人脸图像识别方法、装置、电子设备和计算机可读介质与流程

本公开的实施例涉及人脸识别技术领域，具体涉及人脸图像识别方法、装置、电子设备和计算机可读介质。

背景技术：

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

实际中，受拍摄距离、镜头像素、环境光亮度等因素的影响，人脸图像的清晰度可能不高。相应的，对人脸识别的准确性也就不高。

技术实现要素：

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了人脸图像识别方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种人脸图像识别方法，该方法包括：对待处理人脸图像的清晰度进行检测；响应于上述清晰度小于设定清晰度阈值，基于上述待处理人脸图像生成人脸模拟图像，上述人脸模拟图像的清晰度大于上述清晰度阈值；对上述人脸模拟图像进行识别，得到对应上述待处理人脸图像的人脸识别信息。

第二方面，本公开的一些实施例提供了一种人脸图像识别装置，该装置包括：图像清晰度检测单元，被配置成对待处理人脸图像的清晰度进行检测；人脸模拟图像生成单元，响应于上述清晰度小于设定清晰度阈值，被配置成基于上述待处理人脸图像生成人脸模拟图像，上述人脸模拟图像的清晰度大于上述清晰度阈值；人脸识别单元，被配置成对上述人脸模拟图像进行识别，得到对应上述待处理人脸图像的人脸识别信息。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述第一方面的人脸图像识别方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述第一方面的人脸图像识别方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先对待处理人脸图像的清晰度进行检测，实现了对图像质量的预处理。然后在清晰度小于设定清晰度阈值的情况下，生成对应待处理人脸图像的人脸模拟图像。其中，人脸模拟图像的清晰度大于清晰度阈值，并且人脸模拟图像保留了待处理人脸图像的人脸特征。如此，有利于提高对人脸图像识别的准确性。最后对人脸模拟图像进行识别，得到人脸识别信息。从而提高了对待处理人脸图像的识别准确性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的人脸图像识别方法的应用场景的示意图；

图2是根据本公开的人脸图像识别方法的一些实施例的流程图；

图3是根据本公开的人脸图像识别方法的另一些实施例的流程图；

图4是根据本公开的人脸图像识别方法的另一些实施例的流程图；

图5是根据本公开的人脸图像识别装置的一些实施例的结构示意图；

图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的人脸图像识别方法的一个应用场景的示意图。

如图1所示，电子设备100接收到待处理人脸图像101后，为了保证对人脸识别的准确性和有效性，可以首先检测待处理人脸图像101的清晰度102。当清晰度102大于等于设定清晰度阈值时，说明可以对待处理人脸图像101进行准确的人脸识别。当清晰度102小于设定清晰度阈值时，说明直接对待处理人脸图像101进行人脸识别时，无法得到准确有效的人脸识别信息。此时，电子设备100可以基于待处理人脸图像101生成人脸模拟图像103。其中，人脸模拟图像103为与待处理人脸图像101的图像内容相同，但清晰度高于设定清晰度阈值的图像。在此基础上，电子设备100直接对人脸模拟图像103进行人脸识别，得到的人脸识别信息具有更高的准确性和有效性。

应该理解，图1中的电子设备100数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备100。

继续参考图2，图2示出了根据本公开的人脸图像识别方法的一些实施例的流程200。该人脸图像识别方法，包括以下步骤：

步骤201，对待处理人脸图像的清晰度进行检测。

在一些实施例中，人脸图像识别方法的执行主体(例如图1所示的电子设备100)可以通过有线连接方式或者无线连接方式接收待处理人脸图像。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

执行主体可以对待处理人脸图像的清晰度进行检测。例如，执行主体可以将待处理人脸图像转换为灰度图，并对灰度图进行降噪处理得到降噪图像。然后，获取降噪图像内的边缘点。其中，边缘点可以表征降噪图像内的各种与人脸图像相关的线条。执行主体对降噪图像作低通滤波处理后可以得到模糊图像，然后再计算降噪图像和模糊图像中每个边缘点的清晰度特征量，进而计算每个边缘点的清晰度值。最后，将全部的边缘点的清晰度值的均值作为待处理人脸图像的清晰度。执行主体还可以检测待处理人脸图像内像素的对比度。当对比度小于设定阈值时，可以认为待处理人脸图像内的像素差别过小，不易对待处理人脸图像进行人脸识别。反之，当对比度大于等于设定阈值时，可以对待处理人脸图像进行人脸识别。

