图片生成方法和装置、存储介质及电子装置与流程

文档序号：17070091发布日期：2019-03-08 23:14阅读：170来源：国知局

本发明涉及计算机领域，具体而言，涉及一种图片生成方法和装置、存储介质及电子装置。

背景技术：

在很多用于编辑图片的终端应用中，常常会对图片中所包含的图像元素进行相应的调整，如调整不同图像元素的组合，以合成新的图片。为了简化合成步骤，通常是直接将不同的图像元素进行简单地组合拼接。例如，针对人像图片中的发型进行编辑，可以将不同类型的发型直接粘贴到同一个对象的脸部附近，从而为该对象生成具有不同发型的图片。

然而，上述相关技术所提供的图片生成方法中，往往是由用户根据自身的审美为图片中的对象人工选择所要替换的发型，而无法保证所生成的图片中的对象与替换后的发型相匹配，从而导致生成图片的准确性较低的问题。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种图片生成方法和装置、存储介质及电子装置，以至少解决相关技术中生成的图片准确性较低的技术问题。

根据本发明实施例的一个方面，提供了一种图片生成方法，包括：获取显示有目标对象的源人像图片；对上述源人像图片进行裁剪，得到与上述目标对象的面部对应的面部区域图片；将上述面部区域图片输入图片生成模型，其中，上述图片生成模型为通过对抗式神经网络模型利用多个样本图片进行机器训练后得到；利用上述图片生成模型的输出结果，生成目标人像图片，其中，上述目标人像图片中显示有与上述目标对象的面部相匹配的目标发型。

根据本发明实施例的另一方面，还提供了一种图片生成装置，包括：第一获取单元，用于获取显示有目标对象的源人像图片；裁剪单元，用于对上述源人像图片进行裁剪，得到与上述目标对象的面部对应的面部区域图片；输入单元，用于将上述面部区域图片输入图片生成模型，其中，上述图片生成模型为通过对抗式神经网络模型利用多个样本图片进行机器训练后得到；生成单元，用于利用上述图片生成模型的输出结果，生成目标人像图片，其中，上述目标人像图片中显示有与上述目标对象的面部相匹配的目标发型。

作为一种可选的示例，上述第一获取模块包括：确定子模块，用于根据上述目标对象的上述面部特征确定候选发型集合；第一获取子模块，用于从上述候选发型集合中，获取与上述目标对象的上述面部特征之间匹配度最高的发型作为上述目标发型。

作为一种可选的示例，上述生成模块包括：代替子模块，用于将上述目标发型代替上述源人像图片中上述目标对象的原发型，以生成上述目标人像图片。

作为一种可选的示例，上述第二获取单元包括：第二获取模块，用于从网络获取与有效字段匹配的有效样本图片集合，其中，上述有效字段包括用于指示热点对象的对象字段；第一确定模块，用于将上述有效样本图片集合中的有效样本图片，作为用于训练上述对抗式神经网络模型的上述多个样本图片。

作为一种可选的示例，上述训练单元包括：重复执行以下步骤，直至上述对抗式神经网络模型中的上述生成网络模型的输出结果收敛至预定阈值：第一训练模块，用于训练上述对抗式神经网络模型中的上述判断网络模型，直至得到收敛判断网络模型；第二训练模块，用于使用上述收敛判断网络模型训练上述生成网络模型，直至得到收敛生成网络模型；第三训练模块，用于在上述收敛生成网络模型的输出结果未收敛至上述预定阈值的情况下，使用上述收敛生成网络模型继续训练上述判断网络模型；第二确定模块，用于在上述收敛生成网络模型的输出结果收敛至上述预定阈值的情况下，将收敛至上述预定阈值的上述收敛生成网络模型作为上述图片生成模型。

作为一种可选的示例，上述第一训练模块包括：重复执行以下步骤，直至得到上述收敛判断网络模型：第二获取子模块，用于获取显示有第一样本对象的第一当前样本源人像图片；第一裁剪子模块，用于对上述第一当前样本源人像图片进行裁剪，得到与上述第一样本对象的面部对应的第一样本面部区域图片；第一输入子模块，用于将上述第一样本面部区域图片输入上述生成网络模型，生成上述第一样本对象的第一当前样本目标人像图片；第二输入子模块，用于将上述第一样本面部区域图片与上述第一当前样本源人像图片构成的第一样本对，及上述第一样本面部区域图片与上述第一当前样本目标人像图片构成的第二样本对，输入上述判断网络模型进行训练；第三获取子模块，用于在上述判断网络模型的输出结果未收敛的情况下，获取下一个显示有上述第一样本对象的样本源人像图片，作为上述第一当前样本源人像图片；第四获取子模块，用于在上述判断网络模型的输出结果收敛的情况下，得到上述收敛判断网络模型。

