指定类别的人脸表情的生成方法、装置制造方法及图纸

本申请涉及人工智能领域，尤其是涉及一种指定类别的人脸表情的生成方法、装置；包括利用指定类别的人脸表情的类别信息和随机噪声作为生成网络的输入，从所述生成网络的输出得到符合真实的指定类别的人脸表情分布的第一图像；将真实的人脸表情数据和所述第一图像作为判别网络的输入，从所述判别网络的输出得到第一图像为指定类别的人脸表情的概率，以及所述第一图像为真或假的判定；根据所述第一图像为真或假的第一判别损失函数和所述第一图像为指定类别的人脸表情的概率的第一分类损失函数，更新所述生成网络的第一参数。本申请具有节省了人工挑选指定类别的人脸表情图片的时间，挑选出来的指定类别的人脸表情更符合要求的效果。求的效果。求的效果。

【技术实现步骤摘要】
指定类别的人脸表情的生成方法、装置


[0001]本申请涉及人工智能领域，尤其是涉及一种指定类别的人脸表情的生成方法、一种指定类别的人脸表情的生成装置和一种机器可读存储介质。

技术介绍

[0002]目前， 在人脸合成技术中，随着生成对抗网络的提出，越来越多的模型被设计用于人脸合成。生成对抗网络由生成模型和判别模型组成，生成模型负责生成数据，判别模型负责判断数据是真实的还是由生成模型产生的。当生成器生成的虚拟图像和真实图像的数据分布接近一致时，识别器无法辨别真伪，此时虚拟图像可以作为新的数据源。如果，训练数据为ck+人脸数据库的全部表情数据，可通过训练好的生成网络可用来生成符合ck+人脸数据分布，这些新生成的人脸图片可作为新的数据来源。
[0003]然而，新生成的人脸图片只有部分是我们需要的特定表情，因此还需人工挑选特定的表情。人工在挑选时即花费时间，而且由于人的主观性，挑选出来的表情会有差距。