步骤202，响应于上述清晰度小于设定清晰度阈值，基于上述待处理人脸图像生成人脸模拟图像。

在一些实施例中，当清晰度小于设定清晰度阈值时，执行主体可以通过多种方法生成对应待处理人脸图像的人脸模拟图像。例如，执行主体可以对待处理人脸图像进行图像处理，提高待处理人脸图像的亮度、增加对比度等方式来获取人脸模拟图像。其中，上述人脸模拟图像可以是与待处理人脸图像的图像内容相同，且清晰度大于上述清晰度阈值的图像。

步骤203，对上述人脸模拟图像进行识别，得到对应上述待处理人脸图像的人脸识别信息。

得到人脸模拟图像后，执行主体可以对人脸模拟图像进行人脸识别，以得到对应待处理人脸图像的人脸识别信息。如此，可以提高对待处理人脸图像的识别准确性和有效性。

本公开的一些实施例公开的人脸图像识别方法，首先对待处理人脸图像的清晰度进行检测，实现了对图像质量的预处理。然后在清晰度小于设定清晰度阈值的情况下，生成对应待处理人脸图像的人脸模拟图像。其中，人脸模拟图像的清晰度大于清晰度阈值，并且人脸模拟图像保留了待处理人脸图像的人脸特征。如此，有利于提高对人脸图像识别的准确性。最后对人脸模拟图像进行识别，得到人脸识别信息。从而提高了对待处理人脸图像的识别准确性。

继续参考图3，图3示出了根据本公开的人脸图像识别方法的一些实施例的流程300。该人脸图像识别方法，包括以下步骤：

步骤301，对待处理人脸图像的清晰度进行检测。

步骤301的内容与步骤201的内容相同，此处不再一一赘述。

步骤302，将上述待处理人脸图像导入人脸图像生成模型，得到上述人脸模拟图像。

执行主体可以将待处理人脸图像导入人脸图像生成模型，得到上述人脸模拟图像。其中，人脸图像生成模型可以是深度学习模型、遗传算法模型等多种模型，此处不再一一赘述。

在一些实施例的一些可选的实现方式中，上述人脸图像生成模型通过以下步骤获取：

第一步，获取多个样本人脸输入图像和与上述多个样本人脸输入图像中的每个样本人脸输入图像对应的样本人脸目标图像。

执行主体可以获取多个样本人脸输入图像和多个样本人脸目标图像。其中，上述样本人脸输入图像的清晰度小于等于上述清晰度阈值，上述样本人脸目标图像与上述样本人脸输入图像的图像内容相同，并且清晰度大于上述清晰度阈值的图像。样本人脸目标图像可以是人工标注的、包含多个人脸关键点的图像。样本人脸输入图像和对应的样本人脸目标图像可以是各种角度、距离情况下的人脸图像。

可选的，执行主体还可以首先获取清晰的样本人脸目标图像，然后对样本人脸目标图像进行处理，得到清晰度小于清晰度阈值的样本人脸输入图像。执行主体还可以通过其他方式来获取样本人脸输入图像和样本人脸目标图像，此处不再一一赘述。

第二步，提取预先建立的生成式对抗网络。

在本实施例中，上述执行主体可以提取预先建立的生成式对抗网络(generativeadversarialnets，gan)。其中，上述生成式对抗网络包括生成网络和判别网络，生成网络用于利用人脸输入图像生成人脸目标图像，判别网络用于确定输入上述判别网络的图像是否是生成网络输出的图像。

需要说明的是，上述生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构)。上述判别网络可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构，其中，上述全连接层可以实现分类功能)。此外，上述判别网络也可以是用于实现分类功能的其他模型结构，例如支持向量机(supportvectormachine，svm)。示例性的，判别网络若判定输入的图像是上述生成网络所输出的图像(来自生成数据)，则可以输出1；若判定输入的图像不是上述生成网络所输出的图像，则可以输出0。需要说明的是，判别网络也可以输出其他数值，例如输出0-1之间的数值，该数值表征输入判别网络的图像来自真实数据的概率。

第三步，利用机器学习方法，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，将生成网络输出的图像和输入生成网络的样本人脸输入图像对应的样本人脸目标图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为人脸图像生成模型。

在本实施例中，基于上述的生成式对抗网络，执行主体可以利用机器学习方法，将多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，将生成网络输出的图像和输入生成网络的样本人脸输入图像对应的样本人脸目标图像作为判别网络的输入，对生成网络和判别网络进行训练。然后，将训练后的生成网络确定为人脸图像生成模型。

