训练图像的生成方法及装置、电子设备和存储介质与流程

本公开涉及图像处理技术领域，尤其涉及一种训练图像的生成方法及装置、电子设备和存储介质。

背景技术：

现有的神经网络算法，在对于存在遮挡的图像进行识别时，识别的准确率较低，通过具有遮挡配对的图像数据训练神经网络模型，可以有效提升神经网络的识别性能，然而该类图像数据难以获取。

技术实现要素：

本公开提出了一种训练图像的生成技术方案。

根据本公开的一方面，提供了一种训练图像的生成方法，包括：

获取原始训练图像；

在添加对象集合中，随机选定添加对象子集合；

根据所述添加对象子集合，得到目标添加对象；

根据所述目标添加对象，对所述原始训练图像进行图像处理，得到所述训练图像。

在一种可能的实现方式中，所述在添加对象集合中，随机选定添加对象子集合，包括：

随机生成第一参考数据；

将所述第一参考数据与预设阈值进行比对；

在所述第一参考数据不大于所述预设阈值时，生成第二参考数据；

根据所述第二参考数据所在的第一数值区间，选定与所述第一数值区间对应的添加对象子集合。

在一种可能的实现方式中，所述在添加对象集合中，随机选定添加对象子集合，还包括：

在所述第一参考数据大于所述预设阈值时，将空集合作为所述添加对象子集合。

在一种可能的实现方式中，所述在添加对象集合中，随机选定添加对象子集合，包括：

随机生成第三参考数据；

根据所述第三参考数据所在的第二数值区间，选定与所述第二数值区间对应的添加对象子集合。

在一种可能的实现方式中，所述根据所述添加对象子集合，得到目标添加对象，包括：

在所述添加对象子集合为非空集合的情况下，从所述添加对象子集合中随机选择添加对象，作为所述目标添加对象；

在所述添加对象子集合为空集合的情况下，结束对所述原始训练图像进行图像处理，将所述原始训练图像作为所述训练图像。

在一种可能的实现方式中，所述根据所述目标添加对象，对所述原始训练图像进行图像处理，得到所述训练图像，包括：

对所述原始训练图像进行校正，得到校正训练图像；

根据所述目标添加对象，对所述校正训练图像进行图像处理，得到所述训练图像。

在一种可能的实现方式中，所述对所述原始训练图像进行校正，得到校正训练图像，包括：

获取标准图像；

对所述原始训练图像进行特征点提取，得到至少一个特征点，所述特征点包括左眼瞳孔特征点、右眼瞳孔特征点、鼻尖特征点、左嘴角特征点以及右嘴角特征点中的一个或两个以上；

根据所述特征点和所述标准图像，对所述原始训练图像进行仿射变换，得到校正训练图像。

在一种可能的实现方式中，所述根据所述目标添加对象，对所述校正训练图像进行图像处理，得到所述训练图像，包括：

根据所述目标添加对象所属的添加对象子集合，确定所述图像处理的处理方式；

根据所述目标添加对象，按照所述图像处理的处理方式对所述校正训练图像进行图像处理，得到所述训练图像。

在一种可能的实现方式中，所述图像处理的处理方式包括：

粘贴方式；和/或，

像素值更改方式。

在一种可能的实现方式中，在所述图像处理的处理方式包括粘贴方式的情况下，所述图像处理，包括：

将所述目标添加对象粘贴至所述校正训练图像的预设位置；或者，

在所述校正训练图像的预设位置范围随机选定位置作为目标位置，将所述目标添加对象粘贴至所述目标位置。

在一种可能的实现方式中，在所述图像处理的处理方式包括像素值改方式的情况下，所述图像处理，包括：

在所述校正训练图像的预设位置范围内随机选定范围作为目标范围，将所述目标范围的每个像素点的像素值更改为预设像素值。

在一种可能的实现方式中，所述添加对象子集合包括：

通过对象提取所获得的第一添加对象子集合；和/或，

通过模板生成所获得的第二添加对象子集合。

在一种可能的实现方式中，所述第一添加对象子集合包括：

帽子添加对象子集合；和/或，口罩添加对象子集合。

在一种可能的实现方式中，所述第二添加对象子集合包括：墨镜对象子集合。

在一种可能的实现方式中，所述方法还包括：

根据所述原始训练图像和所述训练图像，得到配对训练图像；

根据所述配对训练图像，训练预设的神经网络模型。

根据本公开的一方面，提供了一种训练图像的生成装置，包括：

原始训练图像获取模块，用于获取原始训练图像；

选定模块，用于在添加对象集合中，随机选定添加对象子集合；

目标添加对象获取模块，用于根据所述添加对象子集合，得到目标添加对象；

训练图像获取模块，用于根据所述目标添加对象，对所述原始训练图像进行图像处理，得到所述训练图像。

在一种可能的实现方式中，所述选定模块用于：

随机生成第一参考数据；

将所述第一参考数据与预设阈值进行比对；

在所述第一参考数据不大于所述预设阈值时，生成第二参考数据；

根据所述第二参考数据所在的第一数值区间，选定与所述第一数值区间对应的添加对象子集合。

在一种可能的实现方式中，所述选定模块还用于：

在所述第一参考数据大于所述预设阈值时，将空集合作为所述添加对象子集合。

在一种可能的实现方式中，所述选定模块用于：

随机生成第三参考数据；

根据所述第三参考数据所在的第二数值区间，选定与所述第二数值区间对应的添加对象子集合。

在一种可能的实现方式中，所述目标添加对象获取模块用于：

在所述添加对象子集合为非空集合的情况下，从所述添加对象子集合中随机选择添加对象，作为所述目标添加对象；

在所述添加对象子集合为空集合的情况下，结束对所述原始训练图像进行图像处理，将所述原始训练图像作为所述训练图像。

在一种可能的实现方式中，所述训练图像获取模块用于：

对所述原始训练图像进行校正，得到校正训练图像；

根据所述目标添加对象，对所述校正训练图像进行图像处理，得到所述训练图像。

在一种可能的实现方式中，所述训练图像获取模块进一步用于：

获取标准图像；

对所述原始训练图像进行特征点提取，得到至少一个特征点，所述特征点包括左眼瞳孔特征点、右眼瞳孔特征点、鼻尖特征点、左嘴角特征点以及右嘴角特征点中的一个或两个以上；

根据所述特征点和所述标准图像，对所述原始训练图像进行仿射变换，得到校正训练图像。

在一种可能的实现方式中，所述训练图像获取模块进一步用于：

根据所述目标添加对象所属的添加对象子集合，确定所述图像处理的处理方式；

