CN109117758A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN109117758A CN109117758A CN201810843246.3A CN201810843246A CN109117758A CN 109117758 A CN109117758 A CN 109117758A CN 201810843246 A CN201810843246 A CN 201810843246A CN 109117758 A CN109117758 A CN 109117758A
- Authority
- CN
- China
- Prior art keywords
- human body
- image
- attribute
- sample
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取包括人体图像的待识别图像;将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息,其中,属性识别模型用于表征包括人体图像的图像与人体图像所对应的人体的属性信息的对应关系,属性信息用于表征人体的属性。该实施方式丰富了人物属性的识别方式,提高了信息生成的灵活性和准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及用于生成信息的方法和装置。
背景技术
人物属性通常指的是人物本身的特性,例如人物的性别、年龄等。
随着人脸识别技术的发展,对于人物属性的识别技术也在不断完善。目前,人们通常采用人脸图像对人脸图像所对应的人物的人物属性进行识别。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:获取包括人体图像的待识别图像;将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息,其中,属性识别模型用于表征包括人体图像的图像与人体图像所对应的人体的属性信息的对应关系,属性信息用于表征人体的属性。
在一些实施例中,属性识别模型包括第一属性识别子模型和第二属性识别子模型;以及将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息,包括:将待识别图像输入第一属性识别子模型,获得用于表征待识别图像所包括的人体图像在待识别图像中的位置的位置信息及输出;将待识别图像和第一属性识别子模型输出的位置信息输入第二属性识别子模型,获得待识别图像中的人体图像所对应的人体的属性信息。
在一些实施例中,属性信息包括以下至少一项:性别信息、年龄信息、肤色信息。
在一些实施例中,属性识别模型通过如下步骤训练得到:获取训练样本集,其中,训练样本包括包括样本人体图像的样本图像和针对样本图像中的样本人体图像预先标注的样本属性信息,样本属性信息用于表征样本人体图像所对应的人体的属性;利用机器学习的方法,将训练样本集中的训练样本的样本图像作为输入,将所输入的样本图像所对应的样本属性信息作为期望输出,训练得到属性识别模型。
在一些实施例中,获取包括人体图像的待识别图像,包括:获取对目标人体进行拍摄所获得的视频;从视频所对应的图像序列中选取图像作为待识别图像。
第二方面,本申请实施例提供了一种用于生成信息的装置,包括:图像获取单元,被配置成获取包括人体图像的待识别图像;信息生成单元,被配置成将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息,其中,属性识别模型用于表征包括人体图像的图像与人体图像所对应的人体的属性信息的对应关系,属性信息用于表征人体的属性。
在一些实施例中,属性识别模型包括第一属性识别子模型和第二属性识别子模型;以及信息生成单元包括:第一输入模块,被配置成将待识别图像输入第一属性识别子模型,获得用于表征待识别图像所包括的人体图像在待识别图像中的位置的位置信息及输出;第二输入模块,被配置成将待识别图像和第一属性识别子模型输出的位置信息输入第二属性识别子模型,获得待识别图像中的人体图像所对应的人体的属性信息。
在一些实施例中,属性信息包括以下至少一项:性别信息、年龄信息、肤色信息。
在一些实施例中,属性识别模型通过如下步骤训练得到:获取训练样本集,其中,训练样本包括包括样本人体图像的样本图像和针对样本图像中的样本人体图像预先标注的样本属性信息,样本属性信息用于表征样本人体图像所对应的人体的属性;利用机器学习的方法,将训练样本集中的训练样本的样本图像作为输入,将所输入的样本图像所对应的样本属性信息作为期望输出,训练得到属性识别模型。
在一些实施例中,图像获取单元包括:视频获取模块,被配置成获取对目标人体进行拍摄所获得的视频;图像选取模块,被配置成从视频所对应的图像序列中选取图像作为待识别图像。
第三方面,本申请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上述用于生成信息的方法中任一实施例的方法。
第四方面,本申请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,该程序被处理器执行时实现上述用于生成信息的方法中任一实施例的方法。
本申请实施例提供的用于生成信息的方法和装置,通过获取包括人体图像的待识别图像,而后将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息,从而可以基于预先训练的属性识别模型,利用人体图像对人物属性进行识别,其中,人体图像可以包含人脸图像区域,也可以不包含人脸图像区域,进而可以有效避免人脸图像区域被遮挡或者人脸图像区域所对应的人脸的朝向非正向等情况对识别结果的影响,丰富了人物属性的识别方式,提高了信息生成的灵活性和准确性。