作为一种可选的示例，上述第二训练模块包括：重复执行以下步骤，直至得到上述收敛生成网络模型：第五获取子模块，用于获取显示有第二样本对象的第二当前样本源人像图片；第二裁剪子模块，用于对上述第二当前样本源人像图片进行裁剪，得到与上述第二样本对象的面部对应的第二样本面部区域图片；第三输入子模块，用于将上述第二样本面部区域图片输入上述生成网络模型，生成上述第二样本对象的第二当前样本目标人像图片；第四输入子模块，用于将上述第二样本面部区域图片与上述第二当前样本源人像图片构成的第三样本对，及上述第二样本面部区域图片与上述第二当前样本目标人像图片构成的第四样本对，输入上述收敛判断网络模型；第六获取子模块，用于在上述收敛判断网络模型的输出结果指示上述生成网络模型未收敛的情况下，获取下一个显示有上述第二样本对象的样本源人像图片，作为上述第二当前样本源人像图片；第七获取子模块，用于在上述收敛判断网络模型的输出结果指示上述生成网络模型收敛的情况下，得到上述收敛生成网络模型。

根据本发明实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述图片生成方法。

根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的图片生成方法。

在本发明实施例中，采用了获取显示有目标对象的源人像图片；对上述源人像图片进行裁剪，得到与上述目标对象的面部对应的面部区域图片；将上述面部区域图片输入图片生成模型，其中，上述图片生成模型为通过对抗式神经网络模型利用多个样本图片进行机器训练后得到；利用上述图片生成模型的输出结果，生成目标人像图片，其中，上述目标人像图片中显示有与上述目标对象的面部相匹配的目标发型的方法，在上述方法中，由于在获取到对源人像图片进行裁剪得到的面部区域图片后，是将上述图片输入到训练好的对抗式神经网络模型中，由对抗式神经网络模型生成目标人像图片，从而不需要由人来根据经验生成目标人像图片，提高了生成目标人像图片的生成效率与准确度。解决了相关技术中生成的图片准确性较低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的图片生成方法的应用环境的示意图；

图2是根据本发明实施例的一种可选的图片生成方法的流程示意图；

图3是根据本发明实施例的一种可选的图片生成方法的示意图；

图4是根据本发明实施例的又一种可选的图片生成方法的示意图；

图5是根据本发明实施例的又一种可选的图片生成方法的示意图；

图6是根据本发明实施例的又一种可选的图片生成方法的示意图；

图7是根据本发明实施例的又一种可选的图片生成方法的示意图；

图8是根据本发明实施例的一种可选的图片生成装置的结构示意图；

图9是根据本发明实施例的另一种可选的图片生成装置的结构示意图；

图10是根据本发明实施例的一种可选的电子装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例的一个方面，提供了一种图片生成方法，可选地，作为一种可选的实施方式，上述图片生成方法可以但不限于应用于如图1所示的环境中。

用户102可以与用户设备104之间进行人机交互。用户设备104包括有存储器106与处理器108。用户设备104获取显示有目标对象的源人像图片，并对源人像图片进行裁剪，得到与目标对象的面部对应的面部区域图片。用户设备104将获取到的面部区域图片通过步骤s102通过网络110发送给服务器112。服务器112中包含有索引数据库114,以及图片生成模型116，图片生成模型116中包含判断网络模型118与生成网络模型120。在图片生成模型116获取到上述面部区域图片后，生成目标人像图片，并通过步骤s104，通过网络110将目标人像图片发送给用户设备104。

需要说明的是，相关技术中往往是由用户根据自身的审美为图片中的对象人工选择所要替换的发型，而无法保证所生成的图片中的对象与替换后的发型相匹配。而本实施例中，由于在获取到对源人像图片进行裁剪得到的面部区域图片后，是将上述图片输入到训练好的对抗式神经网络模型中，由对抗式神经网络模型生成目标人像图片，从而不需要由人来根据经验生成目标人像图片，达到了提高生成目标人像图片的生成效率与准确度的效果。

可选地，上述图片生成方法可以但不限于应用于可以计算数据的终端上，例如手机、平板电脑、笔记本电脑、pc机等终端上，上述网络可以包括但不限于无线网络或有线网络。其中，该无线网络包括：wifi及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器可以包括但不限于任何可以进行计算的硬件设备。

可选地，作为一种可选的实施方式，如图2所示，上述图片生成方法包括：

s202，获取显示有目标对象的源人像图片；

s204，对源人像图片进行裁剪，得到与目标对象的面部对应的面部区域图片；

s206，将面部区域图片输入图片生成模型，其中，图片生成模型为通过对抗式神经网络模型利用多个样本图片进行机器训练后得到；

s208，利用图片生成模型的输出结果，生成目标人像图片，其中，目标人像图片中显示有与目标对象的面部相匹配的目标发型。

可选地，上述图片生成方法可以但不限于应用于婚纱照修图领域，或者应用于移动终端相机上，或者应用于证件照美化领域。

可选地，上述面部区域图片可以但不限于为将源人像图片中的目标对象的头发裁剪掉后的所剩余的面部的图片。

以下结合图3进行说明。如图3所示，302为一张可选的源人像图片，源人像图片中包含有目标对象304、目标对象306和目标对象308三个目标对象。提取出目标对象304的面部310、目标对象306的面部312、目标对象308的面部314。对每一个目标对象的面部进行裁剪，生成每一个目标对象的面部对应的面部区域图片。从而得到面部区域图片316、面部区域图片318和面部区域图片320。继续结合图4进行说明。在对目标对象的面部312进行裁剪，得到面部区域图片318之后，将面部区域图片318输入到图片生成模型中，得到更改了发型的面部402。

