【技术实现步骤摘要】
一种人脸图像属性编辑方法、装置、存储介质及设备
本专利技术公开了一种人脸图像属性编辑方法、装置、存储介质及设备，属于计算推算的
技术介绍
在过去的几十年中，许多与面部有关的流行研究主题在计算机视觉方向中得到了发展，人脸识别、人脸美化等人脸相关任务逐渐成为研究重点和热点。近年来，人脸研究已从人工的工程特征转变为使用深度学习方法。在这些方法中，数据起着核心作用，因为深度神经网络的性能在很大程度上取决于训练数据的数量和质量。本专利技术涉及的人脸图像属性编辑是指操纵面部图像的单个或者多个属性，即生成具有某种期望属性的新面部图像，同时保留原图像的身份信息和其他面部细节不变。常见的人脸属性包含性别、年龄、五官、发色、妆容等，每个人脸面部图像都有其明确的属性。本专利技术涉及的人脸图像属性编辑常见处理任务为单眼皮变为双眼皮、人脸衰老、性别转换等。人脸图像属性编辑自2014年来，基于卷积神经网络的快速发展，已有多种属性编辑的方法问世，主要有属性分离表征和端到端网络映射两种类别。其中端到端网络映射利用一个循环生成对抗网络学习到...
【技术保护点】
1.一种人脸图像属性编辑方法，其特征在于：包括如下步骤：/nS1、构建注意力自编码器的网络结构，网络结构包括：/n人脸属性编码器，用于将人脸图像编码为属性向量；/n图像背景编码器，用于将无关属性的背景以及人脸五官信息向量；/n人脸向量解码器，用于负责将向量还原为图像；/n生成对抗网络的判别器，用于负责判定图像是否为真、假；/nS2、准备训练数据集和测试数据集，对网络结构进行训练和测试；其中训练包括如下分步骤：/nS21、对训练数据集进行预处理；/nS22、输入训练数据集中两组具有对立人脸属性的人脸RGB原图；人脸RGB原图经由人脸属性编码器生成人脸属性向量，经由图像背景编码...
【技术特征摘要】
1.一种人脸图像属性编辑方法，其特征在于：包括如下步骤：
S1、构建注意力自编码器的网络结构，网络结构包括：
人脸属性编码器，用于将人脸图像编码为属性向量；
图像背景编码器，用于将无关属性的背景以及人脸五官信息向量；
人脸向量解码器，用于负责将向量还原为图像；
生成对抗网络的判别器，用于负责判定图像是否为真、假；
S2、准备训练数据集和测试数据集，对网络结构进行训练和测试；其中训练包括如下分步骤：
S21、对训练数据集进行预处理；
S22、输入训练数据集中两组具有对立人脸属性的人脸RGB原图；人脸RGB原图经由人脸属性编码器生成人脸属性向量，经由图像背景编码器生成图像背景向量，将两组人脸属性向量和图像背景向量两两组合后送入人脸向量解码器；人脸向量解码器在对图像背景向量处理过程中，通过跳跃连接的方式将各层卷积后的特征图作为人脸向量解码器中对应层的辅路输入，在跳跃连接操作中对特征图各个通道对结果的贡献度进行排序，增大贡献度大的特征图通道权重；人脸向量解码器生成两组一次图像：一组为更改了人脸属性的RGB图像，另一组是对人脸RGB原图进行重建后的RGB图像；
S23、将重建后的RGB图像与人脸RGB原图进行对比，计算均方误差作为重建结果的损失函数；将更改了人脸属性的RGB图像送经生成对抗网络的判别器，利用对数似然函数或铰链损失函数作为生成对抗网络的判别器的损失函数，计算出更改了人脸属性的RGB图像符合真实样本分布的概率值；
S24、将步骤S22生成的两组一次图像重新经过一次人脸属性编码器和图像背景编码器，生成两组二次图像；利用均方误差损失函数计算出两组二次图像编码结果与两组一次图像编码结果的差距，作为向量循环对比损失量；利用梯度下降方式约束使得损失量不断变小；
S3、将训练好的人脸属性编码器与图像背景编码器并联，之后与人脸向量解码器串联作为最终的人脸图像属性编辑网络，对人脸图形属性进行编辑。
2.根据权利要求1所述的人脸图像属性编辑方法，其特征在于：所述步骤S1中，人脸属性编码器和图像背景编码器的结构完全相同；人脸向量解码器的卷积层使用上采样，卷积层数与人脸属性编码器和图像背景编码器相同。
3.根据权利要求1所述的人脸图像属性编辑方法，其特征在于：所述步骤S2中，训练数据集和测试数据集均包括人脸图像及各人脸图形相应的属性标签和身份标签；人脸图形的人脸属性包括人种、五官特点、发色、背景。
4.根据权利要求1所述的人脸图像属性编辑方法，其特征在于：所述步骤21中，预处理是指：在训练数据集的人脸RGB原图中识别人脸64个关键坐标点；根据关键坐标点计算相应的仿射矩阵...
【专利技术属性】
技术研发人员：麦锐杰，邢晓芬，徐向民，郭锴凌，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。