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是本申请的一个实施例可以应用于其中的示例性***架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请实施例的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的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***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用于生成信息的方法或用于生成信息的装置的实施例的示例性***架构100。
如图1所示,***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上可以安装有各种通讯客户端应用,例如图像处理类应用、美图软件、网页浏览器应用、搜索类应用、社交平台软件等。
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,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。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。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的、包括人体图像的待识别图像进行处理的图像处理服务器。图像处理服务器可以对接收到的、包括人体图像的待识别图像等数据进行分析等处理,并获得处理结果(例如属性信息)。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,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、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。在待识别图像或者生成属性信息的过程中所使用的数据不需要从远程获取的情况下,上述***架构可以不包括网络,而只包括终端设备或服务器。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取包括人体图像的待识别图像。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取包括人体图像的待识别图像。其中,人体图像可以包括不含人脸图像区域的人体图像区域(例如颈部以下的身体部位所对应的图像区域),也可以包括人脸图像区域。可以理解的是,人体可以包括人脸以及其他身体部位,例如四肢、颈部、腹部等。
需要说明的是,上述执行主体可以获取预先存储于本地的、包括人体图像的待识别图像,也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的、包括人体图像的待识别图像。
在本实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤获取包括人体图像的待识别图像:首先,上述执行主体可以获取对目标人体进行拍摄所获得的视频。然后,上述执行主体可以从视频所对应的图像序列中选取图像作为待识别图像。其中,目标人体可以为待确定其属性的人体。需要说明的是,视频实质上是一个按照时间的先后顺序排列的图像序列,故任意一个视频都可以对应一个图像序列。
步骤202,将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息。
在本实施例中,基于步骤201中得到的待识别图像,上述执行主体可以将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息。其中,属性信息可以包括但不限于以下至少一项:数字、文字、符号、图像、音频。属性信息可以用于表征人体的属性。在这里,人体的属性指的是人体本身的特性,例如性别、年龄等。
在本实施例的一些可选的实现方式中,属性信息可以包括但不限于以下至少一项:性别信息、年龄信息、肤色信息。其中,性别信息可以用于表征人体的性别(性别男或性别女)。年龄信息可以用于表征人体的年龄大小。肤色信息可以用于表征人体的肤色特征。
属性识别模型可以用于表征包括人体图像的图像与属性信息的对应关系。其中,属性信息为图像中的人体图像所对应的人体的属性信息。具体的,属性识别模型可以为基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络(Convolutional NeuralNetwork,CNN)、残差网络(ResNet)等)进行训练后得到的模型。
在本实施例的一些可选的实现方式中,上述属性识别模型可以通过如下步骤训练得到:首先,获取训练样本集。其中,训练样本可以包括包括样本人体图像的样本图像和针对样本图像中的样本人体图像预先标注的样本属性信息。样本人体图像可以包括不含人脸图像区域的人体图像区域,也可以包括人脸图像区域。样本属性信息可以用于表征样本人体图像所对应的人体的属性。然后,利用机器学习的方法,将训练样本集中的训练样本的样本图像作为输入,将所输入的样本图像所对应的样本属性信息作为期望输出,对初始模型进行训练,进而训练得到属性识别模型。
实践中,在获取了训练样本集后,可以利用各种方式对初始模型进行训练,获得属性识别模型。具体的,作为示例,对于获取到的训练样本集,可以从训练样本集中选取训练样本,并执行以下训练步骤:将所选取的训练样本的样本图像输入初始模型,获得样本图像中的样本人体图像所对应的属性信息;将所输入的样本图像中的样本人体图像所对应的样本属性信息作为初始模型的期望输出,确定所获得的属性信息相对于样本属性信息的损失值,以及利用所确定的损失值,采用反向传播的方法调整初始模型的参数;确定训练样本集中是否存在未被选取的训练样本;响应于确定不存在未被选取的训练样本,将调整后的初始模型确定为属性识别模型。