根据所述目标添加对象，按照所述图像处理的处理方式对所述校正训练图像进行图像处理，得到所述训练图像。

在一种可能的实现方式中，所述图像处理的处理方式包括：

粘贴方式；和/或，

像素值更改方式。

在一种可能的实现方式中，在所述图像处理的处理方式包括粘贴方式的情况下，所述图像处理，包括：

将所述目标添加对象粘贴至所述校正训练图像的预设位置；或者，

在所述校正训练图像的预设位置范围随机选定位置作为目标位置，将所述目标添加对象粘贴至所述目标位置。

在一种可能的实现方式中，在所述图像处理的处理方式包括像素值改方式的情况下，所述图像处理，包括：

在所述校正训练图像的预设位置范围内随机选定范围作为目标范围，将所述目标范围的每个像素点的像素值更改为预设像素值。

在一种可能的实现方式中，所述添加对象子集合包括：

通过对象提取所获得的第一添加对象子集合；和/或，

通过模板生成所获得的第二添加对象子集合。

在一种可能的实现方式中，所述第一添加对象子集合包括：

帽子添加对象子集合；和/或，口罩添加对象子集合。

在一种可能的实现方式中，所述第二添加对象子集合包括：墨镜对象子集合。

所述装置还包括训练模块，所述训练模块用于：

根据所述原始训练图像和所述训练图像，得到配对训练图像；

根据所述配对训练图像，训练预设的神经网络模型。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述训练图像的生成方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述训练图像的生成方法。

在本公开实施例中，通过在添加对象集合中，随机选定添加对象子集合，根据添加对象子集合，得到目标添加对象，并根据目标添加对象对原始训练图像进行图像处理，得到训练图像。通过上述过程可以利用已有的原始训练图像，基于随机选定的目标添加对象，从而较为简单地获取到大量的添加有目标添加对象的训练图像，而且由于目标添加对象是基于随机选定的添加对象子集合所获取，因此随着添加对象子集合的种类与数目的不同，可以进一步提升训练图像的可靠性、真实性以及多样性。

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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开一实施例的训练图像的生成方法的流程图。

图2示出根据本公开一实施例的得到添加对象的具体过程示意图。

图3示出根据本公开一实施例的第一添加对象子集合的示意图。

图4示出根据本公开一应用示例的示意图。

图5示出根据本公开一应用示例的示意图。

图6示出根据本公开一应用示例的示意图。

图7示出根据本公开一应用示例的示意图。

图8示出根据本公开一实施例的训练图像的生成装置的框图。

图9示出根据本公开实施例的一种电子设备的框图。

图10示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开一实施例的训练图像的生成方法的流程图，该方法可以应用于图像处理装置，图像处理装置可以为终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。

在一些可能的实现方式中，该训练图像的生成方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

如图1所示，所述训练图像的生成方法可以包括：

步骤s11，获取原始训练图像。

步骤s12，在添加对象集合中，随机选定添加对象子集合。

步骤s13，根据添加对象子集合，得到目标添加对象。

步骤s14，根据目标添加对象，对原始训练图像进行图像处理，得到训练图像。

通过在添加对象集合中，随机选定添加对象子集合，根据添加对象子集合，得到目标添加对象，并根据目标添加对象对原始训练图像进行图像处理，得到训练图像。通过上述过程可以利用已有的原始训练图像，基于随机选定的目标添加对象，从而较为简单地获取到大量的添加有目标添加对象的训练图像，而且由于目标添加对象是基于随机选定的添加对象子集合所获取，因此随着添加对象子集合的种类与数目的不同，可以进一步提升训练图像的可靠性、真实性以及多样性。

上述公开实施例中，原始训练图像的具体实现方式不受限定。在一种可能的实现方式中，原始训练图像可以是人脸训练图像或是包含有人脸区域的训练图像，当原始训练图像为人脸训练图像时，本公开实施例中提出的方法可以应用于人脸识别的过程中。当然，本公开实施例中提出的方法也可以应用于其他的识别过程，如瞳孔识别、人体识别、植物识别或是动物识别等，随着应用类型的改变，对应的原始训练图像的内容也会相应发生改变，比如应用于瞳孔识别时，原始训练图像可以为眼部训练图像，应用于人体识别时为人体训练图像，应用于植物识别时为植物识别图像，应用于动物识别时为动物识别图像等。

由于原始训练图像的实现方式可能存在多种情况，因此，步骤s11中，获取原始训练图像的方式也可以随着原始训练图像的不同而相应的发生变化，在本公开实施例中不做限制。在一种可能的实现方式中，在原始训练图像为人脸训练图像时，获取原始训练图像的方式可以为直接从现有的各种人脸图像数据库中，读取训练图像，作为原始训练图像。同样地，当原始训练图像为其他类型的训练图像时，也可以从相应的训练图像数据库中来读取原始训练图像。

而随着原始训练图像的改变以及应用方式的不同，相应的，用于添加至原始训练图像的添加对象集合，其所包含的添加对象的类型，以及根据添加对象的类型所划分出的添加对象子集合的具体实现形式，也会相应发生变化。举例来说，当原始训练图像为人脸时，其添加对象集合所包含的添加对象可能是对人脸产生遮挡的物体，比如墨镜、帽子或是口罩等；当原始训练图像为瞳孔时，其添加对象集合所包含的添加对象则可能是会影响识别瞳孔的物体，比如眼镜、墨镜、美瞳或是眼泪等；当原始训练图像为人体时，对应的添加对象则可能为大衣、雨伞或是背包等；当原始训练图像为植物时，对应的添加对象则可能为露珠、建筑物以及鸟巢等；当原始训练图像为动物时，对应的添加对象可能为毛发等。而具体划分的添加对象子集合的实现方式，则可以根据这些添加对象的类型进一步灵活划分，在此不再赘述。

