模型优化方法、装置、计算机设备、存储介质和程序产品与流程

1.本技术涉及信息安全技术、人工智能领域，特别是涉及一种模型优化方法、装置、计算机设备、存储介质和程序产品。


背景技术：

2.人脸识别服务的改造涉及到的测试场景复杂，其典型的测试场景包括基于识别人脸状态的带妆识别、喜怒哀乐的表情识别、张嘴闭眼的五官识别；以及基于逆光、黑暗等不同光照条件和不同温度变化的外部环境；基于人群属性的黑黄棕白不同肤色，双胞胎和孕妇等；基于全球常态化疫情下的口罩佩戴识别等，导致人脸识别的难度较大。
3.现有的人脸识别技术主要通过活体检测、连续检测和3d检测的方法提高对目标对象的识别能力，或是通过加密签名认证等方式对生物特征数据进行安全性检查。但是现有的人脸识别方法缺乏对真实测试场景的设计和检测，导致在真实的使用环境下人脸识别正确率低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高人脸识别准确率的模型优化方法、装置、计算机设备、存储介质和程序产品。
5.第一方面，本技术提供了一种模型优化方法，所述方法包括：
6.根据获取的用户的三维用户画像得到多个角度的第一平面图像；
7.根据所述用户的目标图像的背景特征信息和各所述第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像；
8.将各所述第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各所述第一场景因子组合对应的第一人脸识别准确率；
9.根据各所述第一场景因子组合对应的第一人脸识别准确率，优化所述人脸识别模型。
10.在其中一个实施例中，所述根据所述用户的目标图像的背景特征信息和各所述第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像，包括：
11.对各所述第一平面图像的人脸特征信息进行变化处理得到多个第三平面图像；
12.对所述用户的目标图像的背景特征信息进行变化处理得到多个第四平面图像；
13.根据所述多个第三平面图像和所述多个第四平面图像，得到各所述第一场景因子组合所对应的第二平面图像。
14.在其中一个实施例中，所述根据各所述第一场景因子组合对应的第一人脸识别准确率，优化所述人脸识别模型，包括：
15.从各所述第一场景因子组合对应的第一人脸识别准确率中确定第二人脸识别准确率，其中，所述第二人脸识别准确率为小于预设准确率阈值的第一人脸识别准确率；
16.根据第二场景因子组合优化所述人脸识别模型，其中，所述第二场景因子组合为
所述第二人脸识别率所对应的第一场景因子组合。
17.在其中一个实施例中，所述根据第二场景因子组合优化所述人脸识别模型，包括：
18.向所述第二场景因子组合中添加新场景因子得到第三场景因子组合；
19.将所述第三场景因子组合对应的第二平面图像输入所述人脸识别模型，得到所述第三场景因子组合对应的第三人脸识别准确率；
20.根据所述第二人脸识别准确率和所述第三人脸识别准确率，优化所述人脸识别模型。
21.在其中一个实施例中，所述根据所述第二人脸识别准确率和所述第三人脸识别准确率，优化所述人脸识别模型，包括：
22.执行第一迭代过程，所述第一迭代过程包括：根据所述第二人脸识别准确率和所述第三人脸识别准确率，确定所述新场景因子对应的偏差率，并根据所述偏差率对所述第三人脸识别准确率进行修正得到比较人脸识别准确率，将所述第二人脸识别准确率和所述比较人脸识别准确率中的最大的人脸识别准确率作为所述第三场景因子组合的目标人脸识别准确率，向所述第三场景因子组合中添加新场景因子得到第四场景因子组合；
23.将所述第四场景因子组合对应的第二平面图像输入所述人脸识别模型，得到所述第四场景因子组合对应的第四人脸识别准确率，并将所述目标人脸识别准确率替代所述第二人脸识别准确率，将所述第四人脸识别准确率替代所述第三人脸识别准确率，并返回执行所述第一迭代过程，直至已添加的新场景因子的个数等于预设的新场景因子的个数为止；
24.针对同一个所述新场景因子，确定对未添加所述新场景因子前的场景因子组合产生负向影响的偏差率的个数占所述第二场景因子组合的总个数的比例；
25.若所述比例大于预设比例阈值，则根据大于预设比例阈值的比例对应的新场景因子优化所述人脸识别模型。
26.在其中一个实施例中，每间隔预设帧数从所述用户的视频中抽取多个图像帧；
27.对各所述图像帧的各像素点进行像素变换处理得到像素变换处理后的图像帧；
28.滤除像素变换处理后的图像帧中的噪声得到所述目标图像。
29.在其中一个实施例中，所述对各所述图像帧的各像素点进行像素变换处理包括以下中至少一项：
30.对各所述图像帧的各像素点进行几何变换处理；
31.对各所述图像帧的各像素点进行阈值处理，以将所述图像帧的各像素点划分到不同的像素值区间。
32.第二方面，本技术还提供了一种模型优化装置，所述装置包括：
33.获取模块，用于根据获取的用户的三维用户画像得到多个角度的第一平面图像；
34.第一确定模块，用于根据所述用户的目标图像的背景特征信息和各所述第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像；
35.第二确定模块，用于将各所述第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各所述第一场景因子组合对应的第一人脸识别准确率；
