CN108509916A - 用于生成图像的方法和装置 - Google Patents

Abstract

本申请实施例公开了生成图像的方法和装置。该方法的一具体实施方式包括：从获取的人脸图像中提取人脸区域；对所提取的人脸区域进行空间变换，生成变换后人脸区域；将该变换后人脸区域添加到预设背景图像中，生成目标图像；将该目标图像作为负样本加入机器学习模型的训练样本集中，其中，该机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。本申请实施例可以增加用于确定人脸活体的机器学习模型的训练样本数量，提高检测人脸活体的准确性。

Description

用于生成图像的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成图像的方法和装置。

背景技术

人脸识别技术是一项计算机应用研究技术，属于生物特征识别技术的一种。

通过生物体的生物特征不仅能够区分生物个体，还能够对生物个体的身体状态进行判断。举例来说，通过生物体图像可以判断生物是否为活体、是否处于疲劳状态；生物体图像还可以作为解锁的判断条件，防止活体攻击，以增加设备的安全性。

发明内容

本申请实施例提出了用于生成图像的方法和装置，以及用于检测人脸活体的方法和装置。

第一方面，本申请实施例提供了一种用于生成图像的方法，包括：从获取的人脸图像中提取人脸区域；对所提取的人脸区域进行空间变换，生成变换后人脸区域；将变换后人脸区域添加到预设背景图像中，生成目标图像；将目标图像作为负样本加入机器学习模型的训练样本集中，其中，机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

在一些实施例中，预设背景图像包括人脸；对所提取的人脸区域进行空间变换，生成变换后人脸区域，包括：获取预设背景图像中的人脸的特征点，获取所提取的人脸区域的特征点；基于所获取的人脸的特征点和人脸区域的特征点，确定进行空间变换所采用的变换矩阵；采用变换矩阵，对人脸区域进行空间变换，生成变换后人脸区域；将变换后人脸图像添加到预设背景图像中，生成目标图像，包括：将变换后人脸区域覆盖到预设背景图像中的人脸中，以使变换后人脸区域的特征点与背景图像的人脸中的特征点的位置一一对应。

在一些实施例中，空间变换所采用的变换角度包括预先获取的多种变换角度之一或随机生成的变换角度。

第二方面，本申请实施例提供了一种用于检测人脸活体的方法，方法包括：获取目标人脸图像；将目标人脸图像输入预先训练的机器学习模型中，得到检测结果，预先训练的机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体；其中，预先训练的机器学习模型采用基于如第一方面任意一项的方法获得的训练样本集训练得到。

在一些实施例中，预先训练的机器学习模型通过如下步骤训练得到：获取初始机器学习模型；获取训练样本集；将训练样本集中的训练样本输入初始机器学习模型中，利用机器学习方法，基于训练样本的标注信息对初始机器学习模型进行训练，得到机器学习模型。

第三方面，本申请实施例提供了一种用于生成图像的装置，包括：提取单元，配置用于从获取的人脸图像中提取人脸区域；变换单元，配置用于对所提取的人脸区域进行空间变换，生成变换后人脸区域；添加单元，配置用于将变换后人脸区域添加到预设背景图像中，生成目标图像；加入单元，配置用于将目标图像作为负样本加入机器学习模型的训练样本集中，其中，机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

在一些实施例中，预设背景图像包括人脸；变换单元，包括：获取模块，配置用于获取预设背景图像中的人脸的特征点，获取所提取的人脸区域的特征点；确定模块，配置用于基于所获取的人脸的特征点和人脸区域的特征点，确定进行空间变换所采用的变换矩阵；生成模块，配置用于采用变换矩阵，对人脸区域进行空间变换，生成变换后人脸区域；以及添加单元进一步配置用于：将变换后人脸区域覆盖到预设背景图像中的人脸中，以使变换后人脸区域的特征点与背景图像的人脸中的特征点的位置一一对应。

在一些实施例中，空间变换所采用的变换角度包括预先获取的多种变换角度之一或随机生成的变换角度。

第四方面，本申请实施例提供了一种用于检测人脸活体的装置，该装置包括：获取单元，配置用于获取目标人脸图像；检测单元，配置用于将目标人脸图像输入预先训练的机器学习模型中，得到检测结果，预先训练的机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体；其中，预先训练的机器学习模型采用基于如第三方面任意一项的装置获得的训练样本集训练得到。