上述公开实施例中已经提出，在一种可能的实现方式中，本公开实施例中提出的方法可以应用于人脸识别的过程中。进一步地，在一种可能的实现方式中，本公开实施例中提出的方法可以应用于对于被遮挡的人脸的识别，因此，添加对象集合可以包括可以对人脸进行遮挡的各类添加物，比如墨镜、帽子、口罩、围巾或是面纱等等。在一种可能的实现方式中，可以将常见的墨镜、帽子以及口罩作为添加对象集合的实现方式，在下述各公开实施例中，均以获取具有墨镜、帽子和口罩等遮挡的训练图像为例详细阐述训练图像的生成方法，其他类型的遮挡物，或是将本方法应用于其他类型的训练图像的具体过程，可以参考下述各公开实施例，在此不做具体展开。

基于上述原因，在一种可能的实现方式中，添加对象子集合可以包括：

通过对象提取所获得的第一添加对象子集合；和/或，通过模板生成所获得的第二添加对象子集合。

上述公开实施例中已经提出，添加对象可以为墨镜、帽子或是口罩等，然而对于这些添加对象来说，有些添加对象的实现方式是多种多样的，比如帽子或口罩等，其在形状以及色彩等方面均可以存在着较多的变形方式，有些添加对象的实现方式则较为单一，比如墨镜等，虽然市面上的墨镜品牌或是种类也很多，但是由于墨镜本身的形状和颜色限制，其应用于图像识别时，相较于口罩或是帽子来说，识别的复杂程度以及区别程度大大降低，且透明墨镜更会进一步降低识别难度。因此，对于帽子或是口罩类的添加对象来说，其更加可能需要通过对象提取的方式，来获取不同种的帽子或是口罩作为添加对象，而对于墨镜类的添加对象来说，则可以直接通过生成一部分可以灵活变形的模板，来获取墨镜作为添加对象。在本公开实施例中，将通过对象提取所获得的添加对象作为第一添加对象，其集合作为第一添加对象子集合，通过模板生成所获得的添加对象作为第二添加对象，其集合作为第二添加对象子集合。

在本公开实施例中，提到的所有添加对象集合以及添加对象子集合，其集合中具体包含的添加对象数量均不作限制，根据实际情况灵活选择即可。上述公开实施例中提到，第一添加对象子集合通过对象提取所获得，对象提取可以包括从已有的图像中提取添加对象，而对象提取的具体实现方式，在本公开实施例中不做限制。在一种可能的实现方式中，可以通过特征提取或是其他的方式来获取第一添加对象子集合。在一种可能的实现方式中，也可以通过对包含有多个第一添加对象的图片进行抠图，来获取多个第一添加对象构成第一添加对象子集合，抠图的方式也不做限定，可以通过photoshop进行抠图，也可以通过其他专用的抠图工具进行抠图。在一种可能的实现方式中，当对一些存在遮挡的人脸图像进行抠图，来获取这些遮挡对象时，由于这些人脸图像由于人脸的位置、大小以及角度均存在各异性，可能与标准的人脸图像存在偏差，如果直接按照从标准人脸图像中抠取遮挡对象的方式进行抠图，其得到的结果可能不太准确。因此，为了解决这一问题，图2示出根据本公开一实施例的得到添加对象的具体过程示意图，从图中可以看出，在一个示例中，可以首先将这些存在遮挡的人脸与标准人脸图像跟进尺度、角度以及关键点等参数进行对齐，再根据对齐后的人脸图像，抠取得到对应位置的遮挡对象。对齐的方式可以参考后续公开的实施例，在此先不做展开。图3示出根据本公开一实施例的第一添加对象子集合的示意图，从图中可以看出，在本公开实施例中，通过抠图可以获得多个较为清晰的帽子以及口罩等第一添加对象。

同样地，第二添加对象子集合通过模板生成所获得，模板生成可包括基于模板，来生成添加对象，其模板生成的方式，在本公开实施例中也不做限制。在一种可能的实现方式中，可以根据第二添加对象的主要特征进行灵活变形，来获得第二添加对象。举例来说，对于墨镜这一添加对象来说，其在人脸上进行遮挡时，主要是将人脸的部分区域通过圆形的黑色镜片进行遮挡，因此，可以生成多个半径不同的填充为黑色的圆形，作为墨镜的模板，共同构成第二添加对象子集合。

添加对象子集合可以包含通过对象提取所获得的第一添加对象子集合，也可以包含通过模板生成所获得的第二添加对象子集合，这一实现方式可以大大提升添加对象集合获取的灵活程度，扩大添加对象集合中包含的添加对象的数量，从而提升整个训练图像的获取过程的便捷性和实用性。

进一步地，由于同一方式所获取的添加物件子集合，其中包含的添加对象可能存在不同的种类，而这些不同种类的添加对象与原始训练图像进行结合时，结合的方式以及位置均可能发生变化，此时可以对添加对象子集合根据添加对象的种类进一步划分。

因此，在一种可能的实现方式中，第一添加对象子集合可以包括：帽子添加对象子集合；和/或，口罩添加对象子集合。

在一种可能的实现方式中，第二添加对象子集合可以包括：墨镜对象子集合。

通过根据添加对象的具体种类，对添加对象子集合进行进一步的划分，可以便于后续根据目标添加对象的所属子集合种类，来确定基于目标添加对象来对原始训练图像进行图像处理的具体方式，从而提升得到的训练图像的可靠性和真实性。

通过上述各公开实施例可以看出，添加对象集合可以包括一个或多个添加对象子集合，具体包含的添加对象子集合的数量以及种类，可以根据原始训练图像的种类和应用方式来灵活确定，在本公开实施例中不做限制。因此，具体如何通过步骤s12，来在添加对象集合中随机选定添加对象子集合，其实现方式也可以根据实际情况灵活确定。

在一种可能的实现方式中，步骤s12可以包括：

步骤s1211，随机生成第一参考数据。

步骤s1212，将第一参考数据与预设阈值进行比对。

步骤s1213，在第一参考数据不大于预设阈值时，生成第二参考数据。

步骤s1214，根据第二参考数据所在的第一数值区间，选定与第一数值区间对应的添加对象子集合。

上述公开实施例中，通过随机生成第一参考数据，并将第一参考数据与预设阈值进行比对，在第一参考数据不大于预设阈值时生成第二参考数据，从而根据第二参考数据所在的第一数值区间确定对应的添加对象子集合，通过这一过程，可以灵活的利用预设阈值的数值，来控制目标添加对象的比例，从而使得最终生成的训练数据所共同构成的训练数据集合，一部分与目标添加对象相关，另一部分与目标添加对象不相关，大大提升训练数据的真实性，也可以使得基于此训练数据训练生成的模型，具有更好的识别结果。

上述公开实施例中，随机生成第一参考数据，其具体的生成方式不受限制，在一种可能的实现方式中，可以为通过随机程序生成一个随机数。为了便于后续通过预设阈值的数值来控制目标添加对象的比例，因此在一种可能的实现方式中，生成的随机数，可以是在一定数值范围内的随机数，在一个示例中，可以生成某一随机数p，p的取值范围为0≤p≤1。

在生成了第一参考数据后，可以通过将第一参考数据与预设阈值进行比对，来确定是否生成第二参考数据。上述公开实施例中已经提出，预设阈值设定的具体值可以用来控制目标添加对象的比例，举例来说，以p的取值范围为[0,1]为例，假设预设阈值为0.2，则当p≤0.2时，生成第二参考数据，从而根据第二参考数据选定添加对象子集合，这样当原始训练图像集合中包含的图像足够多时，这些集合中大约有0.2即20％的原始训练图像在进行处理时，可以根据添加对象子集合选定目标对象，即生成的训练图像中，与目标添加对象相关的图像比例大约在20％。因此，通过更改预设阈值的具体值，可以有效控制最终由训练图像构成的训练图像集合中与目标添加对象相关的比例，这一预设阈值的具体值可以自行选定，不局限于下述公开实施例。在一个示例中，根据经验可知对训练数据中15％的人脸添加遮挡，85％的人脸保持不变，可以有效提升人脸识别性能，因此在本公开示例中预设阈值可以被设定为0.15。

在将第一参考数据与预设阈值比对后，可以在第一参考数据不大于预设阈值时，生成第二参考数据，第二参考数据的实现方式与生成过程可以参考第一参考数据，在此不再赘述，需要注意的是，第二参考数据的数值限定范围可以与第一参考数据相同，也可以不同，灵活选择即可，在一个示例中，可以将第二参考数据记为q，且q的取值范围满足0≤q≤1。

上述公开实施例中已经提出，添加对象子集合可以根据实际情况包含多个种类，比如在对被遮挡的人脸进行识别时，添加对象子集合可以包括帽子对象子集合、口罩对象子集合以及墨镜对象子集合等，因此，为了选定添加对象，可以先随机选定添加对象子集合，再进一步从添加对象子集合中选择出目标添加对象。为了使得最终的训练图像构成的集合中，不同种类的添加对象所占的比例差别不要过大，因此可以参考上述通过预设阈值来控制目标添加对象的选择比例的方式，将第二参考数据的数据范围平均划分为多个区间，第二参考数据落在哪一区间，就选定与这个区间对应的添加对象子集合，从而确定最终的目标对象。进一步地，也可以将数据范围划分为不同比例的区间，来更改不同种类添加对象所占的比例，具体选用哪种划分方式可以根据实际情况进行选择，不局限于下述公开实施例。

在一种可能的实现方式中，本公开实施例通过将上述提出的第二参考数据q划分为[0,1/3)、[1/3,2/3)以及[2/3,1]这三个区间，来实现与帽子、口罩以及墨镜这三类添加对象子集合的平均随机选定。具体在q落到哪个区间时选定哪一添加对象子集合，在本公开实施例中不做限制，可以根据实际情况灵活选择。在一个示例中，当生成的q满足0≤q＜1/3时，可以选定墨镜添加对象子集合，满足1/3≤q＜2/3时，可以选定帽子添加对象子集合，满足2/3≤q≤1时，可以选定口罩添加对象子集合。

通过上述过程，可以在第一参考数据不大于预设阈值时，选定添加对象子集合，然而当第一参考数据大于预设阈值时，可以考虑将一些无关数据添加到原始训练图像中得到与目标添加对象无关的训练图像；也可以考虑直接将原始训练图像作为最终的训练图像，因此，在一种可能的实现方式中，步骤s12还可以包括：

步骤s1215，在第一参考数据大于预设阈值时，将空集合作为添加对象子集合。

通过在第一参考数据大于预设阈值时，将空集合作为添加对象子集合，可以使得在第一参考数据大于预设阈值时，无法选择任何的添加对象加入至原始训练图像中，从而使得最终得到的训练图像与原始训练图像相同，这样，可以有效维持最终得到的训练图像集合中无添加对象的图像的比例，从而使得基于此训练图像集合得到的模型具有更高的识别精度。

上述各公开实施例提出了一种可以通过生成两次随机数，有效控制不添加目标添加对象的图像的比例，以及训练图像构成的集合中添加了不同种类目标添加对象的图像的比例，但是在实际应用过程中，也可以直接通过生成一次随机数，通过设置不同的数值区间，来同时控制这两种比例。因此，在一种可能的实现方式中，步骤s12可以包括：

步骤s1221，随机生成第三参考数据。

步骤s1222，根据第三参考数据所在的第二数值区间，选定与第二数值区间对应的添加对象子集合。

第三参考数据的生成过程与实现方式同样可以参考第一参考数据的实现方式，在此不再赘述。在本公开实施例中，第三参考数据的数值范围可以和第一参考数据和第二参考数据相同，也可以不同，灵活决定即可。在一个示例中，可以将第三参考数据记为r，且r的取值范围满足0≤r≤1。

通过上述内容可以看出，在本公开实施例中，可以通过调整r的数值区间比例，来确定是否选定添加对象子集合，以及选定哪一添加对象子集合。在一个示例中，可以设定当r满足0≤r＜0.05时，可以选定墨镜添加对象子集合，满足0.05≤r＜0.10时，可以选定帽子添加对象子集合，满足0.10≤r≤0.15时，可以选定口罩添加对象子集合，而当满足0.15＜r≤1时，则可以选定空集合作为添加对象子集合。

通过随机生成第三参考数据，并直接根据第三参考数据所在的第二数值区间来选定与第二数值区间对应的添加对象子集合，可以通过生成一次随机数，直接确定是否添加目标添加对象以及在添加时目标添加对象的具体类别，这样可以进一步提升目标添加对象的确定效率，从而提升整个训练图像的生成过程的效率。

在确定了添加对象子集合后，可以通过步骤s13来得到目标添加对象，在一种可能的实现方式中，步骤s13可以包括：

步骤s131，在添加对象子集合为非空集合的情况下，从添加对象子集合中随机选择添加对象，作为目标添加对象。

步骤s132，在添加对象子集合为空集合的情况下，结束对原始训练图像进行图像处理，将原始训练图像作为训练图像。

下面以人脸图像添加遮挡为例，对上述过程进行解释说明：从上述公开实施例中可以看出，添加对象子集合可以包括口罩对象子集合、帽子对象子集合、墨镜对象子集合以及空集合，基于上述过程中的方式，当选定的添加对象子集合为口罩、帽子或是墨镜这些非空集合时，可以从相应的添加对象子集合中，随机选择一个添加对象，作为目标添加对象，比如当选定的添加对象子集合为口罩添加对象子集合时，可以从该集合中随机选择一个口罩，作为目标添加对象；当选定的添加对象子集合为墨镜添加对象子集合时，由于上述公开实施例中提出过，墨镜添加对象可以通过模板进行生成，则此时可以随机选择一个墨镜模板，或是随机选择一个墨镜模板尺寸，来作为目标添加对象，当随机选择一个墨镜模板尺寸时，具体如何添加遮挡在此暂不做展开，详见后续公开实施例。而当选定的添加对象子集合为空集合时，则可以说明该集合中不存在任何对象可以被选择，那么此时可以表明没有向原始训练图像添加任何对象的意愿，因此可以跳过步骤s14中根据目标添加对象对原始训练图像进行处理的过程，而是直接将当前的原始训练图像，作为最终的训练图像。

通过在添加对象子集合非空时在子集合中随机选择添加对象，在添加对象子集合为空时直接将原始训练图像作为训练图像，通过这一过程，既可以使得得到的训练图像可以与任意的添加对象相关，具有较高的全面性和可靠性，也可以使得最终得到的训练图像集合保存有一定比例的原始训练图像，从而使得基于此训练图像集合训练的模型具有更高的识别效果和识别精度。

在得到了目标添加对象后，则可以通过步骤s14对原始训练图像进行图像处理，来得到训练图像。在一种可能的实现方式中，步骤s14可以包括：

步骤s141，对原始训练图像进行校正，得到校正训练图像。

步骤s142，根据目标添加对象，对校正训练图像进行图像处理，得到训练图像。

通过对原始训练图像进行校正，得到校正训练图像，再根据目标添加对象对校正图像进行图像处理，来得到训练图像，这一过程由于对原始训练图像进行了校正，从而可以使得在图像处理时，无需再由于图像本身的差异性而采用不同的处理方式，从而提升了整个处理过程的便捷性和效率，继而提升整个训练图像的生成过程的效率。

上述公开实施例中，对原始训练图像进行校正的方式不受限制，任何可以使得原始训练图像与图像处理的标准需求一致的校正方式，均可以作为步骤s141的实现形式。在一种可能的实现方式中，步骤s141可以包括：

步骤s1411，获取标准图像.

步骤s1412，对原始训练图像进行特征点提取，得到至少一个特征点。

步骤s1413，根据特征点和标准图像，对原始训练图像进行仿射变换，得到校正训练图像。

上述公开实施例中，标准图像的具体实现方式，可以根据原始训练图像的所属种类灵活确定，比如原始训练图像为人脸图像，则标准图像可以为人脸识别中的标准人脸图像，原始训练图像为瞳孔图像，则标准图像可以为瞳孔识别中的标准眼球图像等，在此不再一一举例说明。

获取了标准图像后，可以通过步骤s1412，得到至少一个特征点，特征点的数量，以及特征提取的具体方式，也需要根据原始训练图像的具体类别进行灵活选择，在此不做限制。仍以人脸识别为例，在一个示例中，步骤s1412的实现过程可以为对原始训练图像通过多任务卷积神经网络(mtcnn，multi-taskconvolutionalneuralnetworks)或是dlib等开源工具进行人脸关键点提取，提取出相应的特征点，在一种可能的实现方式中，特征点可以包括左眼瞳孔特征点(xle,yle)、右眼瞳孔特征点(xre,yre)、鼻尖特征点(xn,yn)、左嘴角特征点(xlm,ylm)以及右嘴角特征点(xrm,yrm)等，进一步地，还可以根据左嘴角特征点和右嘴角特征点，计算出嘴中心特征点的位置(xm,ym)，在一个示例中，可以满足xm＝(xlm+xrm)/2，ym＝(ylm+yrm)/2。

在得到了特征点后，可以通过步骤s1413，根据特征点和标准图像，对原始训练图像进行仿射变换，来得到校正训练图像。具体如何仿射变换，同样也可以根据原始训练图像的具体类别灵活选择，不局限于下述公开实施例。继续以上述提出的人脸识别为例，在一个示例中，步骤s1413的实现过程可以为：利用上述过程中得到的特征点位置坐标，具体利用哪些特征点可以根据实际情况选择，在本公开示例中，选择了左眼瞳孔特征点、右眼瞳孔特征点和嘴中心特征点的位置坐标，通过仿射变换，来将这些点的坐标校正至于标准人脸中对应点的坐标一致，并得到对应的变换关系，从而将原始训练图像校正至与标准人脸一致，仿射变换具体采用的函数在本公开示例中不做限制，举例来说可以采用opencv库的仿射变换函数warpaffine。步骤s1413也不局限于通过仿射变换进行实现，任何可以基于特征点确定原始训练图像与标准人脸之间的变换关系，从而将原始训练图像统一到标准人脸上的变换仿射，均可以作为步骤s1413的实现方式，在一种可能的实现方式中，还可以通过相似变换得到校正训练图像。这些过程也均可以作为上述公开实施例中提出的人脸对齐的实现方式。

得到的校正训练图像，其与标准图像之间的特征点坐标以及大小均可以保持一致，在一个示例中，当根据标准人脸进行校正后，得到的校正训练图像的各个参数可以满足：宽度w’＝178，高度h’＝218，左眼瞳孔特征点坐标为(xle’,yle’)＝(70.7,113.0)，右眼瞳孔特征点坐标为(xre’,yre’)＝(108.23,113.0)，嘴中心特征点坐标为(xm’,ym’)＝(89.43,153.51)。

通过对原始训练图像进行特征点提取，得到特征点，并根据特征点和标准图像，对原始训练图像进行仿射变换来得到校正训练图像，这一过程可以有效的将原始训练图像的尺寸与特征点位置均与标准图像实现统一，这样可以方便后续在进行图像处理时，对于任意的原始训练图像，均可以通过一样的方式添加目标添加对象，从而大大提升整个训练图像的生成过程的速度和效率。

在得到校正训练图像后，则可以通过步骤s142来得到训练图像。步骤s142的实现方式可以随着原始训练图像以及目标添加对象的种类不同而灵活变化，不局限于下述各公开实施例。在一种可能的实现方式中，步骤s142可以包括：

步骤s1421，根据目标添加对象所属的添加对象子集合，确定图像处理的处理方式。

步骤s1422，根据目标添加对象，按照图像处理的处理方式对校正训练图像进行图像处理，得到训练图像。

通过根据目标添加对象所属的添加对象子集合来确定处理方式，并根据对应的处理方式，结合目标添加对象对校正训练图像进行图像处理，得到训练图像，这一过程可以有效的根据目标添加对象的种类不同，而灵活选择将目标添加对象与校正训练图像进行结合的方式，从而使得不同种类的目标添加对象具有与之对应的图像处理结果，增加了得到的训练图像的真实性和可靠性。

上述公开实施例中，处理方式可以存在多种实现方式，而不同的目标添加对象也可以随着自身类别的不同，灵活选择相应的处理方式，具体哪种类别选择哪种处理方式，可以灵活选择设定，不局限于下述各公开实施例。

在一种可能的实现方式中，图像处理的处理方式可以包括：粘贴方式；和/或，像素值更改方式。

粘贴方式可以是将目标添加对象直接粘贴至校正训练图像中，具体如何粘贴以及粘贴位置可以根据实际情况灵活确定。而像素值更改方式则可以是根据目标添加对象的内容，对校正训练图像的部分位置的像素进行对应更改，具体更改哪些像素以及更改成何种像素值在本公开实施例中也不做限制，根据实际情况选择即可。在一种可能的实现方式中，对于如帽子或是口罩等通过对象提取获得的属于第一添加对象子集合的对象，由于其不具有统一的形状颜色标准，因此可以选择粘贴的方式实现对校正训练图像的处理，对于如墨镜等通过目标生成所获得的属于第二添加对象子集合的对象，由于其形状颜色较为统一，因此可以选择像素值更改的方式实现对校正训练图像的处理。但是，在一种可能的实现方式中，也可以是对第一添加对象子集合内的目标添加对象进行像素值更改的方式进行处理，对第二添加对象子集合内的目标添加对象进行粘贴的方式进行处理，或是当存在其他处理方式时采用其他的组合方式，根据需求选择即可。

通过设置如粘贴或是像素值更改等不同的处理方式，可以使得图像处理的过程更加灵活，也可以随着目标添加对象种类的灵活变化而选择对应的处理方式，从而大大提升了本公开实施例中提出的训练图像的生成方法的多样性。

在一种可能的实现方式中，在图像处理的处理方式包括粘贴方式的情况下，图像处理可以包括：

将目标添加对象粘贴至校正训练图像的预设位置；或者，在校正训练图像的预设位置范围随机选定位置作为目标位置，将目标添加对象粘贴至目标位置。

上述过程中，校正训练图像的预设位置，或是预设位置范围，其具体的坐标或是坐标范围在本公开实施例中均不作限制，可以根据目标添加对象和训练图像的类型等灵活确定。比如，对于帽子添加对象来说，其预设位置或是预设位置范围可以是人脸图像的头部或是头发顶端至眉毛上方等，对于口罩添加对象来说，其预设位置或是预设位置范围可以是人脸图像的嘴部或是鼻子下顶点至下巴顶点等，对于墨镜添加对象，其预设位置或是预设位置范围可以是眼部或是左眼左顶点至右眼右顶点等，根据实际情况灵活设定即可。

下面以帽子和口罩等属于第一添加对象子集合的对象，对上述过程进行详细解释：

对于帽子添加对象，在粘贴时可以将左眼瞳孔特征点和右眼瞳孔特征点的最高点作为预设位置，然后将帽子添加对象粘贴至此预设位置，或是以这一最高点作为预设位置范围的基准点，以此基准点向上的0～20个像素作为平移范围，得到预设位置范围，来模拟不同人戴帽子的高低程度，这样，在此预设位置范围随机选择一个位置作为目标位置，将帽子添加对象粘贴至此目标位置即可。粘贴时采用的粘贴方式可以灵活选择，在一个示例中，可以采用python的opencv库中的warpaffine函数或是pil库的paste函数等，在此不做限定。

对于口罩添加对象，粘贴时的过程与帽子添加对象比较类似，在本公开应用示例中，可以将嘴中心特征点的位置作为预设位置，将口罩添加对象粘贴至此处，或是以左嘴角特征点和右嘴角特征点构成的平移范围作为预设位置范围，来模拟口罩偏移情况，在此预设位置范围内随机选择一个目标位置，将口罩添加对象粘贴至此处即可。粘贴方式在此不再赘述。

通过将目标添加对象粘贴至校正训练图像的预设位置，或是粘贴至在预设位置范围内随机选定的目标位置，可以较为简单地得到与目标添加对象相关的训练图像，且由于位置可以发生一定的变化，因此得到的训练图像更加真实可靠。

在一种可能的实现方式中，在图像处理的处理方式包括像素值更改方式的情况下，图像处理可以包括：

在校正训练图像的预设位置范围内随机选定范围作为目标范围，将目标范围的每个像素点的像素值更改为预设像素值。

上述过程中，预设位置范围可以参考上述公开实施例，在此不再赘述。

下面以墨镜这一属于第二添加对象子集合的对象，对上述过程进行详细解释：

对于墨镜添加对象，由于其多为黑色，且最大的区别在于镜片大小不一，因此可以分别以左眼瞳孔特征点和右眼瞳孔特征点为圆心，并选取一定的半径值来绘制圆形，将圆形覆盖的范围作为预设位置范围，其中，半径值可以为某一固定值，也可以为在一定范围内的随机值，在本公开实施例中，可以将半径值设定为在15至45个像素内的随机值。这样，在像素值更改时，可以随机选择一半径值，根据此半径值确定圆形覆盖的目标范围，并将这一目标范围内所涉及到的区域的像素点的r、g以及b这三个通道的像素值均置为0，即将这一范围内的像素点均更改为黑色，从而模拟墨镜在人脸上的效果。