36.优化模块，用于根据各所述第一场景因子组合对应的第一人脸识别准确率，优化所述人脸识别模型。
37.第三方面，本技术还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
38.根据获取的用户的三维用户画像得到多个角度的第一平面图像；
39.根据所述用户的目标图像的背景特征信息和各所述第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像；
40.将各所述第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各所述第一场景因子组合对应的第一人脸识别准确率；
41.根据各所述第一场景因子组合对应的第一人脸识别准确率，优化所述人脸识别模型。
42.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
43.根据获取的用户的三维用户画像得到多个角度的第一平面图像；
44.根据所述用户的目标图像的背景特征信息和各所述第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像；
45.将各所述第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各所述第一场景因子组合对应的第一人脸识别准确率；
46.根据各所述第一场景因子组合对应的第一人脸识别准确率，优化所述人脸识别模型。
47.第五方面，本技术还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
48.根据获取的用户的三维用户画像得到多个角度的第一平面图像；
49.根据所述用户的目标图像的背景特征信息和各所述第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像；
50.将各所述第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各所述第一场景因子组合对应的第一人脸识别准确率；
51.根据各所述第一场景因子组合对应的第一人脸识别准确率，优化所述人脸识别模型。
52.上述模型优化方法、装置、计算机设备、存储介质和程序产品，根据获取的用户的三维用户画像得到多个角度的第一平面图像，以及根据用户的目标图像的背景特征信息和各第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像，将各第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各第一场景因子组合对应的第一人脸识别准确率，从而根据各第一场景因子组合对应的第一人脸识别准确率，优化人脸识别模型。本方法将用户的目标图像的背景特征信息和各第一平面图像的人脸特征信息进行融合，得到多种第一场景因子组合的第二平面图像，丰富了真实测试场景，而且，优化人脸识别模型提高了真实测试场景的人脸识别准确率，增强了人脸识别的安全性。
附图说明
53.图1为一个实施例中模型优化方法的应用环境图；
54.图2为一个实施例中模型优化方法的流程示意图；
55.图3为一个实施例中确定第二平面图像的流程示意图；
56.图4为一个实施例中优化人脸识别模型的流程示意图；
57.图5为另一个实施例中优化人脸模型的流程示意图；
58.图6为又一个实施例中优化人脸模型的流程示意图；
59.图7为一个实施例中确定目标图像的流程示意图；
60.图8为一个实施例中模型优化装置的结构框图。
具体实施方式
61.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
62.相关技术中，人脸识别主流的技术通过活体检测、连续检测和3d检测的方法提高对活体对象的识别能力，或是通过加密签名认证等方式对生物特征数据进行安全性检查。但缺乏对真实测试场景的设计和检测方法，导致测试人员无法对改造点进行全面的验证，主要体现在以下两个方面:
63.第一方面：缺乏全场景的测试数据和场景的制造，仅验证正常测试场景下的一些通过性验证，如多次验证不通过则建议尝试其他渠道验证。
64.第二方面：只能进行系统安全性和准确率的权衡。
65.目前由于缺乏完善的人脸识别改造测试机制方法，导致在真实的生产环境下用户针对刷脸无法通过的投诉率较高，由于当前测试方法的局限性，只能通过降低相似度阈值的方法(如从98％降低为95％)来提高通过率，显然其是对安全的一个大的风险点。针对上述技术问题，本技术一种模型优化方法、装置、计算机设备、存储介质和程序产品。
66.本技术实施例提供的模型优化方法，可以应用于如图1所示的应用环境中。该应用环境包括一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户人脸识别相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种模型优化方法。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
67.在一个实施例中，如图2所示，提供了一种模型优化方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
68.s201，根据获取的用户的三维用户画像得到多个角度的第一平面图像。
