本申请实施例涉及计算机技术领域，尤其涉及用于检测人脸图像的方法和装置。
背景技术：
随着人工智能的快速发展，人脸识别技术应用越来越广泛。人脸识别的前提是人脸图像检测。通常情况下，需要先确定待识别图像是否是人脸图像，如果是，再确定人脸图像所代表的人脸的身份。
技术实现要素：
本申请实施例提出了用于检测人脸图像的方法和装置。
第一方面，本申请实施例提供了一种用于检测人脸图像的方法，该方法包括：获取待检测特征图像，其中，上述待检测特征图像提取自待检测图像；将上述待检测特征图像导入预先训练的第一分类模型，生成上述待检测图像属于预定义种类别中各个类别的概率值，其中，上述预定义种类别为至少三种类别，上述至少三种类别包括人脸图像类和至少两种非人脸图像类，上述第一分类模型用于表征特征图像与至少三个概率值的对应关系；根据上述待检测图像属于非人脸图像类的至少两个概率值和属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像。
在一些实施例中，上述根据上述待检测图像属于非人脸图像类的至少两个概率值和属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像，包括：从上述至少两个概率值中，选取出最大的概率值，以确定最大非人脸类概率值；根据上述最大非人脸类概率值与上述属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像。
在一些实施例中，上述根据上述最大非人脸类概率值与上述属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像，包括：将上述最大非人脸类概率值与上述属于人脸图像类的概率值，导入预先训练的第二分类模型，确定上述待检测图像是人脸图像的人脸图像概率值，其中，上述第二分类模型用于表征最大非人脸类概率值、属于人脸图像类的概率值这两者与人脸图像概率值的对应关系。
在一些实施例中，上述根据上述最大非人脸类概率值与上述属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像，还包括：响应于确定上述人脸图像概率值大于预设阈值，确定上述待检测图像是人脸图像。
在一些实施例中，上述获取待检测特征图像，包括：将目标图像导入预先建立的图像特征提取模型，生成目标特征图像和候选区域信息，其中，上述图像特征提取模型用于表征图像与特征图像、候选区域信息这两者之间的对应关系，上述候选区域信息用于指示上述目标特征图像中的候选图像区域，上述目标图像中与上述候选图像区域对应的待检测图像区域中的图像为待检测图像；将上述目标特征图像中的候选图像区域中的特征图像，确定为待检测特征图像。
第二方面，本申请实施例提供了一种用于检测人脸图像的装置，该装置包括：获取单元，配置用于获取待检测特征图像，其中，上述待检测特征图像提取自待检测图像；生成单元，配置用于将上述待检测特征图像导入预先训练的第一分类模型，生成上述待检测图像属于预定义种类别中各个类别的概率值，其中，上述预定义种类别为至少三种类别，上述至少三种类别包括人脸图像类和至少两种非人脸图像类，上述第一分类模型用于表征特征图像与至少三个概率值的对应关系；确定单元，配置用于根据上述待检测图像属于非人脸图像类的至少两个概率值和属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像。
在一些实施例中，上述确定单元，还配置用于：从上述至少两个概率值中，选取出最大的概率值，以确定最大非人脸类概率值；根据上述最大非人脸类概率值与上述属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像。
在一些实施例中，上述确定单元，还配置用于：将上述最大非人脸类概率值与上述属于人脸图像类的概率值，导入预先训练的第二分类模型，确定上述待检测图像是人脸图像的人脸图像概率值，其中，上述第二分类模型用于表征最大非人脸类概率值、属于人脸图像类的概率值这两者与人脸图像概率值的对应关系。
在一些实施例中，上述确定单元，还配置用于：响应于确定上述人脸图像概率值大于预设阈值，确定上述待检测图像是人脸图像。
在一些实施例中，上述获取单元，还配置用于：将目标图像导入预先建立的图像特征提取模型，生成目标特征图像和候选区域信息，其中，上述图像特征提取模型用于表征图像与特征图像、候选区域信息这两者之间的对应关系，上述候选区域信息用于指示上述目标特征图像中的候选图像区域，上述目标图像中与上述候选图像区域对应的待检测图像区域中的图像为待检测图像；将上述目标特征图像中的候选图像区域中的特征图像，确定为待检测特征图像。
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时，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，其中，该计算机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用于检测人脸图像的方法和装置，通过首先获取待检测特征图像，然后利用第一分类模型，生成待检测特征图像属于人脸图像类的概率值，还生成待检测特征图像属于至少两种非人脸图像类的概率值，最后，根据上述待检测图像属于非人脸图像类的至少两个概率值和属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像，丰富了人脸图像检测方法。
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是根据本申请的用于检测人脸图像的方法的一个实施例的流程图；
图3是根据本申请的图2所示流程中步骤201的一种实现方式的流程图；
图4是根据本申请的图2所示流程中步骤203的一种实现方式的流程图；
图5是根据本申请的用于检测人脸图像的方法的一个应用场景的示意图；
