本申请实施例涉及图形识别技术领域，具体涉及用于获取图像的方法及装置。
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。人脸识别技术在实际中得到广泛应用。
技术实现要素：
本申请实施例提出了用于获取图像的方法及装置。
第一方面，本申请实施例提供了一种用于获取图像的方法，该方法包括：获取至少一条人脸描述信息，上述人脸描述信息用于描述人脸特征；对于上述至少一条人脸描述信息中的人脸描述信息，获取对应该人脸描述信息的特征标签，上述特征标签用于标识人脸特征的分类；将对应上述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应上述至少一条人脸描述信息的至少一张人脸图像，上述人脸匹配模型用于表征特征标签与人脸图像库中人脸图像之间的对应关系。
在一些实施例中，上述获取对应该人脸描述信息的特征标签，包括：从该人脸描述信息提取人脸特征词和对应该人脸特征词的限定词，上述人脸特征词包括以下任意一项：眼睛、眉毛、耳朵、鼻子、嘴，上述限定词包括以下至少一项：大、小、高、低、正、斜；将上述人脸特征词和限定词组合起来构成该人脸描述信息的特征标签。
在一些实施例中，上述人脸匹配模型通过以下步骤构建：获取多个样本人脸图像和对应多个样本人脸图像中每个样本人脸图像的样本特征标签；将上述多个样本人脸图像中每个样本人脸图像作为输入，将上述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型。
在一些实施例中，上述将上述多个样本人脸图像中每个样本人脸图像作为输入，将上述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型，包括：执行以下训练步骤：将上述多个样本人脸图像中每个样本人脸图像依次输入至初始人脸匹配模型，得到上述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签，将上述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签与该样本人脸图像所对应的样本特征标签进行比较，得到上述初始人脸匹配模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始人脸匹配模型作为训练完成的人脸匹配模型。
在一些实施例中，上述将上述多个样本人脸图像中每个样本人脸图像作为输入，将上述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型，包括：响应于不大于上述预设准确率阈值，调整上述初始人脸匹配模型的参数，并继续执行上述训练步骤。
第二方面，本申请实施例提供了一种用于获取图像的装置，该装置包括：人脸描述信息获取单元，被配置成获取至少一条人脸描述信息，上述人脸描述信息用于描述人脸特征；特征标签获取单元，对于上述至少一条人脸描述信息中的人脸描述信息，被配置成获取对应该人脸描述信息的特征标签，上述特征标签用于标识人脸特征的分类；人脸图像获取单元，被配置成将对应上述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应上述至少一条人脸描述信息的至少一张人脸图像，上述人脸匹配模型用于表征特征标签与人脸图像库中人脸图像之间的对应关系。
在一些实施例中，上述特征标签获取单元包括：信息提取子单元，被配置成从该人脸描述信息提取人脸特征词和对应该人脸特征词的限定词，上述人脸特征词包括以下任意一项：眼睛、眉毛、耳朵、鼻子、嘴，上述限定词包括以下至少一项：大、小、高、低、正、斜；特征标签获取子单元，被配置成将上述人脸特征词和限定词组合起来构成该人脸描述信息的特征标签。
在一些实施例中，上述装置还包括人脸匹配模型构建单元，被配置成构建人脸匹配模型，上述人脸匹配模型构建单元包括：样本获取子单元，被配置成获取多个样本人脸图像和对应多个样本人脸图像中每个样本人脸图像的样本特征标签；人脸匹配模型构建子单元，被配置成将上述多个样本人脸图像中每个样本人脸图像作为输入，将上述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型。
在一些实施例中，上述人脸匹配模型构建子单元包括：人脸匹配模型构建模块，被配置成将上述多个样本人脸图像中每个样本人脸图像依次输入至初始人脸匹配模型，得到上述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签，将上述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签与该样本人脸图像所对应的样本特征标签进行比较，得到上述初始人脸匹配模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始人脸匹配模型作为训练完成的人脸匹配模型。
在一些实施例中，上述人脸匹配模型构建子单元包括：参数调整模块，响应于不大于上述预设准确率阈值，被配置成调整上述初始人脸匹配模型的参数，并继续执行上述训练步骤。
