CN111062995A - 生成人脸图像的方法、装置、电子设备和计算机可读介质 - Google Patents
生成人脸图像的方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN111062995A CN111062995A CN201911189576.6A CN201911189576A CN111062995A CN 111062995 A CN111062995 A CN 111062995A CN 201911189576 A CN201911189576 A CN 201911189576A CN 111062995 A CN111062995 A CN 111062995A
- Authority
- CN
- China
- Prior art keywords
- face
- trained
- model
- face image
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 124
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 52
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000001815 facial effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了生成人脸图像的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:提取目标人脸数据集中的人脸图像的特征向量和人脸属性;对特征向量进行降维;根据人脸属性和降维后的特征向量确定基因向量;将基因向量输入预先训练的人脸生成模型,得到第一人脸图像。该实施方式实现了特征可控的,可预期的生成人脸图像。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及生成人脸图像的方法、装置、电子设备和计算机可读介质。
背景技术
近年来,随着大数据技术的深入发展,生物特征研究成为信息安全领域的重要研究方向。作为生物特征识别中最活跃的分支,人脸特征研究在近年来焕发了勃勃生机。
现有的人脸生成方法大多只能生成随机人脸,导致生成的人脸图像难以预测,生成的人脸图像的特征也难以控制。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于生成人脸图像的方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种用于生成人脸图像的方法,该方法包括:提取目标人脸数据集中的人脸图像的特征向量和人脸属性;对特征向量进行降维;根据人脸属性和降维后的特征向量确定基因向量;将基因向量输入预先训练的人脸生成模型,得到第一人脸图像。
第二方面,本公开的一些实施例提供了一种生成人脸图像的装置,装置包括:提取单元,配置用于提取目标人脸数据集中的人脸图像的特征向量和人脸属性;降维单元,配置用于对特征向量进行降维;确定单元,配置用于根据人脸属性和降维后的特征向量确定基因向量;生成单元,配置用于将基因向量输入预先训练的人脸生成模型,得到第一人脸图像。
第三方面,本申请实施例提供了一种电子设备,该网络设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先提取目标人脸数据集中的人脸图像的特征向量和人脸属性。之后,对上述特征向量进行降维。接着,根据上述人脸属性和降维后的特征向量确定基因向量。最后,将上述基因向量输入预先训练的人脸生成模型,得到第一人脸图像。实现了特征可控的,可预期的生成人脸图像。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的一些实施例可以应用于其中的示例性系统的架构图;
图2是根据本公开的生成人脸图像方法的一些实施例的流程图;
图3是根据本公开的生成人脸图像装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的生成人脸图像方法或生成人脸图像装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以提供人脸数据集等。终端设备101、102、103上可以安装有各种拍照应用。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上的拍照应用提供支持的后台服务器。后台服务器可以对目标人脸数据集等数据进行分析等处理,并将处理结果(例如人脸图像数据)反馈给终端设备。
需要说明的是,本公开的实施例所提供的用于生成人脸图像的方法通常由服务器105执行。相应地,用于生成人脸图像的装置通常设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的生成人脸图像方法的一些实施例的流程200。该生成人脸图像的方法,包括以下步骤:
步骤201,提取目标人脸数据集中的人脸图像的特征向量和人脸属性。
