CN107578034A - 信息生成方法和装置 - Google Patents

Abstract

本申请实施例公开了信息生成方法和装置。该方法的一具体实施方式包括：获取待检测图像和预先对该待检测图像进行人脸检测后所得的、用于指示该待检测图像中的人脸区域的人脸区域信息；基于该人脸区域信息，从该待检测图像中提取人脸图像；将该人脸图像输入预先训练的卷积神经网络，得到图像特征信息，其中，该卷积神经网络用于提取图像特征；对该图像特征信息进行解析，确定该人脸图像清晰的概率；基于该概率确定该人脸图像是否清晰，并生成检测结果。该实施方式提高了图像检测效率。

Description

信息生成方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及信息生成方法和装置。

背景技术

目前，人脸识别具有较多的应用场景，例如人脸支付、身份识别等等。在人脸识别过程中，如果人脸图像不够清晰，则可能会导致识别出错，或系统崩溃等异常情况的出现。因此，对人脸图像是否清晰进行检测显得尤为重要。

发明内容

本申请实施例的目的在于提出一种信息生成方法和装置。

第一方面，本申请实施例提供了一种信息生成方法，该方法包括：获取待检测图像和预先对上述待检测图像进行人脸检测后所得的、用于指示上述待检测图像中的人脸区域的人脸区域信息；基于上述人脸区域信息，从上述待检测图像中提取人脸图像；将上述人脸图像输入预先训练的卷积神经网络，得到图像特征信息，其中，上述卷积神经网络用于提取图像特征；对上述图像特征信息进行解析，确定上述人脸图像清晰的概率；基于上述概率确定上述人脸图像是否清晰，并生成检测结果。

在一些实施例中，上述基于上述概率确定上述人脸图像是否清晰，包括：确定上述概率是否低于概率阈值，若是，则确定上述人脸图像不清晰。

在一些实施例中，上述对上述图像特征信息进行解析，确定上述人脸图像清晰的概率，包括：将上述图像特征信息输入预先训练的概率计算模型，得到上述人脸图像清晰的概率，其中，上述概率计算模型用于表征包括人脸的图像的图像特征信息与图像清晰的概率的对应关系。

在一些实施例中，上述卷积神经网络和上述概率计算模型是通过以下训练步骤训练得到的：提取预置的、包括显示有人脸的样本图像和上述样本图像的标注的训练样本，其中，上述标注包括用于表征上述样本图像是否清晰的标识，上述标识包括用于表征上述样本图像清晰的第一标识和用于表征上述样本图像不清晰的第二标识；利用机器学习方法，基于上述样本图像、上述标注、预设的分类损失函数和反向传播算法训练得到卷积神经网络和概率计算模型，其中，上述分类损失函数用于表征上述概率计算模型输出的概率与上述标注中所包括的标识的差异程度。

在一些实施例中，上述卷积神经网络包括5个卷积层和5个池化层，上述池化层用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

在一些实施例中，上述基于上述人脸区域信息，从上述待检测图像中提取人脸图像，包括：扩大上述人脸区域信息所指示的人脸区域的范围，得到第一人脸区域；截取上述第一人脸区域得到上述人脸图像。

在一些实施例中，人脸区域为矩形区域；以及上述扩大上述人脸区域信息所指示的人脸区域的范围，包括：将上述人脸区域信息所指示的人脸区域的高度和宽度扩大预设倍数或增加预设数值。

第二方面，本申请实施例提供了一种信息生成装置，该装置包括：获取单元，配置用于获取待检测图像和预先对上述待检测图像进行人脸检测后所得的、用于指示上述待检测图像中的人脸区域的人脸区域信息；提取单元，配置用于基于上述人脸区域信息，从上述待检测图像中提取人脸图像；输入单元，配置用于将上述人脸图像输入预先训练的卷积神经网络，得到图像特征信息，其中，上述卷积神经网络用于提取图像特征；确定单元，配置用于对上述图像特征信息进行解析，确定上述人脸图像清晰的概率；生成单元，配置用于基于上述概率确定上述人脸图像是否清晰，并生成检测结果。

