人脸图像生成方法及装置、存储介质、计算机设备制造方法及图纸

本申请公开了人脸图像生成方法及装置、存储介质、计算机设备，涉及图像生成技术领域，可以提升图像识别准确度。其中方法包括：利用条件生成对抗网络模型中训练好的生成网络模型的编码器，获取待处理人脸图像的神态信息；利用训练好的生成网络模型的解码器，根据所述神态信息和预设的容貌信息生成对应所述待处理人脸图像的目标人脸图像。本申请适用于提升人脸图像生成的真实性，使得所生成的人脸图像具有较高的图像分辨率。

Face image generation method and device, storage medium and computer equipment

The application discloses a face image generation method and device, a storage medium and a computer device, and relates to the technical field of image generation, which can improve the accuracy of image recognition. The method includes: using the trained encoder to generate network model in the condition generation countermeasure network model to obtain the facial information of the face image to be processed; using the trained decoder to generate network model to generate the target facial image corresponding to the face image to be processed according to the facial information and the preset facial information. The application is applicable to improving the authenticity of face image generation, so that the generated face image has a higher image resolution.

【技术实现步骤摘要】
人脸图像生成方法及装置、存储介质、计算机设备
本申请涉及图像生成
，尤其是涉及到人脸图像生成方法及装置、存储介质及计算机设备。
技术介绍
伴随着生成式对抗网络(GAN：Generativeadversarialnets)技术的发展，神经网络不仅能够完成复杂的识别任务，还能够生成逼真的样本数据，例如图像、文本句子等数据。在人脸图像生成应用方面，国内外已经基于生成式对抗网络GAN做出了很多较好的成绩，但是在生成特定人脸领域，还没有重大的突破。在现有的人脸图像生成技术中，通常根据特定的属性条件进行人脸图像生成，具体为，预先设定一些属性标签，例如，“男性”、“女性”、“金色头发”、“是否微笑”、“是否张嘴”等，并将上述属性标签移植到另一人脸上，以实现新的人脸图像的生成，即根据挑选的属性标签生成对应的人脸图像。现有技术存在的不足在于，利用属性标签，例如，5维属性二值标签向量00100，作为图像生成的条件限制具有一定的局限性，即图像的属性只能局限在所提供的标签范围内，属性多样性较差，且通过属性标签进行属性的限定，导致生成的人脸图像在细节处理上痕迹较重，真实度较低，实用性较差。
技术实现思路
有鉴于此，本申请提供了人脸图像生成方法及装置、存储介质、计算机设备，主要目的在于解决现有人脸图像生成技术受属性标签的局限性影响，导致生成的人脸图像在细节处理上痕迹较重，真实度较低，实用性较差的技术问题。根据本申请的一个方面，提供了一种人脸图像生成方法，该方法包括：利用条件生成对抗网络模型中训练好的生成网络模型的编码器，获取待处理人脸图像的神态信息；利用训练好的生成网络模型的解码器，根据所述神态信息和预设的容貌信息生成对应所述待处理人脸图像的目标人脸图像。根据本申请的另一方面，提供了一种人脸图像生成装置，该装置包括：编码模块，用于利用条件生成对抗网络模型中训练好的生成网络模型的编码器，获取待处理人脸图像的神态信息；解码模块，用于利用训练好的生成网络模型的解码器，根据所述神态信息和预设的容貌信息生成对应所述待处理人脸图像的目标人脸图像。依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述人脸图像生成方法。依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述人脸图像生成方法。借由上述技术方案，本申请提供的人脸图像生成方法及装置、存储介质、计算机设备，与现有基于属性标签实现人脸图像生成的技术方案相比，本申请利用条件生成对抗网络模型中训练好的生成网络模型的编码器，获取待处理人脸图像的神态信息，以及利用训练好的生成网络模型的解码器，根据该神态信息和预设的容貌信息生成对应该待处理人脸图像的目标人脸图像，即该目标人脸图像包括期望人脸图像的容貌信息，以及待处理人脸图像的神态信息。可见，通过训练条件生成对抗网络模型(CGAN：ConditionalGenerativeAdversarialNets)，利用训练好的条件生成对抗网络模型CGAN中的生成网络模型得到目标人脸图像，以便根据待处理人脸图像以及目标人脸图像中的特征点信息将待处理人脸图像替换为目标人脸图像，实现人脸图像的替换，同时，提升人脸图像生成的真实性，使得所生成的人脸图像具有较高的图像分辨率。上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1示出了本申请实施例提供的一种人脸图像生成方法的流程示意图；图2示出了本申请实施例提供的另一种人脸图像生成方法的流程示意图；图3示出了本申请实施例提供的一种人脸图像生成装置的结构示意图。具体实施方式下文中将参考附图并结合实施例来详细说明本申请。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。针对现有基于属性标签进行人脸图像生成的过程中，现有的人脸图像生成技术受属性标签的局限性影响较大，存在生成的人脸图像在细节处理上痕迹较重，真实度较低，实用性较差的技术问题。本实施例提供了一种人脸图像生成方法，能够在人脸图像生成的过程中，有效避免在细节处理上痕迹较重，真实度较低，实用性较差的技术问题，从而有效提升人脸图像生成的真实度，提高在实际应用场景下的可实用性，提升用户体验。如图1所示，该方法包括：101、利用条件生成对抗网络模型中训练好的生成网络模型的编码器，获取待处理人脸图像的神态信息。在本实施例中，条件生成对抗网络模型CGAN的生成网络模型包括一个编码器Encoder和一个解码器Decoder。其中，编码器Encoder包括8个CBR层，CBR层是卷积Convolution层、批正则化BatchNormalization层和矫正线性单元LeakeyReLU层的总称。编码器Encoder的输入为256×256×3的人脸图像数据，经过8个CBR层的运算后，输出1×1×512维的高维数据，该高维数据用于表征人脸图像数据中的高层特征数据，在构建编码器Encoder的过程中，设定每个CBR层中的Convolution层的滑动步长stride为2，填充模式padding为SAME，卷积核kernel为5*5，以及LeakeyRelu层的参数均为0.2。在实际的应用场景中，每个CBR层的计算公式为：其中，Wk、bk为网络参数，分别用于表示编码器Encoder中的权重和偏置；x为输入的人脸图像数据；k为[1，8]中的自然数；i，j为人脸图像数据的特征向量脚标。102、利用训练好的生成网络模型的解码器，根据所述神态信息和预设的容貌信息生成对应所述待处理人脸图像的目标人脸图像。在本实施例中，在解码器Decoder的训练过程中，生成网络模型的输入数据作为编码器Encoder的输入数据，编码器Encoder的输出结果作为编码器Decoder的输入数据，解码器Decoder的输出结果作为生成网络模型最终的输出结果，解码器Decoder的网络结构与编码器Encoder的网络结构类似，区别在于，将卷积运算变为反卷积TransposeConvolution运算(即，对卷积运算进行转置运算)，激活函数LeakeyReLU变为激活函数ReLU，以及最终输出层的激活函数LeakeyReLU变为激活函数Tanh。具体为：解码器Decoder包括8个RTB层，RTB层是矫正线性单元ReLU层、反卷积TransposeConvolution层和批正则化BatchNormalization层的总称，每一RTB层中的反卷积Tra本文档来自技高网...

【技术保护点】
1.一种人脸图像生成方法，其特征在于，包括：/n利用条件生成对抗网络模型中训练好的生成网络模型的编码器，获取待处理人脸图像的神态信息；/n利用训练好的生成网络模型的解码器，根据所述神态信息和预设的容貌信息生成对应所述待处理人脸图像的目标人脸图像。/n

【技术特征摘要】
1.一种人脸图像生成方法，其特征在于，包括：
利用条件生成对抗网络模型中训练好的生成网络模型的编码器，获取待处理人脸图像的神态信息；
利用训练好的生成网络模型的解码器，根据所述神态信息和预设的容貌信息生成对应所述待处理人脸图像的目标人脸图像。


2.根据权利要求1所述的方法，其特征在于，所述利用条件生成对抗网络模型中训练好的生成网络模型的编码器，获取待处理人脸图像的神态信息之前，具体还包括：
构建所述条件生成对抗网络模型的初始生成网络模型和初始判别网络模型；
对所述初始判别网络模型进行训练，得到训练好的判别网络模型；
其中，所述对所述初始判别网络模型进行训练，得到训练好的判别网络模型，具体包括：
利用条件生成对抗网络模型的初始生成网络模型，根据初始人脸图像样本获取实际人脸图像样本；
根据获取到的实际人脸图像样本和预设的期望人脸图像样本，对所述初始判别网络模型进行训练，得到训练好的判别网络模型。


3.根据权利要求2所述的方法，其特征在于，所述根据获取到的实际人脸图像样本和预设的期望人脸图像样本，对所述初始判别网络模型进行训练，得到训练好的判别网络模型，具体包括：
根据所述初始人脸图像样本和实际人脸图像样本对所述初始判别网络模型进行训练，得到用于判别所述实际人脸图像样本为伪造人脸图像的第一判别网络模型；
根据所述初始人脸图像样本和预设的期望人脸图像样本对所述第一判别网络模型进行训练，得到用于判别所述预设的期望人脸图像样本为真实人脸图像的第二判别网络模型。


4.根据权利要求2所述的方法，其特征在于，还包括：对所述初始生成网络模型进行训练，得到训练好的生成网络模型，具体包括：
利用初始生成网络模型的编码器对初始人脸图像样本进行编码，得到所述初始人脸图像样本的高层特征；
利用初始生成网络模型的解码器对所述初始人脸图像样本的高层特征进行解码，得到对应所述初始人脸图像样本的包含所述高层特征的实际人脸图像样本；
根据得到的所述实际人脸图像样本和初始人脸图像样本，对所述初始生成网络模型进行训练，得到训练好的生成网络模型；
其中，所述根据得到的所述实际人脸图像样本和初始人脸图像样本，对所述初始生成网络模型进行训练，得到训练好的生成网络模型，具体包括：
根据得到的所述实际人脸图像样本和初始人脸图像样本，对所...

【专利技术属性】
技术研发人员：王健宗，赵峰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44