[发明专利]信息生成方法和装置

说明书

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。