本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于人脸识别模型的生成方法和装置。
背景技术：
人脸识别，是指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别产品已广泛应用于金融、安检、医疗、公安等领域。
在人脸识别的过程，可以将待识别人脸的人脸特征与人脸特征模板进行匹配，根据相似度对待识别人脸的身份信息进行预测。
通常，我们可以使用训练人脸图像对人脸识别模型进行训练，使得人脸识别模型可以进行人脸图像的识别等处理。
技术实现要素：
本申请实施例提出了一种人脸识别模型的生成方法和装置。
第一方面，本申请实施例提供了一种人脸识别模型的生成方法，该方法包括：获取训练样本集合；将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型，人脸识别模型用于识别输入到其中的人脸图像对所对应的对象之间是否满足预定血缘关系；其中，训练样本集合包括多个训练样本图像对，训练样本集合中的至少一个训练样本图像对基于如下步骤生成：获取目标对象的人脸特征图作为训练样本图像对中的一个训练样本图像；获取与目标对象具有预定血缘关系的至少两个关系对象的人脸图像；生成目标图像集，目标图像集包括由关系对象的人脸图像生成的特征图以及由关系对象的组合图像生成的特征图，其中，关系对象的组合图像为截取其中一个关系对象的人脸图像的预设特征区域，并用所截取的预设特征区域替换另一个关系对象的人脸图像相对应的特征区域所生成的图像；从目标图像集中任意选取一个特征图作为训练样本图像对中的另一个训练样本图像。
在一些实施例中，训练样本集合还包括以下至少一个训练样本图像对，该训练样本图像对包括目标图像的人脸特征图以及与目标对象不具有预定血缘关系的人物对象的人脸特征图；以及将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型，包括：将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型，以使若输入到人脸识别模型中的待检测图像对包括待检测目标对象的人脸特征图和与该待检测目标对象具有预定血缘关系的人脸特征图，人脸识别模型所输出的数值大于第一预设阈值，若待检测图像对中包括目标对象的人脸特征图和与该目标对象不具有预定血缘关系的人脸特征图，人脸识别模型所输出的数值小于第二预设阈值；其中，第二预设阈值小于第一预设阈值。
在一些实施例中，获取训练样本集合包括：获取目标对象的人脸图像、与目标对象具有预定血缘关系的至少两个关系对象各自的人脸图像以及由至少两个关系对象的人脸图像得到的组合图像；将目标对象的人脸图像、关系对象的人脸图像、组合图像输入到预先训练的人脸特征识别模型，分别得到目标对象的人脸特征图、关系对象的人脸特征图以及组合图像的特征图；将目标对象的人脸特征图作为一个训练本图像，从关系对象的人脸特征图和组合图像的特征图中任意选取一个特征图作为另一训练样本图像，得到训练样本集合中的至少一个训练样本图像对。
在一些实施例中，在将目标对象的人脸图像、关系对象的人脸图像、组合图像输入到预先训练的人脸特征识别模型，分别得到目标对象的人脸特征图、关系对象的人脸特征图以及组合图像的特征图之前，该方法还包括：将目标对象的人脸图像和关系对象的人脸图像、组合图像进行仿射变换，得到变换后的目标对象人脸图像、变换后的关系对象人脸图像、变换后的组合图像；以及将目标对象的人脸图像、关系对象的人脸图像、组合图像输入到预先训练的人脸特征识别模型，分别得到目标对象的人脸特征图、关系对象的人脸特征图以及组合图像的特征图，还包括：将变换后的目标对象人脸图像、变换后的关系对象人脸图像、变换后的组合图像分别输入到预先训练的人脸特征识别模型，得到变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图；以及将目标对象的人脸特征图作为一个训练本图像，从关系对象的人脸特征图和组合图像的特征图中任意选取一个特征图作为另一训练样本图像，得到训练样本集合中的至少一个训练样本图像对，还包括：将目标对象的人脸特征图或变换后的目标对象人脸特征图作为一个训练本图像，从变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图中任意选取一个特征图作为另一训练样本图像，得到训练样本集合中的至少一个训练样本图像对。