在一些实施例中，预先训练的机器学习模型通过如下步骤训练得到：获取初始机器学习模型；获取训练样本集；将训练样本集中的训练样本输入初始机器学习模型中，利用机器学习方法，基于训练样本的标注信息对初始机器学习模型进行训练，得到机器学习模型。

第五方面，本申请实施例提供了一种电子设备，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用于生成图像的方法中任一实施例的方法。

第六方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如用于生成图像的方法中任一实施例的方法。

第七方面，本申请实施例提供了一种电子设备，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用于检测人脸活体的方法中任一实施例的方法。

第八方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如用于检测人脸活体的方法中任一实施例的方法。

本申请实施例提供的用于生成图像的方法和装置，首先，从获取的人脸图像中提取人脸区域。而后对所提取的人脸区域进行空间变换，生成变换后人脸区域。之后，将变换后人脸区域添加到预设背景图像中，生成目标图像。然后，将目标图像作为负样本加入机器学习模型的训练样本集中，其中，机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。本申请实施例可以增加用于确定人脸活体的机器学习模型的训练样本数量，提高确定人脸活体的准确性。

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图像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图像的方法的一个应用场景的示意图；

图4是根据本申请的用于生成图像的方法的又一个实施例的流程图；

图5是根据本申请的用于检测人脸活体的方法的又一个实施例的流程图；

图6是根据本申请的用于生成图像的装置的一个实施例的结构示意图；

图7是根据本申请的用于检测人脸活体的装置的又一个实施例的结构示意图；

图8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图像的方法或用于生成图像的装置的实施例的示例性系统架构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。

用户可以使用终端设备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上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

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，可以是具有显示屏的各种电子设备，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。终端设备101、102、103可以对提取的人脸区域进行空间变换，并将变换后人脸区域添加到预设背景图像中，生成目标图像。之后将目标图像作为负样本加入机器学习模型的训练样本集中。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的目标图像提供支持的后台服务器。后台服务器可以对接收到的人脸图像等数据进行分析等处理，并将目标图像反馈给终端设备。

需要说明的是，本申请实施例所提供的用于生成图像的方法可以由终端设备101、102、103或服务器105执行，相应地，用于生成图像的装置可以设置于终端设备101、102、103或服务器105中。

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，示出了根据本申请的用于生成图像的方法的一个实施例的流程200。该用于生成图像的方法，包括以下步骤：

步骤201，从获取的人脸图像中提取人脸区域。

在本实施例中，用于生成图像的方法运行于其上的电子设备(例如图1所示的服务器或终端设备)可以从预先获取或者实时获取的人脸图像中提取人脸区域。人脸区域为人脸图像中呈现完整人脸的区域。该区域的形状可以是人脸外轮廓的形状，也可以是指定的任意形状，比如矩形。在这里，提取的人脸区域的数量可以是一个或者两个以上。

具体地，可以对人脸图像进行人脸检测，确定人脸所在的区域，继而得到人脸区域。

步骤202，对所提取的人脸区域进行空间变换，生成变换后人脸区域。

在本实施例中，上述电子设备可以对所提取的人脸区域进行空间变换。经过空间变换后的人脸区域为变换后人脸区域。

在实践中，上述电子设备可以采用多种方式进行空间变换，比如，可以采用投影变换。

在本实施例的一些可选的实现方式中，空间变换可以为仿射变换。

在本实施例中，采用仿射变换时，上述电子设备可以对人脸区域进行平移、缩放、翻转和旋转中的至少一种变换。

在本实施例的一些可选的实现方式中，空间变换所采用的变换角度包括预先获取的多种变换角度之一或随机生成的变换角度。

变换角度可以包括旋转角度和/或斜切角度。基于变换角度，上述电子设备可以采用多种方式对人脸区域进行仿射变换。举例来说，上述电子设备可以基于变换前人脸区域的特征点的坐标、旋转角度和预先设定的旋转的固定点坐标，进行空间变换。

