[0054]其中，所述输入分类号为所述第一分类标号或所述第二分类标号，所述输入人脸器官点位置坐标为所述第一人脸器官点位置坐标或所述第二人脸器官点位置坐标。
[0055]该方案可以包括以下有益效果:基于各样本图像训练结果，对脸部识别模型的各特征系数进行及时有效的调整，能够保证最终训练获得的脸部识别模型具有更佳的稳定性、可靠性，实现识别的快速收敛。
[0056]根据本公开实施例的第三方面，提供一种图像识别处理装置，包括:
[0057]存储器；
[0058]用于存储处理器可执行指令的存储器；
[0059]其中，所述处理器被配置为:
[0060]获取待识别图像；
[0061 ]对所述待识别图像进行脸部识别，获取所述待识别图像的脸部分类结果和脸部器官点位置坐标。
[0062]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0063]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0064]图1是根据一示例性实施例示出的一种图像识别处理方法实施例一的流程图；
[0065]图2为深度卷积神经网络Alex网络图；
[0066]图3是根据一示例性实施例示出的一种图像识别处理方法实施例二的流程图
[0067]图4是根据一示例性实施例示出的一种图像识别处理方法实施例三的流程图；
[0068]图5是根据一示例性实施例示出的一种图像识别处理方法实施例四的流程图；
[0069]图6是根据一示例性实施例示出的一种图像识别处理装置实施例一的框图；
[0070]图7是根据一示例性实施例示出的一种图像识别处理装置实施例二的框图；
[0071 ]图8是根据一示例性实施例示出的一种图像识别处理装置实施例三的框图；
[0072]图9是根据一示例性实施例示出的一种图像识别处理装置实施例四的框图；
[0073]图10是根据一示例性实施例示出的一种图像识别处理装置的框图；
[0074]图11是根据一示例性实施例示出的另一种图像识别处理装置的框图。
【具体实施方式】
[0075]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
[0076]图1是根据一示例性实施例示出的一种图像识别处理方法实施例一的流程图，如图1所示，本实施例涉及的图像识别处理方法可以用于终端设备或服务器中，该终端设备例如可以是手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理，简称:PDA)等。该图像识别处理方法包括以下步骤。
[0077]在步骤101中，获取待识别图像。
[0078]在步骤102中，对待识别图像进行脸部识别，同时获取待识别图像的脸部分类结果和脸部器官点位置坐标。
[0079]本实施例中，上述待识别图像中可能不含人脸，也可能是包含一张或多张人脸的图像。本实施例中，对待识别图像进行脸部识别，除了要识别该图像是否是人脸图像外，还要进一步获得脸部器官点位置坐标，以用于在识别出是人脸图像的情况下，基于获得的人脸器官点位置坐标进行比如人脸美妆处理等不同应用。
[0080]本实施例中，同时识别待识别图像的分类结果、器官点位置坐标，可以采用脸部识别模型实现，该脸部识别模型可以是基于对卷积神经网络进行训练而获得。
[0081]也就是说，本实施例中，可以采用脸部识别模型对待识别图像进行脸部识别，同时获取待识别图像的脸部分类结果和脸部器官点位置坐标。
[0082]为了获得上述两种识别结果，该脸部识别模型的输出层包括分类输出层和位置回归输出层。其中，位置回归输出层用于进行脸部器官点位置坐标的定位，分类输出层用于进行脸部分类结果的识别处理，该分类结果可以包括待识别图像为人脸图像或者非人脸图像两种结果。
[0083]本实施例中，米用卷积神经网络(Convolut1nal Neural Networks，简称CNN)构建脸部部识别模型，以采用该脸部识别模型进行待识别图像的识别处理。
[0084]卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积神经网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。
[0085]其中，Alex网络为卷积神经网络的一种，是目前比较通用的物体识别的深度卷积神经网络图。图2为深度卷积神经网络Alex网络图，如图2所示，卷积神经网络是一个多层的神经网络，包括多个卷积层、下采样层、全连接层和一个输出层，每层由多个二维平面组成，而每个平面由多个独立神经元组成。从一个平面到下一个平面的映射可以看作是作卷积运算。本实施例中，假设基于卷积神经网络获得的脸部识别模型具有N层结构，相邻两层隐层节点间的各个连接的权重系数即卷积核，亦即上述特征系数由训练样本集训练确定。
[0086]如图4所示的传统的卷积神经网络的输出层仅为一个，即提供了具有分类作用的分类输出层。本实施例中，在传统卷积神经网络的基础上，扩展输出层，具有两个不同功能的输出层，这两个不同的输出层共同基于相同的特征提取过程，即这两个输出层共享输出层之前的各特征系数。
[0087]这两个输出层分别是分类输出层和位置回归输出层，每个输出层相当于对应一个损失函数或者称监督函数。分类输出层，顾名思义，用于实现分类的功能，即确定待识别图像是否为人脸图像;位置回归输出层，用于进行脸部器官点位置定位，即在待识别图像为人脸图像时，可以获取其中人脸的器官点位置坐标。
[0088]因此，基于该脸部识别模型，将待识别图像输入到该脸部识别模型中后，在输出端，可以得到两个输出结果，一个为是否是人脸图像的判定结果，一个是脸部器官点位置坐标。这两个输出结果是同时输出的。
[0089]具体来说，如果待识别图像被确定不是人脸图像，则输出的脸部器官点位置坐标为0，即没有位置坐标或预设的其他表征没有器官点位置坐标的坐标值。如果待识别图像被确定是人脸图像，则输出识别到的人脸器官点位置坐标。
[0090]本实施例中，通过对基于深度学习的卷积神经网络进行具有两个输出层的训练，获得既能够识别是否是人脸图像，又能够获得脸部器官点位置坐标的脸部识别模型。从而，采用该脸部识别模型对待识别图像进行识别，在确定其为人脸图像的同时，还能够同时获得人脸器官点的位置坐标。基于该脸部识别模型，不但能够获得准确的识别结果，而且能够提尚识别处理效率。
[0091]图3是根据一示例性实施例示出的一种图像识别处理方法实施例二的流程图，如图3所示，该方法还可以包括如下步骤:
[0092]在步骤201中，获取待识别图像。
[0093]在步骤202中，对待识别图像进行归一化处理。
[0094]在步骤203中，对归一化处理后的待识别图像进行不大于预设层次的脸部轮廓检测处理，获取脸部轮廓候选区域图像。
[0095]在步骤204中，采用脸部识别模型对脸部轮廓候选区域图像进行识别，同时获取待识别图像的脸部分类结果和脸部器官点位置坐标。
[0096]在实际应用中，为了进一步保证识别处理的速度和识别结果的准确性，可以对待识别图像进行一定的预处理，该预处理包括进行图像的归一化处理。比如对尺寸、坐标中心化、x-shearing、缩放和旋转等进行归一化处理。
[0097]另外，预处理还可以包括对待识别图像，尤其是归一化处理后的待识别图像进行脸部轮廓检测处理，以检测出大致的脸部轮廓区域，即上述脸部轮廓候选区域图像。具体的，可以采用adaboost算法进行脸部轮廓检测。
[0098]传统的脸部轮廓检测方法中，也是采用adaboost算法进行脸部轮廓检测处理，但是为了控制错误率，一般会进行很多层的运算，最后输出准确的结果。譬如adaboost进行了12层运算，才收敛，这样速度明显不会太快，错误率也不能控制。
[0099]而本实施例中，虽然也是采用adaboost算法来进行脸部轮廓检测，但是只需要输出大概的脸部轮廓候选区域即可，不需要太精确的结果，哪怕错误率很高也可以。所以本实施例中adaboost算法仅进行不大于预设层次比如7层的运算即可，这样时间性能上面会大大提高。与传统方法不同的是，本实施例中脸部轮廓检测的错误率会很高，但是没有关系，因为本实施例的脸部轮廓检测主要得到脸部的候选区域，并不是真正进行脸部检测，即便存在较高的错误率，后续输入到基于深度学习的卷积神经网络而获得的脸部识别模型中便可实现精确的识别。
[0100]本实施例中，在进行对待识别图像的识别处理前，通过对待识别图像进行一定较少层次的脸部轮廓检测处理，能够获得脸部所在的大致区域，从而脸部识别模型仅需要对该大致区域进行识别处理，能够进一步提高脸部识别的处理效率。
[0101]图4是根据一示例性实施例示出的一种图像识别处理方法实施例三的流程图，如图4所示，本实施例中介绍脸部识别模型的训练过程。具体地，可以包括以下步骤:
[0102]在步骤301中，获取训练样本集，训练样本集中包括人脸样本图像和非人脸样本图像。
[0103]在步骤302中，分别对人脸样本图像和非人脸样本图像进行归一化处理。
[0104]在步骤303中，根据归一化后的人脸样本图像和非人脸样本图像对卷积神经网络中各层隐层节点之间的特征系数进行训练，得到脸部识别模型。
[0105]本实施例中，为了保证脸部识别模型的准确可靠，训练时，需要采集大量的人脸样本图像和非人脸样本图像，比如人脸样本图像和非人脸样本图像分别20万张。
[0106]为了保证训练结果的准确可靠，可以先对各样本图像进行归一化处理，比如进行尺寸、坐标中心化、x-shearin