在一些实施例中，人脸识别模型为卷积神经网络模型。
第二方面，本申请实施例提供了一种人脸识别模型的生成装置，该装置包括：获取单元，配置用于获取训练样本集合；人脸识别模型生成单元，配置用于将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型，人脸识别模型用于识别输入到其中的人脸图像对所对应的对象之间是否满足预定血缘关系；其中，训练样本集合包括多个训练样本图像对，训练样本集合中的至少一个训练样本图像对基于如下步骤生成：获取目标对象的人脸特征图作为训练样本图像对中的一个训练样本图像；获取与目标对象具有预定血缘关系的至少两个关系对象的人脸图像；生成目标图像集，目标图像集包括由关系对象的人脸图像生成的特征图以及由关系对象的组合图像生成的特征图，其中，关系对象的组合图像为截取其中一个关系对象的人脸图像的预设特征区域，并用所截取的预设特征区域替换另一个关系对象的人脸图像相对应的特征区域所生成的图像；从目标图像集中任意选取一个特征图作为训练样本图像对中的另一个训练样本图像。
在一些实施例中，训练样本集合还包括以下至少一个训练样本图像对，该训练样本图像对包括目标图像的人脸特征图以及与目标对象不具有预定血缘关系的人物对象的人脸特征图；以及人脸识别模型生成单元进一步配置用于：将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型，以使若输入到人脸识别模型中的待检测图像对包括待检测目标对象的人脸特征图和与该待检测目标对象具有预定血缘关系的人脸特征图，人脸识别模型所输出的数值大于第一预设阈值，若待检测图像对中包括目标对象的人脸特征图和与该目标对象不具有预定血缘关系的人脸特征图，人脸识别模型所输出的数值小于第二预设阈值；其中，第二预设阈值小于第一预设阈值。
在一些实施例中，获取单元进一步配置用于：获取目标对象的人脸图像、与目标对象具有预定血缘关系的至少两个关系对象各自的人脸图像以及由至少两个关系对象的人脸图像得到的组合图像；将目标对象的人脸图像、关系对象的人脸图像、组合图像输入到预先训练的人脸特征识别模型，分别得到目标对象的人脸特征图、关系对象的人脸特征图以及组合图像的特征图；将目标对象的人脸特征图作为一个训练本图像，从关系对象的人脸特征图和组合图像的特征图中任意选取一个特征图作为另一训练样本图像，得到训练样本集合中的至少一个训练样本图像对。
在一些实施例中，获取单元进一步配置用于：在将目标对象的人脸图像、关系对象的人脸图像、组合图像输入到预先训练的人脸特征识别模型，分别得到目标对象的人脸特征图、关系对象的人脸特征图以及组合图像的特征图之前，将目标对象的人脸图像和关系对象的人脸图像、组合图像进行仿射变换，得到变换后的目标对象人脸图像、变换后的关系对象人脸图像、变换后的组合图像；以及将变换后的目标对象人脸图像、变换后的关系对象人脸图像、变换后的组合图像分别输入到预先训练的人脸特征识别模型，得到变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图；以及将目标对象的人脸特征图或变换后的目标对象人脸特征图作为一个训练本图像，从变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图中任意选取一个特征图作为另一训练样本图像，得到训练样本集合中的至少一个训练样本图像对。
在一些实施例中，人脸识别模型为卷积神经网络模型。
第三方面，本申请实施例提供了一种服务器，该服务器包括：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人脸识别模型的生成方法和装置，通过在由目标对象的人脸特征图和与该目标对象具有预定血缘关系的至少两个关系对象中任一关系对象的人脸特征图作为训练样本图像对的同时，还将与目标对象具有预定血缘关系的至少两个关系对象的人脸图像的任一组合图像的特征图和目标对象的人脸特征图作为训练样本图像对来对初始人脸模型进行训练，使得训练后的人脸识别模型可以识别输入到其中的人脸图像对所对应的对象之间是否满足预定血缘关系，从而实现了在不增加目标对象的人脸图像和关系对象的人脸图像的同时，扩充了训练用的特征图，减少了获取训练用人脸图像的人力物力成本和时间成本。提高了训练人脸识别模型的效率。