为了能够得到更丰富的样本，上述电子设备可以采用多种旋转角度和/或斜切角度对人脸区域进行变换，得到各种角度的多个变换后人脸区域。

步骤203，将变换后人脸区域添加到预设背景图像中，生成目标图像。

在本实施例中，上述电子设备可以将经过空间变换得到的变换后人脸区域添加到预设背景图像中，生成目标图像。这样，得到的目标图像就是人脸区域与预设背景图像相结合所得到的图像。

在实践中，预设背景图像可以是呈现出各种图案的图像，也可以是一张无图案的图像。上述电子设备可以采用多种方式将变换后人脸区域添加到预设背景图像中。举例来说，上述电子设备可以将变换后人脸区域覆盖到预设背景图像中，或者叠加到预设背景图像中。

在人脸区域为两个以上的情况下，预设背景图像可以包括一个预设区域，在该预设区域中可以添加两个以上的人脸区域。此外，预设背景图像也可以包括两个以上的预设区域，这些预设区域有待于在其中分别添加人脸区域。

步骤204，将目标图像作为负样本加入机器学习模型的训练样本集中，其中，机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

在本实施例中，上述电子设备将目标图像作为负样本加入机器学习模型的训练样本集中。摄像头对拍摄对象进行拍摄，得到人脸图像。这里的拍摄对象可以是人脸活体，也可以不是人脸活体，比如呈现有人脸的图片或者人脸的雕像等等。负样本为所指示的拍摄对象不是人脸活体的人脸图像。可以通过景深信息等信息判断人脸图像的拍摄对象是否为人脸活体。

将基于上述步骤201～步骤204生成的目标图像作为负样本加入训练样本集，能够增加训练样本集中的样本数量，以使机器学习模型在使用目标图像进行训练后，增加了模型确定拍摄对象是否为人脸活体的准确性。

上述机器学习模型可以是神经网络模型等能够通过机器学习不断优化的模型。机器学习模型可以是由支持向量机(Support Vector Machine，SVM)、朴素贝叶斯模型(NaiveBayesian Model，NBM)模型等分类器(Classifier)训练得到的。此外，机器学习模型也可以是基于某些分类函数(例如softmax函数等)预先训练而成的。

继续参见图3，图3是根据本实施例的用于生成图像的方法的应用场景的一个示意图。在图3的应用场景中，电子设备301从本地或者其他电子设备获取人脸图像302，并从获取的人脸图像中提取人脸区域303；对所提取的人脸区域303进行空间变换，生成变换后人脸区域304；将变换后人脸区域添加到预设背景图像中，生成目标图像305；将目标图像305作为负样本加入机器学习模型的训练样本集中，其中，机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

本申请的上述实施例提供的方法本申请实施例可以增加用于确定人脸活体的机器学习模型的训练样本数量，提高确定人脸活体的准确性。由本实施例获取更多的负样本，就能够减少机器学习模型将负样本确定为人脸活体的几率。

进一步参考图4，其示出了用于生成图像的方法的又一个实施例的流程400。该用于生成图像的方法的流程400，包括以下步骤：

步骤401，从获取的人脸图像中提取人脸区域。

在本实施例中，用于生成图像的方法运行于其上的电子设备(例如图1所示的服务器或终端设备)可以从预先获取或者实时获取的人脸图像中提取人脸区域。人脸区域为人脸图像中呈现完整人脸的区域。该区域的形状可以是人脸外轮廓的形状，也可以是指定的任意形状，比如矩形。在这里，提取的人脸区域的数量可以是一个或者两个以上。

具体地，可以对人脸图像进行人脸检测，确定人脸所在的区域，继而得到人脸区域。

步骤402，对所提取的人脸区域进行空间变换，生成变换后人脸区域。

在本实施例中，上述电子设备可以对所提取的人脸区域进行空间变换。经过空间变换后的人脸区域为变换后人脸区域。

在实践中，上述电子设备可以采用多种方式进行空间变换，比如，可以采用仿射变换，还可以采用投影变换。在采用仿射变换时，上述电子设备可以对人脸区域进行平移、缩放、翻转和旋转中的至少一种变换。

步骤403，获取预设背景图像中的人脸的特征点，获取所提取的人脸区域的特征点。

在本实施例中，上述电子设备可以从本地或者其他电子设备获取预设背景图像中的人脸的特征点，以及所提取的人脸区域的特征点。从本地获取可以是获取在先提取的人脸的特征点，也可以是实时提取特征点。特征点为人脸上可以体现面部的特点的位点，比如鼻子，眼角、上嘴唇等等。本实施例中的预设背景图像包括人脸。