在一些实施例中,生成人脸图像方法的执行主体(例如图1所示的服务器)可以在目标人脸数据集中提取人脸图像的特征向量。例如,上述提取可以通过sphereface人脸识别算法进行提取。在这里,上述人脸属性可以是年龄,发色,表情,性别等人脸属性。上述目标人脸数据集通常是指由用户提供的人脸数据集。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述人脸图像输入特征提取模型,得到人脸图像的特征向量,其中,上述特征提取模型是根据以下步骤训练得到的:获取训练样本,其中,上述训练样本包括样本人脸图像和样本人脸图像对应的样本人脸图像的特征向量。将上述样本人脸图像输入待训练模型,得到人脸图像的特征向量。作为示例,上述执行主体可以将样本人脸图像输入上述对应关系表,在对应关系表中找到和样本人脸图像相同或相似的人脸图像,并将人脸图像对应的特征向量进行输出。将上述人脸图像的特征向量和上述样本人脸图像的特征向量进行比较,根据比较结果确定上述待训练模型是否完成训练。响应于确定上述待训练模型完成训练,将上述待训练模型确定为特征提取模型。响应于确定上述待训练模型未完成训练,调整上述待训练模型的相关参数。
上述特征提取模型通常用于表征人脸图像和人脸图像的特征向量的对应关系。作为示例,上述特征提取模型可以是人脸图像和人脸图像的特征向量的对应关系表。上述比较结果可以是相同或相似或不同。作为示例,上述比较结果为相同或相似时,确定上述待训练模型训练完成;上述比较结果为不同时,确定上述待训练模型训练未完成。将上述样本人脸图像输入待训练模型,得到人脸图像的特征向量。
步骤202,对上述特征向量进行降维。
在一些实施例中,上述执行主体可以对上述步骤201提取得到的特征向量进行降维。作为示例,上述降维可以通过线性判别分析(Linear Discriminant Analysis,LDA)、主成分分析(Principal Component Analysis,PCA)等方法进行特征向量的降维。
步骤203,根据上述人脸属性和降维后的特征向量确定基因向量。
在一些实施例中,上述执行主体可以据上述人脸属性和降维后的特征向量确定基因向量。
作为示例,上述执行主体可以基于统计的方式,确定挑选的人脸属性中哪一个特征向量的变动对上述人脸属性的改变影响最大,将对人脸属性影响最大的特征向量确定为基因向量。
在这里,上述基因向量通常是指对生成人脸图像可控制可预期的特征向量。作为示例,人脸图像的特征向量通过解耦合、去冗余的方式转换成精简的“可解释”的表征形式,通过减少该特征向量中的参数数量并尽量使其参数具有明确的含义(包括物理性含义和综合性含义,物理性含义通常是指肤色、脸型、眼型、发型、胡须、眉毛、下巴等;综合性含义通常是指例如年龄、表情和性别等)来进行可预期可控制的生成人脸图像。
步骤204,将基因向量输入预先训练的人脸生成模型,得到第一人脸图像。
在一些实施例中,上述执行主体可以将上述步骤203得到的基因向量输入至预先训练的人脸生成模型,得到第一人脸图像。在这里,上述人脸生成模型用于表征基因向量与第一人脸图像的对应关系。作为示例,上述人脸生成模型可以是基因向量与第一人脸图像的对应关系表。上述得到第一人脸图像的过程可以是在上述对应关系表中的基因向量进行比较,将关系表中相同或相似的基因向量作为输出,得到第一人脸图像。
在一些实施例的一些可选的实现方式中,上述执行主体可以获取训练样本集。其中,上述训练样本集中的训练样本包括样本基因向量、和上述样本基因向量对应的样本人脸图像和上述样本人脸图像的样本人脸特征。基于上述训练样本集,对待训练模型进行训练。将训练完成后的待训练模型确定为人脸生成模型。其中,上述待训练模型包括特征提取网络和生成网络。上述特征提取网络用于提取人脸图像的特征。上述生成网络用于生成人脸图像。
在这里,上述待训练模型用于表征尚未完善的基因向量与人脸图像的对应关系。作为示例,上述待训练模型可以是基因向量与人脸图像的对应关系表。作为示例,上述训练过程可以是基于统计等方法收集基因向量和基因向量对应的人脸图像制成基因向量与人脸图像的对应关系表。
上述特征提取网络通常用于提取人脸图像特征。作为示例,上述特征提取网络可以在人脸图像和人脸图像特征的对应关系表中找到相同或相似的人脸图像对应的人脸图像特征,也可以是使用sphereface人脸识别算法提取人脸特征。
上述生成网络通常用于生成人脸图像。作为示例,上述生成网络可以是在基因向量和人脸图像的对应关系表中找到相同或相似的基因向量对应的人脸图像。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述训练样本集中的样本基因向量输入待训练模型中的生成网络,得到人脸图像。之后,将上述人脸图像输入上述待训练模型中的特征提取网络,得到上述人脸图像的特征向量。接着,将上述特征向量进行降维。其中,上述特征向量降维后与上述基因向量的维度相同。将上述特征向量与上述样本基因向量进行比较,根据比较结果确定上述初始模型是否训练完成。作为示例,上述当比较结果是相同或相似时,可以确定待训练模型训练完成;当比较结果是不同或相差较多是,可以确定上述待训练模型未训练完成。响应于确定上述待训练模型训练完成,将上述待训练模型确定为人脸生成模型。响应于确定上述待训练模型未训练完成,调整上述待训练模型中的相关参数。
在一些实施例的一些可选的实现方式中,上述执行主体可以显示上述第一人脸图像的第一展示界面。之后,响应于检测到在上述第一人脸图像的第一展示界面中针对上述第一人脸图像的调整操作,根据上述调整操作生成第二人脸图像。最后,显示上述第二人脸图像的第二展示界面。
在这里,上述根据调整操作生成第二人脸图像可以是确定上述调整操作针对的人脸图像的特征,并且根据上述特征重新确定基因向量输入至人脸生成模型,得到第二人脸图像。在这里,上述显示的方式可以是视频形式进行显示,也可以是以图像形式进行显示。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先提取目标人脸数据集中的人脸图像的特征向量和人脸属性。之后,对上述特征向量进行降维。接着,根据上述人脸属性和降维后的特征向量确定基因向量。最后,将上述基因向量输入预先训练的人脸生成模型,得到第一人脸图像。实现了特征可控的,可预期的生成人脸图像。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种生成人脸图像装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的生成人脸图像装置300包括:提取单元301、降维单元302、确定单元303和生成单元304。其中,提取单元301配置用于提取目标人脸数据集中的人脸图像的特征向量和人脸属性;降维单元302配置用于将对上述特征向量进行降维;确定单元303,配置用于根据上述人脸属性和降维后的特征向量确定基因向量;生成单元304,配置用于将上述基因向量输入预先训练的人脸生成模型,得到第一人脸图像。