图6是根据本申请的用于检测人脸图像的方法的又一个实施例的流程图；
图7是根据本申请的用于检测人脸图像的装置的一个实施例的结构示意图；
图8是适于用来实现本申请实施例的服务器或终端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用于检测人脸图像的方法或用于检测人脸图像的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，例如图像拍摄类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、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，可以是具有支持图像拍摄的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，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)，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图像拍摄类应用提供支持的后台服务器。后台服务器可以对接收到的图片处理请求等数据进行分析等处理，并将处理结果(例如检测出的人脸图像)反馈给终端设备。
需要说明的是，本申请实施例所提供的用于检测人脸图像的方法一般由服务器105执行。相应地，用于检测人脸图像的装置一般设置于服务器105中。可选的，本申请实施例所提供的用于检测人脸图像的方法也可以由终端设备执行。相应地，用于检测人脸图像的装置也可以设置于终端设备中。
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)，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。
继续参考图2，其示出了根据本申请的用于检测人脸图像的方法的一个实施例的流程200。该用于检测人脸图像的方法，可以包括以下步骤：
步骤201，获取待检测特征图像。
在本实施例中，用于检测人脸图像的方法的执行主体(例如图1所示的服务器)可以获取待检测特征图像。
在本实施例中，待检测特征图像可以是等待检测的特征图像。在这里，特征图像(featuremap)也可以称为特征图或图像特征。
在本实施例中，待检测特征图像可以提取自待检测图像。
在本实施例中，待检测图像可以是整个图片，也可以是整个图片中的一部分。作为示例，待检测图像可以是包括人脸图像和风景图像的整个图片，也可以是整个图片中疑似为人脸图像的部分。
可选地，可以先确定待检测图像，再确定待检测特征图像。作为示例，可以在步骤201之前获取待检测图像，对获取到的待检测图像进行图像特征提取操作，得到待检测特征图像。
需要说明的是，检测人脸图像与识别人脸图像是不同的。检测人脸图像的目的：确定图像所代表的是否是人脸。而识别人脸图像之前，已经确定这个图像是人脸图像。识别人脸图像的目的是：确定图像中的人脸代表的是谁和/或人脸图像的具体位置。
可选地，也可以直接获取待检测图像，即在获取到待检测特征图像之前，并没有确定待检测图像。
在本实施例的一些可选的实现方式中，请参考图3，其示出了步骤201的一种实现方式的流程。流程201可以包括：
步骤2011，将目标图像导入预先建立的图像特征提取模型，生成目标特征图像和候选区域信息。
在本实施例中，上述特征图像提取模型用于表征图像与特征图像、候选区域信息这两者之间的对应关系。
可选地，上述特征图像提取模型可以基于候选区域提取网络(regionproposalnetwork，rpn)、区域提取-卷积网络(regionproposalsconvolutionalneuralnetworks，r-cnn)训练得到。
作为示例，可以对rpn或r-cnn等神经网络进行训练。然后，可以利用训练后的rpn或r-cnn等神经网络，在得到特征图像的同时，确定特征图像中的候选区域信息。
在这里，上述候选区域信息用于指示上述目标特征图像中的候选图像区域，上述目标图像中与上述候选图像区域对应的待检测图像区域中的图像为待检测图像。可以理解，目标特征图像的各个位置与目标图像的各个区域之间，有一定的映射关系。上述候选图像区域对应的待检测图像区域，可以通过目标特征图像与目标图像的映射关系确定。
步骤2012，将目标特征图像中的候选图像区域中的特征图像，确定为待检测特征图像。
可见，根据流程201，可以先确定待检测特征图像，再确定待检测图像。
步骤202，将待检测特征图像导入预先训练的第一分类模型，生成待检测图像属于预定义种类别中各个类别的概率值。
在本实施例中，用于检测人脸图像的方法的执行主体(例如图1所示的服务器)可以将上述待检测特征图像导入预先训练的第一分类模型，生成上述待检测图像属于中预定义种类别中各个类别的概率值。在这里，上述预定义种类别为至少三种类别。
在本实施例中，上述至少三个类别包括人脸图像类和至少两种非人脸图像类。
作为示例，上述非人脸图像类可以是各种可能非人脸的类别。例如，汽车类、树木类、道路类、天空类，等等。
在本实施例中，上述第一分类模型用于表征特征图像与至少三个概率值的对应关系。
可以理解，上述执行主体可以得知概率值对应哪种类别。作为示例，上述第一分类模型可以预定义了多个输出通道，每个输出通道对应一个类别。上述执行主体可以由输出概率值的通道，确定概率值对应哪个类别。
在本实施例中，第一分类模型可以通过以下方式训练得到：获取样本集，样本为标识有类别的特征图像。利用样本集训练初始第一分类模型，以生成第一分类模型。作为示例，初始第一分类模型可以是未经训练或未训练完成的支持向量机、决策树、卷积神经网络等可以用于分类的模型或神经网络。
需要说明的是，本实施例的人脸检测方法，在检测人脸图像的过程中，细化了非人脸图像类，即设置了至少两种非人脸图像类。在没有细化非人脸图像的时候，检测人脸图像只分为人脸图像类和背景类两种。由于可供确定的种类的较少，分类模型只关注于是不是人脸图像，确定的种类非此即彼，很容易造成误检和漏检。而本实施例细化了非人脸图像类之后，分类模型可以将注意力分散，详细检测属于哪个类别，由此可以提高人脸图像检测的准确率。