对于其他的目标添加对象，也可以根据其形状和颜色的不同，来对应设置预设范围和预设像素值的具体数值，这样，也可以模拟出其他目标添加对象在原始训练图像上的效果，从而得到对应的训练数据，在此不再一一详细展开。

需要注意的是，上述公开实施例中提出，对于墨镜这类第二添加对象来说，其也可以存在第二添加对象子集合，这些第二添加对象子集合中可以存储的是随机半径值，也可以是生成的不同的模板，当其存储的是随机半径值时，可以通过上述过程进行像素值更高来得到训练图像，当其存储的是不同模板时，也可以考虑通过粘贴的方式，直接将模板粘贴到校正训练图像中。

通过在校正训练图像的预设位置范围内随机选定范围作为目标范围，将目标范围的每个像素点的像素值更改为预设像素值，可以使得对于具有共性的目标添加对象，直接更改对应的像素值，减少了抠图再粘贴的繁琐过程，提升了整个训练图像的生成过程的便捷性。

在一种可能的实现方式中，本公开实施例中提出的方法还可以包括：

步骤s15，根据原始训练图像和训练图像，得到配对训练图像。

步骤s16，根据配对训练图像，训练预设的神经网络模型。

配对训练图像可以是图像对，包括原始训练图像，以及基于该原始训练图像进行上述图像处理后，得到的训练图像。

在得到了训练图像后，自然可以根据训练图像对预设的神经网络模型进行训练，从而使得这些训练好的神经网络可以应用于实际的图像识别等处理过程中。具体对哪些神经网络模型进行训练，可以根据原始训练图像和目标添加对象的类别灵活决定，在此不做限制。在一种可能的实现方式中，本公开实施例中得到的训练图像，可以应用于人脸识别中，人脸识别存在多种不同的神经网络模型，本公开实施例中得到的训练图像，不局限于应用于某个或某种神经网络模型，根据实际情况选择合适的进行应用即可。在一个示例中，对于识别有遮挡的人脸，如被口罩、墨镜或是帽子遮挡的人脸来说，可以将原始训练图像和训练图像进行配对，从而便于神经网络区分出有遮挡和没遮挡时图像的不同以及对应关系。

通过将原始训练图像和训练图像配对，基于配对结果训练预设的神经网络模型，可以使得本公开实施例中提出的训练图像的生成方法，有效的应用于有遮挡的人脸识别过程中，增强人脸识别模型对多种遮挡的鲁棒性，提高遮挡人脸识别精度和效率的技术效果。

应用场景示例

人脸识别技术现已广泛应用于安防、金融、信息、教育等诸多领域。人脸识别技术是基于人脸关键特征提取对比完成识别的，所以特征的完整性对识别的准确率影响很大。随着深度学习技术的发展，人脸识别在受控条件下的准确率已经达到理想的效果。但当人脸发生遮挡(如墨镜、帽子、口罩)时，人脸图像特征不再完整，算法性能会显著降低。为了提升遮挡人脸的识别率，在一种可能的实现方式中，可以考虑对遮挡人脸进行重构，从而增强未被遮挡区域，这一方法在一定程度也可以提升性能，然而计算量大，复杂度高，且效果差强人意；在一种可能的实现方式中，也可以增加相应的遮挡配对人脸数据来有效提升识别性能，然而这类数据难以获取。

因此，一个可以大量生成包含遮挡的训练图像的方法，可以有效提升包含遮挡物的人脸的识别准确程度。

图4～图7示出了根据本公开一应用示例的示意图，如图所示，本公开实施例提出了一种训练图像的生成方法，这一生成方法的具体过程可以为：

首先可以获取遮挡物目标，作为添加至人脸图像中的添加对象。在本公开应用示例中，获取遮挡物目标的方式可以为通过抠图进行获取，具体过程可以为：输入一张包含遮挡物的图像，在本公开应用示例中可以是包含遮挡物的人脸图像；由于人脸图像位置，大小，角度各异，为保证后续遮挡模板能较真实地添加至人脸，故可以先将其尺度，角度，关键点等对齐至标准人脸，因此可以使用人脸关键点检测方法获取关键部位的坐标，接着基于该坐标将该遮挡人脸与标准人脸进行对齐；对齐后，可以利用如photoshop等具有抠图功能的图像处理工具来获取口罩，帽子等多种遮挡物的模板，将其共同作为添加对象集合中的添加对象。

在本公开应用示例中，通过上述过程可以获取的添加对象集合中可以包含2000余张口罩模板，2000余张帽子模板。

在获取了由遮挡物构成的添加对象集合后，可以根据这些添加对象，生成包含遮挡的人脸训练图像，具体过程如图4所示，从图中可以看出，生成包含遮挡的人脸训练图像时，其完整过程可以为：输入一张人脸图像，使用上述过程中提到的人脸关键点检测方法获取关键点部位的坐标；然后基于关键点的坐标，将该人脸与标准脸进行对齐；接着，产生随机数p,若p小于等于0.15，对对齐后的人脸添加遮挡模板，反之保持不变，这样可以使得将对齐后的人脸按照15％的比例随机添加遮挡模板；当p小于等于0.15时，产生随机数q，当0≤q<1/3时，为对齐后图片添加墨镜模板，当1/3≤q<2/3时，添加帽子遮模板，当2/3≤q≤1时，添加口罩模板，这样可以对需要添加遮挡的人脸等比例随机添加墨镜、帽子和口罩类型的遮挡模板。

具体地，在本公开应用示例中，上述过程中提到的关键点检测过程可以为：

利用如mtcnn等开源方法或者dlib等开源工具来进行人脸关键点位置的定位，在本公开应用示例中，可以采用mtcnn得到左眼瞳孔(xle,yle)，右眼瞳孔(xre,yre)，鼻尖(xn,yn)，左嘴角(xlm,ylm)，右嘴角(xrm,yrm)，计算得到嘴中心(xm,ym)，即xm＝(xlm+xrm)/2，ym＝(ylm+yrm)/2。