步骤404，基于所获取的人脸的特征点和人脸区域的特征点，确定进行空间变换所采用的变换矩阵。

在本实施例中，如果需要进行空间变换，可以先获取变换矩阵。上述电子设备可以基于所获取的人脸的特征点和上述人脸区域的特征点，确定进行空间变换所采用的变换矩阵。

在实践中，上述电子设备可以确定出各个特征点的坐标。在人脸区域中的特征点和预设背景图像中的人脸的特征点是一一对应相同的，比如，人脸区域中的上嘴唇与预设背景图像中的人脸的上嘴唇相同。上述电子设备可以根据人脸区域和预设背景图像中相对应的特征点的坐标，确定变换矩阵。

步骤405，采用变换矩阵，对人脸区域进行空间变换，生成变换后人脸区域。

在本实施例中，上述电子设备采用变换矩阵，对人脸区域进行空间变换，得到变换后人脸区域。

在实践中，上述电子设备可以将上述人脸区域中的特征点的坐标和预设背景图像中的人脸的特征点的坐标分别作为变换前的坐标和变换后的坐标。上述电子设备可以使用变换矩阵，以及变换前坐标和变换后坐标，对人脸区域进行空间变换，以得到变换后人脸区域。

步骤406，将变换后人脸区域覆盖到预设背景图像中的人脸中，以使所述变换后人脸区域的特征点与所述背景图像的人脸中的特征点的位置一一对应。

在本实施例中，上述电子设备将变换后人脸区域覆盖到预设背景图像中的人脸中，以使所述变换后人脸区域的特征点与所述背景图像的人脸中的特征点的位置一一对应。变换后人脸区域中的每个特征点覆盖在预设背景图像中的与之相对应的特征点上。

步骤407，将目标图像作为负样本加入机器学习模型的训练样本集中。

在本实施例中，上述电子设备将目标图像作为负样本加入机器学习模型的训练样本集中。其中，机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

本实施例的空间变换和覆盖可以精确得让人脸区域和预设背景图像中的特征点相互对应，生成准确的目标图像。

进一步参考图5，其示出了用于检测人脸活体的方法的一个实施例的流程500。该用于检测人脸活体的方法的流程500，包括以下步骤：

步骤501，获取目标人脸图像。

在本实施例中，用于检测人脸活体的方法运行于其上的电子设备(例如图1所示的服务器或终端设备)可以从本地或者其他电子设备获取目标人脸图像。目标人脸图像为呈现有人脸的图像。

步骤502，将目标人脸图像输入预先训练的机器学习模型中，得到检测结果，其中，预先训练的机器学习模型可以用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

在本实施例中，上述电子设备将上述目标图像输入预先训练的机器学习模型中，得到检测结果。并且，预先训练的机器学习模型可以采用基于如图2所示的实施例或图4所示的实施例的用于生成图像的方法获得的训练样本集训练得到。

具体地，检测结果可以表明人脸图像所指示拍摄对象是否为人脸活体。比如，检测结果可以是表示“拍摄对象是人脸活体”或“拍摄对象不是人脸活体”的标识。此外，检测结果也可以是拍摄对象是人脸活体的概率。例如，若概率大于某一预设阈值，则可以表示检测结果为拍摄对象是人脸活体。

在本实施例的一些可选的实现方式中，预先训练的机器学习模型通过如下步骤训练得到：

获取初始机器学习模型；

获取训练样本集；

将训练样本集中的训练样本输入初始机器学习模型中，利用机器学习方法，基于训练样本的标注信息对初始机器学习模型进行训练，得到机器学习模型。

在本实施例中，标注信息为表示人脸图像所指示的拍摄对象是否为人脸活体的信息，也是在训练前预先对人脸图像标注的信息。比如，标准信息可以是标识，也是可以表示人脸图像的拍摄对象是否为人脸活体的概率。训练时，可以将训练样本集中的人脸图像作为输入，将人脸图像中的人脸图像的标注信息作为输出对初始机器学习模型进行训练，得到机器学习模型。