第三方面，本申请实施例提供了一种服务器，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用于获取图像的方法。
第四方面，本申请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用于获取图像的方法。
本申请实施例提供的用于获取图像的方法及装置，首先获取至少一条人脸描述信息，其中，人脸描述信息用于描述人脸特征；然后查询对应人脸描述信息的特征标签，其中，上述特征标签用于标识人脸特征的分类；最后将对应上述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应至少一条人脸描述信息的至少一张人脸图像。本技术方案通过将人脸描述信息导入人脸匹配模型获取人脸图像，提高了获取人脸图像的效率和准确性。
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是本申请的一个实施例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获取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获取图像的方法的一个应用场景的示意图；
图4是根据本申请的人脸匹配模型构建方法的一个实施例的流程图；
图5是根据本申请的用于获取图像的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的服务器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实施例的用于获取图像的方法或用于获取图像的装置的示例性系统架构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上可以安装有各种信息处理应用，例如音频采集应用、文字输入应用、搜索类应用、图像处理工具、图像显示应用等。
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，可以是具有显示屏并且支持信息获取的各种电子设备，包括但不限于智能手机、平板电脑、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)，也可以实现成单个软件或软件模块，在此不做具体限定。
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发来的人脸描述信息进行数据处理的服务器。服务器可以对人脸描述信息等数据进行分析等处理，并将处理结果(例如人脸图像)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获取图像的方法可以由终端设备101、102、103单独执行，或者也可以由终端设备101、102、103和服务器105共同执行。相应地，用于获取图像的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，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)，也可以实现成单个软件或软件模块，在此不做具体限定。
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获取图像的方法的一个实施例的流程200。该用于获取图像的方法包括以下步骤：
步骤201，获取至少一条人脸描述信息。
在本实施例中，用于获取图像的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以通过有线连接方式或者无线连接方式获取到至少一条人脸描述信息。其中，人脸描述信息可以是执行主体通过对采集到的音频进行语音识别获取到的；也可以是执行主体获取到的文字信息。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。
通常，人脸识别需要获取到人脸图像才可以识别人脸。对于实际中的某些不易获取人脸图像的情况，则无法应用人脸识别技术。例如，某人在经过事发场地时看到指定人员的面部，但没有及时获取指定人员面部的照片。因此，无法通过现有的人脸识别技术实现对指定人员面部的查找。
本申请的执行主体可以首先获取至少一条人脸描述信息。其中，人脸描述信息可以用于描述人脸特征。人脸特征可以是眼睛、耳朵、鼻子、嘴、痣等。人脸描述信息例如可以是：“他的眼睛比较小”、“他的鼻梁很高”等。人脸描述信息还可以是其他内容，具体根据实际情况而定。
步骤202，对于上述至少一条人脸描述信息中的人脸描述信息，查询对应该人脸描述信息的特征标签。
执行主体可以获取到至少一条人脸描述信息。对于每一条人脸描述信息而言，人脸描述信息的内容通常为常用语，不是能够直接应用于人脸识别的信息。为此，本申请的执行主体可以查询该人脸描述信息对应的特征标签。其中，特征标签可以用于标识人脸特征的分类。
在本实施例的一些可选的实现方式中，上述获取对应该人脸描述信息的特征标签，可以包括以下步骤：
第一步，从该人脸描述信息提取人脸特征词和对应该人脸特征词的限定词。
由上述描述可知，人脸描述信息通常是句子。为了便于查询对应的人脸图像，本申请的执行主体可以从该人脸描述信息提取人脸特征词和对应该人脸特征词的限定词。其中，上述人脸特征词可以包括以下任意一项：眼睛、眉毛、耳朵、鼻子、嘴、痣、斑、疤痕等。对应的，上述限定词可以包括以下至少一项：大、小、高、低、正、斜。例如，人脸描述信息为：“他的眼睛比较小”，则人脸特征词可以是“眼睛”，限定词可以是“小”。
第二步，将上述人脸特征词和限定词组合起来构成该人脸描述信息的特征标签。
得到人脸特征词和限定词后，执行主体可以将人脸特征词和限定词组合起来构成特征标签。例如，人脸特征词为“眼睛”，限定词为“小”，则特征标签可以是{眼睛；小}。特征标签还可以是其他表达形式，此处不再一一赘述。
步骤203，将对应上述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应上述至少一条人脸描述信息的至少一张人脸图像。
每条人脸描述信息都可以得到对应的特征标签。执行主体可以将这些导入预先训练的人脸匹配模型。人脸匹配模型可以查询人脸图像库中的人脸图像，以找到与这些特征标签对应的人脸图像。其中，人脸图像库中的人脸图像都具有对应的特征标签。上述人脸匹配模型可以用于表征特征标签与人脸图像库中人脸图像之间的对应关系。对于人脸图像库中的人脸图像中的某一人脸特征词，其限定词可以有多种。例如，人脸特征词为“眼睛”时，对应的限定词可以是：“大”、“小”、“双眼皮”、“单眼皮”。对应“眼睛”的特征标签可以是：{眼睛；大，小，双眼皮，单眼皮}。人脸特征词为“眉毛”时，对应的限定词可以是：“粗”、“细”、“长”、“短”、“浓”、“淡”等。对应“眉毛”的特征标签可以是：{眉毛；粗，细，长，短，浓，淡}。根据实际情况，限定词还可以是其他类型，此处不再一一赘述。当人脸匹配模型接收的特征标签中的限定词属于人脸图像库中的人脸图像对应的特征标签中的限定词中的一种时，可以认为人脸匹配模型接收的特征标签与人脸图像库中的该人脸图像对应。例如：人脸匹配模型接收的特征标签为{眼睛；小}，人脸图像库中的人脸图像对应特征标签为{眼睛；大，小，双眼皮，单眼皮}。则人脸匹配模型接收的特征标签与该人脸图像具有对应关系。当人脸匹配模型检测到人脸图像库中的某些人脸图像对应的特征标签与人脸匹配模型当前接收到的特征标签相同或相似时，可以将该人脸图像作为对应上述至少一条人脸描述信息的人脸图像。需要说明的是，人脸匹配模型接收的特征标签越多，人脸匹配模型越能够较为准确地查询到对应的人脸图像。
在本实施例的一些可选的实现方式中，将对应上述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应上述至少一条人脸描述信息的至少一张人脸图像包括：
根据至少一条特征标预测对应上述至少一条人脸描述信息的至少一张人脸图像。
实际中，还有一种可能性。当人脸图像库中实际不包含人脸描述信息对应的真正的人脸图像时，根据人脸匹配模型还可以预测出真正的人脸图像应该是什么样子。例如，当某人在暗光条件下看到指定人员的一侧面部人脸特征。虽然人脸图像库没有该指定人员的人脸图像，但人脸匹配模型可以根据人脸图像库中的、具有与指定人员的该侧面部人脸特征相似的至少一张人脸图像对该指定人员可能的真实人脸特征进行预测，得到与该指定人员真实人脸较为接近的预测人脸图像。进一步提高了通过人脸描述信息获取人脸图像的效率和准确率。
在本实施例的一些可选的实现方式中，上述人脸匹配模型通过以下步骤构建：
第一步，获取多个样本人脸图像和对应多个样本人脸图像中每个样本人脸图像的样本特征标签。
在构建人脸匹配模型时，本申请的执行主体可以获取多个样本人脸图像。技术人员可以根据经验或量化标准为每个样本人脸图像包含的每个人脸特征配置对应的样本特征标签。例如，对于某一样本人脸图像，其对应的样本特征标签可以是：{眼睛；大}、{鼻子；小}、{嘴；小}、{耳朵；大}。
第二步，将上述多个样本人脸图像中每个样本人脸图像作为输入，将上述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型。
执行主体可以将上述多个样本人脸图像中每个样本人脸图像作为输入，将上述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型。本申请的人脸匹配模型可以是人工神经网络，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。人工神经网络通常由大量的节点(或称神经元)之间相互联接构成，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重(又叫做参数)，网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。人脸匹配模型通常包括多个层，每个层包括多个节点，通常，同一层的节点的权重可以相同，不同层的节点的权重可以不同，故人脸匹配模型的多个层的参数也可以不同。
继续参见图3，图3是根据本实施例的用于获取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，用户通过终端设备102和网络104向服务器105发送人脸描述信息：“指定人员眼睛较大，有脸有黑痣”。服务器105接收到人脸描述信息后，获取人脸描述信息对应的特征标签可以是：{眼睛；大}、{痣；黑}。最后，执行主体可以将{眼睛；大}、{痣；黑}导入人脸匹配模型，得到至少人脸图像。
本申请的上述实施例提供的方法首先获取至少一条人脸描述信息，其中，人脸描述信息用于描述人脸特征；然后查询对应人脸描述信息的特征标签，其中，上述特征标签用于标识人脸特征的分类；最后将对应上述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应至少一条人脸描述信息的至少一张人脸图像。本技术方案通过将人脸描述信息导入人脸匹配模型获取人脸图像，提高了获取人脸图像的效率和准确性。
进一步参考图4，其示出了人脸匹配模型构建方法的又一个实施例的流程400。该人脸匹配模型构建方法的流程400，包括以下步骤：
步骤401，获取多个样本人脸图像和对应多个样本人脸图像中每个样本人脸图像的样本特征标签。
在本实施例中，人脸匹配模型构建方法运行于其上的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取多个样本人脸图像和对应多个样本人脸图像中每个样本人脸图像的样本特征标签。
步骤402，将上述多个样本人脸图像中每个样本人脸图像依次输入至初始人脸匹配模型，得到上述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签。
在本实施例中，执行主体可以将多个样本人脸图像中每个样本人脸图像依次输入至初始人脸匹配模型，从而得到多个样本人脸图像中每个样本人脸图像所对应的预测特征标签。这里，执行主体可以将每个样本人脸图像从初始人脸匹配模型的输入侧输入，依次经过初始人脸匹配模型中的各层的参数的处理，并从初始人脸匹配模型的输出侧输出，输出侧输出的信息即为该样本人脸图像所对应预测特征标签。其中，初始人脸匹配模型可以是未经训练的人脸匹配模型或未训练完成的人脸匹配模型，其各层设置有初始化参数，初始化参数在人脸匹配模型的训练过程中可以被不断地调整。
步骤403，将上述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签与该样本人脸图像所对应的样本特征标签进行比较，得到上述初始人脸匹配模型的预测准确率。
在本实施例中，基于步骤402所得到的多个样本人脸图像中每个样本人脸图像所对应的预测特征标签，执行主体可以将多个样本人脸图像中每个样本人脸图像所对应的预测特征标签与该样本人脸图像所对应的样本特征标签进行比较，从而得到初始人脸匹配模型的预测准确率。具体地，若一个样本人脸图像所对应的预测特征标签与该样本人脸图像所对应的样本特征标签相同或相近，则初始人脸匹配模型预测正确；若一个样本人脸图像所对应的预测特征标签与该样本人脸图像所对应的样本特征标签不同或不相近，则初始人脸匹配模型预测错误。这里，执行主体可以计算预测正确的数目与样本总数的比值，并将该比值作为初始人脸匹配模型的预测准确率。
步骤404，确定上述预测准确率是否大于预设准确率阈值。
在本实施例中，基于步骤403所得到的初始人脸匹配模型的预测准确率，执行主体可以将初始人脸匹配模型的预测准确率与预设准确率阈值进行比较。若大于预设准确率阈值，则执行步骤405；若不大于预设准确率阈值，则执行步骤406。
步骤405，将上述初始人脸匹配模型作为训练完成的人脸匹配模型。
在本实施例中，在初始人脸匹配模型的预测准确度大于预设准确率阈值的情况下，说明该人脸匹配模型训练完成。此时，执行主体可以将初始人脸匹配模型作为训练完成的人脸匹配模型。
步骤406，调整上述初始人脸匹配模型的参数。
在本实施例中，在初始人脸匹配模型的预测准确率不大于预设准确率阈值的情况下，执行主体可以调整初始人脸匹配模型的参数，并返回执行步骤402，直至训练出能够表征特征标签与人脸图像之间的对应关系的人脸匹配模型为止。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于获取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5所示，本实施例的用于获取图像的装置500可以包括：人脸描述信息获取单元501、特征标签获取单元502和人脸图像获取单元503。其中，人脸描述信息获取单元501被配置成获取至少一条人脸描述信息，上述人脸描述信息用于描述人脸特征；特征标签获取单元502，对于上述至少一条人脸描述信息中的人脸描述信息，被配置成获取对应该人脸描述信息的特征标签，上述特征标签用于标识人脸特征的分类；人脸图像获取单元503被配置成将对应上述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应上述至少一条人脸描述信息的至少一张人脸图像，上述人脸匹配模型用于表征特征标签与人脸图像库中人脸图像之间的对应关系。
在本实施例的一些可选的实现方式中，上述特征标签获取单元502可以包括：信息提取子单元(图中未示出)和特征标签获取子单元(图中未示出)。信息提取子单元被配置成从该人脸描述信息提取人脸特征词和对应该人脸特征词的限定词，上述人脸特征词包括以下任意一项：眼睛、眉毛、耳朵、鼻子、嘴，上述限定词包括以下至少一项：大、小、高、低、正、斜；特征标签获取子单元被配置成将上述人脸特征词和限定词组合起来构成该人脸描述信息的特征标签。
在本实施例的一些可选的实现方式中，用于获取图像的装置500还可以包括人脸匹配模型构建单元(图中未示出)，被配置成构建人脸匹配模型。上述人脸匹配模型构建单元包括：样本获取子单元(图中未示出)和人脸匹配模型构建子单元(图中未示出)。其中，样本获取子单元被配置成获取多个样本人脸图像和对应多个样本人脸图像中每个样本人脸图像的样本特征标签；人脸匹配模型构建子单元被配置成将上述多个样本人脸图像中每个样本人脸图像作为输入，将上述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型。
在本实施例的一些可选的实现方式中，上述人脸匹配模型构建子单元可以包括：人脸匹配模型构建模块(图中未示出)，被配置成将上述多个样本人脸图像中每个样本人脸图像依次输入至初始人脸匹配模型，得到上述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签，将上述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签与该样本人脸图像所对应的样本特征标签进行比较，得到上述初始人脸匹配模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始人脸匹配模型作为训练完成的人脸匹配模型。
在本实施例的一些可选的实现方式中，上述人脸匹配模型构建子单元可以包括：参数调整模块(图中未示出)，响应于不大于上述预设准确率阈值，被配置成调整上述初始人脸匹配模型的参数，并继续执行上述训练步骤。
本实施例还提供了一种服务器，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的用于获取图像的方法。
本实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述的用于获取图像的方法。
下面参考图6，其示出了适于用来实现本申请实施例的服务器(例如，图1中的服务器105)的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，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6所示，计算机系统600包括中央处理单元(cpu)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部分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，还存储有系统600操作所需的各种程序和数据。cpu601、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。
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，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610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608。
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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601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：一种处理器包括人脸描述信息获取单元、特征标签获取单元和人脸图像获取单元。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，人脸图像获取单元还可以被描述为“用于通过人脸匹配模型获取人脸图像的单元”。
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：获取至少一条人脸描述信息，上述人脸描述信息用于描述人脸特征；对于上述至少一条人脸描述信息中的人脸描述信息，获取对应该人脸描述信息的特征标签，上述特征标签用于标识人脸特征的分类；将对应上述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应上述至少一条人脸描述信息的至少一张人脸图像，上述人脸匹配模型用于表征特征标签与人脸图像库中人脸图像之间的对应关系。
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。
1.一种用于获取图像的方法，包括：
获取至少一条人脸描述信息，所述人脸描述信息用于描述人脸特征；
对于所述至少一条人脸描述信息中的人脸描述信息，获取对应该人脸描述信息的特征标签，所述特征标签用于标识人脸特征的分类；
将对应所述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应所述至少一条人脸描述信息的至少一张人脸图像，所述人脸匹配模型用于表征特征标签与人脸图像库中人脸图像之间的对应关系。
2.根据权利要求1所述的方法，其中，所述获取对应该人脸描述信息的特征标签，包括：
从该人脸描述信息提取人脸特征词和对应该人脸特征词的限定词，所述人脸特征词包括以下任意一项：眼睛、眉毛、耳朵、鼻子、嘴，所述限定词包括以下至少一项：大、小、高、低、正、斜；
将所述人脸特征词和限定词组合起来构成该人脸描述信息的特征标签。
3.根据权利要求1所述的方法，其中，所述人脸匹配模型通过以下步骤构建：
获取多个样本人脸图像和对应多个样本人脸图像中每个样本人脸图像的样本特征标签；
将所述多个样本人脸图像中每个样本人脸图像作为输入，将所述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型。
4.根据权利要求3所述的方法，其中，所述将所述多个样本人脸图像中每个样本人脸图像作为输入，将所述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型，包括：
执行以下训练步骤：将所述多个样本人脸图像中每个样本人脸图像依次输入至初始人脸匹配模型，得到所述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签，将所述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签与该样本人脸图像所对应的样本特征标签进行比较，得到所述初始人脸匹配模型的预测准确率，确定所述预测准确率是否大于预设准确率阈值，若大于所述预设准确率阈值，则将所述初始人脸匹配模型作为训练完成的人脸匹配模型。
5.根据权利要求4所述的方法，其中，所述将所述多个样本人脸图像中每个样本人脸图像作为输入，将所述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型，包括：
响应于不大于所述预设准确率阈值，调整所述初始人脸匹配模型的参数，并继续执行所述训练步骤。
6.一种用于获取图像的装置，包括：
人脸描述信息获取单元，被配置成获取至少一条人脸描述信息，所述人脸描述信息用于描述人脸特征；
特征标签获取单元，对于所述至少一条人脸描述信息中的人脸描述信息，被配置成获取对应该人脸描述信息的特征标签，所述特征标签用于标识人脸特征的分类；
人脸图像获取单元，被配置成将对应所述至少一条人脸描述信息的至少一条特征标签导入预先训练的人脸匹配模型，得到对应所述至少一条人脸描述信息的至少一张人脸图像，所述人脸匹配模型用于表征特征标签与人脸图像库中人脸图像之间的对应关系。
7.根据权利要求6所述的装置，其中，所述特征标签获取单元包括：
信息提取子单元，被配置成从该人脸描述信息提取人脸特征词和对应该人脸特征词的限定词，所述人脸特征词包括以下任意一项：眼睛、眉毛、耳朵、鼻子、嘴，所述限定词包括以下至少一项：大、小、高、低、正、斜；
特征标签获取子单元，被配置成将所述人脸特征词和限定词组合起来构成该人脸描述信息的特征标签。
8.根据权利要求6所述的装置，其中，所述装置还包括人脸匹配模型构建单元，被配置成构建人脸匹配模型，所述人脸匹配模型构建单元包括：
样本获取子单元，被配置成获取多个样本人脸图像和对应多个样本人脸图像中每个样本人脸图像的样本特征标签；
人脸匹配模型构建子单元，被配置成将所述多个样本人脸图像中每个样本人脸图像作为输入，将所述多个样本人脸图像中每个样本人脸图像的样本特征标签作为输出，训练得到人脸匹配模型。
9.根据权利要求8所述的装置，其中，所述人脸匹配模型构建子单元包括：
人脸匹配模型构建模块，被配置成将所述多个样本人脸图像中每个样本人脸图像依次输入至初始人脸匹配模型，得到所述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签，将所述多个样本人脸图像中每个样本人脸图像所对应的预测特征标签与该样本人脸图像所对应的样本特征标签进行比较，得到所述初始人脸匹配模型的预测准确率，确定所述预测准确率是否大于预设准确率阈值，若大于所述预设准确率阈值，则将所述初始人脸匹配模型作为训练完成的人脸匹配模型。
10.根据权利要求9所述的装置，其中，所述人脸匹配模型构建子单元包括：
参数调整模块，响应于不大于所述预设准确率阈值，被配置成调整所述初始人脸匹配模型的参数，并继续执行所述训练步骤。
11.一种服务器，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，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1至5中任一所述的方法。
12.一种计算机可读介质，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如权利要求1至5中任一所述的方法。
技术总结