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是根据本申请的人脸识别模型的生成方法的一个实施例的流程图；
图3是根据本申请的训练样本集合中至少一个训练样本图像对的生成示意图；
图4是根据本申请的人脸识别模型的生成方法的一个应用场景的示意图；
图5是根据本申请的人脸识别模型的生成方法的又一个实施例的流程图；
图6是根据本申请的人脸识别模型的生成装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的服务器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人脸识别模型的生成方法或人脸识别模型的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。
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可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以提供各种服务，例如服务器105可以通过网络104从终端101、102、103获取输入数据，以使实现对人脸识别模型的训练，并得到训练完成的人脸识别模型。
需要说明的是，本申请实施例所提供的人脸识别模型的生成方法一般由服务器105执行，相应地，人脸识别模型的生成装置一般设置于服务器105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。
继续参考图2，其示出了根据本申请的人脸识别模型的生成方法的一个实施例的流程200。该人脸识别模型的生成方法，包括以下步骤：
步骤201，获取训练样本集合。
在本实施例中，人脸识别模型的生成方法的执行主体(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从终端设备获取训练人脸图像。这里训练人脸图像可以包括目标对象的人脸图像。在上述目标对象的人脸图像中预先添加了目标对象的身份的标注信息。
在接收到目标对象的人脸图像之后，上述执行主体可以利用各种分析方法对上述目标对象的人脸图像做进行一步的分析处理，从而得到训练样本集合。上述训练样本集合中包括多个训练样本图像对。训练样本集合中的至少一个训练样本图像对可以基于图3所示的步骤生成。
请参考图3，其示出了训练样本集合中至少一个训练样本图像对的生成示意图。
如图3所示的训练样本集合中的至少一个训练样本图像对的生成示意图300中，训练样本集合中至少一个训练样本图像对可以由以下步骤生成。
步骤301，获取目标对象的人脸特征图作为训练样本图像对中的一个训练样本图像。
上述执行主体可以基于目标对象的人脸图像利用各种分析方法得到目标对象的人脸特征图。如采用图像处理的方法来确定目标对象的人脸特征图。例如可以通过光线补偿、图像灰度化、高斯平滑、相似度计算以及二值化等过程来确定目标对象的人脸特征图。
在本实施例中，人脸特征图是指可以描述一个对象的面部颜色特征、纹理特征、形状特征和面部的各部位的相对位置关系特征的图像。这里的人脸特征图可以是二维图像。
在本实施例的一些可选实现方式中，对于目标对象的人脸图像，可以通过在人脸图像中首先检测出人脸各部位的区域。然后对于人脸的每一个部位，通过各种方法(例如图像处理的方法)提取该部位的特征图。最后由人脸各部位的特征图而得到人脸的特征图。这里的人脸部位例如可以为眼睛、鼻子和嘴巴。
在本实施例中，上述执行主体可以将目标对象的人脸特征图作为训练样本图像对中的一个训练样本图像。
步骤302，获取与目标对象具有预定血缘关系的至少两个关系对象的人脸图像。
上述训练图像中还可以包括与上述目标对象具有预定血缘关系的至少两个关系对象的人脸图像。这里的预定血缘关系例如可以为自然直系血缘关系、自然旁系血缘关系等。上述自然直系血缘关系包括父母/子女，祖父母/孙子女等，自然旁系血缘关系包括兄妹、姊妹等等。
当这里的预定血缘关系为父母/子女关系时，例如目标对象为子女，上述至少两个关系对象可以包括两个关系对象，也即父亲和母亲的人脸图像。
当预定血缘关系为直系血缘关系时，上述与目标对象具有预定关系的至少两个关系对象的人脸图像还可以包括目标对象的祖父母的人脸图像、外祖父母的人脸图像等。
上述关系对象的人脸图像中预先添加了关系对象的身份的标注信息，这里的关系对象的身份的标注信息例如可以为用于指示与目标对象所满足的预定血缘关系的信息。
步骤303，生成目标图像集，目标图像集包括由关系对象的人脸图像生成的特征图以及由关系对象的组合图像生成的特征图，其中，关系对象的组合图像为截取其中一个关系对象的人脸图像的预设特征区域，并用所截取的预设特征区域替换另一个关系对象的人脸图像相对应的特征区域所生成的图像。
上述执行主体在得到与目标对象具有预定血缘关系的至少两个关系对象的人脸图像后，可以基于上述至少两个关系对象的人脸图像生成目标图像集。
首先，上述执行主体可以通过各种分析方法(例如图像处理的方法)从上述至少两个关系对象的人脸图像中分别得到上述至少两个关系对象各自对应的人脸特征图。
然后，由至少两个关系对象中的人脸图像生成关系对象的组合图像。具体地，上述执行主体可以截取上述至少两个关系对象中任意一个关系对象的人脸图像的预设特征区域，并用所截取的预设特征区域替换另一个关系对象的人脸图像相对应的特征区域生成组合图像。这样一来可以得到多个组合图像。这里的预设特征区域例如可以为眼睛、鼻子和/或嘴巴。
也就是说，上述执行主体可以将至少两个关系对象中任意一个关系对象的人脸图像中的眼睛区域截取出来，替换另一个关系对象的人脸图像对应的眼睛区域，生成一个组合图像；或者，执行主体可以将至少两个关系对象中任意一个关系对象的人脸图像中的鼻子区域截取出来，替换另一个关系对象的人脸图像对应的鼻子区域，生成一个组合图像；或者，执行主体还可以将至少两个关系对象中任意一个关系对象的人脸图像中的嘴巴区域截取出来，替换另一个关系对象的人脸图像对应的嘴巴区域，生成一个组合图像，等等。当上述关系对象的数量为n时，当上述预设特征区域的数量为m时，可以得到nm-n个组合图像。其中n≥2，且n为正整数。m≥2，且m为正整数。
接着，对于每一个组合图像，上述执行主体可以通过各种分析方法得到该组合图像的特征图。例如可以通过图像处理的方法得到该组组合图像的特征图。
这样一来，由各组合图像各自对应的特征图以及上述至少两个关系对象各自对应的人脸特征图生成目标图像集。
步骤304，从目标图像集中任意选取一个特征图作为训练样本图像对中的另一个训练样本图像。
在本实施例中，上述执行主体可以从在步骤303中得到的目标图像集中任意选取一个特征图作为训练样本图像对中的另一个训练样本图像。也就是说，一个训练样本图像对中的一个训练样本图像可以是目标对象的人脸特征图，另一训练样本图像可以是上述至少两个关系对象中任意一个关系对象对应的人脸特征图，还可以是由至少两个关系对象各自的人脸图像生成的多个组合图像中任一组合图像的特征图。
通过步骤301～步骤304，上述执行主体可以得到多个训练样本图像对。每一对训练样本图像对可以包括目标对象对应的人脸特征图，和由目标图像集中选取的任意一个特征图。当上述目标对象为一个，上述至少两个关系对象的数量为n时，当上述预设特征区域为眼睛、鼻子、嘴巴三个区域时，可以得到n3个训练样本图像对。
这样一来，所得到的训练样本图像对的数量远远多于仅由目标图像的人脸图像中得到的人脸特征图和上述与目标对象具有预定血缘关系的至少两个关系对象中任意一个关系对象的人脸图像中得到的人脸特征图组合形成的训练样本图像对的数量。
返回继续参照图2，本实施例的人物图像聚类方法还包括：
步骤202，将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型，人脸识别模型用于识别输入到其中的人脸图像对所对应的对象之间是否满足预定血缘关系。
在本实施例中，在步骤201中得到训练样本集合之后，上述执行主体(例如图1所示的服务器)可以将上述训练样本集合输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型。
在本实施例中，上述人脸识别模型例如可以为人工神经网络模型、以及支持向量机等其他非神经网络模型等。
在本实施例的一些可选实现方式中，上述人脸识别模型可以为卷积神经网络模型。卷积神经网络(convolutionalneuralnetwork，cnn)是深度人工神经网络的一种，通常卷积神经网络可以包括多个特征提取层(又称卷积层)以及多个下采样层(又称池化层，pooling层)。其中，特征提取层与下采样层交替连接。每一个特征提取层可以包括至少一个卷积核。对于一个特征提取层，使用该层的一个卷积核与前一层的输出进行卷积得到一个特征图。下采样层，用来对与其连接的特征提取层的输出的卷积结果求局部平均和降维处理。其中，特征提取层中的卷积核中包括多个权值。卷积核中的权值可以由多个样本训练得到。卷积神经网络的每一个卷积核对图像提取特征图时都利用局部权值共享，可以降低神经网络模型的复杂度。
在本实施例的一些可选实现方式中，上述训练样本集合还包括以下至少一个训练样本图像对，该训练样本图像对包括目标对象对应的人脸特征图和与目标对象不满足预定血缘关系的人物对象的人脸特征图。
可以理解的是，在这些可选的实现方式中，包括目标对象对应的人脸特征图和与目标对象不满足预定血缘关系的人物对象的人脸特征图的训练样本图相对可以作为训练样本集中的负样本。
上述执行主体可以将包括由步骤301～304得到训练样本对和由目标对象对应的人脸特征图和与目标对象不满足预定血缘关系的人物对象的人脸特征图组成的训练样本图像对的训练样本集合中的各训练样本图像对输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型。使得训练后的人脸识别模型可以识别输入到其中的待检测图像对所对应的对象之间是否满足预定血缘关系。
具体地，若输入到人脸识别模型中的待检测图像对包括待检测目标对象的人脸特征图和与该待检测目标对象具有预定血缘关系的对象的人脸特征图，人脸识别模型输出值可以为大于预设阈值的数值。若输入到人脸识别模型中的待检测图像对包括待检测目标对象的人脸特征图和与该待检测目标对象不具有预定血缘关系的对象的人脸特征图，认识识别模型输出值可以为小于上述预设阈值的数值。这里的预设阈值可以根据具体的应用进行设定，作为示例，上述预设阈值可以为0.5。
在本实施例的一些可选实现方式中，上述执行主体还可以将通过图3所示的步骤301～304中得到训练样本对和由目标对象的人脸特征图和与目标对象不具有预定血缘关系的对象的人脸特征图组成的训练样本图像对所构成的训练样本集合对初始人脸识别模型进行训练。得到训练后的人脸识别模型，以使若输入到人脸识别模型中的待检测图像对包括待检测目标对象的人脸特征图和与该待检测目标对象满足预定血缘关系的对象人脸特征图，则训练后的人脸识别模型所输出的数值大于第一预设阈值。若待检测图像对中包括目标对象的人脸特征图和与该目标对象不满足预定血缘关系的对象的人脸特征图，则训练后的人脸识别模型所输出的数值小于第二预设阈值。这里的第二预设阈值小于第一预设阈值。
第一预设阈值和第二预设阈值的具体数值可以根据需要进行设定，此处不做限定。
需要说明的是，上述人工神经网络模型、卷积神经网络模型以及支持向量机等其他非神经网络模型是目前广泛研究和应用的公知技术，在此不再赘述。
请进一步参考图4，其示出了根据本申请的人脸识别模型的生成方法的一个应用场景的示意图。
在图4的应用场景中，服务器402从用户终端401获取训练人物图像403，其中训练人脸图像包括目标对象的人脸图像和与目标对象具有预定血缘关系的至少两个关系对象的人脸图像；之后，根据训练人物图像403，服务器402可以获取训练样本集合404；训练样本集合可以包括多个训练样本对，其中训练样本集合中的至少一个训练样本对是按照如下步骤获得的：首先获取目标对象的人脸特征图作为训练样本图像对中的一个训练样本图像，然后，基于至少两个关系对象的人脸图像生成组合图像，接着获取组合图像的特征图以及各关系对象的人脸特征图，将组合图像的特征图和关系图像的人脸特征图中的任一特征图作为另一个训练样本图像；然后服务器402将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练405，得到训练后的人脸识别模型406以使人脸识别模型可以识别输入到其中的人脸图像对所对应的对象之间是否满足预定血缘关系。
本申请的上述实施例提供的方法通过在由目标对象的人脸特征图和与该目标对象具有预定血缘关系的至少两个关系对象中任一关系对象的人脸特征图作为训练样本图像对的同时，还将与目标对象具有预定血缘关系的至少两个关系对象的人脸图像的任一组合图像的特征图和目标对象的人脸特征图作为训练样本图像对来对初始人脸模型进行训练，使得训练后的人脸识别模型可以识别输入到其中的人脸图像对所对应的对象之间是否满足预定血缘关系，从而实现了在不增加训练用目标对象的人脸图像和关系对象的人脸图像对人脸识别模型进行训练的同时，扩充了训练用的特征图，减少了获取训练用人脸图像的人力物力成本和时间成本。提高了训练人脸识别模型的效率。
进一步参考图5，其示出了人脸识别模型的生成方法的又一个实施例的流程500。该人脸识别模型的生成方法的流程500，包括以下步骤：
步骤501，获取目标对象的人脸图像、与目标对象具有预定血缘关系的至少两个关系对象的人脸图像以及由至少两个关系对象的人脸图像组合得到的组合图像。
在本实施例中，人脸识别模型的生成方法的执行主体(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从终端设备获取目标对象的人脸图像以及与目标对象具有预定血缘关系的至少两个关系对象的人脸图像。在上述目标对象的人脸图像中预先添加了目标对象的身份的标注信息。在与目标对象具有预定血缘关系的至少两个关系对象的人脸图像中预先添加了关系对象的身份的标注信息，这里的关系对象的身份的标注信息例如可以为指示与目标对象所满足的预定血缘关系的信息。
上述执行主体可以根据对与目标对象具有预定血缘关系的至少两个关系对象的人脸图像得到多个组合图像。上述得到多个组合图像的过程可以参考图3所示实施例中的步骤303的详细阐述，此处不赘述。
步骤502，将目标对象的人脸图像、关系对象的人脸图像、组合图像输入到预先训练的人脸特征识别模型，分别得到目标对象的人脸特征图、关系对象的人脸特征图以及组合图像的特征图。
上述执行主体可以将目标对象的人脸图像、与目标对象具有预定血缘关系至少两个关系对象的人脸图像以及组合图像分别输入到预先训练的人脸特征识别模型中，得到目标对象的人脸特征图、与目标对象具有预定血缘关系至少两个关系对象各自的人脸特征图以及组合图像的特征图。
上述预设人脸特征识别模型可以是神经网络模型(例如人工神经网络模型、卷积神经网络模型)以及非神经网络模型等。
步骤503，将目标对象的人脸特征图作为一个训练样本图像，从关系对象的人脸特征图以及组合图像的特征图中任意选取一个特征图作为另一个训练样本图像，得到训练样本集合中的至少一个训练样本图像对。
上述执行主体可以将由人脸特征识别模型得到的目标对象的人脸特征图作为训练样本图像对中的一个训练样本图像，而从由人脸特征识别模型得到的与目标对象具有预定血缘关系的至少两个关系对象各自的人脸特征图和任一组合图像的特征图中选取一个特征图作为另一个训练样本图像来生成训练样本集合中的训练样本对。这样一来，可以得到训练样本集合中的多个训练样本对。
在本实施例的一些可选实现方式中，上述执行主体在将目标对象的人脸图像、与目标对象具有预定血缘关系至少两个关系对象的人脸图像以及组合图像分别输入到预先训练的人脸特征识别模型之前，还可以将目标对象的人脸图像、与目标对象具有预定血缘关系的至少两个关系对象的人脸图像以及组合图像各自进行仿射变换分别得到变换后的目标对象的人脸图像、变换后的关系对象的人脸图像以及变换后的组合图像。上述仿射变换可以包括：对人脸图像进行缩放、平移、旋转等处理。
在这些可选的实现方式中，上述执行主体还可以将变换后的目标对象的人脸图像、变换后的关系对象的人脸图像以及变换后的组合图像输入到上述人脸特征识别模型得到变换后的目标对象的人脸特征图、变换后的关系对象的人脸特征图以及变换后的组合图像的特征图。
上述执行主体还可以将目标对象的人脸特征图或变换后的目标对象人脸特征图作为一个训练本图像，从变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图中任意选取一个特征图作为另一训练样本图像，得到训练样本集合中的至少一个训练样本图像对。
在这些可选的实现方式中，可以将目标对象的人脸特征图或变换后的目标对象的人脸特征图作为训练样本对中的一个训练样本，并且将变换后的关系对象的人脸特征图或变换后的组合图像的特征图中的任一特征图作为另一个训练样本图像生成训练样本集合中的至少一个训练样本图像对。可以将这些训练样本图像对在步骤504中用于对初始人脸识别模型进行训练，可以进一步扩充训练样本图像对的数量。
步骤504，将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型。
步骤504与图2所示实施例的步骤202相同，此处不赘述。
从图5中可以看出，与图2对应的实施例相比，本实施例中的人脸识别模型的生成方法的流程500突出了将目标对象的人脸图像、关系对象的人脸图像组合人脸图像，输入到预先训练的人脸特征识别模型，得到目标对象的人脸特征图、关系对象的人脸特征图以及组合人脸图像的特征图的步骤。由此，本实施例描述的方案可以加快获取训练数据的速度。此外，由于本实施例描述的方案还使用变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图作为训练样本图像对人脸识别模型进行训练，由于上述变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图可以在不同角度反映目标对象人脸图像的特征、关系对象人脸的特征以及组合图像的特征，因此使用变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图对初始人脸识别模型进行训练还可以提高训练后的人脸识别模型的鲁棒性。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种人脸识别模型的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6所示，本实施例的人脸识别模型的生成装置600包括：获取单元601、人脸识别模型生成单元602。其中，获取单元601，配置用于获取训练样本集合；人脸识别模型生成单元602，配置用于将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型，人脸识别模型用于识别输入到其中的人脸图像对所对应的对象之间是否满足预定血缘关系；其中，训练样本集合包括多个训练样本图像对，训练样本集合中的至少一个训练样本图像对基于如下步骤生成：获取目标对象的人脸特征图作为训练样本图像对中的一个训练样本图像；获取与目标对象具有预定血缘关系的至少两个关系对象的人脸图像；生成目标图像集，目标图像集包括由关系对象的人脸图像生成的特征图以及由关系对象的组合图像生成的特征图，其中，关系对象的组合图像为截取其中一个关系对象的人脸图像的预设特征区域，并用所截取的预设特征区域替换另一个关系对象的人脸图像相对应的特征区域所生成的图像；从目标图像集中任意选取一个特征图作为训练样本图像对中的另一个训练样本图像。
在本实施例中，人脸识别模型的生成装置600的获取单元601和人脸识别模型生成单元602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和步骤202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，训练样本集合还包括以下至少一个训练样本图像对，该训练样本图像对包括目标图像的人脸特征图以及与目标对象不具有预定血缘关系的人物对象的人脸特征图；以及人脸识别模型生成单元进一步配置用于：将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型，以使若输入到人脸识别模型中的待检测图像对包括待检测目标对象的人脸特征图和与该待检测目标对象具有预定血缘关系的人脸特征图，人脸识别模型所输出的数值大于第一预设阈值，若待检测图像对中包括目标对象的人脸特征图和与该目标对象不具有预定血缘关系的人脸特征图，人脸识别模型所输出的数值小于第二预设阈值；其中，第二预设阈值小于第一预设阈值。
在本实施例的一些可选实现方式中，获取单元进一步配置用于：获取目标对象的人脸图像、与目标对象具有预定血缘关系的至少两个关系对象各自的人脸图像以及由至少两个关系对象的人脸图像得到的组合图像；将目标对象的人脸图像、关系对象的人脸图像、组合图像输入到预先训练的人脸特征识别模型，分别得到目标对象的人脸特征图、关系对象的人脸特征图以及组合图像的特征图；将目标对象的人脸特征图作为一个训练本图像，从关系对象的人脸特征图和组合图像的特征图中任意选取一个特征图作为另一训练样本图像，得到训练样本集合中的至少一个训练样本图像对。
在本实施例的一些可选实现方式中，获取单元进一步配置用于：在将目标对象的人脸图像、关系对象的人脸图像、组合图像输入到预先训练的人脸特征识别模型，分别得到目标对象的人脸特征图、关系对象的人脸特征图以及组合图像的特征图之前，将目标对象的人脸图像和关系对象的人脸图像、组合图像进行仿射变换，得到变换后的目标对象人脸图像、变换后的关系对象人脸图像、变换后的组合图像；以及将变换后的目标对象人脸图像、变换后的关系对象人脸图像、变换后的组合图像分别输入到预先训练的人脸特征识别模型，得到变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图；以及将目标对象的人脸特征图或变换后的目标对象人脸特征图作为一个训练本图像，从变换后的目标对象人脸特征图、变换后的关系对象人脸特征图和变换后的组合图像特征图中任意选取一个特征图作为另一训练样本图像，得到训练样本集合中的至少一个训练样本图像对。
在本实施例的一些可选实现方式中，上述人脸识别模型为卷积神经网络模型。
下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7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7所示，计算机系统700包括中央处理单元(cpu，centralprocessingunit)701，其可以根据存储在只读存储器(rom，readonlymemory)702中的程序或者从存储部分708加载到随机访问存储器(ram，randomaccessmemory)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o，input/output)接口705也连接至总线704。
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，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710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708。
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709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701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，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和人脸识别模型生成单元。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“获取训练样本集合的单元”。
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：获取训练样本集合；将所述训练样本集合中的各训练样本输入到初始人脸识别模型中对所述初始人脸识别模型进行训练，得到训练后的人脸识别模型，所述人脸识别模型用于识别输入到其中的人脸图像对所对应的对象之间是否满足预定血缘关系；其中，所述训练样本集合包括多个训练样本图像对，所述训练样本集合中的至少一个训练样本图像对基于如下步骤生成：获取目标对象的人脸特征图作为训练样本图像对中的一个训练样本图像；获取与所述目标对象具有所述预定血缘关系的至少两个关系对象的人脸图像；生成目标图像集，所述目标图像集包括由所述关系对象的人脸图像生成的特征图以及由所述关系对象的组合图像生成的特征图，其中，所述关系对象的组合图像为截取其中一个关系对象的人脸图像的预设特征区域，并用所截取的预设特征区域替换另一个关系对象的人脸图像相对应的特征区域所生成的图像；从所述目标图像集中任意选取一个特征图作为训练样本图像对中的另一个训练样本图像。
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。