CN111144284B - 深度人脸图像的生成方法、装置、电子设备及介质 - Google Patents
深度人脸图像的生成方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111144284B CN111144284B CN201911358809.0A CN201911358809A CN111144284B CN 111144284 B CN111144284 B CN 111144284B CN 201911358809 A CN201911358809 A CN 201911358809A CN 111144284 B CN111144284 B CN 111144284B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- face image
- feature points
- dimensional feature
- depth map
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims description 80
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 210000004709 eyebrow Anatomy 0.000 description 6
- 230000003042 antagnostic effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000001680 brushing effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G06T3/04—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种深度人脸图像的生成方法,在获取目标用户的二维人脸图像和三维人脸图像之后,使用神经网络对二维人脸图像和三维人脸图像进行特征提取,并对提取的特征进行分类,得到分类后的二维特征点和分类后的三维特征点;将所述分类后的二维特征点映射到三维特征空间中,得到三维映射特征点,其中,所述三维特征空间由所述分类后的三维特征点构成的;根据所述三维映射特征点,生成深度图;利用所述三维人脸图像对所述深度图进行增强处理,得到增强后的所述深度图,并将增强后的所述深度图作为所述目标用户的深度人脸图像。
Description
技术领域
本说明书实施例涉及图像处理技术领域,尤其涉及一种深度人脸图像的生成方法、装置、电子设备及介质。
背景技术
随着人脸识别技术的飞速发展,人脸识别技术越来越多的应用在人们的日常生活中,人脸识别技术应用在例如车站的刷脸进站,超市的刷脸付钱和手机APP的刷脸登录等场景中。
现有技术中,在进行人脸识别时通常需要将二维人脸图像转换成三维人脸图像,在将二维人脸图像转换成三维人脸图像时,采用的技术通常是通过深度神经网络直接将二维人脸图像生成深度人脸图像,但是生成的深度人脸图像通常不具有唯一性,更近似于一种平均深度脸的类型。
发明内容
本说明书实施例提供了一种深度人脸图像的生成方法、装置、电子设备及介质,能够有效提高二维人脸图像生成的深度人脸图像的准确性。
本说明书实施例第一方面提供了一种深度人脸图像的生成方法,包括:
在获取目标用户的二维人脸图像和三维人脸图像之后,使用神经网络对所述二维人脸图像进行特征提取,并对提取到的二维特征点进行分类,得到分类后的二维特征点;以及
使用神经网络对所述三维人脸图像进行特征提取,并对提取到的三维特征点进行分类,得到分类后的三维特征点;
将所述分类后的二维特征点映射到三维特征空间中,得到三维映射特征点,其中,所述三维特征空间由所述分类后的三维特征点构成的;
根据所述三维映射特征点,生成深度图;
利用所述三维人脸图像对所述深度图进行增强处理,得到增强后的所述深度图,并将增强后的所述深度图作为所述目标用户的深度人脸图像。
本说明书实施例第二方面提供了一种深度人脸图像的生成装置,包括:
二维特征点获取单元,用于在获取目标用户的二维人脸图像和三维人脸图像之后,使用神经网络对所述二维人脸图像进行特征提取,并对提取到的二维特征点进行分类,得到分类后的二维特征点;以及
三维特征点获取单元,用于使用神经网络对所述三维人脸图像进行特征提取,并对提取到的三维特征点进行分类,得到分类后的三维特征点;
三维映射单元,用于将所述分类后的二维特征点映射到三维特征空间中,得到三维映射特征点,其中,所述三维特征空间由所述分类后的三维特征点构成的;
深度图获取单元,用于根据所述三维映射特征点,生成深度图;
深度人脸图像获取单元,用于利用所述三维人脸图像对所述深度图进行增强处理,得到增强后的所述深度图,并将增强后的所述深度图作为所述目标用户的深度人脸图像。
本说明书实施例第三方面还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述深度人脸图像的生成方法的步骤。
本说明书实施例第四方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时上述深度人脸图像的生成方法的步骤。
本说明书实施例的有益效果如下:
基于上述技术方案,在获取所述目标用户的二维特征点和三维特征点之后,对提取的二维特点和三维特征点进行分类,以使得分类后的二维特征点和三维特征点中每个特征点的表征能力增强,在特征点的表征能力增强的基础上进行特征映射,能够有效促使二维空间到三维空间的映射收敛性和一致性更加鲁棒,进而使得二维特征点映射成的三维映射特征点的准确性和质量也更高,在三维映射特征点的准确性和质量更高的基础,促使根据三维映射特征点获取的深度人脸图像的准确性和质量也会随之提高。
