人脸图像生成方法、装置、设备和存储介质制造方法及图纸

本申请涉及人工智能，提供一种人脸图像生成方法、装置、设备和存储介质，可以对用于人脸识别的待训练卷积神经网络进行训练数据补充，其中方法包括：获取原始图像集，对原始图像集进行预处理，得到人脸图像集；将人脸图像集中的每一张人脸图像转换为人脸向量；使用所有人脸向量构造人脸矩阵；对人脸矩阵进行投影，得到投影矩阵；对人脸向量和投影矩阵使用最小二乘法，得到拟合向量；使用投影矩阵对拟合向量进行重构，生成重构人脸图像。根据已有的人脸图像集即可生成重构人脸图像作为已有的人脸图像集的补充，使得用于训练待训练卷积神经网络的人脸图像集的人脸图像的数量更多，从而提高基于卷积神经网络的人脸识别方法的人脸识别率。别率。别率。

【技术实现步骤摘要】
人脸图像生成方法、装置、设备和存储介质


[0001]本申请涉及人工智能
，例如涉及人脸图像生成方法、装置、设备和存储介质。

技术介绍

[0002]现有的人脸识别方法分为基于卷积神经网络的人脸识别方法和传统的人脸识别方法，基于卷积神经网络的人脸识别方法需要使用大量的人脸图像训练待训练卷积神经网络，训练得到的已训练卷积神经网络的人脸识别准确率与训练待训练卷积神经网络过程中使用的人脸图像的数量相关，训练过程中使用的人脸图像的数量越多，已训练卷积神经网络的人脸识别准确率越高。在获取到的人脸图像的数量较少时，基于卷积神经网络的人脸识别方法的人脸识别率较低。