步骤203，根据待检测图像属于非人脸图像类的至少两个概率值和属于人脸图像类的概率值，确定待检测图像是否是人脸图像。
在本实施例中，用于检测人脸图像的方法的执行主体(例如图1所示的服务器)可以根据上述待检测图像属于非人脸图像类的至少两个概率值和属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像。
在本实施例的一些可选的实现方式中，步骤203可以通过以下方式实现：上述属于人脸图像类的概率值是否大于所有非人脸图像类对应的概率值；如果是，则确定上述待检测图像是人脸图像。
在本实施例的一些可选的实现方式中，请参考图4，其示出了步骤203的一种可选的实现方式的流程。流程203可以包括：
步骤2031，从至少两个概率值中，选取出最大的概率值，以确定最大非人脸类概率值。
在这里，可以将选取出的最大的概率值确定为最大非人脸类概率值。
步骤2032，根据最大非人脸类概率值与属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像。
在这里，步骤203可以通过以下方式实现：首先确定上述最大非人脸类概率值与k的乘积，作为k倍值。k的取值可以根据实践确定。如果上述属于人脸图像类的概率值大于上述k倍值，则确定上述待检测图像是人脸图像。
继续参见图5，图5是根据本实施例的用于检测人脸图像的方法的应用场景的一个示意图。在图5的应用场景中：
首先，服务器获取待检测特征图像502。待检测特征图像502提取自待检测图像501。
然后，服务器可以将待检测特征图像导入第一分类模型503，生成待检测图像属于预定义中类别中各个类别的概率值。例如，可以第一分类模型可以输出三个概率值20％、50％、80％。20％用于表征待检测图像属于天空类的概率。50％用于表征待检测图像属于汽车类的概率。80％用于表征待检测图像属于人脸图像类的概率。
再后，服务器可以根据对应非人脸图像类的至少两个概率值和对应人脸图像类的概率值，确定上述待检测图像是否是人脸图像。例如，80％大于20％与50％之和，确定上述待检测图像是人脸图像。
本申请的上述实施例提供的方法，通过首先获取待检测特征图像，然后利用第一分类模型，生成待检测特征图像属于人脸图像类的概率值，还生成待检测特征图像属于至少两种非人脸图像类的概率值，最后，根据上述待检测图像属于非人脸图像类的至少两个概率值和属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像，丰富了人脸检测方法。
进一步参考图6，其示出了用于检测人脸图像的方法的又一个实施例的流程600。该用于检测人脸图像的方法的流程600，包括以下步骤：
步骤601，获取待检测特征图像。
在本实施例中，用于检测人脸图像的方法的执行主体(例如图1所示的服务器)可以获取待检测特征图像。
步骤602，将待检测特征图像导入预先训练的第一分类模型，生成待检测图像属于预定义种类别种各个类别的概率值。
在本实施例中，用于检测人脸图像的方法的执行主体(例如图1所示的服务器)可以将上述待检测特征图像导入预先训练的第一分类模型，生成上述待检测图像属于至少三种类别中各个类别的概率值。
在本实施例中步骤601和步骤602的具体操作与图2所示的实施例中步骤201和步骤202的操作基本相同，在此不再赘述。
步骤603，从至少两个概率值中，选取出最大的概率值，以确定最大非人脸类概率值。
在本实施例中，用于检测人脸图像的方法的执行主体(例如图1所示的服务器)可以从上述至少两个概率值中，选取出最大的概率值，以确定最大非人脸类概率值。
步骤604，将最大非人脸类概率值与属于人脸图像类的概率值，导入预先训练的第二分类模型，确定待检测图像是人脸图像的人脸图像概率值。
在本实施例中，用于检测人脸图像的方法的执行主体(例如图1所示的服务器)可以将上述最大非人脸类概率值与上述属于人脸图像类的概率值，导入预先训练的第二分类模型，确定待检测图像是人脸图像的人脸图像概率值。
在本实施例的一些可选的实现方式中，第二分类模型可以通过以下方式训练得到：获取样本集，样本包括样本图像和样本图像所属的类别。提取样本的样本特征图像。将样本特征图像导入第一分类模型得到至少三个概率值，将上述至少三个概率值导入初始第二分类模型，得到人脸图像概率值，根据将人脸图像概率值与样本图像所属的类别，更新初始第二分类模型的模型参数，以生成第二分类模型。初始第二分类模型可以是未经训练或未训练完成的支持向量机、决策树、卷积神经网络等可以用于分类的模型或神经网络。
在本实施例中，上述第二分类模型用于表征最大非人脸类概率值、属于人脸图像类的概率值这两者与人脸图像概率值的对应关系。
在本实施例的一些可选的实现方式中，第一分类模型和第二分类模型可以分开训练，也可以一同训练。
步骤605，响应于确定人脸图像概率值大于预设阈值，确定待检测图像是人脸图像。
在本实施例中，用于检测人脸图像的方法的执行主体(例如图1所示的服务器)可以响应于确定人脸图像概率值大于预设阈值，确定待检测图像是人脸图像。
从图6中可以看出，与图2对应的实施例相比，本实施例中的用于检测人脸图像的方法的流程600突出了利用确定最大非人脸类概率值以及利用第二分类模型的步骤。由此，本实施例描述的方案可以利用第二分类模型，对上述最大非人脸类概率值与对应人脸图像类的概率值进行进一步分析，从而提高检测人脸图像的准确率。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种用于检测人脸图像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7所示，本实施例的用于检测人脸图像的装置700包括：获取单元701、生成单元702和确定单元703。其中，获取单元，配置用于获取待检测特征图像，其中，上述待检测特征图像提取自待检测图像；生成单元，配置用于将上述待检测特征图像导入预先训练的第一分类模型，生成上述待检测图像属于预定义种类别中各个类别的概率值，其中，上述预定义种类别为至少三种类别，上述至少三种类别包括人脸图像类和至少两种非人脸图像类，上述第一分类模型用于表征特征图像与至少三个概率值的对应关系；确定单元，配置用于根据上述待检测图像属于非人脸图像类的至少两个概率值和属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像。
