CN115424309A - 人脸关键点的生成方法、装置、终端设备及可读存储介质 - Google Patents
人脸关键点的生成方法、装置、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN115424309A CN115424309A CN202110598309.5A CN202110598309A CN115424309A CN 115424309 A CN115424309 A CN 115424309A CN 202110598309 A CN202110598309 A CN 202110598309A CN 115424309 A CN115424309 A CN 115424309A
- Authority
- CN
- China
- Prior art keywords
- target
- initial
- vector
- weight vector
- audio signal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 200
- 230000005236 sound signal Effects 0.000 claims abstract description 75
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于跨模态生成技术领域，提供了一种人脸关键点的生成方法、装置、终端设备及可读存储介质，该方法包括：获取目标音频信号，并将目标音频信号输入至已训练的神经网络模型中进行处理，输出目标权重向量；获取目标平均形状向量和目标特征向量，以及根据目标平均形状向量、目标特征向量和目标权重向量计算目标音频信号对应的目标三维人脸关键点。本申请一定程度上可以解决无法直接根据语音信号生成三维人脸关键点的问题。
Description
技术领域
本申请属于跨模态生成技术领域，尤其涉及一种人脸关键点的生成方法、装置、终端设备及可读存储介质。
背景技术
视觉与听觉是人们感知外部世界最主要的途径。研究表明，视觉信息与听觉信息的结合可以帮助人们更好地理解外部世界所要表达的内容。比如，人们相互交流时，看见唇部运动可以显著提高人们对语音内容的理解。
因此，根据语音信号生成会说话的人脸可以帮助用户更好地理解语音内容，从而提高人际交流和人机交互的便捷性。
目前，根据语音信号生成会说话的人脸的方法主要有面向形状模型的方法和面向图像的方法。面向形状模型的方法一般是采用可变形的脸部形状模型，面向图像的方法一般是直接根据语音预测RGB脸部或嘴巴图像序列。
然而，目前这些方法均无法直接根据语音信号生成三维人脸关键点。
发明内容
本申请实施例提供了一种人脸关键点的生成方法、装置、终端设备及可读存储介质，可以一定程度上解决无法直接根据语音信号生成三维人脸关键点的问题。
第一方面，本申请实施例提供了一种人脸关键点的生成方法，包括：
获取目标音频信号，并将上述目标音频信号输入至已训练的神经网络模型中进行处理，输出目标权重向量；
获取目标平均形状向量和目标特征向量，以及根据上述目标平均形状向量、上述目标特征向量和上述目标权重向量计算上述目标音频信号对应的目标三维人脸关键点。
第二方面，本申请实施例提供了一种人脸关键点的生成装置，包括：
第一获取模块，用于获取目标音频信号；
处理模块，用于将上述目标音频信号输入至已训练的神经网络模型中进行处理，输出目标权重向量；
第二获取模块，用于获取目标平均形状向量和目标特征向量；
计算模块，用于根据上述目标平均形状向量、上述目标特征向量和上述目标权重向量计算上述目标音频信号对应的目标三维人脸关键点。
第三方面，本申请实施例提供了一种终端设备，终端设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面提供的方法中的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面提供的方法中的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中提供的图像识别方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：在本申请中，根据目标平均形状向量、目标特征向量和目标权重向量即可得到目标音频信号对应的三维人脸关键点，简单方便，实现了直接根据目标音频信号生成三维人脸关键点。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的人脸关键点的生成方法的流程示意图；
图2是本申请一实施例提供的待训练的神经网络模型的结构示意图；
图3是本申请一实施例提供的另外一种待训练的神经网络模型的结构示意图；
图4是本申请一实施例提供的人脸关键点的生成装置的结构示意图；
图5是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的人脸关键点的生成方法可以应用于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
为了说明本申请提供的技术方案，下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例一提供的一种人脸关键点的生成方法进行描述，请参阅附图1，该方法包括：
步骤S101、获取目标音频信号，并将目标音频信号输入至已训练的神经网络模型中进行处理，输出目标权重向量。
在步骤S101中，目标音频信号可以通过本实施例的终端设备采集，也可以通过其他终端设备采集后，再发送至本实施例的终端设备进行处理。在本实施例中，对采集目标音频信号的终端设备不做限定。
终端设备在获取到目标音频信号之后，再将该目标音频信号输入至已训练的神经网络模型中进行处理，从而得到目标权重向量。
需要说明的是，输入至已训练的神经网络模型的目标音频信号与初始音频信号的时长一致。比如，初始音频信号的时长为280毫秒，则一次输入至已训练的神经网络模型的目标音频信号也为280毫秒。并且，可以在将目标音频信号输入至已训练的神经网络模型中时设置滑动时间窗口，从而使得用户可以获取到想要的视频。比如，用户想要获取到1秒中包含25帧的视频，则第一次输入至已训练的神经网络模型的目标音频信号为第0～280毫秒，第二输入至已训练的神经网络模型的目标音频信号为第40～320毫秒，即此时，一个滑动时间窗口为40毫秒。
此外，还可以设置语音缓冲区，并将语义缓冲区初始化为零。当终端设备获取到目标音频信号时，先将目标音频信号存储到语音缓冲区。
步骤S102、获取目标平均形状向量和目标特征向量，以及根据目标平均形状向量、目标特征向量和目标权重向量计算目标音频信号对应的目标三维人脸关键点。
在步骤S102中，目标平均形状向量为三维人脸关键点组成的向量。终端设备获取目标平均形状向量和目标特征向量，然后将目标平均形状向量、目标特征向量以及目标权重向量代入以下公式中，从而得到目标音频信号对应的目标三维人脸关键点：
其中，
表示目标平均形状向量，w表示目标权重向量，S表示目标特征向量。
在一些实施例中，在获取目标音频信号之前，该方法还包括：
获取初始音频信号，并将初始音频信号输入至待训练的神经网络模型中进行处理，输出初始权重向量；
获取初始音频信号对应的真实权重向量，并根据初始权重向量和真实权重向量计算目标损失值；
若目标损失值不满足预设条件，则根据目标损失值更新待训练的神经网络模型的网络参数，并返回执行获取初始音频信号的步骤；
若目标损失值满足预设条件，则停止训练，得到已训练的神经网络模型。
在本实施例中，根据初始音频信号对应的真实权重向量对待训练的神经网络模型进行训练，从而得到已训练的神经网络模型。初始音频信号的长度可以根据实际需要进行选择。比如，在本申请中，初始音频信号为280毫秒的音频，其中，40毫秒对应一帧图片。本申请在此不做限定。
在将初始音频信号输入至待训练的神经网络模型中进行处理，输出初始权重向量之后，将初始权重向量和真实权重向量代入以下公式中计算目标损失值：
L＝||wo-wt||1
其中，L表示目标损失值，wo表示初始权重向量，wt表示真实权重向量，|| ||1表示1范数。应理解，上述公式只是目标损失值的一种计算方式，在实际应用中，用户也可选择其他计算方法计算目标损失值，本申请在此不做限定。需要说明的是，初始音频信号对应的图片的帧数与初始权重向量的个数以及与真实权重向量的个数一致。
在得到目标损失值之后，判断目标损失值是否满足预设条件。如果目标损失值不满足预设条件，则根据目标损失值更新待训练的神经网络模型的网络参数，并返回执行获取初始音频信号的步骤。如果目标损失值满足预设条件，则停止训练，从而得到已训练的神经网络模型。
在另一些实施例中，在获取初始音频信号对应的真实权重向量之前，该方法还包括：
获取初始音频信号对应的初始人脸图像，提取初始人脸图像对应的初始二维人脸关键点；
根据初始人脸图像将初始二维人脸关键点转换为初始三维人脸关键点，并根据初始三维人脸关键点构建初始形状向量；
对初始形状向量进行主成分分析，得到初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量。
在本实施例中，在提取到初始人脸图像对应的初始二维人脸关键点之后，先根据初始人脸图像将初始二维人脸关键点转换为初始三维人脸关键点，并根据初始三维人脸关键点构建初始形状向量，构建的初始形状向量F'i如下所示：
F'i＝(x1 i,y1 i,z1 i,x2 i,y2 i,z2 i,…,xk i,yk i,zk i)T
其中，i＝1,2,…n，n表示初始人脸图像的帧数，(xk i,yk i,zk i)表示第i帧初始人脸图像上第k个人脸关键点的坐标，T表示转置。
在得到初始形状向量之后，生成主动生成模型(Active Shape Model，ASM)。主动生成模型是可变形的形状模型，其的变化可以通过一组系数来表示。这些系数是通过对初始形状向量进行主成分分析(Principal Component Analysis，PCA)之后得到的权重向量。
因此，在得到初始形状向量之后，对初始形状向量进行主成分分析(PrincipalComponent Analysis，PCA)，得到初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量，此时，初始形状向量均可以用以下公式表示：
其中，
表示目标平均形状向量，
表示真实权重向量，
表示目标特征向量，p表示主成分分析的个数，p<n。
由于p<n，因此，根据真实权重向量训练待训练的神经网络模型的时间比根据初始人脸图像训练待训练的神经网络模型的时间少。因此，在申请中，可以减少待训练的神经网络模型的训练时间。
需要说明的是，在得到初始形状向量之后，可以对各个初始形状向量进行对齐操作，从而消除初始人脸图像中的人脸由于不同角度，距离远近以及姿态变换等外界因素导致的非形状干扰。可以采用谱氏分析方法对初始形状向量进行对齐。
在另一些实施例中，对初始形状向量进行主成分分析，得到初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量，包括：
根据初始人脸图像确定参考人脸图像以及模板人脸图像，并根据初始形状向量、参考人脸图像以及模板人脸图像计算目标形状向量；
对目标形状向量进行主成分分析，得到初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量。
由于不同的说话者的脸部形状不同，因此，即使经过对各个初始形状向量进行对齐操作之后，嘴巴、鼻子以及眼睛也可能不一致。因此，为了更加准确地得到初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量，可以移除各个初始形状向量存在的这种差异。
因此，先根据初始人脸图像确定参考人脸图像以及模板人脸图像，然后再将初始形状向量、参考人脸图像以及模板人脸图像代入以下公式中计算目标形状向量：
F”i＝F'i-Fr+Ff
其中，F”i表示目标形状向量，Fr表示参考人脸图像，Ff表示模板人脸图像。参考人脸图像指包含闭合嘴巴的初始人脸图像。模板人脸图像指初始音频信号对应的所有说话者的包含闭合嘴巴的初始人脸图像的平均图像。
最后对再对目标形状向量进行主成分分析，得到初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量。此时，目标形状向量用以下公式表示：
其中，
表示目标平均形状向量，
表示真实权重向量，
表示目标特征向量，p表示主成分分析的个数，p<n。
应理解，当移除各个初始形状向量存在的差异时，则在得到目标权重向量之后，将目标权重向量代入
公式中计算目标音频信号对应的目标三维人脸关键点。
在本实施例中，移除各个初始形状向量存在的差异，使得可以更加准确地得到初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量。由于更加准确地得到了初始人脸图像对应的真实权重向量，因此，在训练待训练的神经网络模型时，可以提高待训练的神经网络模型的训练结果的准确性，并且可以提高待训练的神经网络模型时的收敛速度。
在另一些实施例中，根据初始人脸图像确定参考人脸图像，包括：
从初始三维人脸关键点中选取上唇关键点以及下唇关键点，并计算上唇关键点的坐标与下唇关键点的坐标之间的目标差值；
将目标差值小于预设阈值的上唇关键点以及下唇关键点对应的初始人脸图像作为参考人脸图像。
在本实施例中，从初始三维人脸关键点中选取上唇关键点以及下唇关键点。然后计算上唇关键点的坐标与下唇关键点的坐标之间的目标差值。如果目标差值小于预设阈值，则说明该上唇关键点以及下唇关键点对应的初始人脸图像包含闭合的嘴巴。因此将目标差值小于预设阈值的上唇关键点以及下唇关键点对应的初始人脸图像作为参考人脸图像。
在另一些实施例中，待训练的神经网络模型包括第一预设数量的卷积层以及第二预设数量的全连接层。
目前，在本领域，待训练的神经网络模型一般是采用长短期记忆模型(Long ShortTerm Memory，LSTM)。然而。在本申请中，由于移除了各个初始形状向量存在的差异，得到的真实权重向量更加准确，因此，可以降低待训练的神经网络模型的复杂度。因此，在本申请中，使用第一预设数量的卷积层以及第二预设数量的全连接层作为待训练的神经网络模型。第一预设数量以及第二预设数量用户可以根据实际需求进行设置，本申请在此不做限定。应理解，每个卷积层之后还可以连接激活函数层。
在一种具体的应用中，第一预设数量包括4，第二预设数量包括1，如图2所示。每个卷积层通过一维卷积核对初始音频信号进行卷积，每个卷积层包括的卷积核的数量可以随着训练时间的减少而增加。并且，可以增大每个卷积层的步幅，从而减少训练的时间。
在另一些实施例中，第二预设数量包括2。此时，将初始音频信号输入至待训练的神经网络模型中进行处理，输出初始权重向量，包括：
将初始音频信号输入至待训练的神经网络模型的卷积层中进行处理，输出初始音频特征；
将初始音频特征输入至待训练的神经网络模型的第一全连接层中进行处理，输出中间权重向量；
将中间权重向量和历史权重向量输入至待训练的神经网络模型的第二全连接层中进行处理，输出初始权重向量，历史权重向量为上一次训练得到的初始权重向量。
在本申请中，为了使生成的说话人脸视频更加自然，即为了生成的人脸图像帧之间的过渡更加平滑，使用上一次训练得到的初始权重向量作为当前次训练的约束条件。此时，待训练的神经网络模型包括第一全连接层和第二全连接层。在将初始音频特征输入至待训练的神经网络模型的第一全连接层中进行处理，输出的是中间权重向量，并不是初始权重向量。然后再将中间权重向量和历史权重向量输入至第二全连接层中进行处理，输出初始权重向量。
比如，如图3所示，第一预设数量为4。在得到中间权重向量之后，将中间权重向量和历史权重向量输入至第二全连接层进行处理，从而得到初始权重向量。
在本实施例中，待训练的神经网络模型包括第一全连接层和第二全连接层。在将初始音频特征输入至待训练的神经网络模型的第一全连接层进行处理之后，得到中间权重向量。然后将中间权重向量和历史权重向量一起输入至第二全连接层中进行处理，输出初始权重向量。从而保证训练之后得到的人脸图像帧之间的过渡更加平滑。
在本申请中，根据目标平均形状向量、目标特征向量和目标权重向量即可得到目标音频信号对应的三维人脸关键点，简单方便。实现了直接根据目标音频信号生成三维人脸关键点。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二
图4示出了一种人脸关键点的生成装置的示例，为了便于说明，仅示出了与本申请实施例相关的部分。该装置400包括：
第一获取模块401，用于获取目标音频信号。
处理模块402，用于将目标音频信号输入至已训练的神经网络模型中进行处理，输出目标权重向量。
第二获取模块403，用于获取目标平均形状向量和目标特征向量。
计算模块404，用于根据目标平均形状向量、目标特征向量和目标权重向量计算目标音频信号对应的目标三维人脸关键点。
可选地，该装置400还包括训练模块，该训练模块具体包括：
信号获取单元，用于获取初始音频信号，并将初始音频信号输入至待训练的神经网络模型中进行处理，输出初始权重向量。
权重向量获取单元，用于获取初始音频信号对应的真实权重向量，并根据初始权重向量和真实权重向量计算目标损失值。
返回执行单元，用于若目标损失值不满足预设条件，则根据目标损失值更新待训练的神经网络模型的网络参数，并返回执行获取初始音频信号的步骤。
停止训练单元，用于若目标损失值满足预设条件，则停止训练，得到已训练的神经网络模型。
可选地，该装置400还包括：
提取模块，用于获取初始音频信号对应的初始人脸图像，提取初始人脸图像对应的初始二维人脸关键点。
转换模块，用于根据初始人脸图像将初始二维人脸关键点转换为初始三维人脸关键点，并根据初始三维人脸关键点构建初始形状向量。
分析模块，用于对初始形状向量进行主成分分析，得到初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量。
可选地，分析模块具体用于执行：
根据初始人脸图像确定参考人脸图像以及模板人脸图像，并根据初始形状向量、参考人脸图像以及模板人脸图像计算目标形状向量。
对目标形状向量进行主成分分析，得到初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量。
可选地，分析模块具体用于执行：
从初始三维人脸关键点中选取上唇关键点以及下唇关键点，并计算上唇关键点的坐标与下唇关键点的坐标之间的目标差值。
将目标差值小于预设阈值的上唇关键点以及下唇关键点对应的初始人脸图像作为参考人脸图像。
可选地，待训练的神经网络模型包括第一预设数量的卷积层以及第二预设数量的全连接层。
可选地，信号获取单元具体用于执行：
将初始音频信号输入至待训练的神经网络模型的卷积层中进行处理，输出初始音频特征。
将初始音频特征输入至待训练的神经网络模型的第一全连接层中进行处理，输出中间权重向量。
将中间权重向量和历史权重向量输入至待训练的神经网络模型的第二全连接层中进行处理，输出初始权重向量，历史权重向量为上一次训练得到的初始权重向量。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例一基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例一部分，此处不再赘述。
实施例三
图5是本申请实施例三提供的终端设备的示意图。如图5所示，该实施例的终端设备500包括：处理器501、存储器502以及存储在上述存储器502中并可在上述处理器501上运行的计算机程序503。上述处理器501执行上述计算机程序503时实现上述各个方法实施例中的步骤。或者，上述处理器501执行上述计算机程序503时实现上述各装置实施例中各模块/单元的功能。
示例性的，上述计算机程序503可以被分割成一个或多个模块/单元，上述一个或者多个模块/单元被存储在上述存储器502中，并由上述处理器501执行，以完成本申请。上述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述上述计算机程序503在上述终端设备500中的执行过程。例如，上述计算机程序503可以被分割成第一获取模块、处理模块、第二获取模块以及计算模块，各模块具体功能如下：
获取目标音频信号，并将目标音频信号输入至已训练的神经网络模型中进行处理，输出目标权重向量；
获取目标平均形状向量和目标特征向量，以及根据目标平均形状向量、目标特征向量和目标权重向量计算目标音频信号对应的目标三维人脸关键点。
上述终端设备可包括，但不仅限于，处理器501、存储器502。本领域技术人员可以理解，图5仅仅是终端设备500的示例，并不构成对终端设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件插件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器502可以是上述终端设备500的内部存储单元，例如终端设备500的硬盘或内存。上述存储器502也可以是上述终端设备500的外部存储设备，例如上述终端设备500上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器502还可以既包括上述终端设备500的内部存储单元也包括外部存储设备。上述存储器502用于存储上述计算机程序以及上述终端设备所需的其它程序和数据。上述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或插件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述各个方法实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种人脸关键点的生成方法，其特征在于，包括：
获取目标音频信号，并将所述目标音频信号输入至已训练的神经网络模型中进行处理，输出目标权重向量；
获取目标平均形状向量和目标特征向量，以及根据所述目标平均形状向量、所述目标特征向量和所述目标权重向量计算所述目标音频信号对应的目标三维人脸关键点。
2.如权利要求1所述的方法，其特征在于，在所述获取目标音频信号之前，所述方法还包括：
获取初始音频信号，并将所述初始音频信号输入至待训练的神经网络模型中进行处理，输出初始权重向量；
获取所述初始音频信号对应的真实权重向量，并根据所述初始权重向量和所述真实权重向量计算目标损失值；
若所述目标损失值不满足预设条件，则根据所述目标损失值更新所述待训练的神经网络模型的网络参数，并返回执行获取初始音频信号的步骤；
若所述目标损失值满足所述预设条件，则停止训练，得到所述已训练的神经网络模型。
3.如权利要求2所述的方法，其特征在于，在所述获取所述初始音频信号对应的真实权重向量之前，所述方法还包括：
获取所述初始音频信号对应的初始人脸图像，提取所述初始人脸图像对应的初始二维人脸关键点；
根据所述初始人脸图像将所述初始二维人脸关键点转换为初始三维人脸关键点，并根据所述初始三维人脸关键点构建初始形状向量；
对所述初始形状向量进行主成分分析，得到所述初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量。
4.如权利要求3所述的方法，其特征在于，所述对所述初始形状向量进行主成分分析，得到所述初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量，包括：
根据所述初始人脸图像确定参考人脸图像以及模板人脸图像，并根据所述初始形状向量、所述参考人脸图像以及所述模板人脸图像计算目标形状向量；
对所述目标形状向量进行主成分分析，得到所述初始人脸图像对应的真实权重向量、目标平均形状向量以及目标特征向量。
5.如权利要求4所述的方法，其特征在于，所述根据初始人脸图像确定参考人脸图像，包括：
从所述初始三维人脸关键点中选取上唇关键点以及下唇关键点，并计算所述上唇关键点的坐标与所述下唇关键点的坐标之间的目标差值；
将所述目标差值小于预设阈值的上唇关键点以及下唇关键点对应的初始人脸图像作为参考人脸图像。
6.如权利要求2至5任一项所述的方法，其特征在于，所述待训练的神经网络模型包括第一预设数量的卷积层以及第二预设数量的全连接层。
7.如权利要求6所述的方法，其特征在于，所述将所述初始音频信号输入至待训练的神经网络模型中进行处理，输出初始权重向量，包括：
将所述初始音频信号输入至待训练的神经网络模型的卷积层中进行处理，输出初始音频特征；
将所述初始音频特征输入至所述待训练的神经网络模型的第一全连接层中进行处理，输出中间权重向量；
将所述中间权重向量和历史权重向量输入至所述待训练的神经网络模型的第二全连接层中进行处理，输出初始权重向量，所述历史权重向量为上一次训练得到的初始权重向量。
8.一种人脸关键点的生成装置，其特征在于，包括：
第一获取模块，用于获取目标音频信号；
处理模块，用于将所述目标音频信号输入至已训练的神经网络模型中进行处理，输出目标权重向量；
第二获取模块，用于获取目标平均形状向量和目标特征向量；
计算模块，用于根据所述目标平均形状向量、所述目标特征向量和所述目标权重向量计算所述目标音频信号对应的目标三维人脸关键点。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598309.5A CN115424309A (zh) | 2021-05-31 | 2021-05-31 | 人脸关键点的生成方法、装置、终端设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598309.5A CN115424309A (zh) | 2021-05-31 | 2021-05-31 | 人脸关键点的生成方法、装置、终端设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115424309A true CN115424309A (zh) | 2022-12-02 |
Family
ID=84230445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110598309.5A Pending CN115424309A (zh) | 2021-05-31 | 2021-05-31 | 人脸关键点的生成方法、装置、终端设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115424309A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024136371A1 (en) * | 2022-12-19 | 2024-06-27 | Cj Olivenetworks Co., Ltd. | Method and apparatus for generating image speech video using artificial intelligence based landmark |
-
2021
- 2021-05-31 CN CN202110598309.5A patent/CN115424309A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024136371A1 (en) * | 2022-12-19 | 2024-06-27 | Cj Olivenetworks Co., Ltd. | Method and apparatus for generating image speech video using artificial intelligence based landmark |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298319B (zh) | 图像合成方法和装置 | |
| WO2019201042A1 (zh) | 图像对象识别方法和装置、存储介质及电子装置 | |
| CN112562019A (zh) | 图像色彩调整方法及装置、计算机可读介质和电子设备 | |
| CN112418034A (zh) | 多模态情感识别方法、装置、电子设备和存储介质 | |
| KR20220106842A (ko) | 표정 인식 방법 및 장치, 기기, 컴퓨터 판독 가능한 저장 매체, 컴퓨터 프로그램 제품 | |
| CN113421547B (zh) | 一种语音处理方法及相关设备 | |
| CN108491808B (zh) | 用于获取信息的方法及装置 | |
| CN112614110B (zh) | 评估图像质量的方法、装置及终端设备 | |
| CN111108508B (zh) | 脸部情感识别方法、智能装置和计算机可读存储介质 | |
| CN114895817B (zh) | 交互信息处理方法、网络模型的训练方法及装置 | |
| WO2016165614A1 (zh) | 一种即时视频中的表情识别方法和电子设备 | |
| CN111107278B (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
| CN109389076B (zh) | 图像分割方法及装置 | |
| CN111680544B (zh) | 人脸识别方法、装置、系统、设备及介质 | |
| CN113744286A (zh) | 虚拟头发生成方法及装置、计算机可读介质和电子设备 | |
| CN115424309A (zh) | 人脸关键点的生成方法、装置、终端设备及可读存储介质 | |
| CN114049290A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111104827A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
| CN112714337A (zh) | 视频处理方法、装置、电子设备和存储介质 | |
| CN111144374B (zh) | 人脸表情识别方法及装置、存储介质和电子设备 | |
| CN117115312A (zh) | 一种语音驱动面部动画方法、装置、设备及介质 | |
| CN110059739B (zh) | 图像合成方法、装置、电子设备和计算机可读存储介质 | |
| CN111597926A (zh) | 图像处理方法及装置、电子设备及存储介质 | |
| CN109242031B (zh) | 姿势优化模型的训练方法、使用方法、装置及处理设备 | |
| CN112329890B (zh) | 图像处理方法及装置、电子设备及存储介质 |
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 |