69.在本实施例中，可以利用ai智能补全算法将采集到的照片与头部信息库数据进行匹配融合，实现头部重建，得到用户的三维用户画像。基于用户的三维用户画像，采集不同角度的平面照片作为多个角度的第一平面图像。
70.s202，根据用户的目标图像的背景特征信息和各第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像。
71.在本实施例中，可以将各第一平面图像的人脸特征信息进行变换处理，得到各第三平面图像，将用户的目标图像的背景特征信息和各第三平面图像进行融合，得到各第一场景因子组合所对应的第二平面图像。也可以将用户的目标图像的背景特征信息进行变换处理，得到各第四平面图像，将各第四平面图像和各第三平面图像融合，得到各第一场景因子组合所对应的第二平面图像。
72.s203，将各第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各第一场景因子组合对应的第一人脸识别准确率。
73.可选的，人脸识别模型可以为活体检测、连续检测和3d检测方法等，本技术实施例对此不做限制。
74.在本实施例中，将各场景因子组合所对应的第二平面图像输入人脸识别模型，主要进行业界流行的人脸的1:1和1:n场景测试，对于识别过程中的结果进行记录，统计出各场景因子组合所对应的人脸识别准确率。例如，将场景因子组合为[闭眼+口罩]的所对应的第二平面图像输入人脸识别模型，得到该场景因子组合对应的人脸识别准确率为75％。
[0075]
s204，根据各第一场景因子组合对应的第一人脸识别准确率，优化人脸识别模型。
[0076]
在本实施例中，从各第一场景因子组合对应的第一人脸识别准确率中，选取出小于预设阈值的第一人脸识别准确率对应的各第一场景因子组合，根据小于预设阈值的第一人脸识别准确率对应的各第一场景因子组合优化人脸识别模型。还可以在小于预设阈值的第一人脸识别准确率对应的各第一场景因子组合中添加新场景因子，确定出对小于预设阈值的第一人脸识别准确率有负向影响的场景因子，对有负向影响的场景因子进行优化，达到优化人脸识别模型的目的。
[0077]
上述模型优化方法中，根据获取的用户的三维用户画像得到多个角度的第一平面图像，以及根据用户的目标图像的背景特征信息和各第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像，将各第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各第一场景因子组合对应的第一人脸识别准确率，从而根据各第一场景因子组合对应的第一人脸识别准确率，优化人脸识别模型。本方法将用户的目标图像的背景特征信息和各第一平面图像的人脸特征信息进行融合，得到多种第一场景因子组合的第二平面图像，丰富了真实测试场景，而且，优化人脸识别模型提高了真实测试场景的人脸识别准确率，增强了人脸识别的安全性。
[0078]
图3为一个实施例中确定第二平面图像的流程示意图，如图3所示，本技术实施例涉及的是如何根据用户的目标图像的背景特征信息和各第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像的一种可能的实现方式，包括以下步骤：
[0079]
s301，对各第一平面图像的人脸特征信息进行变化处理得到多个第三平面图像。
[0080]
可选的，人脸特征信息包括带妆信息(浓妆、淡妆，美瞳粉底液加成)、喜怒哀乐的表情信息、张嘴闭眼的五官信息、黑黄棕白肤色信息等，或者相似度较高的双胞胎面部信息和孕妇的脸部特征信息等。
[0081]
在本实施例中，可以将第一平面图像输入到深度学习网络中，通过深度学习网络对第一平面图像进行识别，从而对第一平面图像的各个区域进行划分，实现对人脸各个部位的区分，进一步地，通过对第一平面图像的不同区域的像素值大小进行变换，实现对人脸特征信息的变化处理，从而得到多个第三平面图像。
[0082]
可选的，也可以采用机器学习算法对第一平面图像进行识别后，对第一平面图像的不同区域的像素值大小进行变换，实现对人脸特征信息的变化处理，从而得到多个第三平面图像。
[0083]
可选的，对各第一平面图像的人脸特征信息进行变化处理时，可以只对其中一个特征信息进行变换处理，也可以对多个特征信息进行处理。
[0084]
s302，对用户的目标图像的背景特征信息进行变化处理得到多个第四平面图像。
[0085]
可选的，背景特征信息包括逆光、黑暗、不同光源及不同颜色光线等光照信息，不同温度变化的温感信息，是否佩戴口罩等信息。
[0086]
在本实施例中，对用户的目标图像的背景特征信息进行变化处理可以利用上述s301的具体实现方式。
[0087]
s303，根据多个第三平面图像和多个第四平面图像，得到各第一场景因子组合所对应的第二平面图像。
[0088]
在本实施例中，可以将第三平面图像和第四平面图像随机匹配，进行图像信息的融合，从而得到各场景因子组合所对应的第二平面图像。
[0089]
可选的，可以将场景因子为浓妆的第三平面图像和场景因子为黑暗的背景特征信息进行融合，得到[浓妆+黑暗]场景因子组合的第二平面图像；也可以将场景因子为浓妆的第三平面图像和场景因子为黑暗、逆光的第四平面图像融合得到[浓妆+黑暗+逆光]场景因子组合的第二平面图像。
[0090]
