基于生成对抗网络隐空间解构的人脸属性精细化编辑方法技术

本发明专利技术公开了基于生成对抗网络隐空间解构的人脸属性精细化编辑方法，包括如下步骤：S101，构建生成器模型；S102，构建分类器模型；S103，通过法向量修改生成码，得到一对生成码；S104，将一对生成码带入生成器模型，得到一对人脸图像；S105，将一对人脸图像带入分类器模型，得到二分类结果；S106，计算损失函数最小值；S107，通过反向梯度算法重复S103至S106，优化法向量分别沿正负方向对生成码移动，使人脸属性发生改变，将人脸属性改变程度最大时的法向量作为目标法向量；S108，生成具有目标法向量对应人脸属性的新的人脸图像。

【技术实现步骤摘要】
基于生成对抗网络隐空间解构的人脸属性精细化编辑方法
本专利技术涉及数字图像处理及人脸图像编辑与合成
，尤其是涉及了基于生成对抗网络隐空间解构的人脸属性精细化编辑方法。
技术介绍
人脸属性编辑是指修改一张人脸图像的单个或多个属性，生成具有目标属性的新人脸图像的过程。人脸图像的编辑和生成技术在公共安全、数字娱乐等民生需求领域具有重要的应用。在公共安全领域，当犯罪发生在监控未覆盖或被遮挡等情况下，执法人员无法直接获取嫌疑人的人脸照片。根据目击者的证词绘制而成具有指定属性的人脸画像便成为了确定嫌疑人身份的主要途径。在数字娱乐领域，美妆造型设计技术通过更改人脸的妆容，实现人像美颜，在直播与社交领域具有巨大的市场潜力。因此研究人脸属性编辑的方法，并将其应用于从用户可控的角度进行人脸图像的合成具有重要的经济和社会价值。传统人脸属性编辑算法通常是先找到人脸图像中的关键点，然后利用人脸关键点通过手工调整或者网格变形等方式编辑人脸，这种方式不仅耗时而且有时会出现人脸扭曲等的问题。目前，较为先进的算法是采用生成对抗网络(GAN)的深度学习技术进行人脸属本文档来自技高网...

【技术保护点】
1.基于生成对抗网络隐空间解构的人脸属性精细化编辑方法，其特征在于包括如下步骤：/nS101，构建生成器模型G，用于通过生成码生成人脸图像；/nS102，构建分类器模型C，用于通过人脸图像计算人脸属性的二分类结果；/nS103，通过法向量n修改生成码z，得到一对生成码，用于添加或抑制人脸属性，公式如下：/nz'＝z+α*n (1)/nz是生成码，z'是修改后的生成码，n是法向量，对应不同的人脸属性，α是修改系数，用于控制人脸属性修改的程度，取α为-1与1时，一对生成码为z-n、z+n；/nS104，将一对生成码z-n、z+n带入训练后...

【技术特征摘要】
1.基于生成对抗网络隐空间解构的人脸属性精细化编辑方法，其特征在于包括如下步骤：
S101，构建生成器模型G，用于通过生成码生成人脸图像；
S102，构建分类器模型C，用于通过人脸图像计算人脸属性的二分类结果；
S103，通过法向量n修改生成码z，得到一对生成码，用于添加或抑制人脸属性，公式如下：
z'＝z+α*n(1)
z是生成码，z'是修改后的生成码，n是法向量，对应不同的人脸属性，α是修改系数，用于控制人脸属性修改的程度，取α为-1与1时，一对生成码为z-n、z+n；
S104，将一对生成码z-n、z+n带入训练后的生成器模型G，得到一对人脸图像；
S105，将一对人脸图像带入训练后的分类器模型C，得到某一人脸属性的二分类结果；
S106，计算损失函数最小值，公式如下：



V(n)是损失函数，G是生成器，C是分类器；
S107，通过反向梯度算法重复S103至S106，优化法向量n分别沿正负方向对生成码z移动，使人脸属性发生改变，将人脸属性改变程度最大时的法向量n作为目标法向量n*；
S108，目标法向量n*采用公式1得到修改后的生成码z'，通过生成器模型G生成具有目标法向量n*对应人脸属性的新的人脸图像。


2.如权利要求1所述的基于生成对抗网络隐空间解构的人脸属性精细化编辑方法，其特征在于所述α的取值介于-3与3之间。

【专利技术属性】
技术研发人员：许佳奕，鞠怡轩，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33