在一些实施例中，上述生成单元包括：确定子单元，配置用于确定上述概率是否低于概率阈值，若是，则确定上述人脸图像不清晰。

在一些实施例中，上述确定单元包括：输入子单元，配置用于将上述图像特征信息输入预先训练的概率计算模型，得到上述人脸图像清晰的概率，其中，上述概率计算模型用于表征包括人脸的图像的图像特征信息与图像清晰的概率的对应关系。

在一些实施例中，上述卷积神经网络和上述概率计算模型是通过以下训练步骤训练得到的：提取预置的、包含显示有人脸的样本图像和上述样本图像的标注的训练样本，其中，上述标注包括用于表征上述样本图像是否清晰的标识，上述标识包括用于表征上述样本图像清晰的第一标识和用于表征上述样本图像不清晰的第二标识；利用机器学习方法，基于上述样本图像、上述标注、预设的分类损失函数和反向传播算法训练得到卷积神经网络和概率计算模型，其中，上述分类损失函数用于表征上述概率计算模型输出的概率与上述标注中所包含的标识的差异程度。

在一些实施例中，上述卷积神经网络包括5个卷积层和5个池化层，上述池化层用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

在一些实施例中，上述提取单元包括：扩大子单元，配置用于扩大上述人脸区域信息所指示的人脸区域的范围，得到第一人脸区域；截取子单元，配置用于截取上述第一人脸区域得到上述人脸图像。

在一些实施例中，人脸区域为矩形区域；以及上述扩大子单元进一步配置用于：将上述人脸区域信息所指示的人脸区域的高度和宽度扩大预设倍数或增加预设数值。

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；当上述一个或多个程序被上述一个或多个处理器执行，使得上述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存储介质，其上存储有计算机程序，上述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信息生成方法和装置，通过获取待检测图像和预先对该待检测图像进行人脸检测后所得的、用于指示该待检测图像中的人脸区域的人脸区域信息，以便基于该人脸区域信息，从该待检测图像中提取人脸图像。而后将该人脸图像输入预先训练的卷积神经网络，得到图像特征信息，以便对该图像特征信息进行解析，确定该人脸图像清晰的概率。最后基于该概率确定该人脸图像是否清晰，并生成检测结果。从而有效利用了对人脸图像的提取，缩小了图像检测范围，可以提高图像检测效率。

而且，卷积神经网络通常可以提取图像的多维度的图像特征信息。基于预先训练的卷积神经网络提取出的人脸图像的图像特征信息，来确定人脸图像清晰的概率，可以提高该概率的准确度，进而可以提高针对人脸图像是否清晰的判断结果的准确度。

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是根据本申请的信息生成方法的一个实施例的流程图；

图3是根据本申请的信息生成方法的一个应用场景的示意图；

图4是根据本申请的信息生成方法的又一个实施例的流程图；

图5是根据本申请的信息生成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信息生成方法或信息生成装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括数据存储用服务器101，网络102和图像处理服务器103。网络102用以在数据存储用服务器101和图像处理服务器103之间提供通信链路的介质。网络102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。

数据存储用服务器101可以是提供各种服务的服务器，例如用于存储包括人脸的图像和用于指示该图像中的人脸区域的人脸区域信息的服务器。可选地，数据存储用服务器101还可以具有人脸检测功能，该人脸区域信息可以是数据存储用服务器101对该图像进行人脸检测后所生成的信息。

图像处理服务器103可以是提供各种服务的服务器，例如从数据存储用服务器101获取待检测图像和用于指示该待检测图像中的人脸区域的人脸区域信息，并基于该待检测图像和该人脸区域信息进行相应的检测操作，生成检测结果。