本技术实施例中，通过对各第一平面图像的人脸特征信息进行变化处理得到多个第三平面图像以及对用户的目标图像的背景特征信息进行变化处理得到多个第四平面图像，将多个第三平面图像和多个第四平面图像进行融合，得到得到各场景因子组合所对应的第二平面图像。本方法将人脸特征信息与背景信息进行融合们可以得到多种场景因子组合的图像信息，丰富了人脸识别的测试场景。
[0091]
图4为一个实施例中优化人脸识别模型的流程示意图，如图4所示，本技术实施例涉及的是如何根据各第一场景因子组合对应的第一人脸识别准确率，优化人脸识别模型的一种可能的实现方式，包括以下步骤：
[0092]
s401，从各第一场景因子组合对应的第一人脸识别准确率中确定第二人脸识别准确率，其中，第二人脸识别准确率为小于预设准确率阈值的第一人脸识别准确率。
[0093]
可选的，预设准确率阈值可以为50％，60％。90％等。
[0094]
在本实施例中，根据上述得到的各第一场景因子组合对应的第一人脸识别准确率中，确定小于预设准确率阈值的第一人脸识别准确率，并将小于预设准确率阈值的第一人脸识别准确率作为第二人脸识别准确率。
[0095]
s402，根据第二场景因子组合优化人脸识别模型，其中，第二场景因子组合为第二人脸识别率所对应的第一场景因子组合。
[0096]
在本实施例中，可以直接对第二人脸识别准确率所对应的第一场景因子组合进行优化，优化人脸识别模型。还可以进一步对第二场景因子组合进行分析，通过添加新场景因子，确定第二场景因子组合中对第二人脸识别准确率有负向影响的场景因子，对有负向影响的场景因子进行优化，优化人脸识别模型。
[0097]
本技术实施例中，通过从各第一场景因子组合对应的第一人脸识别准确率中确定
第二人脸识别准确率，根据第二人脸识别率所对应的第一场景因子组合优化人脸识别模型。本方法中对小于预设准确率阈值的第一人脸识别准确率的所对应的第一场景因子组合进行优化，主动识别准确率低的场景组合，规避潜在的生产风险，优化用户体验。
[0098]
图5为另一个实施例中优化人脸模型的流程示意图，如图5所示，本技术实施例涉及的是如何根据第二场景因子组合优化人脸识别模型的一种可能的实现方式，包括以下步骤：
[0099]
s501，向第二场景因子组合中添加新场景因子得到第三场景因子组合。
[0100]
可选的，新场景因子可以为人脸特征信息因子，即上述的五官信息因子、表情信息因子等，也可以为背景特征信息因子，即光照信息因子、温感信息因子等。
[0101]
在本实施例中，向第二场景因子组合中添加新场景因子，第二场景因子组合为[浓妆+黑暗]，加入新的场景因子张嘴，即第三场景因子组合为[浓妆+黑暗+张嘴]。
[0102]
s502，将第三场景因子组合对应的第二平面图像输入人脸识别模型，得到第三场景因子组合对应的第三人脸识别准确率。
[0103]
在本实施例中，具体实现方式可参见s203。
[0104]
s503，根据第二人脸识别准确率和第三人脸识别准确率，优化人脸识别模型。
[0105]
在本实施例中，可以直接根据第二人脸识别准确率和第三人脸识别准确率，确定添加的新场景因子是否对第二人脸识别准确率产生影响，在第二人脸识别准确率和第三人脸识别准确率中选取最大的人脸识别准确率作为新的人脸识别准确率，继续添加第二新场景因子，将新的人脸识别准确率和添加第二新场景因子后的人脸识别准确率比较，确定添加的第二新场景因子是否对新的人脸识别准确率产生影响，直至确定所有影响的场景因子。
[0106]
在本实施例中，还可以根据s601-s604的方式实现优化人脸识别模型。
[0107]
本技术实施例中，通过向第二场景因子组合中添加新场景因子得到第三场景因子组合，将第三场景因子组合对应的第二平面图像输入人脸识别模型，得到第三场景因子组合对应的第三人脸识别准确率，进而根据第二人脸识别准确率和第三人脸识别准确率，优化人脸识别模型。本方法通过正向枚举出不同的场景因子组合得到不同场景因子组合的人脸识别准确率，通过不同场景因子组合的人脸识别准确率优化人脸识别模型，方法简单、高效。
[0108]
图6为又一个实施例中优化人脸模型的流程示意图，如图6所示，本技术实施例涉及的是如何根据第二人脸识别准确率和第三人脸识别准确率，优化人脸识别模型的一种可能的实现方式，包括以下步骤：
[0109]
s601，执行第一迭代过程，第一迭代过程包括：根据第二人脸识别准确率和第三人脸识别准确率，确定新场景因子对应的偏差率，并根据偏差率对第三人脸识别准确率进行修正得到比较人脸识别准确率，将第二人脸识别准确率和比较人脸识别准确率中的最大的人脸识别准确率作为第三场景因子组合的目标人脸识别准确率，向第三场景因子组合中添加新场景因子得到第四场景因子组合。
[0110]
其中，偏差率是用来描述新场景因子对当前场景因子组合正确率的影响，可以为正向影响、负向影响和没有影响。可选的，若为正向影响，偏差率可以取值为0.8，无影响取值为0.5，负向影响取值为0.3。
[0111]
在本实施例中，假设第三人脸识别准确率为80％，小于第二人脸识别准确率82％，则新场景因子对于第二场景因子组合的偏差率为0.3，将第三人脸识别准确率与偏差率进行相加，对第三人脸识别准确率进行修正得到比较人脸识别准确率83％，从第二人脸识别准确率、比较人脸识别准确率中选取最大的人脸识别准确率作为第三场景因子组合的目标人脸识别准确率，即目标人脸识别准确率为83％。
[0112]
进一步地，向第三场景因子组合中继续添加新场景因子得到第四场景因子组合。
[0113]