在一些实施例的可选实现方式中,生成人脸图像装置300的提取单元301被进一步配置成:将上述人脸图像输入特征提取模型,得到人脸图像的特征向量,其中,上述特征提取模型是根据以下步骤训练得到的:获取训练样本,其中,上述训练样本包括样本人脸图像和样本人脸图像对应的样本人脸图像的特征向量;将上述样本人脸图像输入待训练模型,得到人脸图像的特征向量;将上述人脸图像的特征向量和上述样本人脸图像的特征向量进行比较,根据比较结果确定上述待训练模型是否完成训练;响应于确定上述待训练模型完成训练,将上述待训练模型确定为特征提取模型;响应于确定上述待训练模型未完成训练,调整上述待训练模型的相关参数。
在一些实施例的可选实现方式中,上述人脸生成模型是根据以下步骤得到的:获取训练样本集,其中,上述训练样本集中的训练样本包括样本基因向量、和上述样本基因向量对应的样本人脸图像和上述样本人脸图像的样本人脸特征;基于上述训练样本集,对待训练模型进行训练,将训练完成后的待训练模型确定为人脸生成模型,其中,上述待训练模型包括特征提取网络和生成网络,上述特征提取网络用于提取人脸图像的特征,上述生成网络用于生成人脸图像。
在一些实施例的可选实现方式中,上述基于上述训练样本集,对待训练模型进行训练,将结束上述训练后的待训练模型确定为人脸生成模型,包括:将上述训练样本集中的样本基因向量输入待训练模型中的生成网络,得到人脸图像;将上述人脸图像输入上述待训练模型中的特征提取网络,得到上述人脸图像的特征向量;将上述特征向量进行降维,其中,上述特征向量降维后与上述基因向量的维度相同;将上述特征向量与上述样本基因向量进行比较,根据比较结果确定上述初始模型是否训练完成;响应于确定上述待训练模型训练完成,将上述待训练模型确定为人脸生成模型;响应于确定上述待训练模型未训练完成,调整上述待训练模型中的相关参数。
在一些实施例的可选实现方式中,上述生成人脸图像装置300还包括显示单元配置用于:显示上述第一人脸图像的第一展示界面;响应于检测到在上述第一人脸图像的第一展示界面中针对上述第一人脸图像的调整操作,根据上述调整操作生成第二人脸图像;显示上述第二人脸图像的第二展示界面。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:提取目标人脸数据集中的人脸图像的特征向量和人脸属性;对上述特征向量进行降维;根据上述人脸属性和降维后的特征向量确定基因向量;将上述基因向量输入预先训练的人脸生成模型,得到第一人脸图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括提取单元、降维单元、确定单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,提取单元还可以被描述为“提取目标人脸数据集中的人脸图像的特征向量和人脸属性的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种用于生成人脸图像的方法,包括:
提取目标人脸数据集中的人脸图像的特征向量和人脸属性;
对所述特征向量进行降维;
根据所述人脸属性和降维后的特征向量确定基因向量;
将所述基因向量输入预先训练的人脸生成模型,得到第一人脸图像。
2.根据权利要求1所述的方法,其中,所述方法还包括:
显示所述第一人脸图像的第一展示界面;
响应于检测到在所述第一人脸图像的第一展示界面中针对所述第一人脸图像的调整操作,根据所述调整操作生成第二人脸图像;
显示所述第二人脸图像的第二展示界面。
3.根据权利要求1所述的方法,其中,所述人脸生成模型是根据以下步骤得到的:
获取训练样本集,其中,所述训练样本集中的训练样本包括样本基因向量、和所述样本基因向量对应的样本人脸图像和所述样本人脸图像的样本人脸特征;
基于所述训练样本集,对待训练模型进行训练,将训练完成后的待训练模型确定为人脸生成模型,其中,所述待训练模型包括特征提取网络和生成网络,所述特征提取网络用于提取人脸图像的特征,所述生成网络用于生成人脸图像。
4.根据权利要求3所述的方法,其中,所述基于所述训练样本集,对待训练模型进行训练,将训练完成后的待训练模型确定为人脸生成模型,包括:
将所述训练样本集中的样本基因向量输入待训练模型中的生成网络,得到人脸图像;
将所述人脸图像输入所述待训练模型中的特征提取网络,得到所述人脸图像的特征向量;
将所述特征向量进行降维,其中,所述特征向量降维后与所述基因向量的维度相同;
将所述特征向量与所述样本基因向量进行比较,根据比较结果确定所述初始模型是否训练完成;
响应于确定所述待训练模型训练完成,将所述待训练模型确定为人脸生成模型;
响应于确定所述待训练模型未训练完成,调整所述待训练模型中的相关参数。
5.根据权利要求1所述的方法,其中,所述提取所述目标人脸数据集中的人脸图像的特征向量和人脸属性,包括:
将所述人脸图像输入特征提取模型,得到人脸图像的特征向量,其中,所述特征提取模型是根据以下步骤训练得到的:
获取训练样本,其中,所述训练样本包括样本人脸图像和样本人脸图像对应的样本人脸图像的特征向量;