需要说明的是，本申请实施例所提供的信息生成方法一般由图像处理服务器103执行，相应地，信息生成装置一般设置于图像处理服务器103中。

需要指出的是，若图像处理服务器103所要获取的待检测图像和用于指示该待检测图像中的人脸区域的人脸区域信息预先存储在图像处理服务器103本地，则系统架构100中可以不包括数据存储用服务器101。

应该理解，图1中的数据存储用服务器、网络和图像处理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数据存储用服务器、网络和图像处理服务器。

继续参考图2，示出了根据本申请的信息生成方法的一个实施例的流程200。该信息生成方法的流程200，包括以下步骤：

步骤201，获取待检测图像和预先对待检测图像进行人脸检测后所得的、用于指示待检测图像中的人脸区域的人脸区域信息。

在本实施例中，信息生成方法运行于其上的电子设备(例如图1所示的图像处理服务器103)可以通过有线连接方式或无线连接方式从所连接的数据存储用服务器(例如图1所示的数据存储用服务器101)获取待检测图像和预先对该待检测图像进行人脸检测后所得的、用于指示该待检测图像中的人脸区域的人脸区域信息。当然，若该待检测图像和该人脸区域信息预先存储在上述电子设备本地，上述电子设备可以本地获取该待检测图像和该人脸区域信息。

需要说明的是，人脸区域可以是具有任意形状(例如圆形、矩形等等)的人脸区域。这里，当上述待检测图像中的人脸区域为圆形区域时，上述人脸区域信息例如可以包括该人脸区域的中心点的坐标和该人脸区域的半径。当上述待检测图像中的人脸区域为矩形区域时，上述人脸区域信息例如可以包括该人脸区域的至少一个顶点的坐标、高度和宽度等等。

需要指出的是，上述待检测图像和上述人脸区域信息可以是上述电子设备主动获取的，也可以是上述电子设备被动获取的(例如是上述数据存储用服务器发送给上述电子设备的)，本实施例不对此方面内容做任何限定。

在本实施例的一些可选的实现方式中，上述电子设备还可以从所连接的终端设备获取上述待检测图像和上述人脸区域信息。需要说明的是，本实施例不对上述待检测图像和上述人脸区域信息的来源做任何限定。

步骤202，基于人脸区域信息，从待检测图像中提取人脸图像。

在本实施例中，上述电子设备在获取到上述待检测图像和上述人脸区域信息后，上述电子设备可以基于上述人脸区域信息，从上述待检测图像中提取人脸图像。作为示例，上述电子设备可以在上述待检测图像中截取上述人脸区域信息所指示的人脸区域得到人脸图像。

步骤203，将人脸图像输入预先训练的卷积神经网络，得到图像特征信息。

在本实施例中，上述电子设备在得到人脸图像后，上述电子设备可以将该人脸图像输入预先训练的卷积神经网络，得到图像特征信息。其中，该卷积神经网络可以用于提取图像特征。此处，图像特征信息可以是用于对图像的特征进行表征的信息，图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。实践中，卷积神经网络(ConvolutionalNeural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现。因而，可以利用卷积神经网络进行图像特征信息的提取。

需要说明的是，上述卷积神经网络可以是利用机器学习方法和训练样本对现有的深度卷积神经网络(例如DenseBox、VGGNet、ResNet、SegNet等)进行有监督训练而得到的。需要指出的是，上述卷积神经网络可以包括至少一个卷积层和至少一个池化层。其中，卷积层可以用于提取图像特征，池化层可以用于对输入的信息进行降采样(downsample)。此外，上述卷积神经网络还可以使用各种非线性激活函数(例如ReLU(Rectified Linear Units，修正线性单元)函数、Sigmoid函数等)对信息进行非线性计算。

步骤204，对图像特征信息进行解析，确定人脸图像清晰的概率。

在本实施例中，上述电子设备在得到上述人脸图像的图像特征信息后，上述电子设备可以对该图像特征信息进行解析，确定上述人脸图像清晰的概率。作为示例，上述电子设备本地或与上述电子设备远程通信连接的服务器中可以预先存储有对应关系表，该对应关系表可以包括大量的图像特征信息和与该图像特征信息对应的人脸图像清晰的概率。上述电子设备可以在该对应关系表中查找与所提取的人脸图像的图像特征信息匹配的目标图像特征信息，并将该目标图像特征信息所对应的人脸图像清晰的概率确定为所提取的人脸图像清晰的概率。

可选地，上述电子设备所确定的人脸图像清晰的概率可以是位于区间[0，1]内的数值。概率越大，可以表征人脸图像越清晰。

步骤205，基于人脸图像清晰的概率确定人脸图像是否清晰，并生成检测结果。

在本实施例中，上述电子设备在确定所提取的人脸图像清晰的概率后，上述电子设备可以基于该概率确定该人脸图像是否清晰，并生成检测结果。这里，该检测结果例如可以包括用于提示上述电子设备所提取的人脸图像清晰或不清晰的提示信息。另外，上述电子设备可以将该概率与概率阈值进行比较，若该概率不低于概率阈值，则上述电子设备可以确定该人脸图像清晰。这里，该概率阈值例如可以是0.5等数值，该概率阈值是可以根据实际需要进行修改的，本实施例不对此方面内容做任何限定。

在本实施例的一些可选的实现方式中，若该概率低于该概率阈值，则上述电子设备可以确定该人脸图像不清晰，即该人脸图像是模糊的人脸图像。

在本实施例的一些可选的实现方式中，上述待检测图像可以具有对应的图像标识，上述电子设备所生成的检测结果例如可以包括该图像标识和以下中的一项：用于指示所提取的人脸图像不清晰的标识、用于指示所提取的人脸图像清晰的标识。该用于指示所提取的人脸图像不清晰的标识和该用于指示所提取的人脸图像清晰的标识例如可以包括数字或字母等。以数字为例，该用于指示所提取的人脸图像不清晰的标识例如可以用数字“0”来表示；该用于指示所提取的人脸图像清晰的标识例如可以用数字“1”来表示。此外，上述检测结果还可以包括上述人脸区域信息。

继续参见图3，图3是根据本实施例的信息生成方法的应用场景的一个示意图。在图3的应用场景中，图像处理服务器301可以从所连接的数据存储用服务器302获取待检测图像303和预先对待检测图像303进行人脸检测后、用于指示待检测图像303中的人脸区域的人脸区域信息304。而后，图像处理服务器301可以在待检测图像303中截取人脸区域信息304所指示的人脸区域，得到人脸图像305。之后，图像处理服务器301可以将人脸图像305输入预先训练的卷积神经网络得到图像特征信息306。然后，图像处理服务器301可以对图像特征信息306进行解析，确定人脸图像305清晰的概率307。最后，图像处理服务器301可以将所确定的概率307与概率阈值进行比较，得出人脸图像305是否清晰的判断结果，并且可以生成检测结果308，其中，检测结果308可以包括用于提示人脸图像305清晰或模糊的提示信息。

本申请的上述实施例提供的方法有效利用了对人脸图像的提取，缩小了图像检测范围，可以提高图像检测效率。

而且，卷积神经网络通常可以提取图像的多维度的图像特征信息。基于预先训练的卷积神经网络提取出的人脸图像的图像特征信息，来确定人脸图像清晰的概率，可以提高所确的人脸图像清晰的概率的准确度，进而可以提高针对人脸图像是否清晰的判断结果的准确度。

进一步参见图4，其示出了信息生成方法的又一个实施例的流程400。该信息生成方法的流程400，包括以下步骤：

步骤401，获取待检测图像和预先对待检测图像进行人脸检测后所得的、用于指示待检测图像中的人脸区域的人脸区域信息。

在本实施例中，信息生成方法运行于其上的电子设备(例如图1所示的图像处理服务器103)可以通过有线连接方式或无线连接方式从所连接的数据存储用服务器(例如图1所示的数据存储用服务器101)获取待检测图像和预先对该待检测图像进行人脸检测后所得的、用于指示该待检测图像中的人脸区域的人脸区域信息。当然，若该待检测图像和该人脸区域信息预先存储在上述电子设备本地，上述电子设备可以本地获取该待检测图像和该人脸区域信息。需要指出的是，人脸区域可以为矩形区域。

步骤402，扩大人脸区域信息所指示的人脸区域的范围，得到第一人脸区域，并截取第一人脸区域得到人脸图像。

在本实施例中，上述电子设备在获取到上述待检测图像和上述人脸区域信息后，上述电子设备可以扩大人脸区域信息所指示的人脸区域的范围，得到第一人脸区域。上述电子设备可以截取该第一人脸区域得到人脸图像。

在本实施例中，上述电子设备可以将上述人脸区域信息所指示的人脸区域的高度和宽度扩大预设倍数或增加预设数值，将经扩大后的人脸区域作为第一人脸区域。这里，该预设倍数例如可以是1等数值。而且，该高度和该宽度可以对应同一个预设数值，也可以对应不同的预设数值。例如，与该高度对应的预设数值是与该高度相同的数值；与该宽度对应的预设数值是与该高度相同的数值。预设倍数和预设数值是可以根据实际需要进行修改的，本实施例不对此方面内容做任何限定。

步骤403，将人脸图像输入预先训练的卷积神经网络，得到图像特征信息。

在本实施例中，上述电子设备在得到人脸图像后，上述电子设备可以将该人脸图像输入预先训练的卷积神经网络，得到图像特征信息。其中，该卷积神经网络可以用于提取图像特征。此处，图像特征信息可以是用于对图像的特征进行表征的信息，图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。

这里，该卷积神经网络例如可以是全卷积网络(Fully Convolutional Networks，FCN)。该卷积神经网络例如可以包括5个卷积层和5个池化层。卷积层的卷积核的尺寸例如可以是3×3。池化层可以用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。其中，该预设的窗口尺寸例如可以是2×2，该窗口滑动步长例如可以是2。需要说明的是，该卷积神经网络可以使用非线性激活函数(例如ReLU函数等)对信息进行非线性计算。

步骤404，将图像特征信息输入预先训练的概率计算模型，得到人脸图像清晰的概率。

在本实施例中，上述电子设备在得到上述人脸图像的图像特征信息后，上述电子设备可以将该图像特征信息输入预先训练的概率计算模型，得到该人脸图像清晰的概率。其中，该概率计算模型可以用于表征包括人脸的图像的图像特征信息与图像清晰的概率的对应关系。实践中，该概率计算模型可以输出包括人脸的图像清晰的概率。而且，该概率计算模型可以用分类函数(例如Softmax分类函数)来预测包括人脸的图像清晰的概率。

需要说明的是，上述概率计算模型可以是神经网络中的一个全连接层(FullyConnected Layers，FC)。上述全卷积网络和该全连接层可以构成一个深度神经网络(DeepNeural Networks，DNN)的整体。上述电子设备可以同时对该深度神经网络进行训练，即同时对上述全卷积网络和上述全连接层进行训练。

具体地，上述电子设备可以通过以下训练步骤训练得到上述卷积神经网络和上述概率计算模型：

首先，上述电子设备可以提取预置的、包括显示有人脸的样本图像和该样本图像的标注的训练样本。其中，该标注可以包括用于表征该样本图像是否清晰的标识，该标识可以包括用于表征该样本图像清晰的第一标识和用于表征该样本图像不清晰的第二标识。这里，该第一标识可以是数字，例如数字“1”等。该第二标识也可以是数字，例如数字“0”等。

而后，上述电子设备可以利用机器学习方法，基于上述样本图像、上述标注、预设的分类损失函数和反向传播算法训练得到卷积神经网络和概率计算模型。其中，该分类损失函数可以用于表征该概率计算模型输出的概率与上述标注中所包括的标识的差异程度。上述分类损失函数可以是各种用于分类的损失函数(例如Hinge Loss函数或Softmax Loss函数等)。在训练过程中，分类损失函数可以约束卷积核修改的方式和方向，训练的目标为使分类损失函数的值最小。因而，训练后得到的全卷积网络、全连接层的参数即为分类损失函数的值为最小值时所对应的参数。

需要说明的是，上述反向传播算法(Back Propgation Algorithm，BP算法)也可称为误差反向传播(Error Back Propagation，BP)算法，或误差逆传播算法。BP算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中，输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差25反向由输出层向输入层传播，在这个过程中，可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。此处，上述分类损失函数即可用于表征输出值与标记值的误差。

在本实施例的一些可选的实现方式中，上述样本图像中存在清晰的图像和模糊的图像。包括模糊的图像的训练样本可以称为负样本。至少一个负样本中的图像可以是通过对清晰的样本图像做高斯模糊、运动模糊和/或椒盐噪声等模糊操作得到的。

步骤405，基于人脸图像清晰的概率确定人脸图像是否清晰，并生成检测结果。

在本实施例中，上述电子设备在确定所提取的人脸图像清晰的概率后，上述电子设备可以基于该概率确定该人脸图像是否清晰，并生成检测结果。这里，该检测结果例如可以包括用于提示上述电子设备所提取的人脸图像清晰或不清晰的提示信息。另外，上述电子设备可以将该概率与概率阈值进行比较，若该概率不低于概率阈值，则上述电子设备可以确定该人脸图像清晰；否则，上述电子设备可以确定该人脸图像不清晰。

从图4中可以看出，与图2对应的实施例相比，本实施例中的信息生成方法的流程400突出了对待检测图像中的人脸区域的范围进行扩大的步骤和利用概率计算模型对图像特征信息进行解析的步骤。由此，本实施例描述的方案通过对人脸区域的范围进行扩大，可以扩大人脸图像的覆盖面积，从而可以提高所确定的人脸图像清晰的概率的准确度，进而可以提高针对人脸图像是否清晰的判断结果的准确度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种信息生成装置的一个实施例，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，本实施例所示的信息生成装置500包括：获取单元501、提取单元502、输入单元503、确定单元504和生成单元505。其中，获取单元501配置用于获取待检测图像和预先对上述待检测图像进行人脸检测后所得的、用于指示上述待检测图像中的人脸区域的人脸区域信息；提取单元502配置用于基于上述人脸区域信息，从上述待检测图像中提取人脸图像；输入单元503配置用于将上述人脸图像输入预先训练的卷积神经网络，得到图像特征信息，其中，上述卷积神经网络用于提取图像特征；确定单元504配置用于对上述图像特征信息进行解析，确定上述人脸图像清晰的概率；而生成单元505配置用于基于上述概率确定上述人脸图像是否清晰，并生成检测结果。

在本实施例中，信息生成装置500中：获取单元501、提取单元502、输入单元503、确定单元504和生成单元505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、步骤204和步骤205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，上述生成单元505可以包括：确定子单元(图中未示出)，配置用于确定上述概率是否低于概率阈值，若是，则确定上述人脸图像不清晰。

在本实施例的一些可选的实现方式中，上述确定单元504可以包括：输入子单元(图中未示出)，配置用于将上述图像特征信息输入预先训练的概率计算模型，得到上述人脸图像清晰的概率，其中，上述概率计算模型可以用于表征包括人脸的图像的图像特征信息与图像清晰的概率的对应关系。