s602，将第四场景因子组合对应的第二平面图像输入人脸识别模型，得到第四场景因子组合对应的第四人脸识别准确率，并将目标人脸识别准确率替代第二人脸识别准确率，将第四人脸识别准确率替代第三人脸识别准确率，并返回执行第一迭代过程，直至已添加的新场景因子的个数等于预设的新场景因子的个数为止。
[0114]
在本实施例中，将第四场景因子组合对应的第二平面图像输入人脸识别模型，得到第四场景因子组合对应的第四人脸识别准确率，将第四人脸识别准确率作为第三人脸识别准确率，目标人脸识别准确率作为第二人脸识别准确率，重新执行上述s601，根据第三人脸识别准确率、第二人脸识别准确率确定新场景因子的偏差率，即根据第四人脸识别准确率和目标人脸识别准确率确定新场景因子对于第三场景因子组合的偏差率。
[0115]
在本实施例中，根据上述第一迭代过程，将每一个新场景因子逐步添加，确定新场景因子对未添加新场景因子前的场景因子组合产生的影响，直至预设的新场景因子已全部添加至第二场景因子组合，则迭代完成。
[0116]
s603，针对同一个新场景因子，确定对未添加新场景因子前的场景因子组合产生负向影响的偏差率的个数占第二场景因子组合的总个数的比例。
[0117]
在本实施例中，假设，同一个新场景因子为逆光场景因子，第二场景因子组合的总个数为100个，在第二场景因子组合1中，逆光场景因子对未添加新场景因子前的场景因子组合产生负向影响的偏差率，在第二场景因子组合2中，逆光场景因子对未添加新场景因子前的场景因子组合产生负向影响的偏差率，......，在100个第二场景因子组合中，逆光场景因子对未添加新场景因子前的场景因子组合产生负向影响的偏差率的个数为80，则逆光场景因子所占的比例为80％。
[0118]
s604，若比例大于预设比例阈值，则根据大于预设比例阈值的比例对应的新场景因子优化人脸识别模型。
[0119]
可选的，预设比例阈值可以为30％，50％等，本技术实施例对此不做限制。
[0120]
在本实施例中，假设，预设比例阈值为30％，以上述s603为例，逆光场景因子的比例大于预设比例阈值，则输出优化建议，即需要对逆光场景因子进行优化，从而达到优化人脸识别模型。
[0121]
本技术实施例中，通过执行第一迭代过程，不断在各第二场景因子组合中添加新的场景因子，优化人脸识别准确率，从而找出所有对人脸识别模型有负向影响的场景因子，以供后续人员针对有负向影响的场景因子，对人脸识别模型进行优化。本方法相对于简单的单因子穷举模拟方案具备可操作性，且排除了因为单一场景无法拟合或者过拟合等情况。
[0122]
图7为一个实施例中确定目标图像的流程示意图，如图7所示，包括以下步骤：
[0123]
s701，每间隔预设帧数从用户的视频中抽取多个图像帧。
[0124]
优选的，用户的视频可以为youtube和bilibili、vlog等原创视频，更加真实和贴近实际生活，替代用摄像头等方式的单一繁琐采集方式。
[0125]
在本实施例中，可以通过帧提取工具对用户的对视频进行定时间隔帧采集来获取，得到用户的多个图像帧，对于不同来源的视频，根据视频的标签、信息来区分不同的类别。
[0126]
s702，对各图像帧的各像素点进行像素变换处理得到像素变换处理后的图像帧。
[0127]
在本实施例中，可以对各图像帧进行阈值处理，将各像素点划分为不同的阈值区间，得到像素变换处理后的图像帧。也可以通过改变各图像帧的各像素点的大小，改变个图像帧的对比度，从而得到像素变换处理后的图像帧。
[0128]
s703，滤除像素变换处理后的图像帧中的噪声得到目标图像。
[0129]
在本实施例中，可以采用高斯滤波的方法去除像素变换处理后的图像帧中的噪声得到目标图像，也可以采用中值滤波等滤除像素变换处理后的图像帧中的噪声得到目标图像。
[0130]
本技术实施例中，通过每间隔预设帧数从用户的视频中抽取多个图像帧，进一步对各图像帧的各像素点进行像素变换处理得到像素变换处理后的图像帧，再将像素变换处理后的图像帧中的噪声滤除，得到目标图像。本方法通过对各图像帧的各像素点进行像素变换以及噪声处理，可以使得图片本身的内容更加突出，加快处理速度。
[0131]
具体地“s702，对各图像帧的各像素点进行像素变换处理得到像素变换处理后的图像帧。”可以包括以下两种实现方式：
[0132]
第一种实现方式：对各图像帧的各像素点进行几何变换处理。
[0133]
在本实施例中，对各图像帧的各像素点进行几何变换处理时，不改变人像的像素值，而是对像素值进行坐标变换，改变像素的排列关系，使得图片内容本身的特征更加突出。
[0134]
第二种实现方式：对各图像帧的各像素点进行阈值处理，以将图像帧的各像素点划分到不同的像素值区间。
[0135]
在本实施例中，由于图像帧的单像素对应256个灰度阶，因此需要将灰度阶进行限制，将256个灰度阶划分为不同的区间，将区间内的像素指定为某一像素。
[0136]
可选的，可以采用上述任意一种方式对对各图像帧的各像素点进行像素变换处理，也可以同时使用。
[0137]
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0138]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的模型优化方法的模型优化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个模型优化装置实施例中的具体限定可以参见上文中
对于模型优化方法的限定，在此不再赘述。
[0139]
