CN113379877A - 人脸视频生成方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种人脸视频生成方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于智慧城市场景下。具体实现方案为：获取初始人脸图像和多个驱动关键点序列；提取初始人脸图像之中的初始关键点序列；确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息；以及，根据多个光流信息处理初始人脸图像，以得到对应的多个目标人脸图像，初始人脸图像和多个目标人脸图像被用于生成人脸视频。由此，能够有效地提升人脸视频生成方法的适用性，有效提升人脸视频生成的效率和效果。

Description

人脸视频生成方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于智慧城市场景下，尤其涉及一种人脸视频生成方法、装置、电子设备及存储介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术，以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。

相关技术中，人脸视频生成技术较难推广到新的人脸，适用性不好，人脸视频生成效果不佳。

发明内容

本公开提供了一种人脸视频生成方法、装置、电子设备、存储介质及计算机程序产品。

根据本公开的第一方面，提供了一种人脸视频生成方法，包括：获取初始人脸图像和多个驱动关键点序列；提取所述初始人脸图像之中的初始关键点序列；确定所述多个驱动关键点序列分别相对所述初始关键点序列的多个光流信息；以及根据所述多个光流信息处理所述初始人脸图像，以得到对应的多个目标人脸图像，所述初始人脸图像和所述多个目标人脸图像被用于生成人脸视频。

根据本公开的第二方面，提供了一种人脸视频生成装置，包括：获取模块，用于获取初始人脸图像和多个驱动关键点序列；提取模块，用于提取所述初始人脸图像之中的初始关键点序列；确定模块，用于确定所述多个驱动关键点序列分别相对所述初始关键点序列的多个光流信息；以及处理模块，用于根据所述多个光流信息处理所述初始人脸图像，以得到对应的多个目标人脸图像，所述初始人脸图像和所述多个目标人脸图像被用于生成人脸视频。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例的人脸视频生成方法。

据本公开的第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例公开的人脸视频生成方法。

根据本公开的第五方面，提出了一种计算机程序产品，包括计算机程序，当所述计算机程序由处理器执行时实现本公开实施例公开的人脸视频生成方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是本公开实施例中预训练的图像处理模型的静态图文添加动作Add_Motion层示意图；

图3是根据本公开第二实施例的示意图；

图4是根据本公开第三实施例的示意图；

图5是本公开实施例中人脸视频生成流程示意图；

图6是根据本公开第四实施例的示意图；

图7是根据本公开第五实施例的示意图；

图8示出了可以用来实施本公开的实施例的人脸视频生成方法的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开第一实施例的示意图。

其中，需要说明的是，本实施例的人脸视频生成方法的执行主体为人脸视频生成装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本公开实施例涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于智慧城市场景下。

其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

计算机视觉，指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

而智慧城市场景，是指运用物联网、云计算、大数据等新一代信息技术，促进城市规划、建设、管理和服务智慧化的新理念和新模式，是把新一代信息技术充分运用在城市的各行各业之中的城市信息化高级形态。

本实施例中，人脸视频生成方法的执行主体可以通过各种公开、合法合规的方式获取人脸图像，例如可以是从公开人脸图像集中获取的，或者是经过了用户的授权从用户处获取的。该人脸图像并不能反映出某一特定用户的个人信息。

如图1所示，该人脸视频生成方法，包括：

S101：获取初始人脸图像和多个驱动关键点序列。

其中，待生成人脸视频的初始的人脸图像，可以被称为初始人脸图像，而用于驱动初始人脸图像，以生成多帧目标人脸图像的关键点序列，可以被称为驱动关键点序列，初始人脸图像可以是对应初始时间点，而目标人脸图像对应的时间点，可以在初始时间点之后，即根据初始人脸图像和多个目标人脸图像，可以合成得到动画形式的人脸视频。

其中，驱动关键点序列可以包括多个关键点，该关键点可以是人脸的关键部位中的像素点，多个不同位置的像素点可以共同构成了驱动关键点序列。

其中，初始人脸图像可以是对已授权用户的脸部拍摄得到的，对此不做限制；而驱动关键点序列，可以被用于驱动初始人脸图像，以生成多帧目标人脸图像。

本公开实施例中，可以给定单张人脸图像和人脸的关键点序列，从而采用人脸视频生成方法，生成一个模仿人脸关键点运动的人脸视频，例如，每次可以生成单张图像，而后，把单张人脸图像按照时间顺序结合起来得到人脸视频，则其中给定的单张人脸图像，即可以为上述的初始人脸图像，给定的人脸的关键点序列，可以是上述的多个驱动关键点序列，每次可以生成的单张图像，可以是处理初始人脸图像得到的目标人脸图像，则初始人脸图像和多个目标人脸图像，可以被用于按照时间顺序结合起来得到人脸视频，对此不做限制。

本公开实施例中，上述获取多个驱动关键点序列的方式，可以是对参考人脸视频解析得到的，或者，也可以是对待合成语音解析得到的，例如，可以获取待合成语音，而后分析该待合成语音对应的语音特征，确定人脸在表达出相应语音特征时的多个人脸关键点，并根据多个人脸关键点形成驱动关键点序列，相应的，由于待合成语音通常对应一个时间段，从而可以获取该时间段内各个时间点的驱动关键点序列，以形成多个驱动关键点序列，对此不做限制。

从而，本公开实施例中，基于稀疏的人脸关键点作为驱动，可以辅助灵活地针对人脸视频添加待合成语音，辅助形成说话人脸系统。

S102：提取初始人脸图像之中的初始关键点序列。

上述获取初始人脸图像和多个驱动关键点序列之后，可以提取初始人脸图像之中的初始关键点序列，举例而言，可以采用图像分析算法，从初始人脸图像之中识别出关键部位区域，而后从关键部位区域中提取多个关键点，并采用多个关键点形成初始关键点序列。

S103：确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息。

上述在获取初始人脸图像和多个驱动关键点序列，并提取初始人脸图像之中的初始关键点序列之后，可以确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息。

其中，用于描述驱动关键点序列相对于初始关键点序列的光流的信息，即可以被称为光流信息，而光流，能够用于呈现图像亮度模式的表观运动。光流表达了图像的变化，由于它包含了目标运动的信息，因此可被观察者用来确定目标的运动情况。

本公开实施例中，确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息，即确定各个驱动关键点序列相对初始关键点序列的光流信息，从而能够得到多个光流信息。

在确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息时，可以被视为将稀疏的驱动关键点序列相对于初始关键点序列的运动转移到整张的初始人脸图像，从而得到密集的多张光流图像，该密集的多张光流图像，即可以被用于生成下述的目标人脸图像。

可选地，一些实施例中，在确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息，可以是确定与初始关键点序列对应的初始特征，并确定与多个驱动关键点序列分别对应的多个驱动特征，确定与初始特征对应的初始特征表示向量，以及确定与多个驱动特征分别对应的多个驱动特征表示向量，确定多个驱动特征表示向量分别相对初始特征表示向量的多个向量变化信息并作为多个光流信息。

其中，与初始关键点序列对应的初始特征，可以例如初始关键点序列中的各个初始关键点的位置特征，多个初始关键点之间的相对位置特征，各个初始关键点对应的图像特征(例如，颜色、亮度特征等)，与多个驱动关键点序列分别对应的多个驱动特征，可以例如驱动关键点序列中的各个驱动关键点的位置特征，多个驱动关键点之间的相对位置特征，各个驱动关键点对应的图像特征(例如，颜色、亮度特征等)，对此不做限制。

可以理解的是，由于初始关键点序列和驱动关键点序列对应不同时间点的人脸图像，从而初始关键点序列携带的初始特征，和驱动关键点序列携带的驱动特征可以是不相同的。

而初始特征表示向量，可以是初始特征的向量化表示，驱动特征表示向量，可以是驱动特征的向量化表示，该向量化表示，能够用于表征初始特征和驱动特征在向量维度的特征表现，当将与关键点序列的初始特征或者是驱动特征转换为对应的特征表示向量时，可以便捷地与人工智能中的模型融合计算。

比如，可以采用任意可能的向量计算算法，计算得到与关键点序列的初始特征或者是驱动特征对应的特征表示向量。

由此，本公开实施例中，能够实现采用人脸图像中关键点序列包括的多个关键点的特征得到的特征向量作为表示(特征表示向量)，以驱动生成目标人脸图像，并且，向量化表示，能够用于表征初始特征和驱动特征在向量维度的特征表现，当将与关键点序列的初始特征或者是驱动特征转换为对应的特征表示向量时，可以便捷地与人工智能中的模型融合计算。

可选地，一些实施例中，为了在有效地提升人脸视频生成方法的适用性的同时，简化人脸视频生成的运算处理逻辑，降低人脸视频生成所需要的软硬件资源消耗，确定多个驱动特征表示向量分别相对初始特征表示向量的多个向量变化信息并作为多个光流信息，可以是将初始特征表示向量分别与多个驱动特征表示向量做向量差值计算，以得到对应的多个向量变化信息并作为多个光流信息。

举例而言，假设可以采用预训练的图像处理模型来辅助将特征表示向量融合至预训练的图像处理模型(该预训练的图像处理模型，可以是人工智能模型)时，可以配置预训练的图像处理模型包括：密集光流生成网络，密集光流生成网络具有编码器-解码器结构。

为了将稀疏的驱动关键点序列之中多个驱动关键点的运动特征(运动特征可以采用光流信息来表示)转移到整张图片，可以采用密集光流生成网络中的归一化自适应实例(Adaptive Instance Normalization，AdaIN)层。将初始关键点序列对应的初始特征表示向量，通过AdaIN层连接到编码器，驱动初始特征表示向量通过AdaIN层连接到解码器，通过这种方法，可以将初始人脸图像中的初始关键点和驱动关键点相对应的特征均输入至预训练的图像处理模型当中，而后，可以将关键点序列的光流信息传递至整张人脸图像，从而辅助生成质量较高的目标人脸图像。

举例而言，假设可以采用预训练的图像处理模型来辅助将初始特征表示向量分别与多个驱动特征表示向量做向量差值计算，以得到对应的多个向量变化信息并作为多个光流信息，如图2所示，图2是本公开实施例中预训练的图像处理模型的静态图文添加动作Add_Motion层示意图，基于静态图文添加动作Add_Motion层，输入的是多个驱动特征表示向量分别和初始特征表示向量之间的向量差值，经过全连接层得到的结果加到编码器的输出上，从而实现可以把人脸关键点的运动信息输入到人脸视频合成网络之中，以将光流信息传递至整张的人脸图像。

在图2中，

是第i帧的驱动特征表示向量，S_lm是输入的初始特征表示向量。

S104：根据多个光流信息处理初始人脸图像，以得到对应的多个目标人脸图像，初始人脸图像和多个目标人脸图像被用于生成人脸视频。

上述在确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息之后，可以根据多个光流信息处理初始人脸图像，以得到对应的多个目标人脸图像，初始人脸图像和多个目标人脸图像被用于生成人脸视频。

可选地，一些实施例中，如图3所示，图3是根据本公开第二实施例的示意图，根据多个光流信息处理初始人脸图像，以得到对应的多个目标人脸图像，包括：

S301：采用多个光流信息分别处理初始人脸图像，以得到对应的多个光流图像。

其中，该光流图像可以被理解为处理初始人脸图像得到的变形图像。

其中，采用各个光流信息处理初始人脸图像，得到的处理后的人脸图像，可以被称为光流图像，该光流图像能够呈现相应的光流信息。

其中，可以将多个光流信息分别输入至预训练的密集光流生成网络之中，以采用密集光流生成网络，执行采用多个光流信息分别处理初始人脸图像的步骤。

可选地，一些实施例中，采用多个光流信息分别处理初始人脸图像，以得到对应的多个光流图像，可以是分别采用多个光流信息，调整初始关键点在初始人脸图像之中的初始特征表示向量，并将调整后多个人脸图像作为多个光流图像。

举例而言，由于光流信息，能够用于呈现图像亮度模式的表观运动，表达了图像的变化，包含目标运动的信息，从而，可以基于光流信息，调整初始关键点在初始人脸图像之中的初始特征表示向量，例如调整初始关键点序列中的各个初始关键点在初始人脸图像之中的位置、或者多个初始关键点之中的相对位置，或者深度信息等，而将调整后的人脸图像作为光流图像，从而能够实现快速准确地得到与各个驱动关键点序列匹配的光流图像，将各个驱动关键点序列有效地融合至人脸图像之中，使得匹配的光流图像能够有效地辅助人脸视频的表达建模。

S302：将多个光流图像分别输入至预训练的图像处理模型之中，以得到图像处理模型输出的与多个光流图像分别对应的多个残差图像，和与多个残差图像分别对应的多个图像描述信息。

上述在采用密集光流生成网络，执行采用多个光流信息分别处理初始人脸图像的步骤之后，可以将多个光流图像分别输入至预训练的图像处理模型(该预训练的图像处理模型，可以被视为一个图像修补网络)之中，以得到图像处理模型输出的与多个光流图像分别对应的多个残差图像，和与多个残差图像分别对应的多个图像描述信息。

而上述的密集光流生成网络和图像修补网络，可以是在大量的人脸视频数据集上进行非监督的端到端的训练得到。

S303：参考多个图像描述信息，对与其分别对应的多个残差图像和多个光流图像进行合成处理，并将合成处理得到的多个图像作为多个目标人脸图像。

举例而言，输入的初始人脸图像，可以经由密集光流生成网络做变形处理，再经由图像修补网络对初始人脸图像进行一定的优化处理，比如生成初始人脸图像之中的遮挡部位，并合成得到新的图像作为目标人脸图像。此过程由下面的公式表示：

T_I＝E_I⊙(1-M)+R_I⊙M；

其中，S_I是给定的初始人脸图像，F是密集光流网络输出的多个光流图像，

是双线行变形操作，E_I是输入初始人脸图像经过密集光流网络做变形得到的中间结果(多个光流图像)，将E_I输入到图像修补网络，得到残差图像R_I和权重图M(该权重图M即可以被称为图像描述信息)，E_I和R_I经过加权求和得到目标人脸图像T_I。

由此，通过采用多个光流信息分别处理初始人脸图像，以得到对应的多个光流图像，并将多个光流图像分别输入至预训练的图像处理模型之中，以得到图像处理模型输出的与多个光流图像分别对应的多个残差图像，和与多个残差图像分别对应的多个图像描述信息，以及参考多个图像描述信息，对与其分别对应的多个残差图像和多个光流图像进行合成处理，并将合成处理得到的多个图像作为多个目标人脸图像，能够使得生成的人脸视频更具有真实感，有效地辅助提升所生成人脸视频图像的清晰度，使得生成的人脸视频可以变换表情和姿态，从而能够较大程度地提升人脸视频生成的效果。

本实施例中，通过获取初始人脸图像和多个驱动关键点序列，提取初始人脸图像之中的初始关键点序列，并确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息，以及根据多个光流信息处理初始人脸图像，以得到对应的多个目标人脸图像，初始人脸图像和多个目标人脸图像被用于生成人脸视频，由于是采用多个驱动关键点序列用于驱动处理初始人脸图像以生成多个目标人脸图像，而驱动关键点序列较为稀疏，从而采用其驱动生成多个目标人脸图像，能够有效地提升人脸视频生成方法的适用性，有效提升人脸视频生成的效率和效果。

图4是根据本公开第三实施例的示意图。

本公开实施例中，还提供了一种对关键点序列进行精细化处理的方式，初始关键点序列的数量为多个，具体可以参见下述描述。

如图4所示，该人脸视频生成方法，包括：

S401：获取初始人脸图像。

S401的描述可以参见上述实施例，在此不再赘述。

S402：获取待合成语音，并提取待合成语音对应的多个语音特征，多个语音特征分别对应多个时间点，其中，待合成语音被用于融合至人脸视频之中，以得到目标人脸视频。

例如，可以获取待合成语音，而后分析该待合成语音的与多个时间点分别对应的多个语音特征，而后，参考该多个语音特征，确定人脸在表达出相应语音特征时的多个人脸关键点(例如，可以配置参考关键点序列，而后采用多个语音特征分别描述参考关键点序列)，并根据描述得到的参考关键点序列形成驱动关键点序列，相应的，由于待合成语音通常对应一个时间段，多个语音特征分别对应多个时间点，从而可以获取该时间段内各个时间点的驱动关键点序列，以形成多个驱动关键点序列，对此不做限制。

S403：确定参考关键点序列，并采用多个语音特征分别描述参考关键点序列，以描述得到与多个语音特征分别对应的多个驱动关键点序列。

其中，参考关键点序列，可以是从已有参考视频当中提取得到的，而本公开实施例中，驱动关键点序列中的多个驱动关键点，也可以是从参考视频当中检测得到的，该参考视频也可以是结合本公开实施例中的人脸视频生成方法生成的，对此不做限制。

本公开实施例中，实现了采用基于人脸的多个驱动关键点形成驱动关键点序列，以驱动动态的人脸视频生成，本公开实施例中，还为了提升参考视频中多个驱动关键点检测的准确性和连续性，还可以在人脸对齐网络(Face Alignment depth Network，FAN4)添加可微空间到数值(Differentiable Spatial to Numerical，DSNT)层，以直接检测得到多个驱动关键点，从而可以实现端到端的人脸关键点训练和检测，本公开实施例中，还可以配置对齐损失函数来进一步提升关键点检测和人脸视频生成的准确率。

从而，本公开实施例中，通过获取待合成语音，并提取待合成语音对应的多个语音特征，多个语音特征分别对应多个时间点，其中，待合成语音被用于融合至人脸视频之中，以得到目标人脸视频，确定参考关键点序列，并采用多个语音特征分别描述参考关键点序列，以描述得到与多个语音特征分别对应的多个驱动关键点序列，基于稀疏的人脸关键点作为驱动，且该作为驱动的人脸关键点(驱动关键点)是基于待合成语音描述得到的，可以辅助灵活地针对人脸视频添加待合成语音，辅助形成说话人脸系统，能够有效地辅助拓展人脸视频生成方法的应用场景，例如可以应用在游戏，电影业，零售，新闻广播和电话会议等应用场景中。

S404：从初始人脸图像之中确定出与多个人脸关键部位分别对应的多个关键部位图像。

本公开实施例中，还提供了一种对关键点序列进行精细化处理的方式，初始关键点序列的数量为多个，从而针对多个初始关键点序列，采用整体密集光流估计和局部光流估计结合的方法。

上述在获取初始人脸图像之后，可以从初始人脸图像之中确定出与多个人脸关键部位分别对应的多个关键部位图像，多个关键部位图像例如，眼部图像和嘴部图像，从而初始人脸图像可以被视为输入的整体的图像，而眼部图像和嘴部图像可以被视为输入的关键部位图像。

一并结合上述实施例中的描述，以及图5所示，图5是本公开实施例中人脸视频生成流程示意图，由密集光流生成网络和图片修补网络组成，密集光流生成网络包括AdaIN层和Add_Motion层，输入图像包括：初始人脸图像、眼部图像和嘴部图像，AdaIN层和Add_Motion层作为运动转移的基本结构，当作用于整体的初始人脸图像时，可以很好地得到人脸整体的密集光流运动，比如头部的转动和位置的变化，密集光流运动可以采用光流信息表征，本公开实施例中为了进一步提升针对局部关键部位图像的精细的光流信息的估计，可以截取了局部关键部位图像(眼部图像和嘴部图像)，以辅助估计局部的密集光流图，而后，通过加权求和的方式融合整体和局部的光流图像。

从而，本公开实施例中，通过从初始人脸图像之中确定出与多个人脸关键部位分别对应的多个关键部位图像，能够进一步提升针对局部关键部位图像的精细的光流信息的估计，以辅助估计局部的密集光流图。

S405：从整体的初始人脸图像之中提取第一初始关键点序列。

举例而言，输入图像包括：初始人脸图像、眼部图像和嘴部图像，则本公开实施例中，在结合上述图5所示的网络生成目标人脸图像时，可以从整体的初始人脸图像之中提取初始关键点序列，该初始关键点序列，可以被称为第一初始关键点序列。

S406：从多个关键部位图像之中分别提取对应的多个第二初始关键点序列，其中，第一初始关键点序列和第二初始关键点序列共同构成初始关键点序列。

举例而言，输入图像包括：初始人脸图像、眼部图像和嘴部图像，则本公开实施例中，在结合上述图5所示的网络生成目标人脸图像时，可以从眼部图像和嘴部图像之中分别提取初始关键点序列，从关键部位图像之中提取的初始关键点序列，可以被称为第二初始关键点序列。

本公开实施例中，能够表征出关键部位的运动信息(例如，眼球转动、唇部运动等信息)，在针对整体的初始人脸图像提取关键点序列时，使得提取出的第一关键点序列，能够表征出整体的初始人脸图像的运动情况，从而不仅可以得到整体的人脸运动信息，还可以得到局部的精细运动信息，另外，还能够有效地节约人脸视频生成的运算资源消耗。

S407：确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息。

其中，多个光流信息包括：驱动关键点序列相对第一初始关键点序列的第一光流信息，和驱动关键点序列相对第二初始关键点序列的第二光流信息。

也即是说，上述输入图像包括：初始人脸图像、眼部图像和嘴部图像，从初始人脸图像中提取第一初始关键点序列，从眼部图像和嘴部图像中分别提取第二初始关键点序列，而后，驱动关键点序列相对第一初始关键点序列的光流信息，可以被称为第一光流信息，驱动关键点序列相对第二初始关键点序列的光流信息，可以被称为第二光流信息。

S408：采用第一光流信息处理初始人脸图像，以得到对应的人脸光流图像。

其中，采用第一光流信息处理初始人脸图像，以得到对应的人脸光流图像，即人脸光流图像是与初始人脸图像整体对应的光流图像。

S409：采用第二光流信息处理关键部位图像，以得到对应的局部光流图像，人脸光流图像和局部光流图像被共同作为多个光流图像。

其中，采用第二光流信息处理关键部位图像，以得到对应的局部光流图像，则上述整体的人脸光流图像和局部光流图像，可以被共同作为多个光流图像，从而针对初始人脸图像、眼部图像和嘴部图像实现针对性的图像处理，实现学习到整体的人脸图像和关键部位图像分别对应的光流信息，并形成与整体的人脸图像和关键部位图像分别对应的光流图像，辅助有效地建模出人脸关键部位的局部的运行信息，当结合与整体的人脸图像和关键部位图像分别对应的光流信息辅助生成人脸视频时，使得人脸视频更具有真实感，从而较大程度地提升了人脸视频的生成效果。

本实施例中，通过获取初始人脸图像和多个驱动关键点序列，提取初始人脸图像之中的初始关键点序列，并确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息，以及根据多个光流信息处理初始人脸图像，以得到对应的多个目标人脸图像，初始人脸图像和多个目标人脸图像被用于生成人脸视频，由于是采用多个驱动关键点序列用于驱动处理初始人脸图像以生成多个目标人脸图像，而驱动关键点序列较为稀疏，从而采用其驱动生成多个目标人脸图像，能够有效地提升人脸视频生成方法的适用性，有效提升人脸视频生成的效率和效果。基于稀疏的人脸关键点作为驱动，且该作为驱动的人脸关键点(驱动关键点)是基于待合成语音描述得到的，可以辅助灵活地针对人脸视频添加待合成语音，辅助形成说话人脸系统，能够有效地辅助拓展人脸视频生成方法的应用场景。从而针对初始人脸图像、眼部图像和嘴部图像实现针对性的图像处理，实现学习到整体的人脸图像和关键部位图像分别对应的光流信息，并形成与整体的人脸图像和关键部位图像分别对应的光流图像，辅助有效地建模出人脸关键部位的局部的运行信息，当结合与整体的人脸图像和关键部位图像分别对应的光流信息辅助生成人脸视频时，使得人脸视频更具有真实感，从而较大程度地提升了人脸视频的生成效果。

图6是根据本公开第四实施例的示意图。

如图6所示，该人脸视频生成装置60，包括：

获取模块601，用于获取初始人脸图像和多个驱动关键点序列；

提取模块602，用于提取初始人脸图像之中的初始关键点序列；

确定模块603，用于确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息；以及

处理模块604，用于根据多个光流信息处理初始人脸图像，以得到对应的多个目标人脸图像，初始人脸图像和多个目标人脸图像被用于生成人脸视频。

在本公开的一些实施例中，处理模块604，具体用于：

采用多个光流信息分别处理初始人脸图像，以得到对应的多个光流图像；

将多个光流图像分别输入至预训练的图像处理模型之中，以得到图像处理模型输出的与多个光流图像分别对应的多个残差图像，和与多个残差图像分别对应的多个图像描述信息；以及

参考多个图像描述信息，对与其分别对应的多个残差图像和多个光流图像进行合成处理，并将合成处理得到的多个图像作为多个目标人脸图像。

在本公开的一些实施例中，如图7所示，图7是根据本公开第五实施例的示意图，该人脸视频生成装置70，包括：获取模块701、提取模块702、确定模块703、处理模块704，其中，确定模块703，包括：

第一确定子模块7031，用于确定与初始关键点序列对应的初始特征，并确定与多个驱动关键点序列分别对应的多个驱动特征；

第二确定子模块7032，用于确定与初始特征对应的初始特征表示向量；

第三确定子模块7033，用于确定与多个驱动特征分别对应的多个驱动特征表示向量；

第四确定子模块7034，用于确定多个驱动特征表示向量分别相对初始特征表示向量的多个向量变化信息并作为多个光流信息。

在本公开的一些实施例中，其中，第四确定子模块7034，具体用于：

将初始特征表示向量分别与多个驱动特征表示向量做向量差值计算，以得到对应的多个向量变化信息并作为多个光流信息。

在本公开的一些实施例中，其中，处理模块704，具体用于：

分别采用多个光流信息，调整初始关键点在初始人脸图像之中的初始特征表示向量，并将调整后多个人脸图像作为多个光流图像。

在本公开的一些实施例中，初始关键点序列的数量为多个，其中，装置70，还包括：

识别模块705，用于从初始人脸图像之中确定出与多个人脸关键部位分别对应的多个关键部位图像。

在本公开的一些实施例中，其中，提取模块702，具体用于：

从整体的初始人脸图像之中提取第一初始关键点序列；和/或

从多个关键部位图像之中分别提取对应的多个第二初始关键点序列，其中，第一初始关键点序列和第二初始关键点序列共同构成初始关键点序列。

在本公开的一些实施例中，其中，多个光流信息包括：驱动关键点序列相对第一初始关键点序列的第一光流信息，和驱动关键点序列相对第二初始关键点序列的第二光流信息；

其中，处理模块704，包括：

采用第一光流信息处理初始人脸图像，以得到对应的人脸光流图像；

采用第二光流信息处理关键部位图像，以得到对应的局部光流图像，人脸光流图像和局部光流图像被共同作为多个光流图像。

在本公开的一些实施例中，其中，获取模块701，具体用于：

获取待合成语音，并提取待合成语音对应的多个语音特征，多个语音特征分别对应多个时间点，其中，待合成语音被用于融合至人脸视频之中，以得到目标人脸视频；

确定参考关键点序列，并采用多个语音特征分别描述参考关键点序列，以描述得到与多个语音特征分别对应的多个驱动关键点序列。

可以理解的是，本实施例附图7中的人脸视频生成装置70与上述实施例中的人脸视频生成装置60，获取模块701与上述实施例中的获取模块601，提取模块702与上述实施例中的提取模块602，确定模块703与上述实施例中的确定模块603，处理模块704与上述实施例中的处理模块604，可以具有相同的功能和结构。

需要说明的是，前述对人脸视频生成方法的解释说明也适用于本实施例的人脸视频生成装置，此处不再赘述。

本实施例中，通过获取初始人脸图像和多个驱动关键点序列，提取初始人脸图像之中的初始关键点序列，并确定多个驱动关键点序列分别相对初始关键点序列的多个光流信息，以及根据多个光流信息处理初始人脸图像，以得到对应的多个目标人脸图像，初始人脸图像和多个目标人脸图像被用于生成人脸视频，由于是采用多个驱动关键点序列用于驱动处理初始人脸图像以生成多个目标人脸图像，而驱动关键点序列较为稀疏，从而采用其驱动生成多个目标人脸图像，能够有效地提升人脸视频生成方法的适用性，有效提升人脸视频生成的效率和效果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的人脸视频生成方法的示例电子设备的示意性框图。

电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如人脸视频生成方法。例如，在一些实施例中，人脸视频生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的人脸视频生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人脸视频生成方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (21)

1.一种人脸视频生成方法，包括：

获取初始人脸图像和多个驱动关键点序列；

提取所述初始人脸图像之中的初始关键点序列；

确定所述多个驱动关键点序列分别相对所述初始关键点序列的多个光流信息；以及

根据所述多个光流信息处理所述初始人脸图像，以得到对应的多个目标人脸图像，所述初始人脸图像和所述多个目标人脸图像被用于生成人脸视频。

2.根据权利要求1所述的方法，其中，所述根据所述多个光流信息处理所述初始人脸图像，以得到对应的多个目标人脸图像，包括：

采用所述多个光流信息分别处理所述初始人脸图像，以得到对应的多个光流图像；

将所述多个光流图像分别输入至预训练的图像处理模型之中，以得到所述图像处理模型输出的与所述多个光流图像分别对应的多个残差图像，和与所述多个残差图像分别对应的多个图像描述信息；以及

参考所述多个图像描述信息，对与其分别对应的所述多个残差图像和所述多个光流图像进行合成处理，并将合成处理得到的多个图像作为所述多个目标人脸图像。

3.根据权利要求2所述的方法，其中，所述确定所述多个驱动关键点序列分别相对所述初始关键点序列的多个光流信息，包括：

确定与所述初始关键点序列对应的初始特征，并确定与所述多个驱动关键点序列分别对应的多个驱动特征；

确定与所述初始特征对应的初始特征表示向量；

确定与所述多个驱动特征分别对应的多个驱动特征表示向量；

确定所述多个驱动特征表示向量分别相对所述初始特征表示向量的多个向量变化信息并作为所述多个光流信息。

4.根据权利要求3所述的方法，其中，所述确定所述多个驱动特征表示向量分别相对所述初始特征表示向量的多个向量变化信息并作为所述多个光流信息，包括：

将所述初始特征表示向量分别与所述多个驱动特征表示向量做向量差值计算，以得到对应的多个向量变化信息并作为所述多个光流信息。

5.根据权利要求4所述的方法，其中，所述采用所述多个光流信息分别处理所述初始人脸图像，以得到对应的多个光流图像，包括：

分别采用所述多个光流信息，调整所述初始关键点在所述初始人脸图像之中的所述初始特征表示向量，并将调整后多个人脸图像作为所述多个光流图像。

6.根据权利要求2所述的方法，所述初始关键点序列的数量为多个，在所述提取所述初始人脸图像之中的初始关键点序列之前，还包括：

从所述初始人脸图像之中确定出与多个人脸关键部位分别对应的多个关键部位图像。

7.根据权利要求6所述的方法，其中，所述提取所述初始人脸图像之中的初始关键点序列，包括：

从整体的所述初始人脸图像之中提取第一初始关键点序列；和/或

从所述多个关键部位图像之中分别提取对应的多个第二初始关键点序列，其中，所述第一初始关键点序列和所述第二初始关键点序列共同构成所述初始关键点序列。

8.根据权利要求7所述的方法，所述多个光流信息包括：所述驱动关键点序列相对所述第一初始关键点序列的第一光流信息，和所述驱动关键点序列相对所述第二初始关键点序列的第二光流信息；

其中，所述采用所述多个光流信息分别处理所述初始人脸图像，以得到对应的多个光流图像，包括：

采用所述第一光流信息处理所述初始人脸图像，以得到对应的人脸光流图像；

采用所述第二光流信息处理所述关键部位图像，以得到对应的局部光流图像，所述人脸光流图像和所述局部光流图像被共同作为所述多个光流图像。

9.根据权利要求1所述的方法，其中，获取多个驱动关键点序列，包括：

获取待合成语音，并提取所述待合成语音对应的多个语音特征，所述多个语音特征分别对应多个时间点，其中，所述待合成语音被用于融合至所述人脸视频之中，以得到目标人脸视频；

确定参考关键点序列，并采用所述多个语音特征分别描述所述参考关键点序列，以描述得到与所述多个语音特征分别对应的多个驱动关键点序列。

10.一种人脸视频生成装置，包括：

获取模块，用于获取初始人脸图像和多个驱动关键点序列；

提取模块，用于提取所述初始人脸图像之中的初始关键点序列；

确定模块，用于确定所述多个驱动关键点序列分别相对所述初始关键点序列的多个光流信息；以及

处理模块，用于根据所述多个光流信息处理所述初始人脸图像，以得到对应的多个目标人脸图像，所述初始人脸图像和所述多个目标人脸图像被用于生成人脸视频。

11.根据权利要求10所述的装置，其中，所述处理模块，具体用于：

采用所述多个光流信息分别处理所述初始人脸图像，以得到对应的多个光流图像；

将所述多个光流图像分别输入至预训练的图像处理模型之中，以得到所述图像处理模型输出的与所述多个光流图像分别对应的多个残差图像，和与所述多个残差图像分别对应的多个图像描述信息；以及

参考所述多个图像描述信息，对与其分别对应的所述多个残差图像和所述多个光流图像进行合成处理，并将合成处理得到的多个图像作为所述多个目标人脸图像。

12.根据权利要求11所述的装置，其中，所述确定模块，包括：

第一确定子模块，用于确定与所述初始关键点序列对应的初始特征，并确定与所述多个驱动关键点序列分别对应的多个驱动特征；

第二确定子模块，用于确定与所述初始特征对应的初始特征表示向量；

第三确定子模块，用于确定与所述多个驱动特征分别对应的多个驱动特征表示向量；

第四确定子模块，用于确定所述多个驱动特征表示向量分别相对所述初始特征表示向量的多个向量变化信息并作为所述多个光流信息。

13.根据权利要求12所述的装置，其中，所述第四确定子模块，具体用于：

将所述初始特征表示向量分别与所述多个驱动特征表示向量做向量差值计算，以得到对应的多个向量变化信息并作为所述多个光流信息。

14.根据权利要求13所述的装置，其中，所述处理模块，具体用于：

分别采用所述多个光流信息，调整所述初始关键点在所述初始人脸图像之中的所述初始特征表示向量，并将调整后多个人脸图像作为所述多个光流图像。

15.根据权利要求11所述的装置，所述初始关键点序列的数量为多个，其中，所述装置，还包括：

识别模块，用于从所述初始人脸图像之中确定出与多个人脸关键部位分别对应的多个关键部位图像。

16.根据权利要求15所述的装置，其中，所述提取模块，具体用于：

从整体的所述初始人脸图像之中提取第一初始关键点序列；和/或

从所述多个关键部位图像之中分别提取对应的多个第二初始关键点序列，其中，所述第一初始关键点序列和所述第二初始关键点序列共同构成所述初始关键点序列。

17.根据权利要求16所述的装置，所述多个光流信息包括：所述驱动关键点序列相对所述第一初始关键点序列的第一光流信息，和所述驱动关键点序列相对所述第二初始关键点序列的第二光流信息；

其中，所述处理模块，具体用于：

采用所述第一光流信息处理所述初始人脸图像，以得到对应的人脸光流图像；

采用所述第二光流信息处理所述关键部位图像，以得到对应的局部光流图像，所述人脸光流图像和所述局部光流图像被共同作为所述多个光流图像。

18.根据权利要求10所述的装置，其中，所述获取模块，具体用于：

获取待合成语音，并提取所述待合成语音对应的多个语音特征，所述多个语音特征分别对应多个时间点，其中，所述待合成语音被用于融合至所述人脸视频之中，以得到目标人脸视频；

确定参考关键点序列，并采用所述多个语音特征分别描述所述参考关键点序列，以描述得到与所述多个语音特征分别对应的多个驱动关键点序列。

19.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。

Images