初始机器学习模型可以为有待于采用上述训练步骤进行训练的机器学习模型。举例来说，初始机器学习模型可以是支持向量机(Support Vector Machine，SVM)、朴素贝叶斯模型(Naive Bayesian Model，NBM)模型等分类器(Classifier)等。此外，机器学习模型也可以是某些分类函数(例如softmax函数等)。

本实施例将目标图像加入了训练样本集，使训练样本更加丰富。进一步地，利用加入了目标图像的训练样本集训练得到的机器学习模型能够更加准确地确定图像的拍摄对象是否为人脸活体。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成图像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6所示，本实施例的用于生成图像的装置600包括：提取单元601、变换单元602、添加单元603和加入单元604。其中，提取单元601，配置用于从获取的人脸图像中提取人脸区域；变换单元602，配置用于对所提取的人脸区域进行空间变换，生成变换后人脸区域；添加单元603，配置用于将变换后人脸区域添加到预设背景图像中，生成目标图像；加入单元604，配置用于将目标图像作为负样本加入机器学习模型的训练样本集中，其中，机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

在本实施例中，提取单元601可以从预先获取或者实时获取的人脸图像中提取人脸区域。人脸区域为人脸图像中呈现完整人脸的区域。该区域的形状可以是人脸外轮廓的形状，也可以是指定的任意形状，比如矩形。在这里，提取的人脸区域的数量可以是一个或者两个以上。

在本实施例中，变换单元602可以对所提取的人脸区域进行空间变换。经过空间变换后的人脸区域为变换后人脸区域。在实践中，变换单元602可以采用多种方式进行空间变换，比如，可以采用投影变换。

在本实施例中，添加单元603可以将经过空间变换得到的变换后人脸区域添加到预设背景图像中，生成目标图像。这样，得到的目标图像就是人脸区域与预设背景图像相结合所得到的区域。在实践中，预设背景图像可以是呈现出各种图案的图像，也可以是一张无图案的图像。添加单元603可以采用多种方式将变换后人脸区域添加到预设背景图像中。举例来说，添加单元603可以将变换后人脸区域覆盖到预设背景图像中，或者叠加到预设背景图像中。

在本实施例中，加入单元604将目标图像作为负样本加入机器学习模型的训练样本集中。其中，机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。摄像头对拍摄对象进行拍摄，得到人脸图像。

在本实施例的一些可选的实现方式中，预设背景图像包括人脸；对所提取的人脸区域进行空间变换，生成变换后人脸区域，包括：获取预设背景图像中的人脸的特征点，获取所提取的人脸区域的特征点；基于所获取的人脸的特征点和人脸区域的特征点，确定进行空间变换所采用的变换矩阵；采用变换矩阵，对人脸区域进行空间变换，生成变换后人脸区域；将变换后人脸图像添加到预设背景图像中，生成目标图像，包括：将变换后人脸区域覆盖到预设背景图像中的人脸中，以使变换后人脸区域的特征点与背景图像的人脸中的特征点的位置一一对应。

在本实施例的一些可选的实现方式中，空间变换所采用的变换角度包括预先获取的多种变换角度之一或随机生成的变换角度。

进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种用于检测人脸活体的装置的一个实施例，该装置实施例与图5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7所示，本实施例的用于检测人脸活体的装置700包括：获取单元701和检测单元702。其中，获取单元701，配置用于获取目标人脸图像；检测单元702，配置用于将目标人脸图像输入预先训练的机器学习模型中，得到检测结果，预先训练的机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体；预先训练的机器学习模型采用基于如图6任意一项的装置获得的训练样本集训练得到。

在本实施例的一些可选的实现方式中，预先训练的机器学习模型通过如下步骤训练得到：获取初始机器学习模型；获取训练样本集；将训练样本集中的训练样本输入初始机器学习模型中，利用机器学习方法，基于训练样本的标注信息对初始机器学习模型进行训练，得到机器学习模型。

下面参考图8，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800的结构示意图。图8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8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。

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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801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：一种处理器包括提取单元、变换单元、添加单元和加入单元。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，提取单元还可以被描述为“从获取的人脸图像中提取人脸区域的单元”。

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装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：从获取的人脸图像中提取人脸区域；对所提取的人脸区域进行空间变换，生成变换后人脸区域；将变换后人脸区域添加到预设背景图像中，生成目标图像；将目标图像作为负样本加入机器学习模型的训练样本集中，其中，机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

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。

Claims (14)

1.一种用于生成图像的方法，包括：

从获取的人脸图像中提取人脸区域；

对所提取的人脸区域进行空间变换，生成变换后人脸区域；

将所述变换后人脸区域添加到预设背景图像中，生成目标图像；

将所述目标图像作为负样本加入机器学习模型的训练样本集中，其中，所述机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

2.根据权利要求1的方法，其中，预设背景图像包括人脸；

所述对所提取的人脸区域进行空间变换，生成变换后人脸区域，包括：

获取所述预设背景图像中的人脸的特征点，获取所提取的人脸区域的特征点；

基于所获取的人脸的特征点和所述人脸区域的特征点，确定进行空间变换所采用的变换矩阵；

采用所述变换矩阵，对所述人脸区域进行空间变换，生成变换后人脸区域；

所述将所述变换后人脸图像添加到所述预设背景图像中，生成目标图像，包括：

将所述变换后人脸区域覆盖到所述预设背景图像中的人脸中，以使所述变换后人脸区域的特征点与所述背景图像的人脸中的特征点的位置一一对应。

3.根据权利要求1的方法，其中，空间变换所采用的变换角度包括预先获取的多种变换角度之一或随机生成的变换角度。

4.一种用于检测人脸活体的方法，方法包括：

获取目标人脸图像；

将所述目标人脸图像输入预先训练的机器学习模型中，得到检测结果，预先训练的机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体；

其中，预先训练的机器学习模型采用基于如权利要求1-3中任意一项的方法获得的训练样本集训练得到。

5.根据权利要求4的方法，其中，预先训练的机器学习模型通过如下步骤训练得到：

获取初始机器学习模型；

获取训练样本集；

将所述训练样本集中的训练样本输入初始机器学习模型中，利用机器学习方法，基于训练样本的标注信息对所述初始机器学习模型进行训练，得到机器学习模型。

6.一种用于生成图像的装置，包括：

提取单元，配置用于从获取的人脸图像中提取人脸区域；

变换单元，配置用于对所提取的人脸区域进行空间变换，生成变换后人脸区域；

添加单元，配置用于将所述变换后人脸区域添加到预设背景图像中，生成目标图像；

加入单元，配置用于将所述目标图像作为负样本加入机器学习模型的训练样本集中，其中，所述机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体。

7.根据权利要求6的装置，其中，预设背景图像包括人脸；

所述变换单元，包括：

获取模块，配置用于获取所述预设背景图像中的人脸的特征点，获取所提取的人脸区域的特征点；

确定模块，配置用于基于所获取的人脸的特征点和所述人脸区域的特征点，确定进行空间变换所采用的变换矩阵；

生成模块，配置用于采用所述变换矩阵，对所述人脸区域进行空间变换，生成变换后人脸区域；以及

所述添加单元进一步配置用于：

将所述变换后人脸区域覆盖到预设背景图像中的人脸中，以使所述变换后人脸区域的特征点与所述背景图像的人脸中的特征点的位置一一对应。

8.根据权利要求7的装置，其中，空间变换所采用的变换角度包括预先获取的多种变换角度之一或随机生成的变换角度。

9.一种用于检测人脸活体的装置，装置包括：

获取单元，配置用于获取目标人脸图像；

检测单元，配置用于将所述目标人脸图像输入预先训练的机器学习模型中，得到检测结果，预先训练的机器学习模型用于基于输入其中的人脸图像确定人脸图像所指示的拍摄对象是否为人脸活体；

其中，预先训练的机器学习模型采用基于如权利要求6-8中任意一项的装置获得的训练样本集训练得到。

10.根据权利要求9的装置，其中，预先训练的机器学习模型通过如下步骤训练得到：

获取初始机器学习模型；

获取训练样本集；

将所述训练样本集中的训练样本输入初始机器学习模型中，利用机器学习方法，基于训练样本的标注信息对所述初始机器学习模型进行训练，得到机器学习模型。

11.一种电子设备，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权利要求1-3中任一的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-3中任一的方法。

13.一种电子设备，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权利要求4-5中任一的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求4-5中任一的方法。