在一个实施例中，如图8所示，提供了一种模型优化装置，包括：获取模块11、第一确定模块12、第二确定模块13和优化模块14，其中：
[0140]
获取模块11，用于根据获取的用户的三维用户画像得到多个角度的第一平面图像；
[0141]
第一确定模块12，用于根据用户的目标图像的背景特征信息和各第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像；
[0142]
第二确定模块13，用于将各第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各第一场景因子组合对应的第一人脸识别准确率；
[0143]
优化模块14，用于根据各第一场景因子组合对应的第一人脸识别准确率，优化人脸识别模型。
[0144]
在一个实施例中，第一确定模块，包括：
[0145]
第一确定单元，用于对各第一平面图像的人脸特征信息进行变化处理得到多个第三平面图像；
[0146]
第二确定单元，用于对用户的目标图像的背景特征信息进行变化处理得到多个第四平面图像；
[0147]
第三确定单元，用于根据多个第三平面图像和多个第四平面图像，得到各第一场景因子组合所对应的第二平面图像。
[0148]
在一个实施例中，优化模块，包括：
[0149]
第四确定单元，用于从各第一场景因子组合对应的第一人脸识别准确率中确定第二人脸识别准确率，其中，第二人脸识别准确率为小于预设准确率阈值的第一人脸识别准确率；
[0150]
优化单元，用于根据第二场景因子组合优化人脸识别模型，其中，第二场景因子组合为第二人脸识别率所对应的第一场景因子组合。
[0151]
在一个实施例中，优化单元还用于向第二场景因子组合中添加新场景因子得到第三场景因子组合；将第三场景因子组合对应的第二平面图像输入人脸识别模型，得到第三场景因子组合对应的第三人脸识别准确率；
[0152]
根据第二人脸识别准确率和第三人脸识别准确率，优化人脸识别模型。
[0153]
在一个实施例中，优化单元还用于执行第一迭代过程，第一迭代过程包括：根据第二人脸识别准确率和第三人脸识别准确率，确定新场景因子对应的偏差率，并根据偏差率对第三人脸识别准确率进行修正得到比较人脸识别准确率，将第二人脸识别准确率和比较人脸识别准确率中的最大的人脸识别准确率作为第三场景因子组合的目标人脸识别准确率，向第三场景因子组合中添加新场景因子得到第四场景因子组合；
[0154]
将第四场景因子组合对应的第二平面图像输入人脸识别模型，得到第四场景因子组合对应的第四人脸识别准确率，并将目标人脸识别准确率替代第二人脸识别准确率，将第四人脸识别准确率替代第三人脸识别准确率，并返回执行第一迭代过程，直至已添加的新场景因子的个数等于预设的新场景因子的个数为止；针对同一个新场景因子，确定对未添加新场景因子前的场景因子组合产生负向影响的偏差率的个数占第二场景因子组合的总个数的比例；若比例大于预设比例阈值，则根据大于预设比例阈值的比例对应的新场景
因子优化人脸识别模型。
[0155]
在一个实施例中，该装置还包括：
[0156]
抽取模块，用于每间隔预设帧数从用户的视频中抽取多个图像帧；
[0157]
处理模块，用于对各图像帧的各像素点进行像素变换处理得到像素变换处理后的图像帧；
[0158]
滤除模块，用于滤除像素变换处理后的图像帧中的噪声得到目标图像。
[0159]
在一个实施例中，处理模块，包括：
[0160]
第一处理单元，用于对各图像帧的各像素点进行几何变换处理；
[0161]
第二处理单元，用于对各图像帧的各像素点进行阈值处理，以将图像帧的各像素点划分到不同的像素值区间。
[0162]
上述模型优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0163]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0164]
根据获取的用户的三维用户画像得到多个角度的第一平面图像；
[0165]
根据用户的目标图像的背景特征信息和各第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像；
[0166]
将各第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各第一场景因子组合对应的第一人脸识别准确率；
[0167]
根据各第一场景因子组合对应的第一人脸识别准确率，优化人脸识别模型。
[0168]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0169]
对各第一平面图像的人脸特征信息进行变化处理得到多个第三平面图像；
[0170]
对用户的目标图像的背景特征信息进行变化处理得到多个第四平面图像；
[0171]
根据多个第三平面图像和多个第四平面图像，得到各第一场景因子组合所对应的第二平面图像。
[0172]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0173]
从各第一场景因子组合对应的第一人脸识别准确率中确定第二人脸识别准确率，其中，第二人脸识别准确率为小于预设准确率阈值的第一人脸识别准确率；
[0174]
根据第二场景因子组合优化人脸识别模型，其中，第二场景因子组合为第二人脸识别率所对应的第一场景因子组合。在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0175]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0176]
向第二场景因子组合中添加新场景因子得到第三场景因子组合；
[0177]
将第三场景因子组合对应的第二平面图像输入人脸识别模型，得到第三场景因子组合对应的第三人脸识别准确率；
[0178]
根据第二人脸识别准确率和第三人脸识别准确率，优化人脸识别模型。
[0179]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0180]
执行第一迭代过程，第一迭代过程包括：根据第二人脸识别准确率和第三人脸识
别准确率，确定新场景因子对应的偏差率，并根据偏差率对第三人脸识别准确率进行修正得到比较人脸识别准确率，将第二人脸识别准确率和比较人脸识别准确率中的最大的人脸识别准确率作为第三场景因子组合的目标人脸识别准确率，向第三场景因子组合中添加新场景因子得到第四场景因子组合；
[0181]
将第四场景因子组合对应的第二平面图像输入人脸识别模型，得到第四场景因子组合对应的第四人脸识别准确率，并将目标人脸识别准确率替代第二人脸识别准确率，将第四人脸识别准确率替代第三人脸识别准确率，并返回执行第一迭代过程，直至已添加的新场景因子的个数等于预设的新场景因子的个数为止；
[0182]
针对同一个新场景因子，确定对未添加新场景因子前的场景因子组合产生负向影响的偏差率的个数占第二场景因子组合的总个数的比例；
[0183]
若比例大于预设比例阈值，则根据大于预设比例阈值的比例对应的新场景因子优化人脸识别模型。
[0184]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0185]
每间隔预设帧数从用户的视频中抽取多个图像帧；
[0186]
对各图像帧的各像素点进行像素变换处理得到像素变换处理后的图像帧；
[0187]
滤除像素变换处理后的图像帧中的噪声得到目标图像。
[0188]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0189]
对各图像帧的各像素点进行几何变换处理；
[0190]
对各图像帧的各像素点进行阈值处理，以将图像帧的各像素点划分到不同的像素值区间。
[0191]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0192]
根据获取的用户的三维用户画像得到多个角度的第一平面图像；
[0193]
根据用户的目标图像的背景特征信息和各第一平面图像的人脸特征信息，得到各第一场景因子组合所对应的第二平面图像；
[0194]
将各第一场景因子组合所对应的第二平面图像输入人脸识别模型，得到各第一场景因子组合对应的第一人脸识别准确率；
[0195]
根据各第一场景因子组合对应的第一人脸识别准确率，优化人脸识别模型。
[0196]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0197]
对各第一平面图像的人脸特征信息进行变化处理得到多个第三平面图像；
[0198]
对用户的目标图像的背景特征信息进行变化处理得到多个第四平面图像；
[0199]
根据多个第三平面图像和多个第四平面图像，得到各第一场景因子组合所对应的第二平面图像。
[0200]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0201]
对各第一平面图像的人脸特征信息进行变化处理得到多个第三平面图像；
[0202]
对用户的目标图像的背景特征信息进行变化处理得到多个第四平面图像；
[0203]
根据多个第三平面图像和多个第四平面图像，得到各第一场景因子组合所对应的第二平面图像。
[0204]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0205]
从各第一场景因子组合对应的第一人脸识别准确率中确定第二人脸识别准确率，其中，第二人脸识别准确率为小于预设准确率阈值的第一人脸识别准确率；
[0206]
根据第二场景因子组合优化人脸识别模型，其中，第二场景因子组合为第二人脸识别率所对应的第一场景因子组合。
[0207]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0208]
向第二场景因子组合中添加新场景因子得到第三场景因子组合；
[0209]
将第三场景因子组合对应的第二平面图像输入人脸识别模型，得到第三场景因子组合对应的第三人脸识别准确率；
[0210]
根据第二人脸识别准确率和第三人脸识别准确率，优化人脸识别模型。
[0211]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0212]
执行第一迭代过程，第一迭代过程包括：根据第二人脸识别准确率和第三人脸识别准确率，确定新场景因子对应的偏差率，并根据偏差率对第三人脸识别准确率进行修正得到比较人脸识别准确率，将第二人脸识别准确率和比较人脸识别准确率中的最大的人脸识别准确率作为第三场景因子组合的目标人脸识别准确率，向第三场景因子组合中添加新场景因子得到第四场景因子组合；
[0213]