需要说明的是,训练样本的选取方式在本申请中并不限制。例如可以是随机选取,也可以是优先选取样本图像的清晰度较好的训练样本。还需要说明的是,在这里,可以采用预设的各种损失函数确定所获得的属性信息相对于样本属性信息的损失值,例如,可以采用L2范数作为损失函数计算损失值。
在该示例中,还可以包括以下步骤:响应于确定存在未被选取的训练样本,从未被选取的训练样本中重新选取训练样本,以及将最近一次调整的初始模型作为新的初始模型,继续执行上述训练步骤。
需要说明的是,实践中,用于生成模型的步骤的执行主体可以与用于生成信息的方法的执行主体相同或者不同。如果相同,则用于生成模型的步骤的执行主体可以在训练得到模型后将训练好的模型存储在本地。如果不同,则用于生成模型的步骤的执行主体可以在训练得到模型后将训练好的模型发送给用于生成信息的方法的执行主体。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,服务器301首先获取终端设备302发送的、包括人体图像的待识别图像303,其中,人体图像包括人脸图像区域3031和不含人脸图像区域的人体图像区域3032。接着,服务器301可以将待识别图像303输入预先训练的属性识别模型304,获得待识别图像303中的人体图像所对应的人体的属性信息“性别:女”305。
本申请的上述实施例提供的方法通过获取包括人体图像的待识别图像,而后将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息,从而可以基于预先训练的属性识别模型,利用人体图像对人物属性进行识别,其中,人体图像可以包含人脸图像区域,也可以不包含人脸图像区域,进而可以有效避免人脸图像区域被遮挡或者人脸图像区域所对应的人脸的朝向非正向等情况对识别结果的影响,丰富了人物属性的识别方式,提高了信息生成的灵活性和准确性。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取包括人体图像的待识别图像。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取包括人体图像的待识别图像。其中,人体图像可以包括不含人脸图像区域的人体图像区域,也可以包括人脸图像区域。
需要说明的是,步骤401可以采用与前述实施例中的步骤201类似的方式实现。相应地,上文针对步骤201的描述也适可用于本实施例的步骤401,此处不再赘述。
步骤402,将待识别图像输入预先训练的属性识别模型的第一属性识别子模型,获得用于表征待识别图像所包括的人体图像在待识别图像中的位置的位置信息及输出。
在本实施例中,属性识别模型可以包括第一属性识别子模型,进而,基于步骤401中得到的待识别图像,上述执行主体可以将待识别图像输入属性识别模型的第一属性识别子模型,获得用于表征待识别图像所包括的人体图像在待识别图像中的位置的位置信息及输出。其中,位置信息可以包括但不限于以下至少一项:文字、数字、符号、图像。例如,位置信息可以为在待识别图像中框选出人体图像的四边形图像。
在本实施例中,第一属性识别子模型可以用于表征包括人体图像的图像与位置信息的对应关系。其中,位置信息可以用于表征图像所包括的人体图像在图像中的位置。
具体的,第一属性识别子模型可以为基于训练样本,利用机器学习方式,对初始模型(例如卷积神经网络)进行训练后得到的模型。
作为示例,第一属性识别子模型可以通过以下步骤训练得到:首先,获取训练样本集,其中,训练样本包括包括样本人体图像的样本图像和针对样本图像中的样本人体图像预先标注的样本位置信息,样本人体图像可以包括不含人脸图像区域的人体图像区域,样本位置信息可以用于表征样本人体图像在样本图像中的位置。然后,利用机器学习的方法,将训练样本集中的训练样本的样本图像作为输入,将所输入的样本图像所对应的样本位置信息作为期望输出,对初始模型进行训练,进而训练得到第一属性识别子模型。
步骤403,将待识别图像和第一属性识别子模型输出的位置信息输入属性识别模型的第二属性识别子模型,获得待识别图像中的人体图像所对应的人体的属性信息。
在本实施例中,属性识别模型还可以包括第二属性识别子模型,进而,上述执行主体可以将待识别图像和第一属性识别子模型输出的位置信息输入属性识别模型的第二属性识别子模型,获得待识别图像中的人体图像所对应的人体的属性信息。其中,属性信息可以包括但不限于以下至少一项:数字、文字、符号、图像、音频。属性信息可以用于表征人体的属性。
在本实施例中,第二属性识别子模型可以与第一属性识别子模型连接,以接收第一属性识别子模型输出的位置信息,并基于所接收的位置信息以及待识别图像,生成待识别图像中的人体图像所对应的属性信息。
在本实施例中,第二属性识别子模型可以用于表征包括人体图像的图像和位置信息与属性信息的对应关系。其中,位置信息可以用于表征图像所包括的人体图像在图像中的位置。属性信息为图像中的人体图像所对应的人体的属性信息。
具体的,第二属性识别子模型可以为基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络)进行训练后得到的模型。
作为示例,第二属性识别子模型可以通过以下步骤训练得到:
首先,获取初始训练样本集,其中,初始训练样本包括包括样本人体图像的样本图像和针对样本图像中的样本人体图像预先标注的样本属性信息,样本人体图像可以包括不含人脸图像区域的人体图像区域,样本属性信息可以用于表征样本人体图像所对应的人体的属性。
然后,对于初始训练样本集中的初始训练样本,执行以下步骤:确定该初始训练样本中的样本图像所对应的样本位置信息,其中,样本位置信息可以用于表征样本图像所包括的样本人体图像在样本图像中的位置;利用所确定的样本位置信息和该初始训练样本,组成训练样本。
