CN108875605A - 脸型确定方法及装置 - Google Patents

Abstract

本申请公开了一种脸型确定方法及装置。该方法包括：确定目标人脸图像的人脸轮廓关键点；其中，所述目标人脸图像为待确定脸型的人脸图像；将所述目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，得到目标人脸轮廓图像；将所述目标人脸轮廓图像输入目标网络模型，输出目标脸型；其中，所述目标脸型包括圆脸、方脸、鹅蛋脸和心形脸中的任意一项。相应的，本申请还提供了对应的装置。采用本申请实施例，可以快速的确定人脸的脸型。

Description

脸型确定方法及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种脸型确定方法及装置。

背景技术

人脸脸型判断具有一定的研究价值，可以运用到美容美妆，图像检索等领域。随着女性越来越在乎个人外在形象，很多美容网站可以根据人脸脸型的不同选择不同的发型，妆容，眼镜等。以及在对一张人像图片从图片库进行检索时，由于图片库数量巨大导致检索速度慢，因此可以先通过判断人像图片属于哪类脸型，从而从图片库中过滤掉不符合要求的图片，再根据相似特征的脸型图片进行检索，由此检索速度会提高。

由此可见，如何确定脸型是本领域技术人员正在研究的问题。

发明内容

本申请实施例提供了一种脸型确定方法及装置，可以快速的确定人脸的脸型。

第一方面，本申请实施例提供了一种脸型确定方法，包括：

确定目标人脸图像的人脸轮廓关键点；其中，所述目标人脸图像为待确定脸型的人脸图像；

将所述目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，得到目标人脸轮廓图像；

将所述目标人脸轮廓图像输入目标网络模型，输出目标脸型；其中，所述目标脸型包括圆脸、方脸、鹅蛋脸和心形脸中的任意一项。

本申请实施例中，通过将目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，可以有效防止直接将原始图像固定到符合目标网络模型输入的尺寸，而导致图像变形的情况，或者导致确定的脸型不准确的情况；从而提高了图像的识别准确度，提高了确实脸型的准确率。

在一种可能的实现方式中，所述将所述目标人脸轮廓图像输入目标网络模型之前，所述方法还包括：

采集人脸图像样本，确定所述人脸图像样本的人脸轮廓关键点；

将所述人脸图像样本的人脸轮廓关键点映射到正方形空白图像上，得到正方形人脸轮廓图像；

将所述正方形人脸轮廓图像输入至网络模型中，训练所述网络模型，得到所述目标网络模型。

本申请实施例中，一方面，通过将人脸轮廓关键点映射到正方形空白图像上，可以有效防止直接将原始图像固定到符合卷积神经网络输入的尺寸，而导致图像变形的情况，从而提高了图像的识别准确度；另一方面，通过将正方形人脸轮廓图像输入至网络模型，训练该网络模型，提高了训练效率。

在一种可能的实现方式中，所述网络模型为通过AlexNet网络训练的网络模型；所述将所述正方形人脸轮廓图像输入至网络模型中，训练所述网络模型，得到目标网络模型，包括：

将所述正方形人脸轮廓图像输入至所述网络模型中，通过微调所述AlexNet网络的全连接层，训练所述网络模型，得到所述目标网络模型。

本申请实施例中，首先将正方形人脸轮廓图像输入至已被训练好的AlexNet网络中，其次再微调训练好的该AlexNet网络的全连接层，不仅实现简单，而且通过输入正方形人脸轮廓图像还提高了训练的准确度，提高了脸型确定的效率。

在一种可能的实现方式中，所述将所述目标人脸轮廓图像输入目标网络模型之前，所述方法还包括：

接收来自训练装置的所述目标网络模型；其中，所述训练装置用于训练网络模型，得到所述目标网络模型。

本申请实施例中，脸型确定装置所利用的目标网络模型还可以是通过其他装置来得到，即通过训练装置进行训练，然后该训练装置将训练好的网络模型即目标网络模型发送给该脸型确定装置，从而使得该脸型确定装置应用该目标网络模型。

在一种可能的实现方式中，所述确定目标人脸图像的人脸轮廓关键点，包括：

通过第三方应用确定所述目标人脸图像的人脸轮廓关键点。

本申请实施例中，通过开源的第三方应用确定目标人脸图像的人脸轮廓关键点，使得本申请实施例所提供的方法实现简单，避免了繁琐的计算过程，减轻了脸型确定装置的工作量。

在一种可能的实现方式中，所述采集人脸图像样本，包括：

采集预设数量的图像作为所述人脸图像样本；其中，所述预设数量为大于或等于300。

本申请实施例中，通过采集大于或等于300张图像，提高了卷积神经网络的训练效果，避免人脸图像样本过少，而无法有效训练卷积神经网络的情况。

第二方面，本申请实施例提供了一种脸型确定装置，包括：

确定单元，用于确定目标人脸图像的人脸轮廓关键点；其中，所述目标人脸图像为待确定脸型的人脸图像；

映射单元，用于将所述目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，得到目标人脸轮廓图像；

输入输出单元，用于将所述目标人脸轮廓图像输入目标网络模型，输出目标脸型；其中，所述目标脸型包括圆脸、方脸、鹅蛋脸和心形脸中的任意一项。

在一种可能的实现方式中，所述装置还包括：

采集单元，用于采集人脸图像样本；

所述确定单元，还用于确定所述人脸图像样本的人脸轮廓关键点；

所述映射单元，还用于将所述人脸图像样本的人脸轮廓关键点映射到正方形空白图像上，得到正方形人脸轮廓图像；

训练单元，用于将所述正方形人脸轮廓图像输入至网络模型中，训练所述网络模型，得到所述目标网络模型。

在一种可能的实现方式中，所述网络模型为通过AlexNet网络训练的网络模型；

所述训练单元，具体用于将所述正方形人脸轮廓图像输入至所述网络模型中，通过微调所述AlexNet网络的全连接层，训练所述网络模型。得到所述目标网络模型。

在一种可能的实现方式中，所述装置还包括：

接收单元，用于接收来自训练装置的所述目标网络模型；其中，所述训练装置用于训练网络模型，得到所述目标网络模型。

在一种可能的实现方式中，所述确定单元，具体用于通过第三方应用确定所述目标人脸图像的人脸轮廓关键点。

在一种可能的实现方式中，所述采集单元，具体用于采集预设数量的图像作为所述人脸图像样本；其中，所述预设数量为大于或等于300。

第三方面，本申请实施例还提供了一种脸型确定装置，包括：处理器、存储器和输入输出接口，所述处理器和所述存储器、所述输入输出接口通过线路互联；其中，所述存储器存储有程序指令；所述程序指令被所述处理器执行时，使所述处理器执行如第一方面所述的相应的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被脸型确定装置的处理器执行时，使所述处理器执行第一方面所述的方法。

第五方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。

附图说明

为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。

图1是本申请实施例提供的一种脸型确定方法的流程示意图；

图2是本申请实施例提供的一种人脸关键点的示意图；

图3是本申请实施例提供的一种目标人脸图像的示意图；

图4a是本申请实施例提供的一种脸型确定方法的框架示意图；

图4b是本申请实施例提供的一种脸型的场景示意图；

图4c是本申请实施例提供的一种脸型的场景示意图；

图5是本申请实施例提供的一种目标网络模型训练方法的流程示意图；

图6是本申请实施例提供的一种脸型确定装置的结构示意图；

图7是本申请实施例提供的另一种脸型确定装置的结构示意图；

图8是本申请实施例提供的又一种脸型确定装置的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。

图1是本申请实施例提供的一种脸型确定方法的流程示意图，该脸型确定方法可应用于脸型确定装置中，该脸型确定装置可为服务器、终端设备等，如该终端设备可包括手机、平板电脑、笔记本电脑、掌上电脑等等，本申请实施例对于该脸型确定装置具体为哪种设备不作唯一性限定。如图1所示，该脸型确定方法可包括：

101、确定目标人脸图像的人脸轮廓关键点；其中，上述目标人脸图像为待确定脸型的人脸图像。

本申请实施例中，目标人脸图像可以为任意的待确定脸型的人脸图像。可理解，由于需要确定脸型，因此，该目标人脸图像中至少包括人脸，即该目标人脸图像的人脸轮廓至少是清晰的。可理解，对于如何该目标人脸图像的获取方法，本申请实施例不作限定，如可通过相机来获取，也可通过手机来获取等。从而在获取到该目标人脸图像后，确定该目标人脸图像的人脸轮廓关键点。

本申请实施例中，可以采用算法来确定目标人脸图像的人脸轮廓关键点，如采用边缘检测robert算法，索贝尔sobel算法等等，也可以采用模型来确定目标人脸图像的人脸轮廓关键点，如采用主动轮廓线snake模型等等。

尽管采用上述各种算法或模型可以确定目标人脸图像的人脸轮廓关键点，但是以上方法均比较复杂，而且效果较差。因此，本申请实施例提供了一种简单方法，不仅实现简单，而且还可有效的确定人脸轮廓关键点，如下所示：

上述确定目标人脸图像的人脸轮廓关键点，包括：

通过第三方应用确定上述目标人脸图像的人脸轮廓关键点。

本申请实施例中，第三方应用可为第三方工具包dlib，dlib是开源的人脸关键点定位效果较好的工具包且是一个包含机器学习算法的C++开源工具包。目前工具包dlib被广泛应用在包括机器人，嵌入式设备，移动电话和大型高性能计算环境领域。因此可有效的利用该工具包做人脸关键点定位，得到人脸关键点。具体的，该人脸关键点可为68个人脸关键点，从而可根据该人脸关键点的关键点0至16确定出17个点作为人脸轮廓关键点。

102、将上述目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，得到目标人脸轮廓图像。

本申请实施例中，由于输入到目标网络模型的图像大小是固定的，如为227*227像素等。如果直接将原始图像(即目标人脸图像)固定到227*227像素的尺寸上，则会导致目标人脸图像内信息的严重变形，如很可能会使目标人脸图像的人脸脸型轮廓变形，从而影响识别准确度。

因此，本申请实施例中将人脸轮廓关键点移植到正方形空白图像上，或者，也可称将人脸轮廓关键点映射到正方形空白图像上，或者，也可称将人脸轮廓关键点映射到正方形空白图片上，再进行长度相等的放大或缩小，这样图像内的信息则不会发生变形。如图2和图3所示，图2是本申请实施例提供的一种人脸关键点的示意图。图3是本申请实施例提供的一种目标人脸轮廓图像的示意图。其中，图2中示出了确定的68个人脸关键点，图3示出了将该68个人脸关键点中的17个人脸轮廓关键点映射到正方形空白图像上后的示意图。

103、将上述目标人脸轮廓图像输入目标网络模型，输出目标脸型；其中，上述目标脸型包括圆脸、方脸、鹅蛋脸和心形脸中的任意一项。

本申请实施例中，目标网络模型可以是该脸型确定装置自己训练好的模型；也可以是由其他装置如训练装置训练之后，发送给该脸型确定装置的模型。其中，该脸型确定装置自己训练网络模型，得到该目标网络模型的具体实现方式可如图5所示。

在该目标网络模型为其他装置训练的情况下，上述将上述目标人脸轮廓图像输入目标网络模型之前，上述方法还包括：

接收来自训练装置的上述目标网络模型；其中，上述训练装置用于训练网络模型，得到上述目标网络模型。

具体的，该训练装置可为任意的设备，如可为服务器，或为终端设备等等，本申请实施例对于该训练装置不作限定。该训练装置训练好目标网络模型后，可以将该目标网络模型发送给该脸型确定装置，从而该脸型确定装置保存该目标网络模型，进而在需要对脸型进行预测时，实施本申请实施例所提供的脸型确定方法。可理解，该训练装置具体如何训练的网络模型，得到该目标网络模型的具体实现方式，本申请实施例不作限定。

图4a是本申请实施例提供的一种脸型确定方法的框架示意图。如图4a所示，该框架示意图中，目标网络模型即为本申请实施例所提供的已经训练好的网络模型，目标人脸轮廓图像即为以人脸轮廓为中心所截取的正方形图片，也就是说，该目标人脸轮廓图像符合目标网络模型的输入条件，即是已将人脸轮廓关键点映射到正方形空白图像上，且以人脸轮廓为中心所截取的人脸轮廓图像。其中，脸型结果中包括圆脸、方脸、鹅蛋脸和心形脸中的任意一种。如图4b和图4c所示，分别示出了圆脸、方脸、鹅蛋脸和心形脸的场景示意。

本申请基于深度学习的人脸脸型确定方法，可应用于美容网站或美容应用(application，APP)中，如可通过美容APP上传一张自拍照片，从而确定用户的脸型，为用户个性化定制适合的发型、妆容和装饰等。而在人像图像检索领域通过实施本申请实施例可以先过滤掉不同脸型的图片，再进行检索大大提高了检索速度。

实施本申请实施例，通过将目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，可以有效防止直接将原始图像固定到符合目标网络模型输入的尺寸，而导致图像变形的情况，或者导致确定的脸型不准确的情况；从而提高了图像的识别准确度，提高了确实脸型的准确率；而且可以实现自动识别人脸的脸型，实现简单可行。

下面将具体介绍该脸型确定装置如何训练网络模型，得到目标网络模型。图5是本申请实施例提供的一种目标网络模型训练方法的流程示意图，如图5所示，该方法包括：

501、采集人脸图像样本，确定上述人脸图像样本的人脸轮廓关键点。

其中，上述采集人脸图像样本，包括：

采集预设数量的图像作为上述人脸图像样本；其中，上述预设数量为大于或等于300。

本申请实施例中，采集人脸图像样本具体为采集人脸图像，该人脸图像至少为300张，且该人脸图像为清晰的人脸图像。其中，该清晰的人脸图像至少包括图像的人脸轮廓是清晰的。或者，采集人脸图像样本也可为采集大于或等于300张的人脸照片。可理解，本申请实施例对于采用何种设备采集人脸图像样本不作限定。如可采用手机来采集，也可采用照相机采集等等。可理解，在采集到人脸图像样本后，可为每个人脸图像标记脸型，从而为后续训练卷积神经网络做准备。

其中，采集的人脸图像样本至少为300张，是由于在训练过程中，少于300张的人脸图像样本的训练效果没有大于或等于300张的训练效果好。另一方面，采集的人脸图像样本大于或等于300张时，所训练的网络模型的泛化能力更好。

本申请实施例中，可以采用算法来确定人脸图像样本的人脸轮廓关键点，如采用边缘检测robert算法，索贝尔sobel算法等等，也可以采用模型来确定人脸图像样本的人脸轮廓关键点，如采用主动轮廓线snake模型等等。

尽管采用上述各种算法或模型可以确定人脸图像样本的人脸轮廓关键点，但是以上方法均比较复杂，而且效果较差。因此，本申请实施例提供了一种简单方法，不仅实现简单，而且还可有效的确定人脸轮廓关键点，如下所示：

上述确定人脸图像样本的人脸轮廓关键点，包括：

通过第三方应用确定上述人脸图像样本的人脸轮廓关键点。

本申请实施例中，第三方应用可为第三方工具包dlib，dlib是开源的人脸关键点定位效果较好的工具包且是一个包含机器学习算法的C++开源工具包。目前工具包dlib被广泛应用在包括机器人，嵌入式设备，移动电话和大型高性能计算环境领域。因此可有效的利用该工具包做人脸关键点定位，得到人脸关键点。具体的，该人脸关键点可为68个人脸关键点，从而可根据该人脸关键点的关键点0至16确定出17个点作为人脸轮廓关键点。

502、将上述人脸图像样本的人脸轮廓关键点映射到正方形空白图像上，得到正方形人脸轮廓图像。

本申请实施例中，正方形人脸轮廓图像即为与人脸图像样本的人脸轮廓关键点对应的人脸轮廓图像，该人脸轮廓图像为映射到正方形空白图像上的图像。输入到卷积神经网络中的图像大小是固定的，如可为227*227像素等，然而采集到的人脸图像样本中每张人脸在图像中的占比不同，或者，采集到的人脸图像样本的长宽不等，如果直接将原始图像固定到227*227像素的尺寸上，则会导致人脸图像样本内信息的严重变形，如很可能会使人脸脸型轮廓变形，从而影响识别准确度。

因此，本申请实施例中将人脸轮廓关键点移植到正方形空白图像上，或者，也可称将人脸轮廓关键点映射到正方形空白图像上，或者，也可称将人脸轮廓关键点映射到正方形空白图片上，再进行长度相等的放大或缩小，这样图像内的信息则不会发生变形。

503、将上述正方形人脸轮廓图像输入至网络模型中，训练上述网络模型，得到目标网络模型。

本申请实施例中，可通过卷积神经网络来训练该网络模型，该卷积神经网络可为视觉几何组提出的(visual geometry group，VGG)网络即VGGNet，又如GoogleNet或ResNet等等。或者，也可以通过AlexNet网络来训练该网络模型，上述将上述正方形人脸轮廓图像输入至网络模型中，训练上述网络模型，得到目标网络模型，包括：

将上述正方形人脸轮廓图像输入至上述网络模型中，通过微调上述AlexNet网络的全连接层，训练上述网络模型，得到上述目标网络模型。

可理解，该AlexNet网络可为由Imagenet训练好的网络，在具体应用时，只需要微调最后三层即全连接层的权重参数，固定前面层的所有权重参数。具体的，微调该AlexNet网络的最后三层的权重参数，如根据该AlexNet网络输出的脸型与标记的脸型的损失函数来训练该AlexNet网络。

可理解，本申请实施例中的AlexNet网络即为2012年，Hinton课题组为了证明深度学习的潜力，首次参加ImageNet图像识别比赛，其通过构建的CNN网络即AlexNet一举夺得冠军，且碾压第二名的分类性能。但是，本申请实施例通过训练将其更好的适用于脸型预测。

其中，在得到目标网络模型之后，便可利用图1的具体实现方式来预测脸型。

实施本申请实施例中，一方面，通过将人脸轮廓关键点映射到正方形空白图像上，可以有效防止直接将原始图像固定到符合卷积神经网络输入的尺寸，而导致图像变形的情况，从而提高了图像的识别准确度；另一方面，通过将正方形人脸轮廓图像输入至卷积神经网络，训练该卷积神经网络，提高了训练效率。

可理解，图1和图5所示的方法中侧重点会有不同，因此，对于一个实施例中未详尽描述的实现方式还可参考另一个实施例。

上述详细阐述了本申请实施例的方法，下面提供了本申请实施例的装置。

图6是本申请实施例提供的一种脸型确定装置的结构示意图，该脸型确定装置可以包括：

确定单元601，用于确定目标人脸图像的人脸轮廓关键点；其中，上述目标人脸图像为待确定脸型的人脸图像；

映射单元602，用于将上述目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，得到目标人脸轮廓图像；

输入输出单元603，用于将上述目标人脸轮廓图像输入目标网络模型，输出目标脸型；其中，上述目标脸型包括圆脸、方脸、鹅蛋脸和心形脸中的任意一项。

实施本申请实施例，通过将目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，可以有效防止直接将原始图像固定到符合目标网络模型输入的尺寸，而导致图像变形的情况，或者导致确定的脸型不准确的情况；从而提高了图像的识别准确度，提高了确实脸型的准确率；而且可以实现自动识别人脸的脸型，实现简单可行。

可选的，如图7所示，上述装置还包括：

采集单元604，用于采集人脸图像样本；

确定单元601，还用于确定上述人脸图像样本的人脸轮廓关键点；

映射单元602，还用于将上述人脸图像样本的人脸轮廓关键点映射到正方形空白图像上，得到正方形人脸轮廓图像；

训练单元605，用于将上述正方形人脸轮廓图像输入至网络模型中，训练上述网络模型，得到目标网络模型。

实施本申请实施例，一方面，通过将人脸轮廓关键点映射到正方形空白图像上，可以有效防止直接将原始图像固定到符合网络模型输入的尺寸，而导致图像变形的情况，从而提高了图像的识别准确度；另一方面，通过将正方形人脸轮廓图像输入至网络模型，训练该网络模型，提高了训练效率。

具体的，所述网络模型为通过AlexNet网络训练的网络模型；

上述训练单元605，具体用于将上述正方形人脸轮廓图像输入至上述网络模型中，通过微调上述AlexNet网络的全连接层，训练上述网络模型。得到目标网络模型。

可选的，如图7所示，上述装置还包括：

接收单元606，用于接收来自训练装置的上述目标网络模型；其中，上述训练装置用于训练网络模型，得到上述目标网络模型。

具体的，上述确定单元601，具体用于通过第三方应用确定上述目标人脸图像的人脸轮廓关键点。

具体的，上述采集单元604，具体用于采集预设数量的图像作为上述人脸图像样本；其中，上述预设数量为大于或等于300。

可理解，本申请实施例所提供的脸型确定装置可为任意的终端设备，也可为服务器，或者，该脸型确定装置也可为客户端等等，本申请实施例对于该脸型确定装置的具体实现方式不作限定。

需要说明的是，各个单元的实现还可以对应参照图1和图5所示的方法实施例的相应描述。

图8是本申请实施例提供的一种脸型确定装置，该脸型确定装置包括处理器801、存储器802和输入输出接口803，该处理器801、存储器802和输入输出接口803通过总线相互连接。

存储器802包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasable programmableread only memory，EPROM)便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器802用于相关指令及数据。

输入输出接口803，例如可通过该输入输出接口与其他装置进行通信等。

处理器801可以是一个或多个中央处理器(central processing unit，CPU)，在处理器801是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。该处理器801用于读取存储器802中存储的程序代码，以执行以下操作：

确定目标人脸图像的人脸轮廓关键点；其中，上述目标人脸图像为待确定脸型的人脸图像；

将上述目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，得到目标人脸轮廓图像；

将上述目标人脸轮廓图像输入目标网络模型，输出目标脸型；其中，上述目标脸型包括圆脸、方脸、鹅蛋脸和心形脸中的任意一项。

在一个实施例中，处理器801，还用于采集人脸图像样本，确定上述人脸图像样本的人脸轮廓关键点；将上述人脸图像样本的人脸轮廓关键点映射到正方形空白图像上，得到正方形人脸轮廓图像；以及将上述正方形人脸轮廓图像输入至网络模型中，训练上述网络模型，得到上述目标网络模型。

在一个实施例中，处理器801，具体用于将上述正方形人脸轮廓图像输入至上述网络模型中，通过微调上述AlexNet网络的全连接层，训练上述网络模型，得到上述目标网络模型。。

在一个实施例中，输入输出接口803，用于接收来自训练装置的所述目标网络模型；其中，所述训练装置用于训练网络模型，得到所述目标网络模型。

在一个实施例中，处理器801，具体用于通过第三方应用确定上述目标人脸图像的人脸轮廓关键点。

在一个实施例中，处理器801，具体用于采集预设数量的图像作为上述人脸图像样本；其中，上述预设数量为大于或等于300。

需要说明的是，各个操作的实现还可以对应参照图1和图5所示的方法实施例的相应描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。

Claims (11)

1.一种脸型确定方法，其特征在于，包括：

确定目标人脸图像的人脸轮廓关键点；其中，所述目标人脸图像为待确定脸型的人脸图像；

将所述目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，得到目标人脸轮廓图像；

将所述目标人脸轮廓图像输入目标网络模型，输出目标脸型；其中，所述目标脸型包括圆脸、方脸、鹅蛋脸和心形脸中的任意一项。

2.根据权利要求1所述的方法，其特征在于，所述将所述目标人脸轮廓图像输入目标网络模型之前，所述方法还包括：

采集人脸图像样本，确定所述人脸图像样本的人脸轮廓关键点；

将所述人脸图像样本的人脸轮廓关键点映射到正方形空白图像上，得到正方形人脸轮廓图像；

将所述正方形人脸轮廓图像输入至网络模型中，训练所述网络模型，得到所述目标网络模型。

3.根据权利要求2所述的方法，其特征在于，所述网络模型为通过AlexNet网络训练的网络模型；所述将所述正方形人脸轮廓图像输入至网络模型中，训练所述网络模型，得到目标网络模型，包括：

将所述正方形人脸轮廓图像输入至所述网络模型中，通过微调所述AlexNet网络的全连接层，训练所述网络模型，得到所述目标网络模型。

4.根据权利要求1所述的方法，其特征在于，所述将所述目标人脸轮廓图像输入目标网络模型之前，所述方法还包括：

接收来自训练装置的所述目标网络模型；其中，所述训练装置用于训练网络模型，得到所述目标网络模型。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述确定目标人脸图像的人脸轮廓关键点，包括：

通过第三方应用确定所述目标人脸图像的人脸轮廓关键点。

6.根据权利要求2或3所述的方法，其特征在于，所述采集人脸图像样本，包括：

采集预设数量的图像作为所述人脸图像样本；其中，所述预设数量为大于或等于300。

7.一种脸型确定装置，其特征在于，包括：

确定单元，用于确定目标人脸图像的人脸轮廓关键点；其中，所述目标人脸图像为待确定脸型的人脸图像；

映射单元，用于将所述目标人脸图像的人脸轮廓关键点映射到正方形空白图像上，得到目标人脸轮廓图像；

输入输出单元，用于将所述目标人脸轮廓图像输入目标网络模型，输出目标脸型；其中，所述目标脸型包括圆脸、方脸、鹅蛋脸和心形脸中的任意一项。

8.根据权利要求7所述的方法，其特征在于，所述装置还包括：

采集单元，用于采集人脸图像样本；

所述确定单元，还用于确定所述人脸图像样本的人脸轮廓关键点；

所述映射单元，还用于将所述人脸图像样本的人脸轮廓关键点映射到正方形空白图像上，得到正方形人脸轮廓图像；

训练单元，用于将所述正方形人脸轮廓图像输入至网络模型中，训练所述网络模型，得到所述目标网络模型。

9.根据权利要求7所述的装置，其特征在于，所述装置还包括：

接收单元，用于接收来自训练装置的所述目标网络模型；其中，所述训练装置用于训练网络模型，得到所述目标网络模型。

10.一种脸型确定装置，其特征在于，包括处理器、存储器和输入输出接口，所述处理器和所述存储器、所述输入输出接口通过线路互联；其中，所述存储器存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1至6所述的相应的方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被脸型确定装置的处理器执行时，使所述处理器执行权利要求1至6任意一项所述的方法。