技术实现思路

[0004]为了解决在新生成的人脸图片中挑选出需要的表情费时，以及表情不符合要求的技术问题，本申请提供了一种指定类别的人脸表情的生成方法和一种指定类别的人脸表情的生成装置。
[0005]本申请提供的一种指定类别的人脸表情的生成方法，采用如下的技术方案：第一方面，提供一种指定类别的人脸表情的生成方法，包括：利用指定类别的人脸表情的类别信息和随机噪声作为生成网络的输入，从所述生成网络的输出得到符合真实的指定类别的人脸表情分布的第一图像；将真实的人脸表情数据和所述第一图像作为判别网络的输入，从所述判别网络的输出得到第一图像为指定类别的人脸表情的概率，以及所述第一图像为真或假的判定；根据所述第一图像为真或假的第一判别损失函数和所述第一图像为指定类别的人脸表情的概率的第一分类损失函数，更新所述生成网络的第一参数；所述生成网络根据更新后的第二参数生成第二图像；重复上述步骤后，所述生成网络生成指定类别的人脸表情。
[0006]优选的，还包括：根据所述第一图像为真或假的第一判别损失函数和所述第一图像为指定类别的人脸表情的概率的第一分类损失函数，更新所述判别网络的第三参数。
[0007]优选的，还包括：提取出所述真实的人脸表情数据中的第一归因特征，作为所述判别网络的输入。
[0008]优选的，还包括：提取出所述第一图像中的第二归因特征，作为所述判别网络的输入。
[0009]第二方面，提供一种指定类别的人脸表情的生成装置，包括：
第一生成网络：用于利用指定类别的人脸表情的类别信息和随机噪声作为第一生成网络的输入，从所述第一生成网络的输出得到符合真实的指定类别的人脸表情分布的第一图像；第一判别网络：用于将真实的人脸表情数据和所述第一图像作为第一判别网络的输入，从所述第一判别网络的输出得到第一图像为指定类别的人脸表情的概率，以及所述第一图像为真或假的判定；第一更新模块：用于根据所述第一图像为真或假的第一判别损失函数和所述第一图像为指定类别的人脸表情的概率的第一分类损失函数，更新所述生成网络的第一参数；重复模块：用于所述生成网络根据更新后的第二参数生成第二图像；重复上述步骤后，所述生成网络生成指定类别的人脸表情。
[0010]优选的，还包括：第二更新模块：用于根据所述第一图像为真或假的第一判别损失函数和所述第一图像为指定类别的人脸表情的概率的第一分类损失函数，更新所述判别网络的第三参数。
[0011]优选的，还包括：第一归因模块：用于提取出所述真实的人脸表情数据中的第一归因特征，作为所述判别网络的输入。
[0012]优选的，还包括：第二归因模块：用于提取出所述第一图像中的第二归因特征，作为所述判别网络的输入。
[0013]第三方面，还提供一种表情识别的设备，包括：至少一个处理器；存储器，与所述至少一个处理器连接；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现上述技术方案中所述的方法。
[0014]第四方面，还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被控制器执行时能够使得所述控制器执行上述技术方案中任意一项技术方案所述的方法。
[0015]综上所述，本申请包括以下至少一种有益技术效果：1.节省了人工挑选指定类别的人脸表情图片的时间；2.挑选出来的指定类别的人脸表情更符合要求，不会因为挑选者的主观性，导致挑选出的表情有差异。
附图说明
[0016]图1是一种指定类别的人脸表情的生成方法的逻辑框图；图2是另一种指定类别的人脸表情的生成方法的逻辑框图；图3是一种指定类别的人脸表情的生成装置；图4是另一种指定类别的人脸表情的生成装置；图5是指定类别的人脸表情的生成方法的实现的第一框图；图6是指定类别的人脸表情的生成方法的实现的第二框图。
[0017]附图标记说明：1、一种指定类别的人脸表情的生成装置；11、第一生成网络；12、第一判别网络；13、第一更新模块；14、重复模块；131、第二更新模块。
具体实施方式
[0018]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1
‑
6及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0019]生成对抗网络： Generative Adversarial Networks（GAN）一种深度学习模型；模型通过框架中（至少）两个模块：（Generative Model）和（Discriminative Model）的互相博弈学习产生相当好的输出。判别模型的任务是判断给定的实例看起来是自然真实的还是人为伪造的（真实实例来源于数据集，伪造实例来源于生成模型）。
[0020]归因特征：在本申请中，即是主要关注的特征；例如：两幅图像中，均有狗的图像，但是两幅图像的背景不同，一幅在沙滩，另一幅在丛林中；那么这两幅图的归因特征就是狗。
[0021]现有技术中，生成对抗网络已经很成熟，可以用于生成类似于现有数据的“伪造”数据，而且，该“伪造”数据，不仅仅是普通人无法识别真伪，就连判别模型也无法区分“伪造”数据和真实数据。在本申请中，采用生成对抗网络生成人脸图像；将真实的人脸图像和“伪造”的人脸图像在判别模型中比较，然后根据判别模型输出的参数调整生成模型的参数，以便生成的“伪造”人脸图像更为逼真，达到连判别模型都无法区分“伪造”的人脸图像是伪造的程度。
[0022]现有技术中，还有一个问题是亟待解决的。即，如何生成指定类别的人脸表情。前述提及，用人工挑选指定类别的人脸表情，既费时，也不准确。本申请提出的技术方案就是为了解决生成指定类别的人脸表情的方法、装置。
[0023]第一方面，如图1所示，提供一种指定类别的人脸表情的生成方法，包括：S1：利用指定类别的人脸表情的类别信息和随机噪声作为生成网络的输入，从所述生成网络的输出得到符合真实的指定类别的人脸表情分布的第一图像；现有技术中，输入生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种指定类别的人脸表情的生成方法，其特征在于，包括：利用指定类别的人脸表情的类别信息和随机噪声作为生成网络的输入，从所述生成网络的输出得到符合真实的指定类别的人脸表情分布的第一图像；将真实的人脸表情数据和所述第一图像作为判别网络的输入，从所述判别网络的输出得到第一图像为指定类别的人脸表情的概率，以及所述第一图像为真或假的判定；根据所述第一图像为真或假的第一判别损失函数和所述第一图像为指定类别的人脸表情的概率的第一分类损失函数，更新所述生成网络的第一参数；所述生成网络根据更新后的第二参数生成第二图像；重复上述步骤后，所述生成网络生成指定类别的人脸表情。2.根据权利要求1所述的方法，其特征在于，还包括：根据所述第一图像为真或假的第一判别损失函数和所述第一图像为指定类别的人脸表情的概率的第一分类损失函数，更新所述判别网络的第三参数。3.根据权利要求1或2所述的方法，其特征在于，还包括：提取出所述真实的人脸表情数据中的第一归因特征，作为所述判别网络的输入。4.根据权利要求1或2所述的方法，其特征在于，还包括：提取出所述第一图像中的第二归因特征，作为所述判别网络的输入。5.一种指定类别的人脸表情的生成装置，其特征在于，包括：第一生成网络：用于利用指定类别的人脸表情的类别信息和随机噪声作为第一生成网络的输入，从所述第一生成网络的输出得到符合真实的指定类别的人脸表情分布的第一图像；第一判别网络：用于将真实的人脸表情数据和所述第一图像作为第一判别网络的输入，从所述第...

【专利技术属性】
技术研发人员：韩运恒，袁克虹，刘清，
申请(专利权)人：深圳市捷易科技有限公司，
类型：发明
国别省市：