在本实施例的一些可选的实现方式中，上述卷积神经网络和上述概率计算模型可以是通过以下训练步骤训练得到的：提取预置的、包含显示有人脸的样本图像和上述样本图像的标注的训练样本，其中，上述标注可以包括用于表征上述样本图像是否清晰的标识，上述标识可以包括用于表征上述样本图像清晰的第一标识和用于表征上述样本图像不清晰的第二标识；利用机器学习方法，基于上述样本图像、上述标注、预设的分类损失函数和反向传播算法训练得到卷积神经网络和概率计算模型，其中，上述分类损失函数可以用于表征上述概率计算模型输出的概率与上述标注中所包含的标识的差异程度。

在本实施例的一些可选的实现方式中，上述卷积神经网络可以包括5个卷积层和5个池化层，上述池化层可以用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

在本实施例的一些可选的实现方式中，上述提取单元502可以包括：扩大子单元(图中未示出)，配置用于扩大上述人脸区域信息所指示的人脸区域的范围，得到第一人脸区域；截取子单元(图中未示出)，配置用于截取上述第一人脸区域得到上述人脸图像。

在本实施例的一些可选的实现方式中，人脸区域可以为矩形区域；以及上述扩大子单元进一步配置用于：将上述人脸区域信息所指示的人脸区域的高度和宽度扩大预设倍数或增加预设数值。

本申请的上述实施例提供的装置有效利用了对人脸图像的提取，缩小了图像检测范围，可以提高图像检测效率。

而且，卷积神经网络通常可以提取图像的多维度的图像特征信息。基于预先训练的卷积神经网络提取出的人脸图像的图像特征信息，来确定人脸图像清晰的概率，可以提高所确的人脸图像清晰的概率的准确度，进而可以提高针对人脸图像是否清晰的判断结果的准确度。

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，该计算机程序包括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，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示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括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括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，上述模块、程序段、或代码的一部分包括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，框图或流程图中的每个方框、以及框图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：一种处理器包括获取单元、提取单元、输入单元、确定单元和生成单元。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，获取单元还可以被描述为“获取待检测图像和预先对待检测图像进行人脸检测后所得的、用于指示待检测图像中的人脸区域的人脸区域信息的单元”。

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括的；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一个该电子设备执行时，使得该电子设备包括：获取待检测图像和预先对上述待检测图像进行人脸检测后所得的、用于指示上述待检测图像中的人脸区域的人脸区域信息；基于上述人脸区域信息，从上述待检测图像中提取人脸图像；将上述人脸图像输入预先训练的卷积神经网络，得到图像特征信息，其中，上述卷积神经网络用于提取图像特征；对上述图像特征信息进行解析，确定上述人脸图像清晰的概率；基于上述概率确定上述人脸图像是否清晰，并生成检测结果。

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 (16)

1.一种信息生成方法，其特征在于，所述方法包括：

获取待检测图像和预先对所述待检测图像进行人脸检测后所得的、用于指示所述待检测图像中的人脸区域的人脸区域信息；

基于所述人脸区域信息，从所述待检测图像中提取人脸图像；

将所述人脸图像输入预先训练的卷积神经网络，得到图像特征信息，其中，所述卷积神经网络用于提取图像特征；

对所述图像特征信息进行解析，确定所述人脸图像清晰的概率；

基于所述概率确定所述人脸图像是否清晰，并生成检测结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述概率确定所述人脸图像是否清晰，包括：

确定所述概率是否低于概率阈值，若是，则确定所述人脸图像不清晰。

3.根据权利要求1所述的方法，其特征在于，所述对所述图像特征信息进行解析，确定所述人脸图像清晰的概率，包括：

将所述图像特征信息输入预先训练的概率计算模型，得到所述人脸图像清晰的概率，其中，所述概率计算模型用于表征包括人脸的图像的图像特征信息与图像清晰的概率的对应关系。

4.根据权利要求3所述的方法，其特征在于，所述卷积神经网络和所述概率计算模型是通过以下训练步骤训练得到的：

提取预置的、包括显示有人脸的样本图像和所述样本图像的标注的训练样本，其中，所述标注包括用于表征所述样本图像是否清晰的标识，所述标识包括用于表征所述样本图像清晰的第一标识和用于表征所述样本图像不清晰的第二标识；