将第四场景因子组合对应的第二平面图像输入人脸识别模型，得到第四场景因子组合对应的第四人脸识别准确率，并将目标人脸识别准确率替代第二人脸识别准确率，将第四人脸识别准确率替代第三人脸识别准确率，并返回执行第一迭代过程，直至已添加的新场景因子的个数等于预设的新场景因子的个数为止；
[0214]
针对同一个新场景因子，确定对未添加新场景因子前的场景因子组合产生负向影响的偏差率的个数占第二场景因子组合的总个数的比例；
[0215]
若比例大于预设比例阈值，则根据大于预设比例阈值的比例对应的新场景因子优化人脸识别模型。
[0216]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0217]
每间隔预设帧数从用户的视频中抽取多个图像帧；
[0218]
对各图像帧的各像素点进行像素变换处理得到像素变换处理后的图像帧；
[0219]
滤除像素变换处理后的图像帧中的噪声得到目标图像。
[0220]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0221]
对各图像帧的各像素点进行几何变换处理；
[0222]
对各图像帧的各像素点进行阈值处理，以将图像帧的各像素点划分到不同的像素值区间。
[0223]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0224]
对各第一平面图像的人脸特征信息进行变化处理得到多个第三平面图像；
[0225]
对用户的目标图像的背景特征信息进行变化处理得到多个第四平面图像；
[0226]
根据多个第三平面图像和多个第四平面图像，得到各第一场景因子组合所对应的第二平面图像。
[0227]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0228]
对各第一平面图像的人脸特征信息进行变化处理得到多个第三平面图像；
[0229]
对用户的目标图像的背景特征信息进行变化处理得到多个第四平面图像；
[0230]
根据多个第三平面图像和多个第四平面图像，得到各第一场景因子组合所对应的第二平面图像。
[0231]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0232]
从各第一场景因子组合对应的第一人脸识别准确率中确定第二人脸识别准确率，其中，第二人脸识别准确率为小于预设准确率阈值的第一人脸识别准确率；
[0233]
根据第二场景因子组合优化人脸识别模型，其中，第二场景因子组合为第二人脸识别率所对应的第一场景因子组合。
[0234]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0235]
向第二场景因子组合中添加新场景因子得到第三场景因子组合；
[0236]
将第三场景因子组合对应的第二平面图像输入人脸识别模型，得到第三场景因子组合对应的第三人脸识别准确率；
[0237]
根据第二人脸识别准确率和第三人脸识别准确率，优化人脸识别模型。
[0238]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0239]
执行第一迭代过程，第一迭代过程包括：根据第二人脸识别准确率和第三人脸识别准确率，确定新场景因子对应的偏差率，并根据偏差率对第三人脸识别准确率进行修正得到比较人脸识别准确率，将第二人脸识别准确率和比较人脸识别准确率中的最大的人脸识别准确率作为第三场景因子组合的目标人脸识别准确率，向第三场景因子组合中添加新场景因子得到第四场景因子组合；
[0240]
将第四场景因子组合对应的第二平面图像输入人脸识别模型，得到第四场景因子组合对应的第四人脸识别准确率，并将目标人脸识别准确率替代第二人脸识别准确率，将第四人脸识别准确率替代第三人脸识别准确率，并返回执行第一迭代过程，直至已添加的新场景因子的个数等于预设的新场景因子的个数为止；
[0241]
针对同一个新场景因子，确定对未添加新场景因子前的场景因子组合产生负向影响的偏差率的个数占第二场景因子组合的总个数的比例；
[0242]
若比例大于预设比例阈值，则根据大于预设比例阈值的比例对应的新场景因子优化人脸识别模型。
[0243]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0244]
每间隔预设帧数从用户的视频中抽取多个图像帧；
[0245]
对各图像帧的各像素点进行像素变换处理得到像素变换处理后的图像帧；
[0246]
滤除像素变换处理后的图像帧中的噪声得到目标图像。
[0247]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0248]
对各图像帧的各像素点进行几何变换处理；
[0249]
对各图像帧的各像素点进行阈值处理，以将图像帧的各像素点划分到不同的像素值区间。
[0250]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0251]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以
通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0252]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0253]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。