用于生成信息的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术：

在图像处理领域，用于识别人的图像识别技术通常都是基于人脸的图像识别，根据人脸的特征来获取图像中显示的人的相关信息。

但在一些情况下，图像中显示的人的脸部被遮挡或比较模糊，特别地，有的图像中只显示有人体，而没有出现对应的脸部。对于这一类图像的识别和处理也是图像处理领域有待研究的问题之一。

技术实现要素：

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：获取待处理图像；确定待处理图像包含的人图像，得到人图像集合；针对人图像集合中的人图像，响应于确定该人图像不包含人脸图像，提取该人图像包含的人体图像；根据提取的人体图像，确定该人图像显示的人的属性信息。

在一些实施例中，上述方法还包括：针对人图像集合中的人图像，响应于确定该人图像包含人脸图像和人体图像，且响应于确定该人图像包含的人脸图像不符合预设条件，提取该人图像包含的人体图像；根据提取的人体图像，确定该人图像显示的人的属性信息。

在一些实施例中，上述方法还包括：针对人图像集合中的人图像，响应于确定该人图像包含人脸图像，且响应于确定该人图像包含的人脸图像符合预设条件，提取该人图像包含的人脸图像；根据提取的人脸图像，确定该人图像显示的人的属性信息。

在一些实施例中，属性信息包括以下至少一项：年龄信息、性别信息。

在一些实施例中，预设条件包括以下至少一项：人脸图像的分辨率大于预设的分辨率阈值、对人脸图像进行人脸姿态估计得到的角度小于预设的角度阈值、人脸图像包含的脸部图像区域的总面积大于人脸图像包含的非脸部图像区域的总面积。

在一些实施例中，上述根据提取的人体图像，确定该人图像显示的人的属性信息，包括：将提取的人体图像输入至预先训练的人体属性识别模型，得到提取的人体图像显示的人体的属性信息，其中，人体属性识别模型用于表征人体图像与人体图像显示的人体的属性信息的对应关系；将得到的人体的属性信息确定为该人图像显示的人的属性信息。

在一些实施例中，人体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，训练样本包括人体图像和人体图像显示的人体的属性信息；确定初始人体属性识别模型；利用机器学习的方法，将训练样本集中的训练样本中的人体图像作为初始人体属性识别模型的输入，将与输入的人体图像对应的属性信息作为初始人体属性识别模型的期望输出，训练得到上述人体属性识别模型。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：获取单元，被配置成获取待处理图像；人图像确定单元，被配置成确定待处理图像包含的人图像，得到人图像集合；属性信息确定单元，被配置成针对人图像集合中的人图像，响应于确定该人图像不包含人脸图像，提取该人图像包含的人体图像；根据提取的人体图像，确定该人图像显示的人的属性信息。

在一些实施例中，上述属性信息确定单元进一步被配置成：针对人图像集合中的人图像，响应于确定该人图像包含人脸图像和人体图像，且响应于确定该人图像包含的人脸图像不符合预设条件，提取该人图像包含的人体图像；根据提取的人体图像，确定该人图像显示的人的属性信息。

在一些实施例中，上述属性信息确定单元进一步被配置成：针对人图像集合中的人图像，响应于确定该人图像包含人脸图像，且响应于确定该人图像包含的人脸图像符合预设条件，提取该人图像包含的人脸图像；根据提取的人脸图像，确定该人图像显示的人的属性信息。

在一些实施例中，上述属性信息包括以下至少一项：年龄信息、性别信息。

在一些实施例中，上述预设条件包括以下至少一项：人脸图像的分辨率大于预设的分辨率阈值、对人脸图像进行人脸姿态估计得到的角度小于预设的角度阈值、人脸图像包含的脸部图像区域的总面积大于人脸图像包含的非脸部图像区域的总面积。

在一些实施例中，上述属性信息确定单元进一步被配置成：将提取的人体图像输入至预先训练的人体属性识别模型，得到提取的人体图像显示的人体的属性信息，其中，人体属性识别模型用于表征人体图像与人体图像显示的人体的属性信息的对应关系；将得到的人体的属性信息确定为该人图像显示的人的属性信息。

在一些实施例中，人体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，训练样本包括人体图像和人体图像显示的人体的属性信息；确定初始人体属性识别模型；利用机器学习的方法，将训练样本集中的训练样本中的人体图像作为初始人体属性识别模型的输入，将与输入的人体图像对应的属性信息作为初始人体属性识别模型的期望输出，训练得到上述人体属性识别模型。

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，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生成信息的方法和装置，通过获取待处理图像；确定待处理图像包含的人图像，得到人图像集合；针对人图像集合中的人图像，响应于确定该人图像不包含人脸图像，提取该人图像包含的人体图像；根据提取的人体图像，确定该人图像显示的人的属性信息，从而实现了在待处理图像包含的人图像不包含人脸图像时，可以根据人图像包含的人体图像确定人图像显示的人的属性信息，进而有助于提升对涉及人的图像处理的灵活性和鲁棒性。

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系统架构图；

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是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图4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，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上可以安装有各种客户端应用。例如，摄像类应用、图像处理类应用等。

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，可以是支持图像传输和图像存储的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、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，例如为终端设备101、102、103发送的待处理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待处理图像进行图像分析和识别等处理。进一步地，图像处理服务器还可以将处理结果反馈给终端设备101、102、103。

需要说明的是，上述待处理图像也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的待处理图像并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103中也可以安装有图像处理类应用，终端设备101、102、103也可以基于图像处理类应用对人脸图像进行处理，此时，用于处理图像的方法也可以由终端设备101、102、103执行，相应地，用于处理图像的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

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，获取待处理图像。

在本实施例中，用于生成信息的方法的执行主体(如图1所示的服务器105)可以先利用有线连接或无线连接的方式从本地或其它存储设备(如图1所示的终端设备101、102、103)获取待处理图像。

步骤202，确定待处理图像包含的人图像，得到人图像集合。

在本实施例中，可以利用图像处理领域的各种图像识别方法来确定待处理图像包含的人图像，以得到人图像集合。其中，人图像可以指显示有人的图像。具体地，人图像可以显示人的整体，也可以只显示人的部分。

具体地，可以利用现有的各种行人检测的方法(如基于全局特征的方法、基于人体部位的方法等)来确定待处理图像中包含的各个人图像。其中，行人检测已是目前广泛研究和应用的公知技术，在此不再赘述。

步骤203，针对人图像集合中的人图像，响应于确定该人图像不包含人脸图像，提取该人图像包含的人体图像，以及根据提取的人体图像，确定该人图像显示的人的属性信息。

在本实施例中，可以利用现有的各种人脸检测的方法逐一判断人图像集合中的各个人图像中是否包含人脸图像。其中，人按照部位可以划分为人脸和人体两部分。对应地，人图像按照部位也可以分拆分为人脸图像和人体图像。应当可以理解，人脸还可以进一步划分为眼、鼻、口等部分，人体也可以进一步划分为颈、躯干、四肢等，四肢还可以进一步划分为手、脚等。对应地，人图像也可以按照显示的人的部位拆分成多类图像。

在本实施例中，对于不包含人脸图像的人图像，可以提取该人图像包含的人体图像并基于人体图像来确定人图像显示的人的属性信息。其中，人的属性可以指人的任一方面的属性。属性信息可以是用来表示属性的各种形式的信息。例如，人的属性信息包括但不限于年龄信息、性别信息、种族信息、身高信息、衣服颜色信息、身体朝向信息等等。

具体地，对于不包含人脸图像的人图像，可以根据实际的应用需求从该人图像中提取人体图像。例如，可以直接将该人图像确定为人体图像。又例如，还可以根据需求，进一步从该人图像中检测并提取显示该人图像显示的人体的部分(如四肢部分)的图像区域作为人体图像。之后，可以对人体图像进行处理，以确定该人图像显示的人的属性信息。

可选地，可以利用开源的一些人体属性识别方法来对人体图像显示的人体进行识别，以得到对应的属性信息。应当可以理解，根据实际需求想要获取的属性信息的不同，对应的人体属性方法也可以不同。

可选地，可以将提取的人体图像输入至预先训练的人体属性识别模型，得到提取的人体图像显示的人体的属性信息，进而可以将得到的人体的属性信息确定为对应的人图像显示的人的属性信息。其中，人体属性识别模型可以用于表征人体图像与人体图像显示的人体的属性信息的对应关系。

具体地，可以通过多种方式预先训练得到人体属性识别模型。

可选地，可以通过如下的步骤训练得到人体属性识别模型：

步骤一，获取训练样本集。其中，训练样本可以包括人体图像和人体图像显示的人体的属性信息。实践中，可以由人工标注每个人体图像对应的属性信息。

步骤二，确定初始人体属性识别模型。其中，确定初始人体属性识别模型可以是各种类型的未经训练的或未训练完成的人工神经网络，例如深度学习模型。人体属性识别模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。例如，人体属性识别模型可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合得到的模型。

可选地，技术人员可以根据需求，确定网络参数(如需要包括哪些层、每层的层数、卷积核的大小等)，然后构建初始人体属性识别模型。

步骤三，利用机器学习的方法，将训练样本集中的训练样本中的人体图像作为初始人体属性识别模型的输入，将与输入的人体图像对应的属性信息作为初始人体属性识别模型的期望输出，训练得到人体属性识别模型。

具体地，可以基于预设的损失函数的，对初始人体属性识别模型进行训练，得到训练完成的人体属性识别模型。

其中，损失函数的值可以用来表示初始人体属性识别模型的实际输出与训练样本中的属性信息之间的差异程度。然后，可以基于损失函数的值，采用反向传播的方法调整初始人体属性识别模型的参数，并在满足预设的训练结束条件的情况下，结束训练。训练完成后，可以将训练完成的初始人体属性识别模型确定为上述人体属性识别模型。

预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值小于预设差异阈值等。

可选地，还可以通过如下的步骤训练得到人体属性识别模型：

步骤一，获取训练样本集。其中，训练样本包括人体图像和人体图像对应的属性信息。

步骤二，确定初始模型。其中，初始模型可以包括初始图像处理模型、初始躯干检测模型、初始四肢检测模型、初始属性信息输出层。

初始图像处理模型可以用于根据人体图像，得到人体图像对应的躯干图像和四肢图像。其中，躯干图像可以指只显示躯干的人体图像，四肢图像可以指只显示四肢的人体图像。

具体地，初始图像处理模型可以通过将人体图像中除了显示躯干的图像区域之外的其它图像区域中的像素点全部使用目标颜色(例如白色)覆盖，从而得到人体图像对应的躯干图像。使用类似的方法，也可以得到人体图像对应的四肢图像。

初始图像处理模型输出的躯干图像可以作为初始躯干检测模型的输入，躯干检测模型可以根据输入的躯干图像输出躯干检测结果信息。其中，躯干检测结果信息可以用于表示躯干图像显示的躯干对应的属性信息。

初始图像处理模型输出的四肢图像可以作为初始四肢检测模型的输入，四肢检测模型可以根据输入的四肢图像输出四肢检测结果信息。其中，四肢检测结果信息可以用于表示四肢图像显示的四肢对应的属性信息。

躯干检测模型的输出和四肢检测模型的输出可以作为初始属性信息输出层的输入，初始属性信息输出层可以根据输入的躯干检测结果信息和四肢检测结果信息输出人体图像对应的属性信息。

其中，初始图像处理模型、初始躯干检测模型、初始四肢检测模型、初始属性信息输出层可以基于现有的一些网络模型(如卷积神经网络等)，根据实际需求调整得到。

步骤三，利用机器学习的方法，将训练样本集中的训练样本中的人体图像作为初始图像处理模型的输入，将与输入的人体图像对应的属性信息作为期望输出，训练得到训练完成的初始模型，并将训练完成的初始模型确定为人体属性识别模型。

本申请的上述实施例提供的方法通过对待处理图像中的人图像进行分析，在人图像不包含人脸图像时，根据包含的人体图像进一步确定人图像显示的人的属性信息，从而提升对获取待处理图像显示的人的属性信息的方式的多样性和灵活性，避免在人图像不包含人脸图像时出现无法处理的情况。

进一步参考图3，其示出了用于生成信息的方法的又一个实施例的流程300。该用于生成信息的方法的流程300，包括以下步骤：

步骤301，获取待处理图像。

步骤302，确定待处理图像包含的人图像，得到人图像集合。

上述步骤301和302的具体的执行过程可参考图2对应实施例中的步骤201和202的相关说明，在此不再赘述。

步骤303，针对人图像集合中的人图像，确定该人图像是否包含人脸图像。若该人图像包含人脸图像，则执行下述步骤3031，若该人图像中不包含人脸图像，则执行下述步骤3032。

步骤3031，确定人脸图像是否符合预设条件。若人脸图像符合预设条件，则执行下述步骤30311，若人脸图像不符合预设条件，则执行下述步骤30312。

在本步骤中，预设条件可以是由技术人员预先根据应用需求所设置的。预设条件可以包括以下至少一项：人脸图像的分辨率大于预设的分辨率阈值、对人脸图像进行人脸姿态估计得到的角度小于预设的角度阈值、人脸图像包含的脸部图像区域的总面积大于人脸图像包含的非脸部图像区域的总面积。

具体地，在人脸图像的分辨率过小的时候，由于图像比较模糊，会较大的影响基于人脸的属性识别的结果的准确度。类似地，在对人脸图像进行人脸姿态估计得到的角度过大的时候，即表明人脸图像显示的人脸可能是具有偏转的面部(如部分侧脸)，此时，由于能够得到面部的特征较少，因此，基于人脸的属性识别的结果的准确度也会大大降低。类似地，在人脸图像包含的脸部图像区域的总面积小于人脸图像包含的非脸部图像区域的总面积时，即表明人脸图像显示的人脸大部分被遮挡(如口罩、眼镜、头发等)，此时，由于能够得到面部的特征也较少，因此，基于人脸的属性识别的结果的准确度也会大大降低。

步骤30311，提取该人图像包含的人脸图像，以及根据提取的人脸图像，确定该人图像显示的人的属性信息。

在本步骤中，可以利用现有的人脸属性识别算法对提取的人脸图像进行处理，以得到对应的人图像显示的人的属性信息。基于人脸的属性识别已是目前广泛研究和应用的公知技术，在此不再赘述。

步骤30312，响应于确定该人图像包含人体图像，提取该人图像包含的人体图像，以及根据提取的人体图像，确定该人图像显示的人的属性信息。

在本步骤中，关于根据提取的人体图像，确定该人图像显示的人的属性信息的具体的执行过程可参考图2对应实施例中的步骤203的相关说明，在此不再赘述。

步骤3032，提取该人图像包含的人体图像，以及根据提取的人体图像，确定该人图像显示的人的属性信息。

本步骤3032的具体的执行过程可参考图2对应实施例中的步骤203的相关说明，在此不再赘述。

继续参见图4，图4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4的应用场景中，上述执行主体可以首先获取待处理图像401。之后，可以对待处理图像401进行行人检测并提取待处理图像401显示的人，得到人图像集合402。具体地，人图像集合402包括三个人图像，分别为人图像4021，人图像4022，人图像4023。之后，可以对人图像集合402中的各个人图像依次进行处理。

对于人图像4021进行人脸检测，检测结果表明人图像4021显示有人脸且显示人脸的图像区域包含的脸部图像区域的总面积大于非脸部图像区域的总面积，因此，可以提取人图像4021显示的人脸的图像区域作为人图像4021对应的人脸图像403，对人图像4021对应的人脸图像403进行人脸属性识别，得到人图像4021显示的人的属性信息01(如图中标号404所示)。

对于人图像4022进行人脸检测，检测结果表明人图像4022显示有人脸且显示人脸的图像区域包含的脸部图像区域(如图中所示仅有耳朵)的总面积小于非脸部图像区域的总面积，因此，可以提取人图像4022对应的人体图像405，对人图像4022对应的人体图像405进行人体属性识别，得到人图像4022显示的人的属性信息02(如图中标号406所示)。

对于人图像4023进行人脸检测，检测结果表明人图像4023不包含人脸图像，因此，可以提取人图像4023对应的人体图像407，对人图像4023对应的人体图像407进行人体属性识别，得到人图像4023显示的人的属性信息03(如图中标号408所示)。

进一步地，可以汇总人图像集合402中的各个人图像的属性识别结果，从而得到属性信息集合412。具体地，属性信息集合412包括属性信息01、属性信息02、属性信息03。

之后，可以根据待处理图像401对应的属性信息集合412对待处理图像401进行属性判断。例如，在属性信息包括性别时，通过属性信息集合412可以判断待处理图像401中是否显示有女性。又例如，在属性信息包括年龄时，通过属性信息集合412可以判断待处理图像401中是否显示有儿童。

从图3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的方法的流程300先根据人图像是否包含人脸图像进行了不同处理，从而使得在没有人脸图像时，也能获取到人图像对应的属性信息。进一步地，对于包含人脸图像的情况，根据包含的人脸图像是否满足预设条件来进一步地细分，对不同的情况执行不同的处理，从而有效避免了基于人脸图像得到准确度较差的属性信息的情况。由此，本实施例描述的方案能够对各种类型的人图像进行有效处理，有助于保证得到的属性信息的准确度，进而增强对涉及人的图像处理的灵活性和鲁棒性。

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，本实施例提供的用于生成信息的装置500包括获取单元501、人图像确定单元502和属性信息确定单元503。其中，获取单元501被配置成获取待处理图像；人图像确定单元502被配置成确定待处理图像包含的人图像，得到人图像集合；属性信息确定单元503被配置成针对人图像集合中的人图像，响应于确定该人图像不包含人脸图像，提取该人图像包含的人体图像；根据提取的人体图像，确定该人图像显示的人的属性信息。

在本实施例中，用于生成信息的装置500中：获取单元501、人图像确定单元502和属性信息确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203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，上述属性信息确定单元503进一步被配置成：针对人图像集合中的人图像，响应于确定该人图像包含人脸图像和人体图像，且响应于确定该人图像包含的人脸图像不符合预设条件，提取该人图像包含的人体图像；根据提取的人体图像，确定该人图像显示的人的属性信息。

在本实施例的一些可选的实现方式中，上述属性信息确定单元503进一步被配置成：针对人图像集合中的人图像，响应于确定该人图像包含人脸图像，且响应于确定该人图像包含的人脸图像符合预设条件，提取该人图像包含的人脸图像；根据提取的人脸图像，确定该人图像显示的人的属性信息。

在本实施例的一些可选的实现方式中，上述属性信息包括以下至少一项：年龄信息、性别信息。

在本实施例的一些可选的实现方式中，上述预设条件包括以下至少一项：人脸图像的分辨率大于预设的分辨率阈值、对人脸图像进行人脸姿态估计得到的角度小于预设的角度阈值、人脸图像包含的脸部图像区域的总面积大于人脸图像包含的非脸部图像区域的总面积。

在本实施例的一些可选的实现方式中，上述属性信息确定单元503进一步被配置成：将提取的人体图像输入至预先训练的人体属性识别模型，得到提取的人体图像显示的人体的属性信息，其中，人体属性识别模型用于表征人体图像与人体图像显示的人体的属性信息的对应关系；将得到的人体的属性信息确定为该人图像显示的人的属性信息。

在本实施例的一些可选的实现方式中，人体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，训练样本包括人体图像和人体图像显示的人体的属性信息；确定初始人体属性识别模型；利用机器学习的方法，将训练样本集中的训练样本中的人体图像作为初始人体属性识别模型的输入，将与输入的人体图像对应的属性信息作为初始人体属性识别模型的期望输出，训练得到上述人体属性识别模型。

本申请的上述实施例提供的装置，通过获取单元获取待处理图像；人图像确定单元确定待处理图像包含的人图像，得到人图像集合；属性信息确定单元针对人图像集合中的人图像，响应于确定该人图像不包含人脸图像，提取该人图像包含的人体图像；根据提取的人体图像，确定该人图像显示的人的属性信息，从而实现了在待处理图像包含的人图像不包含人脸图像时，可以根据人图像包含的人体图像确定人图像显示的人的属性信息，进而有助于提升对涉及人的图像处理的灵活性和鲁棒性。

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的计算机系统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，计算机系统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ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603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。

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、人图像确定单元和属性信息确定单元。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“获取待处理图像的单元”。

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：获取待处理图像；确定待处理图像包含的人图像，得到人图像集合；针对人图像集合中的人图像，响应于确定该人图像不包含人脸图像，提取该人图像包含的人体图像；根据提取的人体图像，确定该人图像显示的人的属性信息。

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。