利用机器学习方法，基于所述样本图像、所述标注、预设的分类损失函数和反向传播算法训练得到卷积神经网络和概率计算模型，其中，所述分类损失函数用于表征所述概率计算模型输出的概率与所述标注中所包括的标识的差异程度。

5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括5个卷积层和5个池化层，所述池化层用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

6.根据权利要求1所述的方法，其特征在于，所述基于所述人脸区域信息，从所述待检测图像中提取人脸图像，包括：

扩大所述人脸区域信息所指示的人脸区域的范围，得到第一人脸区域；

截取所述第一人脸区域得到所述人脸图像。

7.根据权利要求6所述的方法，其特征在于，人脸区域为矩形区域；以及

所述扩大所述人脸区域信息所指示的人脸区域的范围，包括：

将所述人脸区域信息所指示的人脸区域的高度和宽度扩大预设倍数或增加预设数值。

8.一种信息生成装置，其特征在于，所述装置包括：

获取单元，配置用于获取待检测图像和预先对所述待检测图像进行人脸检测后所得的、用于指示所述待检测图像中的人脸区域的人脸区域信息；

提取单元，配置用于基于所述人脸区域信息，从所述待检测图像中提取人脸图像；

输入单元，配置用于将所述人脸图像输入预先训练的卷积神经网络，得到图像特征信息，其中，所述卷积神经网络用于提取图像特征；

确定单元，配置用于对所述图像特征信息进行解析，确定所述人脸图像清晰的概率；

生成单元，配置用于基于所述概率确定所述人脸图像是否清晰，并生成检测结果。

9.根据权利要求8所述的装置，其特征在于，所述生成单元包括：

确定子单元，配置用于确定所述概率是否低于概率阈值，若是，则确定所述人脸图像不清晰。

10.根据权利要求8所述的装置，其特征在于，所述确定单元包括：

输入子单元，配置用于将所述图像特征信息输入预先训练的概率计算模型，得到所述人脸图像清晰的概率，其中，所述概率计算模型用于表征包括人脸的图像的图像特征信息与图像清晰的概率的对应关系。

11.根据权利要求10所述的装置，其特征在于，所述卷积神经网络和所述概率计算模型是通过以下训练步骤训练得到的：

提取预置的、包括显示有人脸的样本图像和所述样本图像的标注的训练样本，其中，所述标注包括用于表征所述样本图像是否清晰的标识，所述标识包括用于表征所述样本图像清晰的第一标识和用于表征所述样本图像不清晰的第二标识；

利用机器学习方法，基于所述样本图像、所述标注、预设的分类损失函数和反向传播算法训练得到卷积神经网络和概率计算模型，其中，所述分类损失函数用于表征所述概率计算模型输出的概率与所述标注中所包括的标识的差异程度。

12.根据权利要求8所述的装置，其特征在于，所述卷积神经网络包括5个卷积层和5个池化层，所述池化层用于以预设的窗口尺寸和预设的窗口滑动步长对所输入的信息执行最大池化操作。

13.根据权利要求8所述的装置，其特征在于，所述提取单元包括：

扩大子单元，配置用于扩大所述人脸区域信息所指示的人脸区域的范围，得到第一人脸区域；

截取子单元，配置用于截取所述第一人脸区域得到所述人脸图像。

14.根据权利要求13所述的装置，其特征在于，人脸区域为矩形区域；以及

所述扩大子单元进一步配置用于：

将所述人脸区域信息所指示的人脸区域的高度和宽度扩大预设倍数或增加预设数值。

15.一种电子设备，其特征在于，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1-7中任一所述的方法。

16.一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，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。