在一些实施例的一些可选的实现方式中，上述对生成网络和判别网络进行训练，将训练后的生成网络确定为人脸图像生成模型，可以执行如下训练步骤：

第一步，固定上述生成网络的参数，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，将生成网络输出的图像和输入生成网络的样本人脸输入图像对应的样本人脸目标图像作为判别网络的输入，利用机器学习方法对判别网络进行训练。机器学习方法可以是监督学习、非监督学习、半监督学习、强化学习等。

第二步，固定训练后的判别网络的参数，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，利用机器学习方法对生成网络进行训练。执行主体还可以将机器学习方法与反向传播算法、梯度下降算法等结合起来对生成网络进行训练。

第三步，确定训练后的判别网络输出的判别结果的准确率，响应于确定准确率大于准确率阈值(例如可以是80％)，将最近一次训练的生成网络确定为人脸图像生成模型。

在一些实施例中，响应于确定准确率小于等于上述准确率阈值，使用最近一次训练的生成网络和判别网络重新执行上述训练步骤。因此，生成式对抗网络训练得到的人脸图像生成模型的参数不仅可以基于训练样本得到，且可以基于判别网络的反向传播而确定，不需要依赖大量的有标注的样本即可实现生成模型的训练，从而得到人脸图像生成模型，减少了人力成本，提高了生成人脸模拟图像的准确性和有效性。

在一些实施例的一些可选的实现方式中，上述样本人脸目标图像可以通过以下步骤获取：

第一步，获取上述样本人脸输入图像的人脸特征。

为了得到准确有效的样本人脸目标图像，执行主体可以首先获取上述样本人脸输入图像的人脸特征。其中，人脸特征可以是圆脸、长脸、方脸等。

第二步，基于上述人脸特征确定人脸预测关键点。

人脸上的各个脸部器官(例如可以是眼睛、眉毛、鼻子、嘴等)有相对固定的位置。执行主体可以根据人脸特征确定人脸预测关键点。如此，使得人脸预测关键点与人脸特征建立的对应关系，有利于使得后续的样本人脸目标图像与样本人脸输入图像具备相同的人脸特征。

第三步，通过上述人脸预测关键点构建样本人脸目标图像。

得到人脸预测关键点后，执行主体可以基于人脸预测关键点来构建样本人脸目标图像。即，样本人脸目标图像可以是执行主体构建出来的、包含了样本人脸输入图像的人脸预测关键点的假脸图像。

在一些实施例的一些可选的实现方式中，上述基于上述人脸特征确定人脸预测关键点，可以包括以下步骤：

第一步，基于上述人脸结构信息确定人脸预测关键点位置信息和人脸预测关键点初始图像。

实际中，人脸可以面向各个方向，人脸也各不相同。因此，上述人脸特征可以包括人脸空间倾斜度、人脸结构信息。执行主体可以基于人脸结构信息确定人脸预测关键点位置信息。然后，执行主体可以根据人脸预测关键点位置信息进一步确定人脸预测关键点初始图像。其中，人脸预测关键点初始图像可以是人脸预测关键点对应的人脸器官的图像。

第二步，基于上述人脸空间倾斜度对上述人脸预测关键点位置信息和人脸预测关键点初始图像进行调整，确定人脸预测关键点。

各个脸部器官在不同的空间倾斜度下可以呈现不同的图像。执行主体可以根据人脸空间倾斜度对上述人脸预测关键点位置信息和人脸预测关键点初始图像进行调整，进而确定人脸预测关键点。如此，大大提高了人脸预测关键点的准确性和有效性。

在一些实施例的一些可选的实现方式中，上述通过上述人脸预测关键点构建样本人脸目标图像，可以包括以下步骤：

第一步，基于上述人脸预测关键点构建初始人脸图像。

得到人脸预测关键点后，执行主体可以参考上述的人脸结构信息来构建初始人脸图像。此时，初始人脸图像只包含人脸预测关键点和人脸结构信息，不受环境光等因素的感染。因此，初始人脸图像的清晰度可以很高。

第二步，对上述初始人脸图像进行渲染得到样本人脸目标图像。

最后，执行主体可以对上述初始人脸图像进行渲染得到样本人脸目标图像。此时，得到的样本人脸目标图像可以是包含了样本人脸输入图像的人脸关键点，并且清晰度很高(高于上述清晰度阈值)的图像。