需要说明的是，本实施例中，由于在获取到对源人像图片进行裁剪得到的面部区域图片后，是将上述图片输入到训练好的对抗式神经网络模型中，由对抗式神经网络模型生成目标人像图片，从而不需要由人来根据经验生成目标人像图片，达到了提高生成目标人像图片的生成效率与准确度的效果。

可选地，上述对源人像图片进行裁剪，得到面部区域图片包括：

(1)在源人像图片中包含有一个目标对象的情况下，对源人像图片进行裁剪，得到面部区域图片。

(2)在人像图片中包含有多个目标对象的情况下，对源人像图片进行裁剪，得到每一个目标对象的面部对应的面部区域图片。

可选地，在张源人像图片中包含有多个目标对象的情况下，可以先将多个目标对象裁剪分割，得到多张人像图片，每一张人像图片中包含一个目标对象，再对每一张人像图片执行裁剪步骤，得到面部区域图片。

如图3所示，图3中的源人像图片中包含有3个目标对象。在对源人像图片进行裁剪时，先将源人像图片裁剪为3张人像图片，每一张人像图片中包含有一个目标对象，在对每一张人像图片进行裁剪，得到多张面部区域图片。

或者在人像图片中包含有多个目标对象的情况下，一次性对所有的目标对象进行裁剪，得到多张面部区域图片。

例如，在源人像图片中包含有3个目标对象的情况下，一次性对每一个目标对象的面部进行裁剪，得到3个面部区域图片，3个面部区域图片分别与3个目标对象的面部对应。

可选地，在获取到面部区域图片，将上述面部区域图片输入到图片生成模型中之后，有图片生成模型生成目标人像图片包括：通过图片生成模型中的编码模块，从面部区域图片中提取出与目标对象的面部相匹配的面部特征；通过图片生成模型中的解码模块，获取与目标对象的面部特征相匹配的目标发型；将目标发型代替源人像图片中目标对象的原发型，以生成目标人像图片。

可选地，上述编码模块可以但不限于通过识别面部区域图片中每一个像素的颜色，从而提取出目标对象的面部相匹配的面部特征。

可选地，上述解码模块可以但不限于生成多个发型，并从多个发型中选择其中一个，作为目标发型，替换目标对象的原发型，生成目标人像图片。

可选地，上述通过解码模块，获取与目标对象的面部特征相匹配的目标发型包括：根据目标对象的面部特征确定候选发型集合；从候选发型集合中，获取与目标对象的面部特征之间匹配度最高的发型作为目标发型。

可选地，图片生成模型在得到输出结果时，每一个输出结果携带一个概率，上述概率大于等于零，小于等于1。上述匹配度可以用分数表示，可以用小数表示。概率越大，则表示输出结果的显示效果越逼真。在图片生成模型得到输出结果时，可以将上述输出结果中的概率作为匹配度。可选地，在获取到上述候选发型集合后，可以但不限于对候选发型集合中的发型按照与目标对象的面部特征之间的匹配度进行排序。匹配度越高，发型编号越大。

可选地，在获取显示有目标对象的源人像图片之前，还包括：获取多个样本图片；利用多个样本图片训练对抗式神经网络模型，其中，对抗式神经网络模型包括：与图片生成模型相匹配的生成网络模型、用于对生成网络模型的生成结果进行判定的判断网络模型。

可选地，上述样本图片可以但不限于为通过直接下载公开的图片获取到，或者采用爬虫手段获取得到。

可选地，上述样本图片可以但不限于为在输入有效字段从而搜索到的有效样本图片集合中获取。可选地，上述有效字段可以但不限于为任何描述性词汇，例如，帅哥、美女、长发、短发、在接收到有效字段为短发后，搜索到有效样本图片集合，有效样本图片集合中包含有与短发对应的有效样本图片。将获取到的有效样本图片集合中的有效样本图片用作训练对抗式神经网络模型。从而得到图片生成模型。

可选地，对抗式神经网络模型中包括生成网络模型与判断网络模型。

可选地，对对抗式神经网络模型进行训练可以但不限于采用如下步骤：

s1，训练对抗式神经网络模型中的判断网络模型，直至得到收敛判断网络模型；

s2，使用收敛判断网络模型训练生成网络模型，直至得到收敛生成网络模型；

s3，在收敛生成网络模型的输出结果未收敛至预定阈值的情况下，使用收敛生成网络模型继续训练判断网络模型；

s4，在收敛生成网络模型的输出结果收敛至预定阈值的情况下，将收敛至预定阈值的收敛生成网络模型作为图片生成模型。

s5，重复s1-s4，直到对抗式神经网络模型中的收敛生成网络模型的输出结果收敛至预定阈值。

可选地，上述预定阈值可以但不限于为预先设定的值。预定阈值大于等于零小于等于1。例如预定阈值为0.5，上述输出结果收敛至预定阈值可以但不限于为输出结果大于等于0.5。在生成网络模型获取到输出结果后，使用收敛判断网络模型对获取到的输出结果进行判断，若判断出输出结果小于0.5，则继续对、收敛判断网络模型与收敛生成网络模型进行训练。若判断出上述输出结果大于等于0.5，则将收敛生成网络模型确定为图片生成模型，并使用图片生成模型对面部区域图片进行处理，得到目标人像图片。

