度较高的图像，并对相似度较高的图像进行人脸外扩，得到外扩图像，将外扩图像中相似度较高的图像确定为目标图像，生成聚类子簇，提高了聚类子簇中各个图像的相似程度。结合非活体攻击的特性，针对聚类子簇中各图像相似度较高的情况，将聚类子簇中各图像确定为非活体，进一步提高了标签信息的生成精准度。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成标签信息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终端设备、服务器等电子设备中。

如图5所示，本实施例的用于生成标签信息的装置500包括：信息获取单元501、聚类单元502、特征确定单元503和标签生成单元504。

信息获取单元501，被配置成获取各个图像的标识信息。

聚类单元502，被配置成基于标识信息，对各个图像进行聚类，得到图像聚类簇集合。

特征确定单元503，被配置成对于图像聚类簇集合中的每个图像聚类簇，确定该图像聚类簇对应的簇特征信息。

标签生成单元504，被配置成基于各个图像聚类簇对应的簇特征信息，生成标签信息。

在本实施例的一些可选的实现方式中，簇特征信息至少包括图像聚类簇的图像数量和图像聚类簇中各个图像的初始类别。

在本实施例的一些可选的实现方式中，标签生成单元504进一步被配置成：对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别均为活体类别、且该图像聚类簇的图像数量大于预设的数量阈值，确定该图像聚类簇中的每个图像对应的标签信息为活体。

在本实施例的一些可选的实现方式中，标签生成单元504进一步被配置成：对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别和该图像聚类簇的图像数量满足预设的特征条件，确定该图像聚类簇中各个图像之间的相似度；基于该图像聚类簇中各个图像之间的相似度，对该图像聚类簇中的目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇；基于聚类子簇中各个目标图像之间的相似度，生成聚类子簇中各个目标图像对应的标签信息。

在本实施例的一些可选的实现方式中，预设的特征条件为：图像聚类簇中的各个图像的初始类别包括活体类别和非活体类别；或者，图像聚类簇中的各个图像的初始类别均为活体类别、且图像聚类簇的图像数量小于或者等于预设的数量阈值；或者，图像聚类簇中的各个图像的初始类别均为非活体类别、且图像聚类簇的图像数量小于或者等于预设的数量阈值。

在本实施例的一些可选的实现方式中，标签生成单元504进一步被配置成：基于该图像聚类簇中各个图像之间的相似度，从该图像聚类簇中确定各个候选图像；基于各个候选图像和预设的人脸外扩操作，确定与各个候选图像对应的各个外扩图像；基于各个外扩图像之间的相似度，从各个外扩图像中确定各个目标图像；对各个目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇。

在本实施例的一些可选的实现方式中，标签生成单元504进一步被配置成：基于聚类子簇中各个目标图像之间的相似度，从聚类子簇中各个目标图像中确定相似图像；响应于确定相似图像的数量大于预设的相似数量阈值，将聚类子簇中各个目标图像对应的标签信息确定为非活体。

应当理解，用于生成标签信息的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于生成标签信息的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如用于生成标签信息的方法。例如，在一些实施例中，用于生成标签信息的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的用于生成标签信息的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于生成标签信息的方法。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种用于生成标签信息的方法，包括：

获取各个图像的标识信息；

基于所述标识信息，对所述各个图像进行聚类，得到图像聚类簇集合；

对于所述图像聚类簇集合中的每个图像聚类簇，确定该图像聚类簇对应的簇特征信息；

基于各个图像聚类簇对应的簇特征信息，生成标签信息。

2.根据权利要求1所述的方法，其中，所述簇特征信息至少包括图像聚类簇的图像数量和图像聚类簇中各个图像的初始类别。

3.根据权利要求2所述的方法，其中，所述基于各个图像聚类簇对应的簇特征信息，生成标签信息，包括：

对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别均为活体类别、且该图像聚类簇的图像数量大于预设的数量阈值，确定该图像聚类簇中的每个图像对应的标签信息为活体。

4.根据权利要求2所述的方法，其中，所述基于各个图像聚类簇对应的簇特征信息，生成标签信息，包括：

对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别均为非活体类别、且该图像聚类簇的图像数量大于预设的数量阈值，确定该图像聚类簇中的每个图像对应的标签信息为非活体。

5.根据权利要求2所述的方法，其中，所述基于各个图像聚类簇对应的簇特征信息，生成标签信息，包括：

对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别和该图像聚类簇的图像数量满足预设的特征条件，确定该图像聚类簇中各个图像之间的相似度；

基于该图像聚类簇中各个图像之间的相似度，对该图像聚类簇中的目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇；

基于所述聚类子簇中各个目标图像之间的相似度，生成所述聚类子簇中各个目标图像对应的标签信息。

6.根据权利要求5所述的方法，其中，所述预设的特征条件为：

图像聚类簇中的各个图像的初始类别包括活体类别和非活体类别；或者

图像聚类簇中的各个图像的初始类别均为活体类别、且图像聚类簇的图像数量小于或者等于预设的数量阈值；或者

图像聚类簇中的各个图像的初始类别均为非活体类别、且图像聚类簇的图像数量小于或者等于预设的数量阈值。

7.根据权利要求5所述的方法，其中，所述基于该图像聚类簇中各个图像之间的相似度，对该图像聚类簇中的目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇，包括：

基于该图像聚类簇中各个图像之间的相似度，从该图像聚类簇中确定各个候选图像；

基于所述各个候选图像和预设的人脸外扩操作，确定与所述各个候选图像对应的各个外扩图像；

基于所述各个外扩图像之间的相似度，从所述各个外扩图像中确定各个目标图像；

对所述各个目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇。

8.根据权利要求5所述的方法，其中，所述基于所述聚类子簇中各个目标图像之间的相似度，生成所述聚类子簇中各个目标图像对应的标签信息，包括：

基于所述聚类子簇中各个目标图像之间的相似度，从所述聚类子簇中各个目标图像中确定相似图像；

响应于确定所述相似图像的数量大于预设的相似数量阈值，将所述聚类子簇中各个目标图像对应的标签信息确定为非活体。

9.一种用于生成标签信息的装置，包括：

信息获取单元，被配置成获取各个图像的标识信息；

聚类单元，被配置成基于所述标识信息，对所述各个图像进行聚类，得到图像聚类簇集合；

特征确定单元，被配置成对于所述图像聚类簇集合中的每个图像聚类簇，确定该图像聚类簇对应的簇特征信息；

标签生成单元，被配置成基于各个图像聚类簇对应的簇特征信息，生成标签信息。

10.根据权利要求9所述的装置，其中，所述簇特征信息至少包括图像聚类簇的图像数量和图像聚类簇中各个图像的初始类别。

11.根据权利要求10所述的装置，其中，所述标签生成单元进一步被配置成：

对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别均为活体类别、且该图像聚类簇的图像数量大于预设的数量阈值，确定该图像聚类簇中的每个图像对应的标签信息为活体。

12.根据权利要求10所述的装置，其中，所述标签生成单元进一步被配置成：

对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别均为非活体类别、且该图像聚类簇的图像数量大于预设的数量阈值，确定该图像聚类簇中的每个图像对应的标签信息为非活体。

13.根据权利要求10所述的装置，其中，所述标签生成单元进一步被配置成：

对于每个图像聚类簇，响应于确定该图像聚类簇中的各个图像的初始类别和该图像聚类簇的图像数量满足预设的特征条件，确定该图像聚类簇中各个图像之间的相似度；

基于该图像聚类簇中各个图像之间的相似度，对该图像聚类簇中的目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇；

基于所述聚类子簇中各个目标图像之间的相似度，生成所述聚类子簇中各个目标图像对应的标签信息。

14.根据权利要求13所述的装置，其中，所述预设的特征条件为：

图像聚类簇中的各个图像的初始类别包括活体类别和非活体类别；或者

图像聚类簇中的各个图像的初始类别均为活体类别、且图像聚类簇的图像数量小于或者等于预设的数量阈值；或者

图像聚类簇中的各个图像的初始类别均为非活体类别、且图像聚类簇的图像数量小于或者等于预设的数量阈值。

15.根据权利要求13所述的装置，其中，所述标签生成单元进一步被配置成：

基于该图像聚类簇中各个图像之间的相似度，从该图像聚类簇中确定各个候选图像；

基于所述各个候选图像和预设的人脸外扩操作，确定与所述各个候选图像对应的各个外扩图像；

基于所述各个外扩图像之间的相似度，从所述各个外扩图像中确定各个目标图像；

对所述各个目标图像进行再聚类，得到该图像聚类簇对应的聚类子簇。

16.根据权利要求13所述的装置，其中，所述标签生成单元进一步被配置成：

基于所述聚类子簇中各个目标图像之间的相似度，从所述聚类子簇中各个目标图像中确定相似图像；

响应于确定所述相似图像的数量大于预设的相似数量阈值，将所述聚类子簇中各个目标图像对应的标签信息确定为非活体。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images