步骤303，对上述人脸模拟图像进行识别，得到对应上述待处理人脸图像的人脸识别信息。

步骤303的内容与步骤203的内容相同，此处不再一一赘述。

进一步参考图4，其示出了人脸图像识别方法的另一个应用场景的示意图。

图4中，电子设备首先接收到待处理人脸图像401，在待处理人脸图像401的清晰度小于设定清晰度阈值的情况下，根据待处理人脸图像401中的人脸特征确定多个人脸预测关键点402。之后，根据人脸预测关键点402生成人脸模拟图像403。则人脸模拟图像403可以是包含了的待处理人脸图像401中的人脸特征，且清晰度大于清晰度阈值的假脸图像。之后，电子设备对人脸模拟图像403进行人脸识别，得到的人脸识别信息404就是待处理人脸图像401的人脸识别信息。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种人脸图像识别装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的人脸图像识别装置500包括：图像清晰度检测单元501、人脸模拟图像生成单元502和人脸识别单元503。其中，图像清晰度检测单元501，被配置成对待处理人脸图像的清晰度进行检测；人脸模拟图像生成单元502，响应于上述清晰度小于设定清晰度阈值，被配置成基于上述待处理人脸图像生成人脸模拟图像，上述人脸模拟图像的清晰度大于上述清晰度阈值；人脸识别单元503，被配置成对上述人脸模拟图像进行识别，得到对应上述待处理人脸图像的人脸识别信息。

在一些实施例的可选实现方式中，上述人脸模拟图像生成单元502可以包括：人脸模拟图像生成子单元(图中未示出)，被配置成将上述待处理人脸图像导入人脸图像生成模型，得到上述人脸模拟图像。

在一些实施例的可选实现方式中，上述人脸模拟图像生成子单元可以包括人脸图像生成模型模块(图中未示出)，被配置成训练人脸图像生成模型，上述人脸图像生成模型模块可以包括：样本获取子模块(图中未示出)、网络提取子模块(图中未示出)和人脸图像生成模型训练子模块(图中未示出)。其中，样本获取子模块，被配置成获取多个样本人脸输入图像和与上述多个样本人脸输入图像中的每个样本人脸输入图像对应的样本人脸目标图像，其中，上述样本人脸输入图像的清晰度小于等于上述清晰度阈值，上述样本人脸目标图像与上述样本人脸输入图像的图像内容相同，并且清晰度大于上述清晰度阈值的图像；网络提取子模块，被配置成提取预先建立的生成式对抗网络，其中，上述生成式对抗网络包括生成网络和判别网络，生成网络用于利用人脸输入图像生成人脸目标图像，判别网络用于确定输入上述判别网络的图像是否是生成网络输出的图像；人脸图像生成模型训练子模块，被配置成利用机器学习方法，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，将生成网络输出的图像和输入生成网络的样本人脸输入图像对应的样本人脸目标图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为人脸图像生成模型。

在一些实施例的可选实现方式中，上述人脸图像生成模型训练子模块可以包括：人脸图像生成模型训练模组(图中未示出)，被配置成固定上述生成网络的参数，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，将生成网络输出的图像和输入生成网络的样本人脸输入图像对应的样本人脸目标图像作为判别网络的输入，利用机器学习方法对判别网络进行训练；固定训练后的判别网络的参数，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，利用机器学习方法对生成网络进行训练；确定训练后的判别网络输出的判别结果的准确率，响应于确定准确率大于准确率阈值，将最近一次训练的生成网络确定为人脸图像生成模型。

在一些实施例的可选实现方式中，上述人脸图像生成模型训练子模块还包括：调整模组(图中未示出)，响应于确定准确率小于等于上述准确率阈值，被配置成使用最近一次训练的生成网络和判别网络返回上述人脸图像生成模型训练模组。

在一些实施例的可选实现方式中，上述样本获取子模块包括样本人脸目标图像构建模组(图中未示出)，上述样本人脸目标图像构建模组可以包括：人脸特征获取子模组(图中未示出)、人脸预测关键点确定子模组(图中未示出)和样本人脸目标图像构建子模组(图中未示出)。其中，人脸特征获取子模组，被配置成获取上述样本人脸输入图像的人脸特征；人脸预测关键点确定子模组，被配置成基于上述人脸特征确定人脸预测关键点；样本人脸目标图像构建子模组，被配置成通过上述人脸预测关键点构建样本人脸目标图像。

在一些实施例的可选实现方式中，上述人脸特征包括人脸空间倾斜度、人脸结构信息，以及，上述人脸预测关键点确定子模组可以包括：预测组件(图中未示出)和人脸预测关键点确定组件(图中未示出)。其中，预测组件，被配置成基于上述人脸结构信息确定人脸预测关键点位置信息和人脸预测关键点初始图像；人脸预测关键点确定组件，被配置成基于上述人脸空间倾斜度对上述人脸预测关键点位置信息和人脸预测关键点初始图像进行调整，确定人脸预测关键点。

在一些实施例的可选实现方式中，上述样本人脸目标图像构建子模组可以包括：初始人脸图像构建组件(图中未示出)和样本人脸目标图像生成组件(图中未示出)。其中，初始人脸图像构建组件，被配置成基于上述人脸预测关键点构建初始人脸图像；样本人脸目标图像生成组件，被配置成对上述初始人脸图像进行渲染得到样本人脸目标图像。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：对待处理人脸图像的清晰度进行检测；响应于上述清晰度小于设定清晰度阈值，基于上述待处理人脸图像生成人脸模拟图像，上述人脸模拟图像的清晰度大于上述清晰度阈值；对上述人脸模拟图像进行识别，得到对应上述待处理人脸图像的人脸识别信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

描述于本公开的一些实施例中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：一种处理器包括图像清晰度检测单元、人脸模拟图像生成单元和人脸识别单元。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，人脸模拟图像生成单元还可以被描述为“生成对应待处理人脸图像的假脸图像的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

根据本公开的一个或多个实施例，提供了一种人脸图像识别方法，包括：对待处理人脸图像的清晰度进行检测；响应于上述清晰度小于设定清晰度阈值，基于上述待处理人脸图像生成人脸模拟图像，上述人脸模拟图像的清晰度大于上述清晰度阈值；对上述人脸模拟图像进行识别，得到对应上述待处理人脸图像的人脸识别信息。

根据本公开的一个或多个实施例，上述基于上述待处理人脸图像生成人脸模拟图像，包括：将上述待处理人脸图像导入人脸图像生成模型，得到上述人脸模拟图像。

根据本公开的一个或多个实施例，上述人脸图像生成模型通过以下步骤获取：获取多个样本人脸输入图像和与上述多个样本人脸输入图像中的每个样本人脸输入图像对应的样本人脸目标图像，其中，上述样本人脸输入图像的清晰度小于等于上述清晰度阈值，上述样本人脸目标图像与上述样本人脸输入图像的图像内容相同，并且清晰度大于上述清晰度阈值的图像；提取预先建立的生成式对抗网络，其中，上述生成式对抗网络包括生成网络和判别网络，生成网络用于利用人脸输入图像生成人脸目标图像，判别网络用于确定输入上述判别网络的图像是否是生成网络输出的图像；利用机器学习方法，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，将生成网络输出的图像和输入生成网络的样本人脸输入图像对应的样本人脸目标图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为人脸图像生成模型。

根据本公开的一个或多个实施例，上述对生成网络和判别网络进行训练，将训练后的生成网络确定为人脸图像生成模型，包括：执行如下训练步骤：固定上述生成网络的参数，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，将生成网络输出的图像和输入生成网络的样本人脸输入图像对应的样本人脸目标图像作为判别网络的输入，利用机器学习方法对判别网络进行训练；固定训练后的判别网络的参数，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，利用机器学习方法对生成网络进行训练；确定训练后的判别网络输出的判别结果的准确率，响应于确定准确率大于准确率阈值，将最近一次训练的生成网络确定为人脸图像生成模型。

根据本公开的一个或多个实施例，上述对生成网络和判别网络进行训练，将训练后的生成网络确定为人脸图像生成模型，还包括：响应于确定准确率小于等于上述准确率阈值，使用最近一次训练的生成网络和判别网络重新执行上述训练步骤。

根据本公开的一个或多个实施例，上述样本人脸目标图像通过以下步骤获取：获取上述样本人脸输入图像的人脸特征；基于上述人脸特征确定人脸预测关键点；通过上述人脸预测关键点构建样本人脸目标图像。

根据本公开的一个或多个实施例，上述人脸特征包括人脸空间倾斜度、人脸结构信息，以及，上述基于上述人脸特征确定人脸预测关键点，包括：基于上述人脸结构信息确定人脸预测关键点位置信息和人脸预测关键点初始图像；基于上述人脸空间倾斜度对上述人脸预测关键点位置信息和人脸预测关键点初始图像进行调整，确定人脸预测关键点。

根据本公开的一个或多个实施例，上述通过上述人脸预测关键点构建样本人脸目标图像，包括：基于上述人脸预测关键点构建初始人脸图像；对上述初始人脸图像进行渲染得到样本人脸目标图像。

根据本公开的一个或多个实施例，提供了一种人脸图像识别装置，包括：图像清晰度检测单元，被配置成对待处理人脸图像的清晰度进行检测；人脸模拟图像生成单元，响应于上述清晰度小于设定清晰度阈值，被配置成基于上述待处理人脸图像生成人脸模拟图像，上述人脸模拟图像的清晰度大于上述清晰度阈值；人脸识别单元，被配置成对上述人脸模拟图像进行识别，得到对应上述待处理人脸图像的人脸识别信息。

根据本公开的一个或多个实施例，上述人脸模拟图像生成单元包括：人脸模拟图像生成子单元，被配置成将上述待处理人脸图像导入人脸图像生成模型，得到上述人脸模拟图像。

根据本公开的一个或多个实施例，上述人脸模拟图像生成子单元包括人脸图像生成模型模块，被配置成训练人脸图像生成模型，上述人脸图像生成模型模块包括：样本获取子模块，被配置成获取多个样本人脸输入图像和与上述多个样本人脸输入图像中的每个样本人脸输入图像对应的样本人脸目标图像，其中，上述样本人脸输入图像的清晰度小于等于上述清晰度阈值，上述样本人脸目标图像与上述样本人脸输入图像的图像内容相同，并且清晰度大于上述清晰度阈值的图像；网络提取子模块，被配置成提取预先建立的生成式对抗网络，其中，上述生成式对抗网络包括生成网络和判别网络，生成网络用于利用人脸输入图像生成人脸目标图像，判别网络用于确定输入上述判别网络的图像是否是生成网络输出的图像；人脸图像生成模型训练子模块，被配置成利用机器学习方法，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，将生成网络输出的图像和输入生成网络的样本人脸输入图像对应的样本人脸目标图像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为人脸图像生成模型。

根据本公开的一个或多个实施例，上述人脸图像生成模型训练子模块包括：人脸图像生成模型训练模组，被配置成固定上述生成网络的参数，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，将生成网络输出的图像和输入生成网络的样本人脸输入图像对应的样本人脸目标图像作为判别网络的输入，利用机器学习方法对判别网络进行训练；固定训练后的判别网络的参数，将上述多个样本人脸输入图像中的每个样本人脸输入图像作为生成网络的输入，利用机器学习方法对生成网络进行训练；确定训练后的判别网络输出的判别结果的准确率，响应于确定准确率大于准确率阈值，将最近一次训练的生成网络确定为人脸图像生成模型。

根据本公开的一个或多个实施例，上述人脸图像生成模型训练子模块还包括：调整模组，响应于确定准确率小于等于上述准确率阈值，被配置成使用最近一次训练的生成网络和判别网络返回上述人脸图像生成模型训练模组。

根据本公开的一个或多个实施例，上述样本获取子模块包括样本人脸目标图像构建模组，上述样本人脸目标图像构建模组包括：人脸特征获取子模组，被配置成获取上述样本人脸输入图像的人脸特征；人脸预测关键点确定子模组，被配置成基于上述人脸特征确定人脸预测关键点；样本人脸目标图像构建子模组，被配置成通过上述人脸预测关键点构建样本人脸目标图像。

根据本公开的一个或多个实施例，上述人脸特征包括人脸空间倾斜度、人脸结构信息，以及，上述人脸预测关键点确定子模组包括：

预测组件，被配置成基于上述人脸结构信息确定人脸预测关键点位置信息和人脸预测关键点初始图像；人脸预测关键点确定组件，被配置成基于上述人脸空间倾斜度对上述人脸预测关键点位置信息和人脸预测关键点初始图像进行调整，确定人脸预测关键点。

根据本公开的一个或多个实施例，上述样本人脸目标图像构建子模组包括：初始人脸图像构建组件，被配置成基于上述人脸预测关键点构建初始人脸图像；样本人脸目标图像生成组件，被配置成对上述初始人脸图像进行渲染得到样本人脸目标图像。

以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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。