可选地，可以但不限于通过以下步骤训练判断网络模型：重复执行以下步骤，直至得到收敛判断网络模型：获取显示有第一样本对象的第一当前样本源人像图片；对第一当前样本源人像图片进行裁剪，得到与第一样本对象的面部对应的第一样本面部区域图片；将第一样本面部区域图片输入生成网络模型，生成第一样本对象的第一当前样本目标人像图片；将第一样本面部区域图片与第一当前样本源人像图片构成的第一样本对，及第一样本面部区域图片与第一当前样本目标人像图片构成的第二样本对，输入判断网络模型进行训练；在判断网络模型的输出结果未收敛的情况下，获取下一个显示有第一样本对象的样本源人像图片，作为第一当前样本源人像图片；在判断网络模型的输出结果收敛的情况下，得到收敛判断网络模型。

可选地，当上述判断网络模型收敛时，使用上述收敛判断网络模型训练生成网络模型可以但不限于使用如下步骤：重复执行以下步骤，直至得到收敛生成网络模型：获取显示有第二样本对象的第二当前样本源人像图片；对第二当前样本源人像图片进行裁剪，得到与第二样本对象的面部对应的第二样本面部区域图片；将第二样本面部区域图片输入生成网络模型，生成第二样本对象的第二当前样本目标人像图片；将第二样本面部区域图片与第二当前样本源人像图片构成的第三样本对，及第二样本面部区域图片与第二当前样本目标人像图片构成的第四样本对，输入收敛判断网络模型；在收敛判断网络模型的输出结果指示生成网络模型未收敛的情况下，获取下一个显示有第二样本对象的样本源人像图片，作为第二当前样本源人像图片；在收敛判断网络模型的输出结果指示生成网络模型收敛的情况下，得到收敛生成网络模型。

通过本实施例，由于在获取到对源人像图片进行裁剪得到的面部区域图片后，是将上述图片输入到训练好的对抗式神经网络模型中，由对抗式神经网络模型生成目标人像图片，从而不需要由人来根据经验生成目标人像图片，达到了提高生成目标人像图片的生成效率与准确度的效果。

作为一种可选的实施方案，利用图片生成模型的输出结果，生成目标人像图片包括：

s1，通过图片生成模型中的编码模块，从面部区域图片中提取出与目标对象的面部相匹配的面部特征；

s2，通过图片生成模型中的解码模块，获取与目标对象的面部特征相匹配的目标发型；

s3，利用目标发型生成目标人像图片。

可选地，上述编码模块可以但不限于通过识别面部区域图片中每一个像素的颜色，从而提取出目标对象的面部相匹配的面部特征。

可选地，上述解码模块可以但不限于生成多个发型，并从多个发型中选择其中一个，作为目标发型，替换目标对象的原发型，生成目标人像图片。

例如，在识别面部区域图片中的每一个像素的颜色，从而提取出目标对象的面部特征，并在生成多个发型后，选取与面部特征匹配度最高的发型作为目标发型，根据面部特征与目标发型生成目标人像图片。

通过本实施例，通过图片生成模型中的编码模块提取面部特征，并通过图片生成模型中的解码模块获取目标发型，进一步根据目标发型生成目标人像图片，从而提高了获取的目标人像图片的准确性。

作为一种可选的实施方案，通过图片生成模型中的解码模块，获取与目标对象的面部特征相匹配的目标发型包括：

s1，根据目标对象的面部特征确定候选发型集合；

s2，从候选发型集合中，获取与目标对象的面部特征之间匹配度最高的发型作为目标发型。

例如，以候选发型集合中包含有5个发型为例，如图5所示，每一个发型与面部特征之间存在一个匹配度。按照匹配度对发型进行排序，匹配度最高的发型即确定为目标发型。从而可以确定出发型1为目标发型。将发型1替换目标对象的原发型，生成目标人像图片。

通过本实施例，通过按照匹配度获取匹配度最高的发型作为目标发型，从而提高了获取目标发型的准确度。

作为一种可选的实施方案，利用目标发型生成目标人像图片包括：

s1，将目标发型代替源人像图片中目标对象的原发型，以生成目标人像图片。

例如，在获取到目标发型后，裁剪掉目标对象的原发型，并使用目标发型替换掉原发型，得到目标人像图片，或者直接将目标发型覆盖到原发型之上，得到目标人像图片。

通过本实施例，通过将目标发型替换掉源人像图片中的目标对象的原发型，从而可以为目标对象选择合适的目标发型，提高了获取目标人像图片的准确度。

作为一种可选的实施方案，在获取显示有目标对象的源人像图片之前，还包括：

s1，获取多个样本图片；

s2，利用多个样本图片训练对抗式神经网络模型，其中，对抗式神经网络模型包括：与图片生成模型相匹配的生成网络模型、用于对生成网络模型的生成结果进行判定的判断网络模型。