进一步地，基于得到的关键点，进行人脸校正或是人脸对齐的具体过程可以为：

采用步骤1中得到的(xle,yle)，(xre,yre)，(xm,ym)三个点利用仿射变换的方法将该人脸校正到标准脸上，在本公开应用示例中，仿射变换可以采用opencv库的仿射变换函数warpaffine，在一种可能的实现方式中，仿射变换也可以替换成相似变换。校正后的人脸宽，高，左眼瞳孔，右眼瞳孔，嘴中心的坐标与标准脸一致，可以分别记为w’，h’，(xle’,yle’)，(xre’,yre’)以及(xm’,ym’)。在本公开应用示例中，变换后得到的上述参数的坐标值可以分别为：w’＝178，h’＝218，xle’＝70.7，yle’＝113.0，xre’＝108.23，yre’＝113.0，xm’＝89.43，ym’＝153.51。

更进一步地，基于随机数p和q来添加遮挡模板的过程具体过程可以为：

根据经验，对训练数据中15％的人脸添加遮挡，85％的人脸保持不变，可以使得人脸识别提升性能相对较大。因此，在本公开应用示例中，可以产生随机数p(0≤p≤1)，若p≤0.15，产生随机数q(0≤q≤1)：

若0≤q<1/3，可以对校正后的人脸图像添加墨镜遮挡。由于墨镜的模板比较单一，而且很多透明的墨镜实际上降低了墨镜遮挡识别的难度，所以本公开应用示例中，并未对墨镜通过抠图方式获取模板，而是采用人工模拟的基于像素的墨镜模板。鉴于墨镜多为黑色，最大的区别在于镜片大小不一，本公开应用示例分别以(xle’,yle’)，(xre’,yre’)为圆心，r为半径(r为15～45的随机值)，将该圆所涉及到的区域的像素点r，g，b三个通道的像素值置0，添加效果如图5所示。

若1/3≤q<2/3，可以对校正后的人脸图像添加帽子遮挡。添加帽子遮挡时，可以每次在所获得的帽子模板中随机选择一张，由于模板图像已经经过对齐，因此将帽子模板粘贴至校正后的人脸图像时对帽子模板随机上下平移，可以模拟不同人戴帽子的高低程度，平移范围可以为0～20个像素，粘贴过程可以参考函数pythonopencv的warpaffine函数和pil库的paste函数等，添加效果如图6所示。

若2/3≤q≤1，可以对校正后的人脸图像添加口罩遮挡。添加口罩遮挡的过程与帽子遮挡较为类似，可以每次在所获得的口罩模板中随机选择一张，将对齐后的口罩模板直接粘贴至校正后的人脸图像的相应位置即可，添加效果如图7所示。

需要说明的是，本公开实施例的图像处理方法不限于应用在上述生成包含遮挡物的人脸图像中，也不局限于用于人脸识别的技术领域，可以应用于任意训练图像的生成，本公开对此不作限定。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图8示出根据本公开实施例的训练图像的生成装置的框图。该训练图像的生成装置可以为终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。

在一些可能的实现方式中，该图像处理装置可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

如图8所示，所述训练图像的生成装置20可以包括：

原始训练图像获取模块21，用于获取原始训练图像。

选定模块22，用于在添加对象集合中，随机选定添加对象子集合。

目标添加对象获取模块23，用于根据添加对象子集合，得到目标添加对象。

训练图像获取模块24，用于根据目标添加对象，对原始训练图像进行图像处理，得到训练图像。

在一种可能的实现方式中，选定模块用于：随机生成第一参考数据；将第一参考数据与预设阈值进行比对；在第一参考数据不大于预设阈值时，生成第二参考数据；根据第二参考数据所在的第一数值区间，选定与第一数值区间对应的添加对象子集合。

在一种可能的实现方式中，选定模块还用于：在第一参考数据大于所述预设阈值时，将空集合作为添加对象子集合。

在一种可能的实现方式中，选定模块用于：随机生成第三参考数据；根据第三参考数据所在的第二数值区间，选定与第二数值区间对应的添加对象子集合。

在一种可能的实现方式中，目标添加对象获取模块用于：在添加对象子集合为非空集合的情况下，从添加对象子集合中随机选择添加对象，作为目标添加对象；在添加对象子集合为空集合的情况下，结束对原始训练图像进行图像处理，将原始训练图像作为训练图像。

在一种可能的实现方式中，训练图像获取模块用于：对原始训练图像进行校正，得到校正训练图像；根据目标添加对象，对校正训练图像进行图像处理，得到训练图像。

在一种可能的实现方式中，训练图像获取模块进一步用于：获取标准图像；对原始训练图像进行特征点提取，得到至少一个特征点，特征点包括左眼瞳孔特征点、右眼瞳孔特征点、鼻尖特征点、左嘴角特征点以及右嘴角特征点中的一个或两个以上；根据特征点和标准图像，对原始训练图像进行仿射变换，得到校正训练图像。

在一种可能的实现方式中，训练图像获取模块进一步用于：根据目标添加对象所属的添加对象子集合，确定图像处理的处理方式；根据目标添加对象，按照图像处理的处理方式对校正训练图像进行图像处理，得到训练图像。

在一种可能的实现方式中，图像处理的处理方式包括：粘贴方式；和/或，像素值更改方式。

在一种可能的实现方式中，在图像处理的处理方式包括粘贴方式的情况下，图像处理，包括：将目标添加对象粘贴至校正训练图像的预设位置；或者，在校正训练图像的预设位置范围随机选定位置作为目标位置，将目标添加对象粘贴至目标位置。

在一种可能的实现方式中，在图像处理的处理方式包括像素值改方式的情况下，图像处理，包括：在校正训练图像的预设位置范围内随机选定范围作为目标范围，将目标范围的每个像素点的像素值更改为预设像素值。

在一种可能的实现方式中，添加对象子集合包括：通过对象提取所获得的第一添加对象子集合；和/或，通过模板生成所获得的第二添加对象子集合。

在一种可能的实现方式中，第一添加对象子集合包括：帽子添加对象子集合；和/或，口罩添加对象子集合。

在一种可能的实现方式中，第二添加对象子集合包括：墨镜对象子集合。

在一种可能的实现方式中，装置还包括训练模块，训练模块用于：根据原始训练图像和训练图像，得到配对训练图像；根据配对训练图像，训练预设的神经网络模型。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图9是根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图9，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图10是根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图10，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。