附图说明
图1为本说明书实施例中深度人脸图像的生成方法的方法流程图;
图2为本说明书实施例中获取分类后的二维特征点的方法流程图;
图3为本说明书实施例中获取分类后的三维特征点的方法流程图;
图4为本说明书实施例中生成深度人脸图像的流程示意图;
图5为本说明书实施例中深度人脸图像的生成装置的结构示意图;
图6为本说明书实施例中电子设备的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明,应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明,而不是对本说明书技术方案的限定,在不冲突的情况下,本说明书实施例以及实施例中的技术特征可以相互组合。
第一方面,如图1所示,本说明书实施例提供一种深度人脸图像的生成方法,包括:
步骤S102、在获取目标用户的二维人脸图像和三维人脸图像之后,使用神经网络对所述二维人脸图像进行特征提取,并对提取到的二维特征点进行分类,得到分类后的二维特征点;以及
步骤S104、使用神经网络对所述三维人脸图像进行特征提取,并对提取到的三维特征点进行分类,得到分类后的三维特征点;
步骤S106、将所述分类后的二维特征点映射到三维特征空间中,得到三维映射特征点,其中,所述三维特征空间由所述分类后的三维特征点构成的;
步骤S108、根据所述三维映射特征点,生成深度图;
步骤S110、利用所述三维人脸图像对所述深度图进行增强处理,得到增强后的所述深度图,并将增强后的所述深度图作为所述目标用户的深度人脸图像。
本说明书实施例提供的深度人脸图像的生成方法可以应用于终端设备或服务器中,所述终端设备包括智能手表、笔记本电脑、台式电脑、智能手机和平板电脑等设备;所述服务器包括笔记本电脑、台式电脑、一体机和平板电脑等设备。
其中,在步骤S102中,可以首先获取所述目标用户的二维人脸图像和三维人脸图像,在获取所述目标用户的二维人脸图像和三维人脸图像时,可以使用三维摄像设备同时采集所述目标用户的二维人脸图像和三维人脸图像,其中,所述三维摄像设备例如可以是3D摄像头、3D云台和3D摄像机等设备,此时,可以实时获取所述目标用户的二维人脸图像和三维人脸图像,也可以在所述三维摄像设备采集的所述目标用户的二维人脸图像和三维人脸图像存储之后,然后从存储设备中读取所述二维人脸图像和所述三维人脸图像。
例如,以3D摄像头为例,通过3D摄像头同时采集商店入口的用户a的二维人脸图像用r1表示和三维人脸图像用d1表示,然后将3D摄像头采集的r1和d1通过网络传输至服务器,使得服务器能够获取到r1和d1。
以及,在获取所述目标用户的二维人脸图像之后,根据所述二维人脸图像,得到所述分类后的二维特征点,如图2所示,包括以下步骤:
S202、使用神经网络对所述二维人脸图像进行特征提取,得到所述提取到的二维特征点,其中,提取出的每个二维特征点包括多维向量;
其中,所述提取到的二维特征点包含有多个特征点,提取到的每个二维特征点均用多维向量表示,例如每个二维特征点用32维、64维和128维向量等进行向量表示,优选的每个二维特征点均用128维向量表示。
本说明书实施例中,所述神经网络可以是深度神经网络(Deep Neural Networks,简称:DNN)、卷积神经网络(Convolutional Neural Networks,简称:CNN)、循环神经网络(Recurrent Neural Network,简称:RNN)、前馈神经网络(Feed forward neuralnetworks,简称:FFNN)、多任务级联卷积神经网络(Multi-task Cascaded ConvolutionalNetworks,简称MTCNN)和级联深度神经网络(Deep Alignment Network,简称DAN)等,优选地,可以使用DNN对所述二维人脸图像进行特征提取。
具体来讲,在使用所述二维人脸图像进行特征提取时,可以使用DNN对所述二维人脸图像进行特征提取,进而会提取出眼睛、鼻子、眉毛和嘴角等人脸显著部位的二维特征点,提取出的每个二维特征点包括多维向量,例如提取出的每个二维特征点均用128维向量表示。
S204、使用分类器对所述提取到的二维特征点进行分类,得到所述分类后的二维特征点。
本说明书实施例中,所述分类器例如可以是卷积神经网络(ConvolutionalNeural Networks,简称CNN)分类器、softmax分类器和决策树分类器等。
具体来讲,在通过步骤S202提取到的二维特征点之后,将所述提取到的二维特征点输入到所述分类器进行分类,得到所述分类后的二维特征点。
具体地,所述分类器是已训练的,其训练数据为采集历史人脸图像的二维特征点,训练数据中的每个二维特征点也用多维向量进行表示,且训练数据中每个二维特征点的向量维数与步骤S202中提取的每个二维特征点的向量维数相同,使得训练和实际分类输入到所述分类器中的每个二维特征点的向量维数相同,使得训练数据和实际分类数据均为同一类型的数据,使得通过所述分类器得到的所述分类后的二维特征点的分类更精确。
接下来执行步骤S104,可以使用三维摄像设备同时采集所述目标用户的二维人脸图像和三维人脸图像,其中,所述三维摄像设备例如可以是3D摄像头、3D云台和3D摄像机等设备。
以及,在获取所述目标用户的三维人脸图像之后,根据所述三维人脸图像,得到所述分类后的三维特征点,如图3所示,包括以下步骤:
S302、使用神经网络对所述三维人脸图像进行特征提取,得到所述提取到的三维特征点,其中,提取出的每个三维特征点包括多维向量;
其中,所述提取到的三维特征点包含有多个特征点,提取到的每个三维特征点均用多维向量表示,例如每个三维特征点用32维、64维和128维向量等进行向量表示,优选的每个三维特征点均用128维向量表示。
本说明书实施例中,所述神经网络可以是深度神经网络DNN、CNN、RNN、FFNN、MTCNN和DAN等,优选地,可以使用DNN对所述三维人脸图像进行特征提取。
具体来讲,在使用所述三维人脸图像进行特征提取时,可以使用DNN对所述三维人脸图像进行特征提取,进而会提取出眼睛、鼻尖、眉毛和嘴角等人脸显著部位的三维特征点,提取出的每个三维特征点均用128维向量表示。
S304、使用分类器对所述提取到的三维特征点进行分类,得到所述分类后的三维特征点。
本说明书实施例中,所述分类器例如可以是卷积神经网络(ConvolutionalNeural Networks,简称CNN)分类器、softmax分类器和决策树分类器等;进一步的,提取的每个二维特征点包含的向量维度和提取的每个三维特征点包含的向量维度相同,例如提取的每个特征点包含64维向量,则提取的每个三维特征点也包含64维向量;当然,提取的每个二维特征点包含的向量维度和提取的每个三维特征点包含的向量维度也可以不同。
具体来讲,在通过步骤S302提取到的三维特征点之后,将所述提取到的三维特征点输入到所述分类器进行分类,得到所述分类后的三维特征点。
具体地,所述分类器是已训练的,其训练数据为采集历史人脸图像的三维特征点,训练数据中的每个三维特征点也用多维向量进行表示,且训练数据中每个三维特征点的向量维数与步骤S302中提取的每个三维特征点的向量维数相同,使得训练和实际分类输入到所述分类器中的每个三维特征点的向量维数相同,使得训练数据和实际分类数据均为同一类型的数据,使得通过所述分类器得到的所述分类后的三维特征点的分类更精确。
例如,以3D摄像头为例,在3D摄像头采集用户a的r1和d1之后,将其传输给服务器,使得服务器获取到r1和d1,使用DNN对r1进行特征提取,提取到二维特征点用r1-1表示,其中,r1-1中的每个特征点均使用128维向量表示;在使用softmax分类器对r1-1进行分类,得到分类后的二维特征点,所述分类后的二维特征点包括眼睛位置的特征点对应的眼睛类二维特征点,鼻子位置的特征点对应的鼻子类二维特征点,嘴巴位置的特征点对应的嘴巴类二维特征点,眉毛位置的特征点对应的眉毛类二维特征点。
相应地,使用DNN对d1进行特征提取,提取到三维特征点用d1-1表示,其中,d1-1中的每个特征点均使用128维向量表示;在使用softmax分类器对d1-1进行分类,得到分类后的三维特征点,所述分类后的三维特征点包括眼睛位置的特征点对应的眼睛类三维特征点,鼻子位置的特征点对应的鼻子类三维特征点,嘴巴位置的特征点对应的嘴巴类三维特征点,眉毛位置的特征点对应的眉毛类三维特征点。
如此,在获取所述目标用户的二维特征点和三维特征点之后,通过所述分类器对提取的二维特征点和三维特征点进行分类,通过对提取的二维特征点和三维特征点进行分类,以使得分类后的二维特征点和三维特征点中每个特征点的表征能力增强,在特征点的表征能力增强的基础上进行特征映射,能够有效促使二维空间到三维空间的映射收敛性和一致性更加鲁棒,完成二维空间到三维空间的跨模态比对。
接下来执行步骤S106,在该步骤中,可以首先根据所述分类后的三维特征点构建所述三维特征空间,然后通过残差神经网络将所述分类后的每个二维特征点映射到所述三维特征空间中,得到所述三维映射特征点。
具体来讲,在构建出所述三维特征空间之后,通过所述残差神经网络中的恒等映射,将所述分类后的每个二维特征点映射到所述三维特征空间中,得到所述三维映射特征点,其中,所述残差神经网络可以为ResNet。
具体地,所述分类后的三维特征点中每个特征点均用多维向量表示,从而可以根据所述分类后的三维特征点中每个特征点的多维向量,在三维坐标系中确定出分类后的每个三维特征点的坐标,在三维坐标系中将分类后的每个三维特征点相连,构建出所述三维特征空间。
具体地,所述残差神经网络的算法具体如下述公式1所示:
F(x)=H(x)-x 公式1
其中,公式1中F(x)表示残差函数,x表示输入,H(x)表示输出;进一步地:若F(x)=0时,x=H(x),即为恒等映射。
具体地,可以使用向量相似度来训练所述残差函数中的参数,其中,在获取所述向量相似度时,可以使用相似度算法获取到所述向量相似度。
本说明书实施例中,所述相似度算法可以包括欧几里得距离算法、余弦相似度算法,曼哈顿距离算法和皮尔逊相关系数等。
具体来讲,可以获取历史二维特征点和历史三维特征点的映射关系;根据所述映射关系,使用相似度算法获取具有映射关系的每组特征点的向量相似度,其中,每组特征点包括具有映射关系的一个历史二维特征点和一个历史三维特征点;利用每组特征点的相似度对所述残差函数进行训练,得到训练的所述残差函数。
具体地,可以使用历史二维特征点和历史三维特征点的映射关系,对所述残差函数中的参数进行训练,例如,若历史二维特征特征点为r11、r12、r13、r14和r15,依次与历史三维特点中的d11、d12、d13、d14和d15对应,如此,可以通过余弦相似度算法依次获取r11与d11之间的向量相似度用s1表示,r12与d12之间的向量相似度s2,r13与d13之间的向量相似度s3,r14与d14之间的向量相似度s4,以及r15与d15之间的向量相似度s5,根据s1、s2、s3、s4和s5对所述残差函数中的参数进行训练,以使得所述残差函数中的参数更准确,在所述残差函数中的参数更准确的基础上,使用训练的所述残差函数进行映射得到的所述三维映射特征点的准确度也会随之提高。
具体地,通过对提取的二维特征点和三维特征点进行分类,以使得分类后的二维特征点和三维特征点中每个特征点的表征能力增强,在特征点的表征能力增强的基础上进行特征映射,以及通过向量相似度对所述残差函数进行训练,使得所述残差函数中的参数更准确,在所述残差函数中的参数更准确且特征点的表征能力增强的基础上,能够促使训练的所述残差函数进行映射得到的所述三维映射特征点的准确度进一步提高。
接下来执行步骤S108,在该步骤中,可以采用深度网络结构对所述三维映射特征点进行处理,得到深度图;其中,所述深度网络结构为深度学习中的网络结构,可以为经典卷积神经网络结构(例如为LeNet-5、AlexNet和VGG-16),深度学习之基础模型(例如PolyNet),以及残差网络结构(ResNet)等,本说明书不作具体限制。
具体来讲,在通过步骤S106获取到所述三维映射特征点之后,由于所述三维映射特征点的数量为多个,从而将所述三维映射特征点中的每个特征点输入到所述深度网络结构中进行计算,进而得到所述深度图,由于通过步骤S106获取的所述三维映射特征点的准确度较高,进而使得获取的所述深度图的准确度也会随之提高。
接下来执行步骤S110,在该步骤中,可以获取所述深度图相对于所述三维人脸图像的相对损失函数;以及可以通过生成对抗网络(Generative Adversarial Network,简称:GAN)对所述深度图和所述三维人脸图像进行处理,得到所述深度图的对抗损失函数;根据所述相对损失函数和所述对抗损失函数,确定出所述深度图的目标损失函数;根据所述目标损失函数和所述三维映射特征点,生成所述目标用户的深度人脸图像。
具体来讲,可以对所述深度图和所述三维人脸图像进行分类处理或回归处理,得到所述相对损失函数;以及可以通过所述三维人脸图像对所述生成对抗网络中的判别器进行训练,得到已训练的判别器;将所述深度图中的数据输入到所述已训练的判别器中,得到所述深度图的概率数据;根据所述深度图的概率数据,得到所述对抗损失函数;根据所述相对损失函数和所述对抗损失函数,确定所述目标损失函数;再根据所述目标损失函数和所述三维映射特征点,生成所述目标用户的深度人脸图像。
其中,在获取所述深度图的概率数据之后,根据所述概率数据进行损失计算,得到所述对抗损失函数。
具体来讲,在根据所述相对损失函数和所述对抗损失函数,确定所述目标损失函数时,可以获取所述相对损失函数的相对权重,以及获取所述对抗损失函数的对抗权重;再根据所述相对损失函数和所述相对权重,以及所述对抗损失函数和所述对抗权重,确定所述目标损失函数。
其中,所述相对权重和所述对抗权重可以通过历史数据训练得到,也可以由人工或设备自行设定,所述相对权重通常小于所述对抗权重,当然,所述相对权重也可以不小于所述对抗权重,例如所述相对权重为0.1,0.2和0.3等,所述对抗权重为0.9,0.8和0.7等,本说明书不作具体限制。
具体地,可以将所述相对损失函数与所述相对权重的乘积作为相对乘积,以及将所述对抗损失函数和所述对抗权重的乘积作为对抗乘积,再获取所述相对乘积和所述对抗乘积之和作为所述目标损失函数。
具体地,在根据所述目标损失函数和所述三维映射特征点,生成所述深度人脸图像时,可以通过所述目标损失函数对所述深度网络结构进行优化,根据优化后的所述深度网络结构对所述三维映射特征点进行处理,得到所述深度人脸图像。
本说明书实施例中提供了一种生成深度人脸图像的流程示意图,具体如图4所示,包括:深度相机40,深度相机40用于采集用户a的二维人脸图像41和三维人脸图像42,通过神经网络分别对二维人脸图像41和三维人脸图像42进行特征提取,得到二维特征点43和三维特征点44;使用softmax分类器对二维特征点43进行分类训练,得到分类后的二维特征点为二维分类特征点431;以及使用softmax分类器对三维特征点44进行分类训练,得到分类后的二维特征点为三维分类特征点441。
以及,通过三维分类特征点441构建三维特征空间,然后通过残差神经网络将二维分类特征点431映射到三维特征空间中得到三维映射特征点432;三维映射特征点432通过深度网络结构生成深度图45;根据深度图45和三维人脸图像42生成相对残差参数为mse-loss46;通过GAN网络对深度图45进行训练得到对抗残差参数为d-loss47;若所述相对权重为0.9且所述对抗权重为0.1,则确定目标损失函数为final-loss48,且final-loss=0.9×D-loss+0.1×mse-loss;再根据final-loss48对所述深度网络结构进行优化,根据优化后的所述深度网络结构对三维映射特征点432进行处理,得到深度人脸图像49;在获取到深度人脸图像49,可以对深度人脸图像49进行人脸识别,由于深度人脸图像49的准确性和质量更高,使得人脸识别的识别准确度也会随之提高。
例如,以3D摄像头采集用户a的r1和d1为例,分别对r1和d2进行特征提取并使用softmax分类器进行分类,得到分类后的二维特征点用r1-2表示和分类后的三维特征点用d1-2表示,其中,上述每个特征点均用128维向量表示。
以及,根据d1-2构建三维特征空间,通过恒等映射将r1-2中的每个特征点映射到所述三维特征空间中,得到三维映射特征点用r1-3表示;通过深度网络结构对r1-3进行处理,生成深度图用d2表示。
进一步地,通过分类器对d1和d2中的数据进行分类处理,得到所述相对损失函数用mse-los表示;以及利用d1对GAN网络中判别器进行训练,得到已训练的所述判别器,以增强所述判别器的判别准确性;然后使用已训练的所述判别器对d2中的数据进行判别,得到d2的概率数据;根据d2的概率数据,生成所述对抗损失函数用D-loss表示。
进一步地,若所述相对权重为0.8且所述对抗权重为0.2,则所述目标损失函数final-loss=0.8×D-loss+0.2×mse-loss;再根据final-loss对所述深度网络结构进行优化,根据优化后的所述深度网络结构对r1-3进行处理,得到所述深度人脸图像。
如此,通过生成二维特征点和三维特征点,并在三维特征空间中完成二维到三维的跨模深度学习,使得二维到三维之间映射能力的学习根据高效和鲁棒,使得生成的二维特征点映射成的三维映射特征点的准确性和质量也更高,进而可以通过二维人脸图像生成含有丰富三维信息的特征点。
以及,由于GAN网络在生成所述对抗损失函数过程中,会使用三维人脸图像的数据对GAN网络中的判别器进行训练,使得已训练的所述判别器的判断准确性更强,在已训练的所述判别器的判断准确性更强的基础上,通过已训练的所述判别器对所述深度图中的数据进行判断而获得的所述概率数据的准确度也会随之提高;在所述概率数据提高的基础上,根据所述概率数据得到的所述对抗损失函数也会随之提高。
以及,由于所述目标损失函数是根据所述对抗损失函数和所述相对损失函数而确定的,而所述相对损失函数是根据所述深度图和所述三维人脸图像之间的差异而获取的,以及所述对抗损失函数是通过GAN网络的训练而得到的,如此,使得所述目标损失函数是在原始深度图像(所述三维人脸图像)和GAN网络的双重约束下而得到的,使得所述目标损失函数的准确度也会随之提高,在所述目标损失函数的准确度提高,且所述三维映射特征点的准确度和质量均提高的基础上,根据所述目标损失函数和所述三维映射特征点而得到的所述深度人脸图像的准确度和质量也会随之提高。
第二方面,基于与第一方面的同一发明构思,本说明书实施例提供了一种深度人脸图像的生成装置,如图5所示,包括:
二维特征点获取单元501,用于在获取目标用户的二维人脸图像和三维人脸图像之后,使用神经网络对所述二维人脸图像进行特征提取,并对提取到的二维特征点进行分类,得到分类后的二维特征点;以及
三维特征点获取单元502,用于使用神经网络对所述三维人脸图像进行特征提取,并对提取到的三维特征点进行分类,得到分类后的三维特征点;
三维映射单元503,用于将所述分类后的二维特征点映射到三维特征空间中,得到三维映射特征点,其中,所述三维特征空间由所述分类后的三维特征点构成的;
深度图获取单元504,用于根据所述三维映射特征点,生成深度图;
深度人脸图像获取单元505,用于利用所述三维人脸图像对所述深度图进行增强处理,得到增强后的所述深度图,并将增强后的所述深度图作为所述目标用户的深度人脸图像。
在一种可选的实施方式中,二维特征点获取单元501,用于使用神经网络对所述二维人脸图像进行特征提取,得到所述提取到的二维特征点,其中,提取出的每个二维特征点包括多维向量;使用分类器对所述提取到的二维特征点进行分类,得到所述分类后的二维特征点。
在一种可选的实施方式中,三维特征点获取单元502,用于使用神经网络对所述三维人脸图像进行特征提取,得到所述提取到的三维特征点,其中,提取出的每个三维特征点包括多维向量;使用分类器对所述提取到的三维特征点进行分类,得到所述分类后的三维特征点。
在一种可选的实施方式中,三维映射单元503,用于根据所述分类后的三维特征点构建所述三维特征空间;通过残差神经网络将所述分类后的每个二维特征点映射到所述三维特征空间中,得到所述三维映射特征点。
在一种可选的实施方式中,深度人脸图像获取单元505,用于获取所述深度图相对于所述三维人脸图像的相对损失函数;通过生成对抗网络对所述深度图和所述三维人脸图像进行处理,得到所述深度图的对抗损失函数;根据所述相对损失函数和所述对抗损失函数,确定出所述深度图的目标损失函数;根据所述目标损失函数和所述三维映射特征点,生成所述目标用户的深度人脸图像。
在一种可选的实施方式中,深度人脸图像获取单元505,用于通过所述三维人脸图像对所述生成对抗网络中的判别器进行训练,得到已训练的判别器;将所述深度图中的数据输入到所述已训练的判别器中,得到所述深度图的概率数据;根据所述深度图的概率数据,得到所述对抗损失函数。
第三方面,基于与前述实施例中深度人脸图像的生成方法同样的发明构思,本说明书实施例还提供一种电子设备,如图6所示,包括存储器604、处理器602及存储在存储器604上并可在处理器602上运行的计算机程序,所述处理器602执行所述程序时实现前文所述深度人脸图像的生成方法的任一方法的步骤。
其中,在图6中,总线架构(用总线600来代表),总线600可以包括任意数量的互联的总线和桥,总线600将包括由处理器602代表的一个或N个处理器和存储器604代表的存储器的各种电路链接在一起。总线600还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口605在总线600和接收器601和发送器603之间提供接口。接收器601和发送器603可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器602负责管理总线600和通常的处理,而存储器604可以被用于存储处理器602在执行操作时所使用的数据。
第四方面,基于与前述实施例中深度人脸图像的生成方法的发明构思,本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述深度人脸图像的生成方法的任一方法的步骤。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本说明书的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
显然,本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样,倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内,则本说明书也意图包含这些改动和变型在内。
Claims (12)
1.一种深度人脸图像的生成方法,包括:
在获取目标用户的二维人脸图像和三维人脸图像之后,使用神经网络对所述二维人脸图像进行特征提取,并对提取到的二维特征点进行分类,得到分类后的二维特征点;以及
使用神经网络对所述三维人脸图像进行特征提取,并对提取到的三维特征点进行分类,得到分类后的三维特征点;
将所述分类后的二维特征点映射到三维特征空间中,得到三维映射特征点,其中,所述三维特征空间由所述分类后的三维特征点构成;
根据所述三维映射特征点,生成深度图;
利用所述三维人脸图像对所述深度图进行增强处理,得到增强后的所述深度图,并将增强后的所述深度图作为所述目标用户的深度人脸图像;
其中,所述利用所述三维人脸图像对所述深度图进行增强处理,得到增强后的所述深度图,并将增强后的所述深度图作为所述目标用户的深度人脸图像,包括:获取所述深度图相对于所述三维人脸图像的相对损失函数;通过生成对抗网络对所述深度图和所述三维人脸图像进行处理,得到所述深度图的对抗损失函数;根据所述相对损失函数和所述对抗损失函数,确定出所述深度图的目标损失函数;根据所述目标损失函数和所述三维映射特征点,生成所述目标用户的深度人脸图像。
2.如权利要求1所述的生成方法,所述使用神经网络对所述二维人脸图像进行特征提取,并对提取到的二维特征点进行分类,得到分类后的二维特征点,包括:
使用神经网络对所述二维人脸图像进行特征提取,得到所述提取到的二维特征点,其中,提取出的每个二维特征点包括多维向量;
使用分类器对所述提取到的二维特征点进行分类,得到所述分类后的二维特征点。
3.如权利要求2所述的生成方法,所述使用神经网络对所述三维人脸图像进行特征提取,并对提取到的三维特征点进行分类,得到分类后的三维特征点,包括:
使用神经网络对所述三维人脸图像进行特征提取,得到所述提取到的三维特征点,其中,提取出的每个三维特征点包括多维向量;
使用分类器对所述提取到的三维特征点进行分类,得到所述分类后的三维特征点。
4.如权利要求1所述的生成方法,所述将所述分类后的二维特征点映射到三维特征空间中,得到三维映射特征点,包括:
根据所述分类后的三维特征点构建所述三维特征空间;
通过残差神经网络将所述分类后的每个二维特征点映射到所述三维特征空间中,得到所述三维映射特征点。
5.如权利要求 1所述的生成方法,所述通过生成对抗网络对所述深度图和所述三维人脸图像进行处理,得到所述深度图的对抗损失函数,包括:
通过所述三维人脸图像对所述生成对抗网络中的判别器进行训练,得到已训练的判别器;
将所述深度图中的数据输入到所述已训练的判别器中,得到所述深度图的概率数据;
根据所述深度图的概率数据,得到所述对抗损失函数。
6.一种深度人脸图像的生成装置,包括:
二维特征点获取单元,用于在获取目标用户的二维人脸图像和三维人脸图像之后,使用神经网络对所述二维人脸图像进行特征提取,并对提取到的二维特征点进行分类,得到分类后的二维特征点;以及
三维特征点获取单元,用于使用神经网络对所述三维人脸图像进行特征提取,并对提取到的三维特征点进行分类,得到分类后的三维特征点;
三维映射单元,用于将所述分类后的二维特征点映射到三维特征空间中,得到三维映射特征点,其中,所述三维特征空间由所述分类后的三维特征点构成的;
深度图获取单元,用于根据所述三维映射特征点,生成深度图;
深度人脸图像获取单元,用于利用所述三维人脸图像对所述深度图进行增强处理,得到增强后的所述深度图,并将增强后的所述深度图作为所述目标用户的深度人脸图像
其中,所述深度人脸图像获取单元,用于获取所述深度图相对于所述三维人脸图像的相对损失函数;通过生成对抗网络对所述深度图和所述三维人脸图像进行处理,得到所述深度图的对抗损失函数;根据所述相对损失函数和所述对抗损失函数,确定出所述深度图的目标损失函数;根据所述目标损失函数和所述三维映射特征点,生成所述目标用户的深度人脸图像。
7.如权利要求6所述的生成装置,所述二维特征点获取单元,用于使用神经网络对所述二维人脸图像进行特征提取,得到所述提取到的二维特征点,其中,提取出的每个二维特征点包括多维向量;使用分类器对所述提取到的二维特征点进行分类,得到所述分类后的二维特征点。
8.如权利要求7所述的生成装置,所述三维特征点获取单元,用于使用神经网络对所述三维人脸图像进行特征提取,得到所述提取到的三维特征点,其中,提取出的每个三维特征点包括多维向量;使用分类器对所述提取到的三维特征点进行分类,得到所述分类后的三维特征点。
9.如权利要求6所述的生成装置,所述三维映射单元,用于根据所述分类后的三维特征点构建所述三维特征空间;通过残差神经网络将所述分类后的每个二维特征点映射到所述三维特征空间中,得到所述三维映射特征点。
10.如权利要求 6所述的生成装置,所述深度人脸图像获取单元,用于通过所述三维人脸图像对所述生成对抗网络中的判别器进行训练,得到已训练的判别器;将所述深度图中的数据输入到所述已训练的判别器中,得到所述深度图的概率数据;根据所述深度图的概率数据,得到所述对抗损失函数。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358809.0A CN111144284B (zh) | 2019-12-25 | 2019-12-25 | 深度人脸图像的生成方法、装置、电子设备及介质 |
PCT/CN2020/123544 WO2021129107A1 (zh) | 2019-12-25 | 2020-10-26 | 深度人脸图像的生成方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358809.0A CN111144284B (zh) | 2019-12-25 | 2019-12-25 | 深度人脸图像的生成方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144284A CN111144284A (zh) | 2020-05-12 |
CN111144284B true CN111144284B (zh) | 2021-03-30 |
Family
ID=70520088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911358809.0A Active CN111144284B (zh) | 2019-12-25 | 2019-12-25 | 深度人脸图像的生成方法、装置、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111144284B (zh) |
WO (1) | WO2021129107A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144284B (zh) * | 2019-12-25 | 2021-03-30 | 支付宝(杭州)信息技术有限公司 | 深度人脸图像的生成方法、装置、电子设备及介质 |
CN113705390B (zh) * | 2021-08-13 | 2022-09-27 | 北京百度网讯科技有限公司 | 定位方法、装置、电子设备和存储介质 |
CN114998600B (zh) * | 2022-06-17 | 2023-07-25 | 北京百度网讯科技有限公司 | 图像处理方法、模型的训练方法、装置、设备及介质 |
CN115171196B (zh) * | 2022-08-25 | 2023-03-28 | 北京瑞莱智慧科技有限公司 | 人脸图像处理方法、相关装置及存储介质 |
CN116645299B (zh) * | 2023-07-26 | 2023-10-10 | 中国人民解放军国防科技大学 | 一种深度伪造视频数据增强方法、装置及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2869239A3 (en) * | 2013-11-04 | 2015-08-19 | Facebook, Inc. | Systems and methods for facial representation |
CN106981091A (zh) * | 2017-04-27 | 2017-07-25 | 深圳奥比中光科技有限公司 | 人体三维建模数据处理方法及装置 |
CN109255827A (zh) * | 2018-08-24 | 2019-01-22 | 太平洋未来科技(深圳)有限公司 | 三维人脸图像生成方法、装置及电子设备 |
CN109685915A (zh) * | 2018-12-11 | 2019-04-26 | 维沃移动通信有限公司 | 一种图像处理方法、装置及移动终端 |
CN109979013A (zh) * | 2017-12-27 | 2019-07-05 | Tcl集团股份有限公司 | 三维人脸贴图方法及终端设备 |
CN110147721A (zh) * | 2019-04-11 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种三维人脸识别方法、模型训练方法和装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818554B (zh) * | 2016-09-12 | 2023-04-21 | 索尼公司 | 信息处理设备和信息处理方法 |
CN107944422B (zh) * | 2017-12-08 | 2020-05-12 | 业成科技(成都)有限公司 | 三维摄像装置、三维摄像方法及人脸识别方法 |
CN108492248A (zh) * | 2018-01-30 | 2018-09-04 | 天津大学 | 基于深度学习的深度图超分辨率方法 |
CN108492364B (zh) * | 2018-03-27 | 2022-09-20 | 百度在线网络技术(北京)有限公司 | 用于生成图像生成模型的方法和装置 |
CN109325994B (zh) * | 2018-09-11 | 2023-03-24 | 合肥工业大学 | 一种基于三维人脸数据增强的方法 |
CN109670487A (zh) * | 2019-01-30 | 2019-04-23 | 汉王科技股份有限公司 | 一种人脸识别方法、装置及电子设备 |
CN110223230A (zh) * | 2019-05-30 | 2019-09-10 | 华南理工大学 | 一种多前端深度图像超分辨率系统及其数据处理方法 |
CN110427799B (zh) * | 2019-06-12 | 2022-05-06 | 中国地质大学(武汉) | 基于生成对抗网络的人手深度图像数据增强方法 |
CN111144284B (zh) * | 2019-12-25 | 2021-03-30 | 支付宝(杭州)信息技术有限公司 | 深度人脸图像的生成方法、装置、电子设备及介质 |
-
2019
- 2019-12-25 CN CN201911358809.0A patent/CN111144284B/zh active Active
-
2020
- 2020-10-26 WO PCT/CN2020/123544 patent/WO2021129107A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2869239A3 (en) * | 2013-11-04 | 2015-08-19 | Facebook, Inc. | Systems and methods for facial representation |
CN106981091A (zh) * | 2017-04-27 | 2017-07-25 | 深圳奥比中光科技有限公司 | 人体三维建模数据处理方法及装置 |
CN109979013A (zh) * | 2017-12-27 | 2019-07-05 | Tcl集团股份有限公司 | 三维人脸贴图方法及终端设备 |
CN109255827A (zh) * | 2018-08-24 | 2019-01-22 | 太平洋未来科技(深圳)有限公司 | 三维人脸图像生成方法、装置及电子设备 |
CN109685915A (zh) * | 2018-12-11 | 2019-04-26 | 维沃移动通信有限公司 | 一种图像处理方法、装置及移动终端 |
CN110147721A (zh) * | 2019-04-11 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种三维人脸识别方法、模型训练方法和装置 |
Non-Patent Citations (2)
Title |
---|
Expression-Invariant Face Recognition via 3D Face Reconstruction Using Gabor Filter Bank from a 2D Single Image;Ali Moeini et al.;《2014 22nd International Conference on Pattern Recognition》;20141108;第4708-4713页 * |
基于RGB-D图像的头部姿态检测;刘振宇 等;《计算机科学》;20191130;第36卷(第11A期);第334-340页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021129107A1 (zh) | 2021-07-01 |
CN111144284A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144284B (zh) | 深度人脸图像的生成方法、装置、电子设备及介质 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN106203242B (zh) | 一种相似图像识别方法及设备 | |
US20200387748A1 (en) | Facial image data collection method, apparatus, terminal device and storage medium | |
CN111696196A (zh) | 一种三维人脸模型重建方法及装置 | |
CN111723600B (zh) | 一种基于多任务学习的行人重识别特征描述子 | |
CN104063686A (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN103955682A (zh) | 基于surf兴趣点的行为识别方法及装置 | |
CN110222718A (zh) | 图像处理的方法及装置 | |
WO2023173646A1 (zh) | 一种表情识别方法及装置 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN113657195A (zh) | 人脸图像识别方法、设备、电子装置和存储介质 | |
CN113254491A (zh) | 一种信息推荐的方法、装置、计算机设备及存储介质 | |
CN110610131B (zh) | 人脸运动单元的检测方法、装置、电子设备及存储介质 | |
CN112069887A (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN113822256B (zh) | 人脸识别方法、电子设备及存储介质 | |
US20220207913A1 (en) | Method and device for training multi-task recognition model and computer-readable storage medium | |
CN114139013A (zh) | 图像搜索方法、装置、电子设备及计算机可读存储介质 | |
CN110633630B (zh) | 一种行为识别方法、装置及终端设备 | |
CN111652878A (zh) | 图像检测方法、装置、计算机设备及存储介质 | |
CN111291611A (zh) | 一种基于贝叶斯查询扩展的行人重识别方法及装置 | |
CN115035313A (zh) | 黑颈鹤识别方法、装置、设备及存储介质 | |
CN114511877A (zh) | 一种行为识别方法、装置、存储介质及终端 | |
CN112183155B (zh) | 动作姿态库建立、动作姿态生成、识别方法及装置 |
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 |