CN117238009A - 一种人脸图像处理方法及装置 - Google Patents
一种人脸图像处理方法及装置 Download PDFInfo
- Publication number
- CN117238009A CN117238009A CN202310822929.1A CN202310822929A CN117238009A CN 117238009 A CN117238009 A CN 117238009A CN 202310822929 A CN202310822929 A CN 202310822929A CN 117238009 A CN117238009 A CN 117238009A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- face image
- gray level
- generator
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 14
- 230000001815 facial effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 230000008485 antagonism Effects 0.000 claims description 5
- 210000000056 organ Anatomy 0.000 claims description 2
- 210000000697 sensory organ Anatomy 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种人脸图像处理方法及装置。其中方法包括：获取第一人脸图像，第一人脸图像关联身份信息；根据第一人脸图像，得到遮掩第一人脸图像五官部位的人脸背景图像和第一灰度图像，第一灰度图像用于表征第一人脸图像的显著性特征；根据人脸背景图像和第一灰度图像生成第二人脸图像，第二人脸图像为匿名化的人脸图像。采用该方法，可以根据人脸背景图像和第一灰度图像生成匿名化的人脸图像，由于第一灰度图像能够表征第一人脸图像(即真实人脸图像)的显著性特征，即在生成匿名化的人脸图像时，考虑了真实人脸的显著信息，从而使得生成的人脸图像能够在保持真实人脸的部分属性的同时，去除身份信息，便于平衡隐私和人脸图像的可用性。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种人脸图像处理方法及装置。
背景技术
随着互联网技术的发展和人脸识别技术在身份验证、视频监控和社交网络领域的广泛应用，真实的人脸图像可以轻易地被其他人员随意使用，从而可能导致侵犯用户的隐私问题，带来不必要的麻烦。因此，在非身份认证场合应用人脸图像时，需要对人脸图像进行去身份处理。
目前，对人脸图像进行去身份处理的方法是人脸匿名化技术，人脸匿名化技术可以归结为传统方法和基于深度学习的方法。其中，传统的人脸匿名化方法包括模糊、遮蔽等，虽然可以很大程度上消除给定的身份，但是这些方法会严重降低图像质量和实用性。基于深度学习的人脸匿名方法，如将对抗随机噪声添加到人脸图像中来欺骗分类器，但这种混淆图像仍然可以通过人类的感知来识别出人脸真实身份。
综上，如何对人脸图像进行去身份处理，仍需进一步研究。
发明内容
本发明提供一种人脸图像处理方法及装置，用于实现在保持真实人脸的部分属性的同时，去除身份信息，便于平衡隐私和人脸图像的可用性。
第一方面，本发明实施例提供一种人脸图像处理方法，该方法适用于人脸图像处理装置，该方法包括获取第一人脸图像，所述第一人脸图像关联身份信息；根据所述第一人脸图像，得到遮掩所述第一人脸图像五官部位的人脸背景图像和第一灰度图像，所述第一灰度图像用于表征所述第一人脸图像的显著性特征；根据所述人脸背景图像和所述第一灰度图像，生成第二人脸图像，所述第二人脸图像为匿名化的人脸图像。
采用上述方法，人脸图像处理装置是根据人脸背景图像和第一灰度图像，生成匿名化的人脸图像，由于第一灰度图像能够表征真实人脸图像的显著性特征，即在生成匿名化的人脸图像时，考虑了真实人脸的显著信息，从而使得生成的匿名化的人脸图像能够在保持真实人脸的部分属性的同时，去除身份信息，便于平衡隐私和人脸图像的可用性。
在一种可能实现的方式中，根据所述人脸背景图像和所述第一灰度图像，生成第二人脸图像，所述方法还包括：将所述人脸背景图像和所述第一灰度图像输入生成对抗网络模型的生成器，生成所述第二人脸图像。
在一种可能实现的方式中，所述方法还包括：根据所述第二人脸图像，得到第二灰度图像，所述第二灰度图像用于表征所述第二人脸图像的显著性特征；根据所述第一灰度图像和所述第二灰度图像之间的差异，得到所述生成器的损失函数；根据所述生成器的损失函数，更新所述生成器的模型参数。
在一种可能实现的方式中，所述方法还包括：对所述第一人脸图像进行人脸特征提取，得到第一特征向量；以及，对所述第二人脸图像进行人脸特征提取，得到第二特征向量；根据所述第一特征向量和所述第二特征向量之间的欧氏距离，得到所述生成器的损失函数；根据所述生成器的损失函数，更新所述生成器的模型参数。
第二方面，本发明实施例提供一种人脸图像处理装置，该装置包括：获取模块，用于获取第一人脸图像，所述第一人脸图像关联身份信息；处理模块，用于根据所述第一人脸图像，得到遮掩所述第一人脸图像五官部位的人脸背景图像和第一灰度图像，所述第一灰度图像用于表征所述第一人脸图像的显著性特征；生成模块，用于根据所述人脸背景图像和所述第一灰度图像，生成第二人脸图像，所述第二人脸图像为匿名化的人脸图像。
在一种可能实现的方式中，根据所述人脸背景图像和所述第一灰度图像，生成第二人脸图像，所述生成模块还用于：将所述人脸背景图像和所述第一灰度图像输入生成对抗网络模型的生成器，生成所述第二人脸图像。
在一种可能实现的方式中，所述处理模块还用于：根据所述第二人脸图像，得到第二灰度图像，所述第二灰度图像用于表征所述第二人脸图像的显著性特征；根据所述第一灰度图像和所述第二灰度图像之间的差异，得到所述生成器的损失函数；根据所述生成器的损失函数，更新所述生成器的模型参数。
在一种可能实现的方式中，所述处理模块还用于：对所述第一人脸图像进行人脸特征提取，得到第一特征向量；以及，对所述第二人脸图像进行人脸特征提取，得到第二特征向量；根据所述第一特征向量和所述第二特征向量之间的欧氏距离，得到所述生成器的损失函数；根据所述生成器的损失函数，更新所述生成器的模型参数。
第三方面，本申请实施例还提供一种计算设备，包括存储器和处理器，存储器用于存储计算机程序或指令，处理器用于调用所述存储器中存储的计算机程序或指令，执行如第一方面的任一种可能的设计中所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机存储介质中存储有计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述第一方面的任一种可能的设计中的方法。
第五方面，本申请提供一种计算机程序产品，当计算机读取并执行所述计算机程序产品时，使得计算机执行上述第一方面的任一种可能的设计中的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种人脸图像处理的系统图；
图2为本发明实施例提供的一种第三方可信平台针对真实人脸的操作流程图；
图3为本发明实施例提供的一种改进的生成对抗网络模型结构图；
图4为本申请实施例提供的一种人脸图像处理装置示意图；
图5为本申请实施例提供的人脸图像处理装置的又一种结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本申请实施例提供的一种系统架构示意图。如图1所示，该系统架构可以包括用户端设备、系统端设备和第三方设备。
其中，用户端设备可以为手机(mobile phone)、膝上型电脑(laptop computer)、平板电脑(Pad)或其它可能的设备。系统端设备可以为调用人脸图像用于非身份认证场景的设备。第三方设备可以为对用户端设备上传的人脸图像进行匿名化处理的设备，第三方设备也可称为第三方可信平台。示例性地，非身份认证场景是指不需要身份信息的场景，比如制作公开人脸数据集、对人脸图像进行分析(如目标检测、跟踪、分割)等。
具体来说，用户端设备可以向第三方设备发送真实人脸图像，真实人脸图像与用户的身份信息相关联，即通过识别真实人脸图像，可以获取到用户的身份信息。相应地，第三方设备接收到真实人脸图像后，可以对真实人脸图像进行匿名化处理，得到匿名化的人脸图像。进而，系统端设备可以从第三方设备调用匿名化的人脸图像，用于非身份认证场景。
目前，第三方设备对真实人脸图像进行处理的方法有两种，分别为传统方法和基于深度学习的方法。其中，传统方法主要对真实人脸图像进行模糊、遮蔽处理，虽然可以很大程度上隐藏真实人脸的身份信息，但处理后的人脸图像的清晰度降低，严重影响实用性。基于深度学习的方法包括将对抗随机噪声添加到真实人脸图像中，但处理后的人脸图像仍然可以通过人类的感知识别出人脸真实身份。
基于此，本发明实施例提供一种人脸图像处理方法，用于在保留真实人脸图像的显著特征的同时，去除身份信息，便于平衡隐私和人脸图像的可用性。
示例性地，本申请实施例提供的人脸图像处理方法可以适用于图1所示意的系统架构中的第三方设备或第三方可信平台，也可以适用于其它可能的设备。下面将以该人脸图像处理方法适用于第三方可信平台为例进行描述。
图2为本发明实施例提供的人脸图像处理方法对应的流程示意图。如图2所示，该流程可以包括：
步骤201，第三方可信平台获取第一人脸图像。
此处，第一人脸图像关联身份信息，即第一人脸图像为真实人脸图像。
第三方可信平台获取第一人脸图像的方式有多种。比如，用户端设备可以向第三方可信平台上传图像(为便于描述称为图像Ireal)，图像Ireal可以包括真实人脸图像，可选地，还包括除真实人脸图像之外的其它身体部位(比如头发、脖子、肩膀等)、穿戴饰品(比如帽子、耳环等)或人物背景(比如风景、建筑、街道等)；相应地，第三方可信平台接收到图像Ireal后，可以对图像Ireal进行处理，得到真实人脸图像。比如，第三方可信平台可以对图像Ireal进行人脸检测，进而可获取到第一人脸图像；或者，参见图3所示，第三方可信平台可以将图像Ireal输入到人脸检测模型，人脸检测模型可以输出第一人脸图像，进而第三方可信平台便可获取到第一人脸图像。
其中，第一人脸图像可以为人脸面部区域图像Irect，也就是说，第一人脸图像包括真实人脸图像，而不包括除真实人脸图像之外的其它身体部位、穿戴饰品或人物背景等。
步骤202，第三方可信平台根据第一人脸图像，得到遮掩第一人脸图像五官部位的人脸背景图像和第一灰度图像，第一灰度图像用于表征第一人脸图像的显著性特征。
示例性地，第三方可信平台可以对第一人脸图像进行人脸关键点检测，进而可得到人脸背景图像Ibg；或者，参见图3所示，第三方可信平台可以将第一人脸图像输入到人脸关键点检测模型中，进而人脸关键点检测模型可以输出人脸背景图像Ibg。其中，人脸背景图像Ibg指不包含人脸五官部位。
示例性地，第三方可信平台可以对第一人脸图像进行显著性检测，进而可得到第一灰度图像，第一灰度图像也可以称为人脸显著图Sreal；或者，参见图3所示，第三方可信平台可以将第一人脸图像输入到显著性检测模型中，进而显著性检测模型可以输出人脸显著图Sreal。此外，第三方可信平台还可以对人脸显著图Sreal上各像素点的值进行归一化处理。
其中，显著性检测是模拟人类视觉机制，筛选出场景中最容易引起注意的显著部分，比如人脸中最容易引起注意的显著部分是人脸眼距。示例性地，显著性检测包括自底向上和自顶向下两种模式，本申请实施例中，第三方可信平台在进行显著性检测时，可以采用以下显著性检测算法中的任一种：Itti算法、残差谱(SR)算法、HC(Histogram-basedContrast)算法、基于图的显著性(Graph-Based Visual Saliency,GBVS)模型、基于频率调制的显著性(Frequency-Tuned Saliency,FTS)模型和基于内容感知的显著性检测(Context-Aware Saliency Detection,CASD)模型等。
灰度图像可以是一幅不同程度的灰色表示的图像，灰度共有256阶，0阶代表黑色，255阶代表白色，0至255之间的数值代表不同程度的灰色，灰度的阶数越高，代表的灰色越接近白色，灰度图像的灰度值由小到大对应显著性由低到高。举例来说，人脸中最容易引起注意的显著部分是人脸眼距，也就是说人脸眼距的显著性最高；由于灰度图像的灰度值由小到大对应显著性由低到高，因此人脸眼距的灰度值最大。而灰度的阶数越高，代表的灰色越接近白色，如果用灰度图像表征人脸图像的显著性特征，则人脸眼距处的颜色最接近白色。
步骤203，第三方可信平台根据人脸背景图像和第一灰度图像，生成第二人脸图像。
此处，第二人脸图像为匿名化的人脸图像，即第二人脸图像不关联身份信息。第二人脸图像也可以称为生成的人脸图像，或者虚假的人脸图像。
采用上述方法，第三方可信平台是根据人脸背景图像和第一灰度图像，生成匿名化的人脸图像，由于第一灰度图像能够表征真实人脸图像的显著性特征，即在生成匿名化的人脸图像时，考虑了真实人脸的显著信息，从而使得生成的匿名化的人脸图像能够在保持真实人脸的部分属性的同时，去除身份信息，便于平衡隐私和人脸图像的可用性。
上述S203中，第三方可信平台根据人脸背景图像和第一灰度图像生成第二人脸图像的方式有多种。比如，参见图3所示，第三方可信平台可以将人脸背景图像和第一灰度图像输入生成对抗网络模型的生成器，生成第二人脸图像。
可以理解的是，上述S201至S203可以应用于生成对抗网络模型的训练阶段，或者也可以应用于完成生成对抗网络模型的训练之后，利用训练好的生成对抗网络模型生成可供系统端设备调用的人脸图像的阶段。本申请实施例对具体的应用场景不做限定。
下面以上述S201至S203可以应用于生成对抗网络模型的训练阶段为例进行描述。此种情形下，参见图3所示，生成对抗网络模型可以包括生成器和判别器，还可以包括显著性检测器和/或人脸特征提取器；第三方可信平台生成第二人脸图像后，可以进一步计算生成器的损失函数和判别器的损失函数，以更新生成器的模型参数和判别器的模型参数，从而不断优化模型。
(1)生成器的损失函数
生成器具有损失函数L(G)，损失函数表示第二人脸图像与第一人脸图像之间的差值。损失函数值越大，代表第二人脸图像与第一人脸图像之间的差值越大；反之，损失函数值越小，代表第二人脸图像与第一人脸图像之间的差值越小。
示例性地，损失函数L(G)包括对抗损失函数、第一损失函数和第二损失函数中的至少一项。比如，损失函数L(G)可以是根据对抗损失函数、第一损失函数和第二损失函数得到的，损失函数L(G)可以符合如下公式：
其中，是对抗损失函数，Lsal是第一损失函数，Li是第二损失函数，λ1是第一损失函数的系数，λ2是第二损失函数的系数。
(1.1)对抗损失函数
对抗损失函数用于学习生成更接近真实数据的样本，使得生成器生成的第二人脸图像尽可能接近第一人脸图像，以便于让判别器判别第二人脸图像为真。比如，对抗损失函数可以符合如下公式：
其中，E是期望，z～pz(z)是随机噪声z服从的概率密度函数，G(z)是生成器作用于随机噪声z输出的结果，D(G(z))是判别器作用于G(z)的输出结果，c是变量。
(1.2)第一损失函数
第一损失函数Lsal用于使生成器生成的第二人脸图像尽可能保持第一人脸图像的显著性特征。第三方可信平台生成第二人脸图像后，可以将第二人脸图像输入显著性检测器，得到第二灰度图像，进而根据第一灰度图像和第二灰度图像之间的差异，具体计算公式可以为：
Lsal＝DKL(Sreal||Sfake)
其中，Sreal是第一灰度图像，Sfake是第二灰度图像，用KL散度DKL(·)衡量两者的分布差异，计算方式为：
(1.3)第二损失函数
第二损失函数Li用于确保第二人脸图像对应的身份与第一人脸图像对应的身份不同，以达到匿名化的效果。第三方可信平台生成第二人脸图像后，可以将第一人脸图像输入人脸特征提取器，进行人脸特征提取，得到第一特征向量，以及将第二人脸图像输入人脸特征提取器，进行人脸特征提取，得到第二特征向量，进而根据第一特征向量和第二特征向量计算欧式距离d，若生成器的模型参数中欧氏距离的阈值为m，则第二损失函数具体计算公式是：
其中，是系数，N是特征向量的维度，max表示取最大值。
如此，第三方可信平台生成第二人脸图像后，可以通过上述方式得到生成器的损失函数L(G)，损失函数L(G)的值越大反映了生成器生成的第二人脸图像与第一人脸图像之间的差值越大，也代表了生成器生成与第一人脸图像相同图像的能力越弱。根据损失函数L(G)的值可以更新生成器的模型参数，从而优化生成器，以提高生成器生成与输入的第一人脸图像相同图像的能力，经过多次人脸图像的训练，可以使生成器尽可能生成与真实人脸数据集相同的人脸图像。
(2)判别器的损失函数
第三方可信平台可以将真实人脸数据集和第二人脸图像输入生成对抗网络模型的判别器，得到真实人脸数据集的判别结果和第二人脸图像的判别结果；进而，根据真实人脸数据集的判别结果和第二人脸图像的判别结果，得到判别器的损失函数L(D)，损失函数L(D)的具体计算公式可以为：
其中，E是期望，x代表真实人脸数据集，x～pdata(x)是真实人脸数据集x服从的概率密度函数,D(x)是判别器判别真实人脸数据是否是真实人脸，判别为真，D(x)是1；判别为假，D(x)为0，z代表随机噪声，z～pz(z)是随机噪声z服从的概率密度函数，G(z)是生成器作用于随机噪声输出的结果，D(G(z))是判别器判别生成器生成的第二人脸图像是否是真实人脸，判别为真，D(G(z))是1；判别为假，D(G(z))为0，b和a是变量，与上述损失函数的对抗损失函数中变量c满足b-c＝1、b-a＝2。
如此，第三方可信平台可以根据判别器的损失函数，更新判别器的模型参数，从而通过大量的真实人脸数据集和第二人脸图像对判别器进行训练，以使判别器能够尽可能准确识别图像是来自真实人脸数据集还是来自生成器生成的人脸图像。
如此，先固定生成器的参数不变，对判别器进行训练，提高判别器的判别能力；接着固定判别器的参数不变，对生成器进行训练；完成生成器的训练后，再次固定生成器的参数不变，对判别器进行训练，不断重复上述过程，直到满足设定的训练次数，则可以认为生成对抗网络模型训练完成，此时生成器生成的人脸图像接近真实人脸图像，判别器有更好的鉴别真假的能力。
本申请实施例通过对标准形式的生成对抗网络模型结构进行改造，增加了显著性检测器和人脸特征提取器，显著性检测器保证了生成器生成的第二人脸图像具有第一人脸图像的显著性特征，人脸特征提取器保证了第二人脸图像对应的身份信息与第一人脸图像对应的身份信息不同。因此，改进的生成对抗网络模型既保留了真实人脸的显著性特征，又去除了真实人脸的身份信息，达到了匿名化效果。
基于上述对人脸图像处理方法的描述，本申请实施例还提供一种人脸图像处理装置。该人脸图像处理装置可以为图1中所示意的第三方可信平台，或者也可以为其它能够实现上述方法流程的装置，具体不做限定。
图4为本申请实施例提供的人脸图像处理装置的一种结构示意图。如图4所示，该装置可以包括：获取模块401、处理模块402和生成模块403。
其中，获取模块401用于获取第一人脸图像，所述第一人脸图像关联身份信息；处理模块402用于根据所述第一人脸图像，得到遮掩所述第一人脸图像五官部位的人脸背景图像和第一灰度图像，所述第一灰度图像用于表征所述第一人脸图像的显著性特征；生成模块403用于根据所述人脸背景图像和所述第一灰度图像，生成第二人脸图像，所述第二人脸图像为匿名化的人脸图像。
在一种可能实现的方式中，所述生成模块403具体用于：将所述人脸背景图像和所述第一灰度图像输入生成对抗网络模型的生成器，生成所述第二人脸图像。
在一种可能实现的方式中，所述处理模块402还用于：根据所述第二人脸图像，得到第二灰度图像，所述第二灰度图像用于表征所述第二人脸图像的显著性特征；根据所述第一灰度图像和所述第二灰度图像之间的差异，得到所述生成器的损失函数；根据所述生成器的损失函数，更新所述生成器的模型参数。
在一种可能实现的方式中，所述处理模块402还用于：对所述第一人脸图像进行人脸特征提取，得到第一特征向量；以及，对所述第二人脸图像进行人脸特征提取，得到第二特征向量；根据所述第一特征向量和所述第二特征向量之间的欧氏距离，得到所述生成器的损失函数；根据所述生成器的损失函数，更新所述生成器的模型参数。
图5为本申请实施例提供的人脸图像处理装置的又一种结构示意图。如图5所示，包括至少一个处理器501，以及与至少一个处理器连接的存储器502，本申请实施例中不限定处理器501与存储器502之间的具体连接介质，图5中处理器501和存储器502之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中，存储器502存储有可被至少一个处理器501执行的指令，该至少一个处理器501通过执行存储器502存储的指令，可以实现上述人脸图像处理方法的步骤。
其中，处理器501是计算机设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据，从而进行资源设置。可选的，处理器501可包括一个或多个处理单元，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。在一些实施例中，处理器501和存储器502可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于相同的技术构思，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得上述方法实施例中的方法实现。
基于相同的技术构思，本申请实施例还提供一种计算机程序产品，包括计算机可读指令，当计算机可读指令被处理器执行时，使得上述方法实施例中的方法实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、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装置。
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装置的制造品，该指令装置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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种人脸图像处理方法，其特征在于，所述方法包括：
获取第一人脸图像，所述第一人脸图像关联身份信息；
根据所述第一人脸图像，得到遮掩所述第一人脸图像五官部位的人脸背景图像和第一灰度图像，所述第一灰度图像用于表征所述第一人脸图像的显著性特征；
根据所述人脸背景图像和所述第一灰度图像，生成第二人脸图像，所述第二人脸图像为匿名化的人脸图像。
2.根据权利要求1所述的方法，其特征在于，根据所述人脸背景图像和所述第一灰度图像，生成第二人脸图像，包括：
将所述人脸背景图像和所述第一灰度图像输入生成对抗网络模型的生成器，生成所述第二人脸图像。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述第二人脸图像，得到第二灰度图像，所述第二灰度图像用于表征所述第二人脸图像的显著性特征；
根据所述第一灰度图像和所述第二灰度图像之间的差异，得到所述生成器的损失函数；
根据所述生成器的损失函数，更新所述生成器的模型参数。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对所述第一人脸图像进行人脸特征提取，得到第一特征向量；以及，对所述第二人脸图像进行人脸特征提取，得到第二特征向量；
根据所述第一特征向量和所述第二特征向量之间的欧氏距离，得到所述生成器的损失函数；
根据所述生成器的损失函数，更新所述生成器的模型参数。
5.一种人脸图像处理装置，其特征在于，所述装置包括：
获取模块，用于获取第一人脸图像，所述第一人脸图像关联身份信息；
处理模块，用于根据所述第一人脸图像，得到遮掩所述第一人脸图像五官部位的人脸背景图像和第一灰度图像，所述第一灰度图像用于表征所述第一人脸图像的显著性特征；
生成模块，用于根据所述人脸背景图像和所述第一灰度图像，生成第二人脸图像，所述第二人脸图像为匿名化的人脸图像。
6.根据权利要求5所述的装置，其特征在于，根据所述人脸背景图像和所述第一灰度图像，生成第二人脸图像，所述生成模块还用于：
将所述人脸背景图像和所述第一灰度图像输入生成对抗网络模型的生成器，生成所述第二人脸图像。
7.根据权利要求6所述的装置，其特征在于，所述处理模块还用于：
根据所述第二人脸图像，得到第二灰度图像，所述第二灰度图像用于表征所述第二人脸图像的显著性特征；
根据所述第一灰度图像和所述第二灰度图像之间的差异，得到所述生成器的损失函数；
根据所述生成器的损失函数，更新所述生成器的模型参数。
8.根据权利要求5所述的装置，其特征在于，所述处理模块还用于：
对所述第一人脸图像进行人脸特征提取，得到第一特征向量；以及，对所述第二人脸图像进行人脸特征提取，得到第二特征向量；
根据所述第一特征向量和所述第二特征向量之间的欧氏距离，得到所述生成器的损失函数；
根据所述生成器的损失函数，更新所述生成器的模型参数。
9.一种人脸图像处理装置，其特征在于，包括：
存储器，用于存储计算机程序或指令；
处理器，用于调用所述存储器中存储的计算机程序或指令，执行如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序或指令，当所述计算机程序或指令被计算机执行时，实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310822929.1A CN117238009A (zh) | 2023-07-05 | 2023-07-05 | 一种人脸图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310822929.1A CN117238009A (zh) | 2023-07-05 | 2023-07-05 | 一种人脸图像处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117238009A true CN117238009A (zh) | 2023-12-15 |
Family
ID=89095517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310822929.1A Pending CN117238009A (zh) | 2023-07-05 | 2023-07-05 | 一种人脸图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238009A (zh) |
-
2023
- 2023-07-05 CN CN202310822929.1A patent/CN117238009A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mirjalili et al. | PrivacyNet: Semi-adversarial networks for multi-attribute face privacy | |
| JP6778247B2 (ja) | 眼球血管および顔認識のための画像および特徴品質、画像強化および特徴抽出、ならびにバイオメトリックシステムのための眼球血管と顔領域および／またはサブ顔領域との融合 | |
| WO2021139324A1 (zh) | 图像识别方法、装置、计算机可读存储介质及电子设备 | |
| US11354797B2 (en) | Method, device, and system for testing an image | |
| CN111611873B (zh) | 人脸替换检测方法及装置、电子设备、计算机存储介质 | |
| JP2023545565A (ja) | 画像検出方法、モデルトレーニング方法、画像検出装置、トレーニング装置、機器及びプログラム | |
| EP4085369A1 (en) | Forgery detection of face image | |
| US20120213422A1 (en) | Face recognition in digital images | |
| CN112419170A (zh) | 遮挡检测模型的训练方法及人脸图像的美化处理方法 | |
| CN111275784B (zh) | 生成图像的方法和装置 | |
| CN111783146B (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
| US10679039B2 (en) | Detecting actions to discourage recognition | |
| CN111339897B (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
| CN112241667A (zh) | 图像检测方法、装置、设备及存储介质 | |
| CN107256543A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| EP4459575A1 (en) | Liveness detection method, device and apparatus, and storage medium | |
| CN113496215B (zh) | 一种活体人脸检测的方法、装置及电子设备 | |
| Agarwal et al. | Manipulating faces for identity theft via morphing and deepfake: Digital privacy | |
| Fourati et al. | Face anti-spoofing with image quality assessment | |
| CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
| KR20160080483A (ko) | 랜덤 포레스트를 이용한 성별인식 방법 | |
| Emeršič et al. | Towards accessories-aware ear recognition | |
| CN117238009A (zh) | 一种人脸图像处理方法及装置 | |
| US10438061B2 (en) | Adaptive quantization method for iris image encoding | |
| CN113657197A (zh) | 图像识别方法、图像识别模型的训练方法以及相关装置 |
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 |