在本实施例的一些可选的实现方式中，上述确定单元，还配置用于：从上述至少两个概率值中，选取出最大的概率值，以确定最大非人脸类概率值；根据上述最大非人脸类概率值与上述属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像。
在本实施例的一些可选的实现方式中，上述确定单元，还配置用于：将上述最大非人脸类概率值与上述属于人脸图像类的概率值，导入预先训练的第二分类模型，确定上述待检测图像是人脸图像的人脸图像概率值，其中，上述第二分类模型用于表征最大非人脸类概率值、属于人脸图像类的概率值这两者与人脸图像概率值的对应关系。
在本实施例的一些可选的实现方式中，上述确定单元，还配置用于：响应于确定上述人脸图像概率值大于预设阈值，确定上述待检测图像是人脸图像。
在本实施例的一些可选的实现方式中，上述获取单元，还配置用于：将目标图像导入预先建立的图像特征提取模型，生成目标特征图像和候选区域信息，其中，上述图像特征提取模型用于表征图像与特征图像、候选区域信息这两者之间的对应关系，上述候选区域信息用于指示上述目标特征图像中的候选图像区域，上述目标图像中与上述候选图像区域对应的待检测图像区域中的图像为待检测图像；将上述目标特征图像中的候选图像区域中的特征图像，确定为待检测特征图像。
在本实施例中，用于检测人脸图像的装置700的获取单元701、生成单元702和确定单元703的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。
需要说明的是，本申请实施例提供的用于检测人脸图像的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。
下面参考图8，其示出了适于用来实现本申请实施例的服务器或终端设备的计算机系统800的结构示意图。图8示出的服务器仅仅是一个示例，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8所示，计算机系统800包括中央处理单元(cpu，centralprocessingunit)801，其可以根据存储在只读存储器(rom，readonlymemory)802中的程序或者从存储部分808加载到随机访问存储器(ram，randomaccessmemory)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o，input/output)接口805也连接至总线804。
以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt，cathoderaytube)、液晶显示器(lcd，liquidcrystaldisplay)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan(局域网，localareanetwork)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，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810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808。
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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801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，本申请上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含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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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，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、生成单元和确定单元。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“获取待检测特征图像的单元”。
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装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取待检测特征图像，其中，上述待检测特征图像提取自待检测图像；将上述待检测特征图像导入预先训练的第一分类模型，生成上述待检测图像属于预定义种类别中各个类别的概率值，其中，上述预定义种类别为至少三种类别，上述至少三种类别包括人脸图像类和至少两种非人脸图像类，上述第一分类模型用于表征特征图像与至少三个概率值的对应关系；根据上述待检测图像属于非人脸图像类的至少两个概率值和属于人脸图像类的概率值，确定上述待检测图像是否是人脸图像。
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。