可选地，上述样本图片可以但不限于为通过直接下载公开的图片获取到，或者采用爬虫手段获取得到。

例如，从网上已经公开的图片集中下载多个样本图片，并使用多个样本图片训练对抗式神经网络模型。

通过本实施例，通过获取到公开的图片训练对抗式神经网络模型，从而可以使用大量的数据训练对抗式神经网络模型，提高了对抗式神经网络模型的精准度。

作为一种可选的实施方案，获取多个样本图片包括：

s1，从网络获取与有效字段匹配的有效样本图片集合，其中，有效字段包括用于指示热点对象的对象字段；

s2，将有效样本图片集合中的有效样本图片，作为用于训练对抗式神经网络模型的多个样本图片。

可选地，上述有效字段可以但不限于为任何描述性词汇，例如，帅哥、美女、长发、短发、在接收到有效字段为短发后，搜索到有效样本图片集合，有效样本图片集合中包含有与短发对应的有效样本图片。将获取到的有效样本图片集合中的有效样本图片用作训练对抗式神经网络模型。从而得到图片生成模型。

通过本实施例，通过根据有效字段选择有效样本图片，从而可以有选择的对对抗式神经网络模型进行训练，从而提高了对神经是网络模型进行训练的训练效率。

作为一种可选的实施方案，利用多个样本图片训练对抗式神经网络模型包括：

重复执行以下步骤，直至对抗式神经网络模型中的生成网络模型的输出结果收敛至预定阈值：

s1，训练对抗式神经网络模型中的判断网络模型，直至得到收敛判断网络模型；

s2，使用收敛判断网络模型训练生成网络模型，直至得到收敛生成网络模型；

s3，在收敛生成网络模型的输出结果未收敛至预定阈值的情况下，使用收敛生成网络模型继续训练判断网络模型；

s4，在收敛生成网络模型的输出结果收敛至预定阈值的情况下，将收敛至预定阈值的收敛生成网络模型作为图片生成模型。

通过本实施例，通过上述步骤对判断网络模型以及生成网络模型进行训练，从而得到收敛判断网络模型与收敛生成网络模型，并将收敛生成网络模型作为图片生成模型，从而提高了获取目标人像图片的准确度。

作为一种可选的实施方案，训练对抗式神经网络模型中的判断网络模型包括：

重复执行以下步骤，直至得到收敛判断网络模型：

s1，获取显示有第一样本对象的第一当前样本源人像图片；

s2，对第一当前样本源人像图片进行裁剪，得到与第一样本对象的面部对应的第一样本面部区域图片；

s3，将第一样本面部区域图片输入生成网络模型，生成第一样本对象的第一当前样本目标人像图片；

s4，将第一样本面部区域图片与第一当前样本源人像图片构成的第一样本对，及第一样本面部区域图片与第一当前样本目标人像图片构成的第二样本对，输入判断网络模型进行训练；

s5，在判断网络模型的输出结果未收敛的情况下，获取下一个显示有第一样本对象的样本源人像图片，作为第一当前样本源人像图片；

s6，在判断网络模型的输出结果收敛的情况下，得到收敛判断网络模型。

例如，如图6所示，图6为对判断网络模型进行训练的过程。在获取到第一当前样本源人像图片后，对源人像图片中的目标对象的面部进行裁剪，得到面部区域图片，将面部区域图片输入到生成网络模型中，得到输出结果，将面部区域图片与上述输出结果作为负样本输入到识别器602中。识别器602对上述负样本进行识别，得到负样本的识别结果，将负样本的识别结果输入到比较器604中。比较器604对负样本的识别结果进行比较，得到负样本的比较结果，并将负样本的比较结果发送给优化器606，优化器根据负样本的比较结果决定是否对识别器602的参数进行调整。此外，对目标对象进行裁剪得到面部区域图片后，将目标对象与面部区域图片作为正样本输入到识别器608中。识别器608对正样本进行识别，得到正样本的识别结果，并将正样本的识别结果输入到比较器610中。比较器610对正样本的识别结果进行比较，得到正样本的比较结果，将正样本的比较结果发送给优化器606，优化器606根据正样本的比较结果决定是否对识别器608的参数进行调整。经过上述正样本与负样本的训练后，识别器602与识别器608的参数愈加成熟，从而可以形成收敛判断网络模型。在得到收敛判断网络模型之后，可以使用收敛判断网络模型对生成网络模型的输出结果进行判断。

通过本实施例，通过上述方法对判断网络模型进行训练，直到获取到收敛的判断网络模型，从而提高了获取的判断网络模型的准确度。

作为一种可选的实施方案，使用收敛判断网络模型训练生成网络模型包括：

重复执行以下步骤，直至得到收敛生成网络模型：

s1，获取显示有第二样本对象的第二当前样本源人像图片；

s2，对第二当前样本源人像图片进行裁剪，得到与第二样本对象的面部对应的第二样本面部区域图片；

s3，将第二样本面部区域图片输入生成网络模型，生成第二样本对象的第二当前样本目标人像图片；

s4，将第二样本面部区域图片与第二当前样本源人像图片构成的第三样本对，及第二样本面部区域图片与第二当前样本目标人像图片构成的第四样本对，输入收敛判断网络模型；

s5，在收敛判断网络模型的输出结果指示生成网络模型未收敛的情况下，获取下一个显示有第二样本对象的样本源人像图片，作为第二当前样本源人像图片；

s6，在收敛判断网络模型的输出结果指示生成网络模型收敛的情况下，得到收敛生成网络模型。

例如，如图7所示，在获取到源人像图片后，对源人像图片中的目标对象的面部进行裁剪，得到面部区域图片。将面部区域图片输入到生成网络模型702中，从而得到生成网络模型702的输出结果。将上述输出结果与面部区域图片输入到识别器704中，由识别器704进行识别。识别器704识别得到识别结果后，将识别结果发送给比较器708，得到一个比较结果。此外，将目标对象的面部和生成网络模型的输出结果输入到比较器706中，由比较器706输出另一个比较结果。将上述两个比较结果输入到优化器710中，优化器710根据两个比较结果决定是否对生成网络模型的参数进行调整。由于识别器704与比较器706、比较器708已经经过了训练，因此，若是生成网络模型702的输出结果不符合要求，则优化器710需要根据上述两个比较结果对生成网络模型702的参数进行调整。在对生成网络模型调整之后，使用调整后的生成网络模型根据面部区域图片得到输出结果，并将新的输出结果输入到识别器704、比较器706、比较器708中进行判断。而若是生成网络模型702的输出结果符合要求，则不需要对生成网络模型702的参数进行调整。此时，得到成熟的生成网络模型702。

通过本实施例，通过上述方法对生成网络模型进行训练，直到获取到收敛的生成网络模型，从而提高了获取生成网络模型的准确度。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

以下结合具体示例对上述图片生成方法进行说明。以源人像图片中包含有一个目标对象为例，在获取到上述源人像图片之后，对上述源人像图片进行裁剪，得到面部区域图片。例如如图4所示，将源人像图片中的目标对象的头发裁剪掉，得到仅保留面部特征的面部区域图片。在获取到上述面部区域图片后，将上述面部区域图片输入到成熟的对抗式神经网络模型中。对抗式神经网络模型中包含有图片生成模型和收敛判断网络模型。将面部区域图片输入到图片生成模型中得到输出结果。例如图4中的右侧的图片为输出结果。输出结果中将输入的仅保留面部特征的面部区域图片添加上了头发。经过上述过程，可以通过对抗式神经网络模型自动为源人像图片中的目标对象生成目标发型。而为了得到上述成熟的对抗式神经网络模型，需要提前对对抗式神经网络模型进行训练。具体为先训练对抗式神经网络模型中的判断网络模型。将包含有发型的源人像图片与裁剪后的面部区域图片作为正样本，将面部区域图片与还未训练过的生成网络模型所生成的输出结果作为负样本输入到判断网络模型中。从而对判断网络模型进行训练。在判断网络模型的识别准确率超过一个经验值之后，通过上述判断网络模型对生成网络模型的输出结果进行识别，直到判断网络模型无法准确判断出输入的结果为源人像图片。重复上述过程，直到得到成熟的对抗式神经网络模型。

根据本发明实施例的另一个方面，还提供了一种用于实施上述图片生成方法的图片生成装置。如图8所示，该装置包括：

(1)第一获取单元802，用于获取显示有目标对象的源人像图片；

(2)裁剪单元804，用于对源人像图片进行裁剪，得到与目标对象的面部对应的面部区域图片；

(3)输入单元806，用于将面部区域图片输入图片生成模型，其中，图片生成模型为通过对抗式神经网络模型利用多个样本图片进行机器训练后得到；

(4)生成单元808，用于利用图片生成模型的输出结果，生成目标人像图片，其中，目标人像图片中显示有与目标对象的面部相匹配的目标发型。

可选地，上述图片生成装置可以但不限于应用于婚纱照修图领域，或者应用于移动终端相机上，或者应用于证件照美化领域。

可选地，上述面部区域图片可以但不限于为将源人像图片中的目标对象的头发裁剪掉后的所剩余的面部的图片。

以下结合图3进行说明。如图3所示，302为一张可选的源人像图片，源人像图片中包含有目标对象304、目标对象306和目标对象308共三个目标对象。提取出目标对象304的面部310、目标对象306的面部312、目标对象308的面部314。对每一个目标对象的面部进行裁剪，生成每一个目标对象的面部对应的面部区域图片。从而得到面部区域图片316、面部区域图片318和面部区域图片320。继续结合图4进行说明。在对目标对象的面部312进行裁剪，得到面部区域图片318之后，将面部区域图片318输入到图片生成模型中，得到更改了发型的面部402。需要说明的是，本实施例中，由于在获取到对源人像图片进行裁剪得到的面部区域图片后，是将上述图片输入到训练好的对抗式神经网络模型中，由对抗式神经网络模型生成目标人像图片，从而不需要由人来根据经验生成目标人像图片，达到了提高生成目标人像图片的生成效率与准确度的效果。

可选地，上述对源人像图片进行裁剪，得到面部区域图片包括：

(1)在源人像图片中包含有一个目标对象的情况下，对源人像图片进行裁剪，得到面部区域图片。

(2)在人像图片中包含有多个目标对象的情况下，对源人像图片进行裁剪，得到每一个目标对象的面部对应的面部区域图片。

或者在人像图片中包含有多个目标对象的情况下，一次性对所有的目标对象进行裁剪，得到多张面部区域图片。

可选地，上述编码模块可以但不限于通过识别面部区域图片中每一个像素的颜色，从而提取出目标对象的面部相匹配的面部特征。

可选地，上述解码模块可以但不限于生成多个发型，并从多个发型中选择其中一个，作为目标发型，替换目标对象的原发型，生成目标人像图片。

可选地，图片生成模型在得到输出结果时，每一个输出结果携带一个概率，上述概率大于等于零，小于等于1。上述匹配度可以用分数表示，可以用小数表示。概率越大，则表示输出结果的显示效果越逼真。在图片生成模型得到输出结果时，可以将上述输出结果中的概率作为匹配度。

可选地，在获取到上述候选发型集合后，可以但不限于对候选发型集合中的发型按照与目标对象的面部特征之间的匹配度进行排序。匹配度越高，发型编号越大。

可选地，上述样本图片可以但不限于为通过直接下载公开的图片获取到，或者采用爬虫手段获取得到。

可选地，对抗式神经网络模型中包括生成网络模型与判断网络模型。

可选地，对对抗式神经网络模型进行训练可以但不限于采用如下步骤：

s1，训练对抗式神经网络模型中的判断网络模型，直至得到收敛判断网络模型；

s2，使用收敛判断网络模型训练生成网络模型，直至得到收敛生成网络模型；

s3，在收敛生成网络模型的输出结果未收敛至预定阈值的情况下，使用收敛生成网络模型继续训练判断网络模型；

s4，在收敛生成网络模型的输出结果收敛至预定阈值的情况下，将收敛至预定阈值的收敛生成网络模型作为图片生成模型。

s5，重复s1-s4，直到对抗式神经网络模型中的收敛生成网络模型的输出结果收敛至预定阈值。

作为一种可选的实施方案，如图9所示，上述生成单元808包括：

(1)提取模块902，用于通过图片生成模型中的编码模块，从面部区域图片中提取出与目标对象的面部相匹配的面部特征；

(2)第一获取模块904，用于通过图片生成模型中的解码模块，获取与目标对象的面部特征相匹配的目标发型；

(3)生成模块906，用于利用目标发型生成目标人像图片。

可选地，上述编码模块可以但不限于通过识别面部区域图片中每一个像素的颜色，从而提取出目标对象的面部相匹配的面部特征。

可选地，上述解码模块可以但不限于生成多个发型，并从多个发型中选择其中一个，作为目标发型，替换目标对象的原发型，生成目标人像图片。

作为一种可选的实施方案，上述第一获取模块904包括：

(1)确定子模块，用于根据目标对象的面部特征确定候选发型集合；

(2)第一获取子模块，用于从候选发型集合中，获取与目标对象的面部特征之间匹配度最高的发型作为目标发型。

通过本实施例，通过按照匹配度获取匹配度最高的发型作为目标发型，从而提高了获取目标发型的准确度。

作为一种可选的实施方案，上述生成模块906包括：

(1)代替子模块，用于将目标发型代替源人像图片中目标对象的原发型，以生成目标人像图片。

作为一种可选的实施方案，上述装置还包括：

(1)第二获取单元，用于在获取显示有目标对象的源人像图片之前，获取多个样本图片；

(2)训练单元，用于利用多个样本图片训练对抗式神经网络模型，其中，对抗式神经网络模型包括：与图片生成模型相匹配的生成网络模型、用于对生成网络模型的生成结果进行判定的判断网络模型。

可选地，上述样本图片可以但不限于为通过直接下载公开的图片获取到，或者采用爬虫手段获取得到。

例如，从网上已经公开的图片集中下载多个样本图片，并使用多个样本图片训练对抗式神经网络模型。

作为一种可选的实施方案，上述第二获取单元包括：

(1)第二获取模块，用于从网络获取与有效字段匹配的有效样本图片集合，其中，有效字段包括用于指示热点对象的对象字段；

(2)第一确定模块，用于将有效样本图片集合中的有效样本图片，作为用于训练对抗式神经网络模型的多个样本图片。

作为一种可选的实施方案，上述训练单元包括：

重复执行以下模块执行的步骤，直至对抗式神经网络模型中的生成网络模型的输出结果收敛至预定阈值：

(1)第一训练模块，用于训练对抗式神经网络模型中的判断网络模型，直至得到收敛判断网络模型；

(2)第二训练模块，用于使用收敛判断网络模型训练生成网络模型，直至得到收敛生成网络模型；

(3)第三训练模块，用于在收敛生成网络模型的输出结果未收敛至预定阈值的情况下，使用收敛生成网络模型继续训练判断网络模型；

(4)第二确定模块，用于在收敛生成网络模型的输出结果收敛至预定阈值的情况下，将收敛至预定阈值的收敛生成网络模型作为图片生成模型。

作为一种可选的实施方案，上述第一训练模块包括：

重复执行以下子模块执行的步骤，直至得到收敛判断网络模型：

(1)第二获取子模块，用于获取显示有第一样本对象的第一当前样本源人像图片；

(2)第一裁剪子模块，用于对第一当前样本源人像图片进行裁剪，得到与第一样本对象的面部对应的第一样本面部区域图片；

(3)第一输入子模块，用于将第一样本面部区域图片输入生成网络模型，生成第一样本对象的第一当前样本目标人像图片；

(4)第二输入子模块，用于将第一样本面部区域图片与第一当前样本源人像图片构成的第一样本对，及第一样本面部区域图片与第一当前样本目标人像图片构成的第二样本对，输入判断网络模型进行训练；

(5)第三获取子模块，用于在判断网络模型的输出结果未收敛的情况下，获取下一个显示有第一样本对象的样本源人像图片，作为第一当前样本源人像图片；

(6)第四获取子模块，用于在判断网络模型的输出结果收敛的情况下，得到收敛判断网络模型。

通过本实施例，通过上述方法对判断网络模型进行训练，直到获取到收敛的判断网络模型，从而提高了获取的判断网络模型的准确度。

作为一种可选的实施方案，上述第二训练模块包括：

重复执行以下子模块执行的步骤，直至得到收敛生成网络模型：

(1)第五获取子模块，用于获取显示有第二样本对象的第二当前样本源人像图片；

(2)第二裁剪子模块，用于对第二当前样本源人像图片进行裁剪，得到与第二样本对象的面部对应的第二样本面部区域图片；

(3)第三输入子模块，用于将第二样本面部区域图片输入生成网络模型，生成第二样本对象的第二当前样本目标人像图片；

(4)第四输入子模块，用于将第二样本面部区域图片与第二当前样本源人像图片构成的第三样本对，及第二样本面部区域图片与第二当前样本目标人像图片构成的第四样本对，输入收敛判断网络模型；

(5)第六获取子模块，用于在收敛判断网络模型的输出结果指示生成网络模型未收敛的情况下，获取下一个显示有第二样本对象的样本源人像图片，作为第二当前样本源人像图片；

(6)第七获取子模块，用于在收敛判断网络模型的输出结果指示生成网络模型收敛的情况下，得到收敛生成网络模型。

通过本实施例，通过上述方法对生成网络模型进行训练，直到获取到收敛的生成网络模型，从而提高了获取生成网络模型的准确度。

根据本发明实施例的又一个方面，还提供了一种用于实施上述图片生成方法的电子装置，如图10所示，该电子装置包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

s1，获取显示有目标对象的源人像图片；

s2，对源人像图片进行裁剪，得到与目标对象的面部对应的面部区域图片；

s3，将面部区域图片输入图片生成模型，其中，图片生成模型为通过对抗式神经网络模型利用多个样本图片进行机器训练后得到；

s4，利用图片生成模型的输出结果，生成目标人像图片，其中，目标人像图片中显示有与目标对象的面部相匹配的目标发型。

根据本发明实施例的又一个方面，还提供了一种用于实施上述信息自助处理方法的电子装置，如图10所示，该电子装置包括存储器1002和处理器1004，该存储器1002中存储有计算机程序，该处理器1004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

s1，提取指定区域中所放置的目标物品的物品特征，其中，目标物品并未配置图像识别标识；

s2，根据目标物品的物品特征，确定与目标物品相匹配的单位虚拟资源值；

s3，根据单位虚拟资源值及与指定区域中所放置的目标物品对应的计量信息，生成待处理的订单信息，其中，订单信息中携带有用于交换获取目标物品的总虚拟资源值；

s4，利用与放置目标物品的对象相匹配的生理特征信息，对订单信息进行信息自助处理。

可选地，本领域普通技术人员可以理解，图10所示的结构仅为示意，电子装置也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobileinternetdevices，mid)、pad等终端设备。图10其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图10所示不同的配置。

其中，存储器1002可用于存储软件程序以及模块，如本发明实施例中的图片生成方法和装置对应的程序指令/模块，处理器1004通过运行存储在存储器1002内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图片生成方法。存储器1002可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1002可进一步包括相对于处理器1004远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1002具体可以但不限于用于存储源人像图片、目标人像图片等信息。作为一种示例，如图10所示，上述存储器1002中可以但不限于包括上述图片生成装置中的第一获取单元802、裁剪单元804、输入单元806及生成单元808。此外，还可以包括但不限于上述图片生成装置中的其他模块单元，本示例中不再赘述。

可选地，上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1006包括一个网络适配器(networkinterfacecontroller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1006为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子装置还包括：显示器1008，用于显示目标人像图片；和连接总线1010，用于连接上述电子装置中的各个模块部件。

根据本发明的实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。