技术实现思路

[0003]本申请提供一种人脸图像生成方法、装置、设备和存储介质，旨在解决在获取到的人脸图像的数量较少时，基于卷积神经网络的人脸识别方法的人脸识别率较低的问题。
[0004]为解决上述问题，本申请采用以下技术方案：
[0005]本文提供了人脸图像生成方法，包括：
[0006]获取原始图像集，对所述原始图像集进行预处理，得到人脸图像集；
[0007]将所述人脸图像集中的每一张人脸图像转换为人脸向量；
[0008]使用所有所述人脸向量构造人脸矩阵；
[0009]对所述人脸矩阵进行投影，得到投影矩阵；
[0010]对所述人脸向量和所述投影矩阵使用最小二乘法，得到拟合向量；
[0011]使用所述投影矩阵对所述拟合向量进行重构，生成重构人脸图像。
[0012]优选地，所述使用所有所述人脸向量构造人脸矩阵，包括：
[0013]获取所述人脸图像集中的所有所述人脸图像的序号，得到排列顺序；
[0014]按照所述排列顺序对所有所述人脸向量进行拼接，得到所述人脸矩阵。
[0015]优选地，所述对所述人脸矩阵进行投影，得到投影矩阵，包括：
[0016]使用主成分分析法对所述人脸矩阵进行投影，得到临时矩阵；
[0017]对所述临时矩阵进行降维，得到所述投影矩阵。
[0018]优选地，所述对所述人脸向量和所述投影矩阵使用最小二乘法，得到拟合向量，包括：
[0019]通过如下公式计算所述拟合向量：
[0020]y＝(P
T
P)
‑1P
T
x；
[0021]其中，P为所述投影矩阵，x为所述人脸向量，y为所述拟合向量，T为矩阵转置运算符，(P
T
P)
‑1表示所述投影矩阵的转置矩阵与所述投影矩阵的乘积的逆矩阵。
[0022]优选地，所述将所述人脸图像集中的每一张人脸图像转换为人脸向量，包括：
[0023]将每一张所述人脸图像中的每一个像素点的像素值按列进行排列，得到所述人脸向量；所述人脸向量为列向量。
[0024]优选地，所述使用所述投影矩阵对所述拟合向量进行重构，生成重构人脸图像，包括：
[0025]使用所述投影矩阵将所述拟合向量重构为重构人脸向量；
[0026]将所述重构人脸向量的尺寸调整为所述人脸图像的尺寸，得到所述重构人脸图像。
[0027]优选地，所述使用所述投影矩阵将所述拟合向量重构为重构人脸向量，包括：
[0028]通过如下公式重构所述拟合向量：
[0029]x
′
＝y
T
P
T
；
[0030]其中，x
’
为所述重构人脸向量，y为所述拟合向量，P为所述投影矩阵，T为矩阵转置运算符。
[0031]本申请还提供了一种人脸图像生成装置，包括：
[0032]预处理模块，用于获取原始图像集，对所述原始图像集进行预处理，得到人脸图像集；
[0033]人脸图像转换模块，用于将所述人脸图像集中的每一张人脸图像转换为人脸向量；
[0034]人脸矩阵构造模块，用于使用所有所述人脸向量构造人脸矩阵；
[0035]人脸矩阵投影模块，用于对所述人脸矩阵进行投影，得到投影矩阵；
[0036]拟合向量计算模块，用于对所述人脸向量和所述投影矩阵使用最小二乘法，得到拟合向量；
[0037]拟合向量重构模块，用于使用所述投影矩阵对所述拟合向量进行重构，生成重构人脸图像。
[0038]本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的人脸图像生成方法的步骤。
[0039]本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的人脸图像生成方法的步骤。
[0040]本申请的人脸图像生成方法，包括获取原始图像集，对原始图像集进行预处理，得到人脸图像集。将人脸图像集中的每一张人脸图像转换为人脸向量，使用所有人脸向量构造人脸矩阵。对人脸矩阵进行投影，得到投影矩阵。对人脸向量和投影矩阵使用最小二乘法，得到拟合向量。使用投影矩阵对拟合向量进行重构，生成重构人脸图像。对人脸图像集依次进行投影和重构，运算量较小，根据已有的人脸图像集即可生成重构人脸图像作为已有的人脸图像集的补充，使得用于训练待训练卷积神经网络的人脸图像集的人脸图像的数量更多，从而提高基于卷积神经网络的人脸识别方法的人脸识别率。
附图说明
[0041]图1为一实施例的人脸图像生成方法的流程示意图；
[0042]图2为一实施例的使用所有人脸向量构造人脸矩阵的流程示意图；
[0043]图3为一实施例的对人脸矩阵进行投影的流程示意图；
[0044]图4为一实施例的使用投影矩阵对拟合向量进行重构的流程示意图；
[0045]图5为一实施例的人脸图像生成装置的结构示意框图；
[0046]图6为一实施例的计算机设备的结构示意框图。
[0047]本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0048]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0049]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“上述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件、单元、单元和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、单元、单元、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
[0050]本
技术人员可以理解，除非另外定义，这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸图像生成方法，其特征在于，包括：获取原始图像集，对所述原始图像集进行预处理，得到人脸图像集；将所述人脸图像集中的每一张人脸图像转换为人脸向量；使用所有所述人脸向量构造人脸矩阵；对所述人脸矩阵进行投影，得到投影矩阵；对所述人脸向量和所述投影矩阵使用最小二乘法，得到拟合向量；使用所述投影矩阵对所述拟合向量进行重构，生成重构人脸图像。2.根据权利要求1所述的人脸图像生成方法，其特征在于，所述使用所有所述人脸向量构造人脸矩阵，包括：获取所述人脸图像集中的所有所述人脸图像的序号，得到排列顺序；按照所述排列顺序对所有所述人脸向量进行拼接，得到所述人脸矩阵。3.根据权利要求1所述的人脸图像生成方法，其特征在于，所述对所述人脸矩阵进行投影，得到投影矩阵，包括：使用主成分分析法对所述人脸矩阵进行投影，得到临时矩阵；对所述临时矩阵进行降维，得到所述投影矩阵。4.根据权利要求1所述的人脸图像生成方法，其特征在于，所述对所述人脸向量和所述投影矩阵使用最小二乘法，得到拟合向量，包括：通过如下公式计算所述拟合向量：y＝(P
T
P)
‑1P
T
x；其中，P为所述投影矩阵，x为所述人脸向量，y为所述拟合向量，T为矩阵转置运算符，(P
T
P)
‑1表示所述投影矩阵的转置矩阵与所述投影矩阵的乘积的逆矩阵。5.根据权利要求1所述的人脸图像生成方法，其特征在于，所述将所述人脸图像集中的每一张人脸图像转换为人脸向量，包括：将每一张所述人脸图像中的每一个像素点的像素值按列进行排列，得到所述人脸向量；所述人脸向量为列向量。...

【专利技术属性】
技术研发人员：郑喜民，孙雨旸，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：