最后,利用机器学习的方法,将所组成的训练样本中的训练样本的样本图像和样本图像所对应的样本位置信息作为输入,将所输入的样本图像所对应的样本属性信息作为期望输出,对初始模型进行训练,进而训练得到属性识别模型。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息方法的流程400突出了确定人体图像在待识别图像中的位置,并基于所确定的位置生成人体图像所对应的属性信息的步骤。由此,本实施例描述的方案可以首先从包括人体图像的图像中确定人体图像区域,然后再基于所确定的人体图像区域对人体属性进行识别,提高了识别的效率和准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成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各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:图像获取单元501和信息生成单元502。其中,图像获取单元501被配置成获取包括人体图像的待识别图像,其中,人体图像包括不含人脸图像区域的人体图像区域;信息生成单元502被配置成将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息,其中,属性识别模型可以用于表征包括人体图像的图像与人体图像所对应的人体的属性信息的对应关系。属性信息可以用于表征人体的属性。
在本实施例中,用于生成信息的装置500的图像获取单元501可以通过有线连接方式或者无线连接方式获取包括人体图像的待识别图像。其中,人体图像可以包括不含人脸图像区域的人体图像区域(例如颈部以下的身体部位所对应的图像区域),也可以包括人脸图像区域。可以理解的是,人体可以包括人脸以及其他身体部位,例如四肢、颈部、腹部等。
在本实施例中,基于图像获取单元501得到的待识别图像,信息生成单元502可以将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息。其中,属性信息可以包括但不限于以下至少一项:数字、文字、符号、图像、音频。属性信息可以用于表征人体的属性。在这里,人体的属性指的是人体本身的特性,例如性别、年龄等。
属性识别模型可以用于表征包括人体图像的图像与属性信息的对应关系。其中,属性信息为图像中的人体图像所对应的人体的属性信息。具体的,属性识别模型可以为基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络、残差网络等)进行训练后得到的模型。
在本实施例的一些可选的实现方式中,属性识别模型可以包括第一属性识别子模型和第二属性识别子模型;以及信息生成单元502可以包括:第一输入模块(图中未示出),被配置成将待识别图像输入第一属性识别子模型,获得用于表征待识别图像所包括的人体图像在待识别图像中的位置的位置信息及输出;第二输入模块(图中未示出),被配置成将待识别图像和第一属性识别子模型输出的位置信息输入第二属性识别子模型,获得待识别图像中的人体图像所对应的人体的属性信息。
在本实施例的一些可选的实现方式中,属性信息可以包括但不限于以下至少一项:性别信息、年龄信息、肤色信息。
在本实施例的一些可选的实现方式中,属性识别模型可以通过如下步骤训练得到:获取训练样本集,其中,训练样本包括包括样本人体图像的样本图像和针对样本图像中的样本人体图像预先标注的样本属性信息,样本人体图像包括不含人脸图像区域的人体图像区域,样本属性信息用于表征样本人体图像所对应的人体的属性;利用机器学习的方法,将训练样本集中的训练样本的样本图像作为输入,将所输入的样本图像所对应的样本属性信息作为期望输出,训练得到属性识别模型。
在本实施例的一些可选的实现方式中,图像获取单元501可以包括:视频获取模块(图中未示出),被配置成获取对目标人体进行拍摄所获得的视频;图像选取模块(图中未示出),被配置成从视频所对应的图像序列中选取图像作为待识别图像。
本申请的上述实施例提供的装置500通过图像获取单元501获取包括人体图像的待识别图像,而后信息生成单元502将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息,从而可以基于预先训练的属性识别模型,利用人体图像对人物属性进行识别,其中,人体图像可以包含人脸图像区域,也可以不包含人脸图像区域,进而可以有效避免人脸图像区域被遮挡或者人脸图像区域所对应的人脸的朝向非正向等情况对识别结果的影响,丰富了人物属性的识别方式,提高了信息生成的灵活性和准确性。
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(例如图1所示的终端设备/服务器)的计算机***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***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***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,该计算机程序包含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,执行本申请的方法中限定的上述功能。需要说明的是,本申请所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***、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含或存储程序的有形介质,该程序可以被指令执行***、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***、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: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***、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***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:一种处理器包括图像获取单元和信息生成单元。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,图像获取单元还可以被描述为“获取包括人体图像的待识别图像的单元”。