将所述样本人脸图像输入待训练模型,得到人脸图像的特征向量;
将所述人脸图像的特征向量和所述样本人脸图像的特征向量进行比较,根据比较结果确定所述待训练模型是否完成训练;
响应于确定所述待训练模型完成训练,将所述待训练模型确定为特征提取模型;
响应于确定所述待训练模型未完成训练,调整所述待训练模型的相关参数。
6.一种用于生成人脸图像的装置,包括:
提取单元,被配置成提取目标人脸数据集中的人脸图像的特征向量和人脸属性;
降维单元,被配置成对所述特征向量进行降维;
确定单元,被配置成根据所述人脸属性和降维后的特征向量确定基因向量;
生成单元,被配置成将所述基因向量输入预先训练的人脸生成模型,得到第一人脸图像。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189576.6A CN111062995B (zh) | 2019-11-28 | 2019-11-28 | 生成人脸图像的方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189576.6A CN111062995B (zh) | 2019-11-28 | 2019-11-28 | 生成人脸图像的方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062995A true CN111062995A (zh) | 2020-04-24 |
CN111062995B CN111062995B (zh) | 2024-02-23 |
Family
ID=70299141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911189576.6A Active CN111062995B (zh) | 2019-11-28 | 2019-11-28 | 生成人脸图像的方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062995B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537028A (zh) * | 2021-07-09 | 2021-10-22 | 中星电子股份有限公司 | 用于人脸识别系统的控制方法、装置、设备和介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885310A (zh) * | 2006-06-01 | 2006-12-27 | 北京中星微电子有限公司 | 人脸模型训练模块及方法、人脸实时认证系统及方法 |
US20100205177A1 (en) * | 2009-01-13 | 2010-08-12 | Canon Kabushiki Kaisha | Object identification apparatus and method for identifying object |
US9129148B1 (en) * | 2012-11-09 | 2015-09-08 | Orbeus Inc. | System, method and apparatus for scene recognition |
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN106529377A (zh) * | 2015-09-15 | 2017-03-22 | 北京文安智能技术股份有限公司 | 一种基于图像的年龄估计方法、装置及系统 |
CN107437081A (zh) * | 2017-08-07 | 2017-12-05 | 北京中星微电子有限公司 | 基于深度卷神经网络的人脸识别方法、装置和存储介质 |
CN107871106A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 人脸检测方法和装置 |
CN108595628A (zh) * | 2018-04-24 | 2018-09-28 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN109635752A (zh) * | 2018-12-12 | 2019-04-16 | 腾讯科技(深圳)有限公司 | 人脸关键点的定位方法、人脸图像处理方法和相关装置 |
WO2019090769A1 (zh) * | 2017-11-13 | 2019-05-16 | 深圳和而泰智能控制股份有限公司 | 一种人脸脸型识别方法、装置和智能终端 |
CN109829431A (zh) * | 2019-01-31 | 2019-05-31 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN110472494A (zh) * | 2019-06-21 | 2019-11-19 | 深圳壹账通智能科技有限公司 | 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质 |
-
2019
- 2019-11-28 CN CN201911189576.6A patent/CN111062995B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885310A (zh) * | 2006-06-01 | 2006-12-27 | 北京中星微电子有限公司 | 人脸模型训练模块及方法、人脸实时认证系统及方法 |
US20100205177A1 (en) * | 2009-01-13 | 2010-08-12 | Canon Kabushiki Kaisha | Object identification apparatus and method for identifying object |
US9129148B1 (en) * | 2012-11-09 | 2015-09-08 | Orbeus Inc. | System, method and apparatus for scene recognition |
CN106529377A (zh) * | 2015-09-15 | 2017-03-22 | 北京文安智能技术股份有限公司 | 一种基于图像的年龄估计方法、装置及系统 |
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN107871106A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 人脸检测方法和装置 |
CN107437081A (zh) * | 2017-08-07 | 2017-12-05 | 北京中星微电子有限公司 | 基于深度卷神经网络的人脸识别方法、装置和存储介质 |
WO2019090769A1 (zh) * | 2017-11-13 | 2019-05-16 | 深圳和而泰智能控制股份有限公司 | 一种人脸脸型识别方法、装置和智能终端 |
CN108595628A (zh) * | 2018-04-24 | 2018-09-28 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN109635752A (zh) * | 2018-12-12 | 2019-04-16 | 腾讯科技(深圳)有限公司 | 人脸关键点的定位方法、人脸图像处理方法和相关装置 |
CN109829431A (zh) * | 2019-01-31 | 2019-05-31 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN110472494A (zh) * | 2019-06-21 | 2019-11-19 | 深圳壹账通智能科技有限公司 | 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
赵树阳等: "基于生成对抗网络的低秩图像生成方法", 自动化学报, pages 829 - 839 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537028A (zh) * | 2021-07-09 | 2021-10-22 | 中星电子股份有限公司 | 用于人脸识别系统的控制方法、装置、设备和介质 |
CN113537028B (zh) * | 2021-07-09 | 2022-11-08 | 中星电子股份有限公司 | 用于人脸识别系统的控制方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111062995B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
US11436863B2 (en) | Method and apparatus for outputting data | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
CN110162670B (zh) | 用于生成表情包的方法和装置 | |
CN111476871B (zh) | 用于生成视频的方法和装置 | |
WO2019242222A1 (zh) | 用于生成信息的方法和装置 | |
CN107609506B (zh) | 用于生成图像的方法和装置 | |
CN109981787B (zh) | 用于展示信息的方法和装置 | |
CN110288705B (zh) | 生成三维模型的方法和装置 | |
CN113505848B (zh) | 模型训练方法和装置 | |
CN109800730B (zh) | 用于生成头像生成模型的方法和装置 | |
CN111539903B (zh) | 训练人脸图像合成模型的方法和装置 | |
CN110046571B (zh) | 用于识别年龄的方法和装置 | |
CN109857908A (zh) | 用于匹配视频的方法和装置 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN109934142B (zh) | 用于生成视频的特征向量的方法和装置 | |
CN111915480A (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN113468344B (zh) | 实体关系抽取方法、装置、电子设备和计算机可读介质 | |
CN114420135A (zh) | 基于注意力机制的声纹识别方法及装置 | |
CN111539287B (zh) | 训练人脸图像生成模型的方法和装置 | |
CN110046670B (zh) | 特征向量降维方法和装置 | |
CN111062995B (zh) | 生成人脸图像的方法、装置、电子设备和计算机可读介质 | |
CN111260756B (zh) | 用于发送信息的方法和装置 | |
CN110956127A (zh) | 用于生成特征向量的方法、装置、电子设备和介质 | |
CN110942033B (zh) | 用于推送信息的方法、装置、电子设备和计算机介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |