【技术实现步骤摘要】
图像生成模型的生成方法、装置及图像生成方法、装置
本申请实施例涉及计算机
，尤其涉及图像生成模型的生成方法、装置及图像生成方法、装置。
技术介绍
公共监控环境下，采集到的人脸图像往往不受控制，具有多种变化。受人脸姿态、光照、小部分遮挡等因素影响而造成的人脸图像信息缺失，通常会导致识别性能迅速下降。目前对局部遮挡的人脸进行表情识别一般采用非深度学习的方法，其主要可以分为舍弃法和填补法两种。舍弃法一般是通过稀疏表示等方法将遮挡部分的信息简化或者丢弃，主要根据未遮挡部位进行表情识别。填补法通常是先对遮挡部分进行填补，尽可能还原人脸未遮挡的状态，再进行表情识别。在实际应用中，由于人的嘴巴、眼睛、鼻子等含有大量的表情信息，因此当这些部位被遮挡时，舍弃法并不适用。而对于基于非深度学习的填补法：由于其使用的信息较为局限，一般难以保证填补效果。同时人工特征的设计较为繁琐，难以应对复杂的场景变化，故鲁棒性往往较差。
技术实现思路
本申请实施例提供了图像生成模型的生成方法、装置及图像生成方法、装置。
【技术保护点】
1.一种图像生成模型的生成方法，其特征在于，所述方法包括：/n获取训练数据，其中，所述训练数据包括样本遮挡人脸图像和与样本遮挡人脸图像对应的样本完整人脸图像；/n执行以下训练步骤：/n将所述训练数据中的样本遮挡人脸图像输入生成式对抗网络模型中的生成模型，生成与输入的样本遮挡人脸图像对应的模拟人脸图像；将输入生成模型的样本遮挡人脸图像与生成的模拟人脸图像或目标人脸图像输入生成式对抗网络模型中的判别模型，输出图像判别结果，其中，所述目标人脸图像为与输入生成模型的样本遮挡人脸图像对应的样本完整人脸图像；根据输入的样本遮挡人脸图像、生成的模拟人脸图像以及目标人脸图像，确定生成式对抗...
【技术特征摘要】
1.一种图像生成模型的生成方法，其特征在于，所述方法包括：
获取训练数据，其中，所述训练数据包括样本遮挡人脸图像和与样本遮挡人脸图像对应的样本完整人脸图像；
执行以下训练步骤：
将所述训练数据中的样本遮挡人脸图像输入生成式对抗网络模型中的生成模型，生成与输入的样本遮挡人脸图像对应的模拟人脸图像；将输入生成模型的样本遮挡人脸图像与生成的模拟人脸图像或目标人脸图像输入生成式对抗网络模型中的判别模型，输出图像判别结果，其中，所述目标人脸图像为与输入生成模型的样本遮挡人脸图像对应的样本完整人脸图像；根据输入的样本遮挡人脸图像、生成的模拟人脸图像以及目标人脸图像，确定生成式对抗网络模型的损失函数，且判断该损失函数是否达到预设阈值；响应于确定该损失函数达到预设阈值，根据当前训练后的生成式对抗网络模型生成图像生成模型，并输出所述图像生成模型。
2.根据权利要求1所述的方法，其特征在于，所述获取训练数据，包括：
对目标监控录像进行抽帧，获得图像帧，并对图像帧中的人脸图像进行提取处理；根据提取后的人脸图像生成训练数据。
3.根据权利要求2所述的方法，其特征在于，所述根据提取后的人脸图像生成训练数据，包括：
对提取后的人脸图像的尺寸大小进行处理，以得到相同尺寸的人脸图像；和/或对提取后的人脸图像中的完整人脸图像进行遮挡处理；基于处理后的人脸图像生成训练数据。
4.根据权利要求1所述的方法，其特征在于，所述生成式对抗网络模型采用图像转换Pix2Pix模型，生成模型采用U-Net网络结构，判别模型采用PatchGAN结构。
5.根据权利要求4所述的方法，其特征在于，所述将输入生成模型的样本遮挡人脸图像与生成的模拟人脸图像或目标人脸图像输入生成式对抗网络模型中的判别模型，输出图像判别结果，包括：
将输入生成模型的样本遮挡人脸图像与生成的模拟人脸图像或目标人脸图像进行堆叠，形成RGB色彩通道的图像，并输入判别模型；
将输入的样本遮挡人脸图像中的每块图像与生成的模拟人脸图像中对应的每块图像进行比较，得到模拟人脸图像中的每块图像的判别结果，根据模拟人脸图像中的每块图像的判别结果，确定并输出整张模拟人脸图像的判别结果；
将输入的样本遮挡人脸图像中的每块图像与目标人脸图像中对应的每块图像进行比较，得到目标人脸图像中的每块图像的判别结果，根据目...
【专利技术属性】
技术研发人员：刘雨桐，房建东，李巴津，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：内蒙古;15
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。