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:获取包括人体图像的待识别图像,其中,人体图像包括不含人脸图像区域的人体图像区域;将待识别图像输入预先训练的属性识别模型,获得待识别图像中的人体图像所对应的人体的属性信息,其中,属性识别模型用于表征包括人体图像的图像与人体图像所对应的人体的属性信息的对应关系,属性信息用于表征人体的属性。
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 (12)
1.一种用于生成信息的方法,包括:
获取包括人体图像的待识别图像;
将所述待识别图像输入预先训练的属性识别模型,获得所述待识别图像中的人体图像所对应的人体的属性信息,其中,所述属性识别模型用于表征包括人体图像的图像与人体图像所对应的人体的属性信息的对应关系,属性信息用于表征人体的属性。
2.根据权利要求1所述的方法,其中,所述属性识别模型包括第一属性识别子模型和第二属性识别子模型;以及
所述将所述待识别图像输入预先训练的属性识别模型,获得所述待识别图像中的人体图像所对应的人体的属性信息,包括:
将所述待识别图像输入所述第一属性识别子模型,获得用于表征所述待识别图像所包括的人体图像在所述待识别图像中的位置的位置信息及输出;
将所述待识别图像和所述第一属性识别子模型输出的位置信息输入所述第二属性识别子模型,获得所述待识别图像中的人体图像所对应的人体的属性信息。
3.根据权利要求1所述的方法,其中,所述属性信息包括以下至少一项:性别信息、年龄信息、肤色信息。
4.根据权利要求1所述的方法,其中,所述属性识别模型通过如下步骤训练得到:
获取训练样本集,其中,训练样本包括包括样本人体图像的样本图像和针对样本图像中的样本人体图像预先标注的样本属性信息,样本属性信息用于表征样本人体图像所对应的人体的属性;
利用机器学习的方法,将训练样本集中的训练样本的样本图像作为输入,将所输入的样本图像所对应的样本属性信息作为期望输出,训练得到属性识别模型。
5.根据权利要求1-4之一所述的方法,其中,所述获取包括人体图像的待识别图像,包括:
获取对目标人体进行拍摄所获得的视频;
从所述视频所对应的图像序列中选取图像作为待识别图像。
6.一种用于生成信息的装置,包括:
图像获取单元,被配置成获取包括人体图像的待识别图像;
信息生成单元,被配置成将所述待识别图像输入预先训练的属性识别模型,获得所述待识别图像中的人体图像所对应的人体的属性信息,其中,所述属性识别模型用于表征包括人体图像的图像与人体图像所对应的人体的属性信息的对应关系,属性信息用于表征人体的属性。
7.根据权利要求6所述的装置,其中,所述属性识别模型包括第一属性识别子模型和第二属性识别子模型;以及
所述信息生成单元包括:
第一输入模块,被配置成将所述待识别图像输入所述第一属性识别子模型,获得用于表征所述待识别图像所包括的人体图像在所述待识别图像中的位置的位置信息及输出;
第二输入模块,被配置成将所述待识别图像和所述第一属性识别子模型输出的位置信息输入所述第二属性识别子模型,获得所述待识别图像中的人体图像所对应的人体的属性信息。
8.根据权利要求6所述的装置,其中,所述属性信息包括以下至少一项:性别信息、年龄信息、肤色信息。
9.根据权利要求6所述的装置,其中,所述属性识别模型通过如下步骤训练得到:
获取训练样本集,其中,训练样本包括包括样本人体图像的样本图像和针对样本图像中的样本人体图像预先标注的样本属性信息,样本属性信息用于表征样本人体图像所对应的人体的属性;
利用机器学习的方法,将训练样本集中的训练样本的样本图像作为输入,将所输入的样本图像所对应的样本属性信息作为期望输出,训练得到属性识别模型。
10.根据权利要求6-9之一所述的装置,其中,所述图像获取单元包括:
视频获取模块,被配置成获取对目标人体进行拍摄所获得的视频;
图像选取模块,被配置成从所述视频所对应的图像序列中选取图像作为待识别图像。
11.一种电子设备,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1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810843246.3A CN109117758A (zh) | 2018-07-27 | 2018-07-27 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810843246.3A CN109117758A (zh) | 2018-07-27 | 2018-07-27 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109117758A true CN109117758A (zh) | 2019-01-01 |
Family
ID=64863712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810843246.3A Pending CN109117758A (zh) | 2018-07-27 | 2018-07-27 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117758A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934149A (zh) * | 2019-03-06 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109993150A (zh) * | 2019-04-15 | 2019-07-09 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110472611A (zh) * | 2019-08-21 | 2019-11-19 | 图谱未来(南京)人工智能研究院有限公司 | 人物属性识别的方法、装置、电子设备及可读存储介质 |
