一种身份保持的人脸重演方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及一种身份保持的人脸重演方法、装置、设备及存储介质，该方法包括：对初始视频数据进行采样得到数据训练集和数据测试集；基于预设训练方法，根据所述数据训练集对初始人脸重演模型进行训练得到过渡人脸重演模型；根据所述数据测试集对所述过渡人脸重演模型进行测试，并对测试结果进行评价，筛选得到目标人脸重演模型；将待重演的人脸图像输入至所述目标人脸重演模型进行人脸重演，输出得到身份保持的人脸重演图像。本发明专利技术提供的一种身份保持的人脸重演方法、装置、设备及存储介质，通过数据训练集和数据测试集对人脸重演模型进行训练优化，使得人脸重演模型能得到身份保持的人脸重演图像，避免在图像生成过程中出现身份泄漏的问题。泄漏的问题。泄漏的问题。

【技术实现步骤摘要】
一种身份保持的人脸重演方法、装置、设备及存储介质


[0001]本专利技术涉及机器学习与图像处理
，尤其涉及一种身份保持的人脸重演方法、装置、设备及存储介质。

技术介绍

[0002]近几年来伴随深度学习技术的快速发展，图像生成领域取得了较大的进展。而人脸重演是人脸图像生成领域的一个重要分支，其主要任务是给定一张源图像和一张驱动图像，目标是生成一张新图像，该图像具有驱动图像的面部表情和头部姿态等运动信息的同时，能够保留源图像的人物身份、图像背景等内容信息。人脸重演技术有着广泛的应用前景，可以应用于图像编辑、娱乐、人机交互、文化教育等场景中。
[0003]目前，人脸重演模型往往采用基于流场变形的网络结构，基于流场变形的网络结构学习面部的像素运动一般是学习人脸的光流(OpticalFlow)或位移场(Displacement Field)，通过光流或者位移场提取运动的流场来实现对人脸的重演。
[0004]但是现有技术中通过流场变形的网络结构提取运动流场的过程中并没有考虑人物身份信息，导致在图像生成过程中存在身份泄漏的问题，使得在生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种身份保持的人脸重演方法，其特征在于，包括：对初始视频数据进行采样得到数据训练集和数据测试集；基于预设训练方法，根据所述数据训练集对初始人脸重演模型进行训练得到过渡人脸重演模型；根据所述数据测试集对所述过渡人脸重演模型进行测试，并对测试结果进行评价，筛选得到目标人脸重演模型；将待重演的人脸图像输入至所述目标人脸重演模型进行人脸重演，输出得到身份保持的人脸重演图像。2.根据权利要求1所述的身份保持的人脸重演方法，其特征在于，所述基于预设训练方法，根据所述数据训练集对初始人脸重演模型进行训练得到过渡人脸重演模型，包括：根据所述数据训练集选取同一人的特征图像对所述初始人脸重演模型进行第一阶段训练；根据所述数据训练集选取不同人的特征图像对第一阶段训练后的初始人脸重演模型进行第二阶段训练，得到过渡人脸重演模型。3.根据权利要求2所述的身份保持的人脸重演方法，其特征在于，所述根据所述数据训练集选取同一人的特征图像对所述初始人脸重演模型进行第一阶段训练，包括：从所述数据训练集中随机抽取同一人的两帧不同人脸图像作为第一图像；将所述第一图像输入至所述初始人脸重演模型，计算第一损失函数；重复上述步骤直至所述第一损失函数收敛。4.根据权利要求2所述的身份保持的人脸重演方法，其特征在于，所述根据所述数据训练集选取不同人的特征图像对第一阶段训练后的初始人脸重演模型进行第二阶段训练，得到过渡人脸重演模型，包括：从所述数据训练集中对不同的两个人各随机抽取一帧人脸图像作为第二图像；将所述第二图像输入至第一阶段训练后的初始人脸重演模型，计算第二损失函数；重复上述步骤直至所述第二损失函数收敛。5.根据权利要求1所述的身份保持的人脸重演方法，其特征在于，所述根据所述数据测试集对所述过渡人脸重演模型进行测试，并对测试结果进行评价，筛选得到目标人脸重演模型，包括：从所述数据测试集中随机抽取不同数据...

【专利技术属性】
技术研发人员：陈亚雄，孙浩凯，路雄博，熊盛武，孔贤伟，
申请(专利权)人：武汉理工大学重庆研究院，
类型：发明
国别省市：