CN115131825A (zh) * | 2022-07-14 | 2022-09-30 | 北京百度网讯科技有限公司 | 人体属性的识别方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909896A (zh) * | 2017-02-17 | 2017-06-30 | 竹间智能科技(上海)有限公司 | 基于人物性格与人际关系识别的人机交互***及工作方法 |
WO2017216992A1 (ja) * | 2016-06-17 | 2017-12-21 | Necソリューションイノベータ株式会社 | バーチャルリアリティ画像表示システムおよびバーチャルリアリティ画像表示方法 |
CN108279573A (zh) * | 2018-02-05 | 2018-07-13 | 北京智能管家科技有限公司 | 基于人体属性检测的控制方法、装置、智能家电和介质 |
-
2018
- 2018-07-27 CN CN201810843246.3A patent/CN109117758A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017216992A1 (ja) * | 2016-06-17 | 2017-12-21 | Necソリューションイノベータ株式会社 | バーチャルリアリティ画像表示システムおよびバーチャルリアリティ画像表示方法 |
CN106909896A (zh) * | 2017-02-17 | 2017-06-30 | 竹间智能科技(上海)有限公司 | 基于人物性格与人际关系识别的人机交互***及工作方法 |
CN108279573A (zh) * | 2018-02-05 | 2018-07-13 | 北京智能管家科技有限公司 | 基于人体属性检测的控制方法、装置、智能家电和介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934149A (zh) * | 2019-03-06 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109934149B (zh) * | 2019-03-06 | 2022-08-09 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109993150A (zh) * | 2019-04-15 | 2019-07-09 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110472611A (zh) * | 2019-08-21 | 2019-11-19 | 图谱未来(南京)人工智能研究院有限公司 | 人物属性识别的方法、装置、电子设备及可读存储介质 |
CN115131825A (zh) * | 2022-07-14 | 2022-09-30 | 北京百度网讯科技有限公司 | 人体属性的识别方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN108830235A (zh) | 用于生成信息的方法和装置 | |
CN108595628A (zh) | 用于推送信息的方法和装置 | |
CN108985257A (zh) | 用于生成信息的方法和装置 | |
CN110288049A (zh) | 用于生成图像识别模型的方法和装置 | |
CN109858445A (zh) | 用于生成模型的方法和装置 | |
CN110110811A (zh) | 用于训练模型的方法和装置、用于预测信息的方法和装置 | |
CN109086719A (zh) | 用于输出数据的方法和装置 | |
CN109117758A (zh) | 用于生成信息的方法和装置 | |
CN109101919A (zh) | 用于生成信息的方法和装置 | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
CN108345387A (zh) | 用于输出信息的方法和装置 | |
CN109034069A (zh) | 用于生成信息的方法和装置 | |
CN108960316A (zh) | 用于生成模型的方法和装置 | |
CN109993150A (zh) | 用于识别年龄的方法和装置 | |
CN109299477A (zh) | 用于生成文本标题的方法和装置 | |
CN109829432A (zh) | 用于生成信息的方法和装置 | |
CN107910060A (zh) | 用于生成信息的方法和装置 | |
CN108960110A (zh) | 用于生成信息的方法和装置 | |
CN110009059A (zh) | 用于生成模型的方法和装置 | |
CN109241934A (zh) | 用于生成信息的方法和装置 | |
CN109918530A (zh) | 用于推送图像的方法和装置 | |
CN109214501A (zh) | 用于识别信息的方法和装置 | |
CN109145783A (zh) | 用于生成信息的方法和装置 | |
CN108509994A (zh) | 人物图像聚类方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |