CN117649695A - 一种人脸图像生成方法、装置、设备及存储介质 - Google Patents
一种人脸图像生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117649695A CN117649695A CN202410122713.9A CN202410122713A CN117649695A CN 117649695 A CN117649695 A CN 117649695A CN 202410122713 A CN202410122713 A CN 202410122713A CN 117649695 A CN117649695 A CN 117649695A
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- initial
- abnormal state
- image generation
- 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 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 281
- 238000012549 training Methods 0.000 claims abstract description 138
- 238000012360 testing method Methods 0.000 claims abstract description 87
- 238000013145 classification model Methods 0.000 claims abstract description 67
- 230000005856 abnormality Effects 0.000 claims abstract description 48
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 6
- 230000005808 skin problem Effects 0.000 abstract description 20
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 15
- 238000003062 neural network model Methods 0.000 description 14
- 230000001815 facial effect Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003042 antagnostic effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 208000002874 Acne Vulgaris Diseases 0.000 description 3
- 206010000496 acne Diseases 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000020154 Acnes Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 201000004624 Dermatitis Diseases 0.000 description 1
- 208000006981 Skin Abnormalities Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种人脸图像生成方法、装置、设备及存储介质,包括:获取至少两个初始人脸图像集,并根据各初始人脸图像集构建对应的初始人脸训练样本集;通过各初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型;基于各人脸图像生成模型分别生成与各异常状态等级对应的异常状态人脸数据集,并根据各异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型;通过预获取的人脸异常分类测试集对人脸异常分类模型进行测试,根据测试结果确定与各异常状态等级对应的目标人脸图像生成模型。提升了生成人脸图像的真实性,以及生成人脸图像中可包含的皮肤问题类型。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种人脸图像生成方法、装置、设备及存储介质。
背景技术
皮肤问题常发生于不同年龄和不同文化的人群中,皮肤问题可由多种因素引起,如饮食、激素、病毒及细菌等,基于此所导致的各种各样的皮肤状态异常,如痘痘和湿疹等均会使得人脸图像中呈现不同的异常状态。
目前,深度学习算法在不同领域已得到了广泛的应用,且已被证明在许多图像分类任务中产生很好的识别结果。在针对皮肤问题的识别中,可通过深度学习算法帮助分类彼此高度相似的皮肤异常状态。
然而,针对皮肤问题进行分类的深度学习模型需要通过大量特定种类数据集训练得到,在收集训练所需的数据集时,常受到公共数据集不完善、皮肤问题类型不全,以及真实人脸中各类皮肤问题划分不清等问题的影响,使得训练所得的深度学习模型在皮肤异常状态分类上表现不佳。
发明内容
本申请提供了一种人脸图像生成方法、装置、设备及存储介质,能够为用于进行皮肤问题分类的神经网络模型提供不会面临隐私问题的训练数据集,且能够使得生成的训练数据集中包含逼真可信的多种皮肤异常状态,提升了所生成人脸图像的真实性,进而使得依据所生成人脸图像训练所得的神经网络模型可满足对皮肤问题分类的准确性需求。
第一方面,本申请实施例提供了一种人脸图像生成方法,包括:
获取至少两个初始人脸图像集,并根据各初始人脸图像集构建对应的初始人脸训练样本集;其中,各初始人脸图像集所对应的异常状态等级不同;
通过各初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型;
基于各人脸图像生成模型分别生成与各异常状态等级对应的异常状态人脸数据集,并根据各异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型;
通过预获取的人脸异常分类测试集对人脸异常分类模型进行测试,根据测试结果确定与各异常状态等级对应的目标人脸图像生成模型;
将每个目标人脸图像生成模型生成的图像,确定为对应异常状态等级的目标异常等级人脸图像。
第二方面,本申请实施例提供了一种人脸图像生成装置,包括:
初始训练集构建模块,用于获取至少两个初始人脸图像集,并根据各初始人脸图像集构建对应的初始人脸训练样本集;其中,各初始人脸图像集所对应的异常状态等级不同;
生成模型确定模块,用于通过各初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型;
分类模型生成模块,用于基于各人脸图像生成模型分别生成与各异常状态等级对应的异常状态人脸数据集,并根据各异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型;
目标模型确定模块,用于通过预获取的人脸异常分类测试集对人脸异常分类模型进行测试,根据测试结果确定与各异常状态等级对应的目标人脸图像生成模型;
目标图像生成模块,用于将每个目标人脸图像生成模型生成的图像,确定为对应异常状态等级的目标异常等级人脸图像。
第三方面,本申请实施例还提供了一种人脸图像生成设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本申请实施例提供的人脸图像生成方法。
第四方面,本申请实施例还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行本申请实施例提供的人脸图像生成方法。
本申请实施例提供的一种人脸图像生成方法、装置、设备及存储介质,通过获取至少两个初始人脸图像集,并根据各初始人脸图像集构建对应的初始人脸训练样本集;其中,各初始人脸图像集所对应的异常状态等级不同;通过各初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型;基于各人脸图像生成模型分别生成与各异常状态等级对应的异常状态人脸数据集,并根据各异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型;通过预获取的人脸异常分类测试集对人脸异常分类模型进行测试,根据测试结果确定与各异常状态等级对应的目标人脸图像生成模型;将每个目标人脸图像生成模型生成的图像,确定为对应异常状态等级的目标异常等级人脸图像。通过采用上述技术方案,在通过不同异常状态等级的初始人脸图像集完成对应异常状态等级的人脸图像生成模型训练后,通过训练完毕的人脸图像生成模型所生成的异常状态人脸数据集和健康状态人脸数据集共同完成人脸异常分类模型的训练,以依据人脸异常分类模型的人脸异常状态分类能力,确定各人脸图像生成模型所生成的人脸图像是否贴近存在异常状态的真实人脸图像,进而最终得到在每个异常状态等级下可输出与真实人脸近似程度最高的目标人脸图像生成模型,并通过各目标人脸图像生成模型在不同异常状态等级下,生成不存在隐私问题的具有异常的人脸图像,提升了生成人脸图像的真实性,以及生成人脸图像中可包含的皮肤问题类型,进而使得依据所生成“假”人脸图像训练所得的神经网络模型可满足对皮肤问题进行分类的准确性需求。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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
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为本申请一个实施例提供的一种人脸图像生成方法的流程图;
图2为本申请一个实施例提供的一种根据各初始人脸图像集构建对应的初始人脸训练样本集的流程示例图;
图3为本申请另一实施例提供的一种人脸图像生成方法的流程图;
图4为本申请一个实施例提供的一种目标人脸图像生成模型中生成网络的结构示例图;
图5为本申请一个实施例提供的一种目标人脸图像生成模型中判别网络的结构示例图;
图6为本申请一个实施例提供的一种下采样模块的结构示例图;
图7为本申请一个实施例提供的一种下采样残差模块的结构示例图;
图8为本申请一个实施例提供的一种上采样模块的结构示例图;
图9为本申请一个实施例提供的一种上采样残差模块的结构示例图;
图10为本申请一个实施例提供的一种人脸图像生成装置的结构示意图;
图11为本申请一个实施例提供的一种人脸图像生成设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本申请一个实施例提供的一种人脸图像生成方法的流程图,本申请实施例可适用于对具有异常状态的人脸面部图像进行生成的情况,该方法可以由人脸图像生成装置来执行,该人脸图像生成装置可以由软件和/或硬件来实现,该人脸图像生成装置可以配置在人脸图像生成设备中。可选的,人脸图像生成设备可以是电子设备,该电子设备可以为笔记本、台式计算机及智能平板等,本申请实施例对此不进行限制。
如图1所示,本申请实施例提供的一种人脸图像生成方法,具体包括如下步骤:
S101、获取至少两个初始人脸图像集,并根据各初始人脸图像集构建对应的初始人脸训练样本集。
其中,各初始人脸图像集所对应的异常状态等级不同。
在本实施例中,初始人脸图像集具体可理解为由多种合规来源途径收集得到的,具有皮肤问题的人脸图像的集合,示例性的,皮肤问题可为痘痘等,也即本申请中所获取的每个初始人脸图像均为具有痘痘的人脸图像,根据皮肤问题的不同,可获取不同种类的初始人脸图像,本申请实施例对此不进行限制。异常状态等级具体可理解为初始人脸图像中所包含皮肤问题的严重程度,可以理解的是,异常状态等级可根据实际情况预先进行设置和划分得到,本申请实施例中对异常状态等级的划分方式不做限定。初始人脸训练样本集具体可理解为用于对进行包含异常状态的人脸图像生成模型进行训练的初始人脸训练样本所构成的集合,其中,初始人脸训练样本具体可理解为由经预处理后的初始人脸图像,以及以对应异常状态等级作为标签所构成的样本。
具体的,在需要进行包含异常状态的人脸进行生成前,需要首先训练得到用于进行不同严重程度,也即不同异常状态等级的人脸图像进行生成的模型。为实现模型的准确训练,可由不同合规途径收集各种包含面部异常问题的人脸图像作为初始人脸图像,并依据异常问题的严重程度将各初始人脸图像划分为不同的异常状态等级,将同一异常状态等级的各初始人脸图像放入同一集合,得到至少两个初始人脸图像集。进而将各初始人脸图像集中所包含的初始人脸图像进行处理,使其符合对进行包含异常状态的人脸图像生成模型进行训练输入的需求,并将各初始人脸图像对应的异常状态等级作为其对应的标签,生成与各初始人脸图像对应的初始人脸训练样本,并根据各初始人脸训练样本与初始人脸图像间的对应关系,得到每个初始人脸图像集对应的初始人脸训练样本集。
可选的,图2为本申请一个实施例提供的一种根据各初始人脸图像集构建对应的初始人脸训练样本集的流程示例图,如图2所示,具体包括如下步骤:
S1011、针对每个初始人脸图像集,将初始人脸图像集中的初始人脸图像调整至预设图像分辨率,生成对应的初始调整图像集。
在本实施例中,预设图像分辨率具体可理解为根据所需训练得到的,用于进行包含异常状态人脸图像生成的模型的输入需求确定的,模型所需输入图像的分辨率大小,可选的,预设图像分辨率可为512×512,本申请实施例对此不进行限制。
具体的,为使得收集得到的各初始人脸图像符合对进行包含异常状态的人脸图像生成模型进行训练输入的需求,可将各初始人脸图像调整至与输入需求对应的预设图像分辨率,并将调整后的初始人脸图像确定为初始调整图像,也即可得到与每个初始人脸图像集对应的初始调整图像集。
示例性的,若获取到的初始人脸图像过大,则可通过简单的下采样将其调整为预设图像分辨率;若获取到的初始人脸图像分辨率较低,则需对其进行放大处理,以将其调整为预设图像分辨率。
S1012、将初始人脸图像集对应的异常状态等级作为初始调整图像集的标签,构建与初始人脸图像集对应的初始人脸训练样本集。
具体的,将初始人脸图像集所对应的异常状态等级,作为该初始人脸图像集对应初始调整图像集中每个初始调整图像的标签,也即将一个初始调整图像与标签整体作为一个初始人脸训练样本,在完成各初始人脸训练样本的确定后,将包含同一标签的初始人脸训练样本构成的集合,确定为与该标签所包含异常状态等级对应初始人脸图像集对应的初始人脸训练样本集。
S102、通过各初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型。
在本实施例中,初始人脸图像生成模型具体可理解为未对权重参数进行调整的,用于进行包含固定异常状态等级面部问题的人脸图像进行生成的神经网络模型。可选的,初始人脸图像生成模型可为生成对抗神经网络模型,本申请实施例中的初始人脸训练样本集可为输入至生成对抗神经网络模型中判别网络中,以作为生成对抗神经网络模型中生成网络所生成图像相对样本,以便生成对抗神经网络模型中两个网络完成相互竞争以调整各网络权重参数的样本集合。
具体的,针对每个初始人脸训练样本集,采用相同初始人脸图像生成模型中的生成网络进行人脸图像的初步生成,并将生成所得的人脸图像和初始人脸训练样本集共同作为初始人脸图像生成模型中判别网络的输入,根据判别网络的输出完成对初始人脸图像生成模型中各神经网络层权重参数的调整,使得生成网络所生成人脸图像更加接近真实,而判别网络针对以假乱真的人脸图像判别结果更加准确,直到将生成网络和判别网络均调整到满足收敛条件时,得到与异常状态等级对应的人脸图像生成模型。
可以理解的是,本申请实施例中是基于初始人脸训练样本集的异常状态等级不同,使得经其训练所得的人脸图像生成模型所生成人脸图像中包含面部问题的严重程度,与初始人脸训练样本集中的异常状态等级一致,进以完成不同异常状态等级的人脸图像生成模型的训练的。
S103、基于各人脸图像生成模型分别生成与各异常状态等级对应的异常状态人脸数据集,并根据各异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型。
在本实施例中,异常状态人脸数据集具体可理解为由人脸图像生成模型生成的,包含对应异常状态等级面部问题的人脸图像数据的集合。健康状态人脸数据集具体可理解为不存在面部问题的真实人脸数据集。人脸异常分类模型具体可理解为用以对输入人脸图像,依据面部问题严重程度进行异常状态等级划分的神经网络模型。
具体的,通过向各训练完毕的人脸图像生成模型中输入噪声图像,即可得到包含对应异常状态等级面部问题的异常状态人脸数据,将各人脸图像生成模型输出的异常状态人脸数据的集合确定为对应异常状态等级的异常状态人脸数据集,将各异常状态等级作为对应异常状态人脸数据集的标签,同理对获取到的健康状态人脸数据集添加标签,以上述异常状态人脸数据集和健康状态人脸数据集及对应标签为基础训练一个分类模型,将训练完毕的模型确定为人脸异常分类模型。
S104、通过预获取的人脸异常分类测试集对人脸异常分类模型进行测试,根据测试结果确定与各异常状态等级对应的目标人脸图像生成模型。
在本实施例中,人脸异常分类测试集具体可理解为用于对人脸异常分类模型进行分类结果准确性测试的,包含有真实人脸图像和正确异常状态等级分类结果的数据集合。目标人脸图像生成模型具体可理解为所生成人脸图像的真实程度满足实际需求的人脸图像生成模型。
具体的,通过预先获取包含面部问题的真实人脸图像,并由专业人员对其所对应的异常状态等级进行评估,依据评估结果构建人脸异常分类测试集。通过将人脸异常分类测试集中的人脸图像输入至人脸异常分类模型,并将分类模型的输出结果与对应的异常状态等级进行比对,即可根据比对结果确定人脸异常分类模型针对输入人脸图像的分类准确率,并依据分类准确率确定各人脸图像生成模型所生成人脸图像与真实图像是否近似的测试结果,进而可依据测试结果将各异常状态等级所对应的,满足真实人脸生成需求的人脸图像生成模型确定为目标人脸图像生成模型。
S105、将每个目标人脸图像生成模型生成的图像,确定为对应异常状态等级的目标异常等级人脸图像。
具体的,在需要生成包含面部问题的人脸图像时,可根据所需生成人脸图像所需包含面部问题的异常状态等级选择对应的目标人脸图像生成模型,并通过向目标人脸图像生成模型中输入随机噪声图像的方式,生成对应异常状态等级的目标异常等级人脸图像。
本实施例的技术方案,通过获取至少两个初始人脸图像集,并根据各初始人脸图像集构建对应的初始人脸训练样本集;其中,各初始人脸图像集所对应的异常状态等级不同;通过各初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型;基于各人脸图像生成模型分别生成与各异常状态等级对应的异常状态人脸数据集,并根据各异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型;通过预获取的人脸异常分类测试集对人脸异常分类模型进行测试,根据测试结果确定与各异常状态等级对应的目标人脸图像生成模型;将每个目标人脸图像生成模型生成的图像,确定为对应异常状态等级的目标异常等级人脸图像。通过采用上述技术方案,在通过不同异常状态等级的初始人脸图像集完成对应异常状态等级的人脸图像生成模型训练后,通过训练完毕的人脸图像生成模型所生成的异常状态人脸数据集和健康状态人脸数据集共同完成人脸异常分类模型的训练,以依据人脸异常分类模型的人脸异常状态分类能力,确定各人脸图像生成模型所生成的人脸图像是否贴近存在异常状态的真实人脸图像,进而最终得到在每个异常状态等级下可输出与真实人脸近似程度最高的目标人脸图像生成模型,并通过各目标人脸图像生成模型在不同异常状态等级下,生成不存在隐私问题的具有异常的人脸图像,提升了生成人脸图像的真实性,以及生成人脸图像中可包含的皮肤问题类型,进而使得依据所生成“假”人脸图像训练所得的神经网络模型可满足对皮肤问题进行分类的准确性需求。
图3为本申请另一实施例提供的一种人脸图像生成方法的流程图,本申请实施例在上述各可选技术方案的基础上进一步优化,通过向初始人脸图像生成模型的生成网络中输入随机噪声图像,使得生成网络完成初始模拟人脸图像的生成,进而将初始模拟人脸图像和初始人脸训练样本集共同作为初始人脸图像生成模型的判别网络的输入,并基于判别网络生成的判别结果对生成网络和判别网络中的权重参数进行调整,在提升判别网络针对真假人脸区分能力的同时,以相互竞争的方式使得生成网络所生成模拟人脸图像更加接近真实人脸图像,进而在生成网络和判别网络均满足预设收敛条件时,得到于初始人脸训练样本集的异常状态等级相对应的人脸图像生成模型。同时为了避免单纯依赖收敛条件确定的人脸图像生成模型生成效果难以满足实际场景下相近面部问题的区分需求,本申请实施例中通过分别向各训练完毕的人脸图像生成模型中输入预设数量的随机噪声图像,使得各人脸图像生成模型生成对应异常状态等级的异常状态人脸数据集,进而依据不同异常状态等级的异常状态人脸数据集和预获取的健康状态人脸数据集训练一个用于对人脸异常状态等级进行分类的人脸异常分类模型,通过预获取的人脸异常分类测试集完成对人脸异常分类模型分类能力的测试。基于测试准确率反向确定人脸图像生成模型所生成异常状态人脸数据与真实存在面部问题人脸图像的相似度,以及在实际生成匿名数据集场景下的可用性,依据测试结果完成对各异常状态等级对应人脸图像生成模型的调整,直到得到满足生成图像真实性需求的目标人脸图像生成模型,并将各目标人脸图像生成模型的输出确定为对应异常状态等级的目标异常等级人脸图像,使得所生成不存在隐私问题且具有不同异常状态等级面部问题的目标异常等级人脸图像的真实性更高,进而使得依据所生成人脸图像训练所得的神经网络模型可满足对皮肤问题进行分类的准确性需求。
如图3所示,本申请实施例提供的一种人脸图像生成方法,具体包括如下步骤:
S201、获取至少两个初始人脸图像集,并根据各初始人脸图像集构建对应的初始人脸训练样本集。
其中,各初始人脸图像集所对应的异常状态等级不同。
S202、针对每个初始人脸训练样本集,将随机噪声图像输入至初始人脸图像生成模型中的生成网络中,生成初始模拟人脸图像。
在本实施例中,初始模拟人脸图像具体可理解为由初始人脸图像生成模型中的生成网络,基于输入的随机噪声图像进行与现存样本不同图像生成所得到的人脸图像。
具体的,针对每个初始人脸训练样本集为其匹配对应的初始人脸图像生成模型,初始人脸图像生成模型可为包含生成网络和判别网络的生成对抗神经网络模型,在对其进行训练时将向初始人脸图像生成模型中的生成网络输入随机噪声图像,并由生成网络基于随机噪声图像进行与现存样本不同图像的生成,得到初始模拟人脸图像。
可选的,在将随机噪声图像输入至初始人脸图像生成模型中的生成网络之前,还包括:
通过预收集的合规人脸图像数据对生成对抗模型进行预训练,确定初始人脸图像生成模型。
示例性的,可预先通过合法合规途径收集大规模的人脸图像对一个未经参数调整的生成对抗模型进行预训练,使得生成对抗模型具有初步针对人脸图像的生成能力,并将预训练完成的生成对抗模型作为初始人脸图像生成模型。可以理解的是,由于收集到的人脸图像为合规途径获取的,不存在隐私等法律问题的图像数据,故本申请中对生成对抗模型的预训练符合法律要求,同时通过对生成对抗模型进行一定程度的初步训练得到初始人脸图像生成模型,降低了对初始人脸图像生成模型训练时所需的样本数量和训练时间,提升了本申请中针对人脸图像生成模型训练的训练效率。
S203、将初始模拟人脸图像和初始人脸训练样本集输入至初始人脸图像生成模型中的判别网络中,生成判别结果。
具体的,将初始模拟人脸图像和初始人脸训练样本集输入至初始人脸图像生成模型的判别网络中,通过判别网络对输入其中的初始模拟人脸图像和初始人脸训练样本中包含的图像进行真假判别,得到对应的判别结果。
可以理解的是,若判别网络完全识别准确,则应将初始模拟人脸图像均做假判别,将初始人脸训练样本均做真判别,本申请实施例中是通过判别结果中存在的判别错误反向实现针对生成网络和判别网络的训练的。
S204、根据判别网络输出的判别结果对初始人脸图像生成模型进行训练,直到生成网络和判别网络均满足预设收敛条件时,将训练完成的初始人脸图像生成模型确定为与初始人脸训练样本集的异常状态等级相对应的人脸图像生成模型。
在本实施例中,预设收敛条件具体可理解为根据实际情况预先确定的,用以确定生成网络和判别网络的损失函数是否处于收敛状态的条件。
具体的,根据判别网络输出的判别结果与实际输入图像的真假状态进行比对,即可确定判别结果是否判别正确,由于生成网络希望其所述生成的模拟人脸图像可被判别网络判别为真,故可以判别结果为真的图像作为模板,确定生成网络的损失函数;由于判别网络希望能对输入其中的图像进行正确的真假识别,故可依据正确的判别结果确定判别网络的损失函数。进而利用反向传播的原理降低生成网络和判别网络的损失,直到生成网络和判别网络均满足预设收敛条件时,认为初始人脸图像生成模型被训练完成,将所得模型确定为与初始人脸训练样本集的异常状态等级相对应的人脸图像生成模型。
S205、分别向各人脸图像生成模型输入预设数量的随机噪声图像,将每个人脸图像生成模型所输出异常状态人脸图像构成的集合,确定为人脸图像生成模型对应异常状态等级的异常状态人脸数据集。
具体的,在各人脸图像生成模型被训练完成后,可分别向各人脸图像生成模型中输入相同的,预设数量的随机噪声图像,使得每个人脸图像生成模型均可输出预设数量个对应异常状态等级的异常状态人脸图像,进而将每个异常状态等级对应的异常状态人脸图像构成集合,确定为对应的异常状态人脸数据集,也即每个异常状态人脸数据集中包含预设数量的异常状态人脸图像。
S206、将异常状态等级作为对应异常状态人脸数据集的标签,将无异常状态作为预获取的健康状态人脸数据集的标签,构建异常分类训练样本集。
具体的,将异常状态人脸数据集所对应异常状态等级,作为其中所包含每个异常状态人脸图像的标签,共同作为一个异常分类训练样本;同理,将无异常状态作为预获取健康状态人脸数据集中每个健康状态人脸图像的标签,共同作为一个异常分类训练样本,将各异常分类训练样本构成的集合确定为异常分类训练样本集。
可选的,各异常状态人脸数据集和健康状态人脸数据集中包含的数据个数可相同,以所需生成异常状态人脸图像中包含的面部问题为痘痘为例,可分别由异常状态等级为轻度、中度、重度和非常严重的四个人脸图像生成模型生成1000个异常状态人脸图像,进而针对每个异常状态等级可得到以其为标签的,1000个异常分类训练样本。同时可由合规渠道获取1000个不包含痘痘的健康状态人脸图像,以无异常状态对每个健康状态人脸图像进行打标,得到标签为无异常状态的1000个异常分类训练样本,将上述异常分类训练样本的集合确定为异常分类训练样本集。
S207、通过异常分类训练样本集对初始人脸异常分类模型进行训练,得到人脸异常分类模型。
在本实施例中,初始人脸异常分类模型具体可理解为未对权重参数进行调整的,用以对输入人脸图像,依据面部问题严重程度进行异常状态等级划分的神经网络模型。可选的,初始人脸异常分类模型可为具有分类功能的任意类型神经网络模型,如ResNet架构下的神经网络模型,本申请实施例中可采用res2net50d模型作为初始人脸异常分类模型,本申请实施例对此不进行限制。
具体的,将异常分类训练样本集中每个异常分类训练样本的人脸图像输入至初步人脸异常分类模型,根据初步人脸异常分类模型的输出和各异常分类训练样本的标签构建损失函数,基于损失函数调整初步人脸异常分类模型中各神经网络层的权重值直到其满足预设收敛条件,得到训练完毕的人脸异常分类模型。
S208、将预获取的人脸异常分类测试集输入至人脸异常分类模型,并将人脸异常分类模型的输出确定为测试分类结果。
具体的,将预获取的人脸异常分类测试集中的每个人脸异常分类测试图像输入至人脸异常分类模型,将人脸异常分类模型针对每个人脸异常分类测试图像输出的异常状态分级情况确定为其对应的测试分类结果。
S209、根据测试分类结果和人脸异常分类测试集确定分类准确率。
具体的,由于人脸异常分类测试集中的每个人脸异常分类测试图像,均已由专业人员评估异常状态等级,故可将每个人脸异常分类测试图像的异常状态等级与其对应测试分类结果进行比较,也即确定人脸异常分类模型针对该人脸异常分类测试图像是否分类准确,进而将人脸异常分类测试集中被准确分类的人脸异常分类测试图像数量,与人脸异常分类测试集中的样本总数量之比,确定为人脸异常分类模型针对人脸异常分类测试集的分类准确率。
S210、判断分类准确率是否大于预设准确率阈值,若是,则执行S211;若否,则执行S214。
在本实施例中,预设准确率阈值具体可理解为根据实际情况预先设置的,用以对人脸异常分类模型分类准确性是否满足需求进行确定的准确率阈值。
具体的,通过判断分类准确率是否大于预设准确率阈值,确定基于模拟得到包含面部问题的异常状态人脸数据,是否可以训练得到满足针对真实人脸面部问题分类的人脸异常分类模型,也即确定训练得到的人脸图像生成模型是否能够进行真实度足够高的人脸图像生成。若是,则可认为各异常状态等级所对应人脸图像生成模型所生成图像的真实度已足够高,此时执行S211;否则,可认为各异常状态等级所对应人脸图像生成模型中存在生成图像真实度不足的人脸图像生成模型,此时执行S214。
S211、将测试结果确定为通过。
S212、将各人脸图像生成模型确定为对应异常状态等级的目标人脸图像生成模型。
具体的,在测试结果确定为通过时,可认为各人脸图像生成模型可被直接用于对应异常状态等级人脸图像的生成,此时将其确定为对应异常状态等级的目标人脸图像生成模型。
S213、将每个目标人脸图像生成模型生成的图像,确定为对应异常状态等级的目标异常等级人脸图像。
S214、将测试结果确定为不通过。
S215、根据各测试分类结果调整初始人脸图像生成模型的结构,得到新的初始人脸图像生成模型,并返回执行S202。
具体的,在测试结果确定为不通过时,可根据各测试分类结果确定哪个异常状态等级的人脸图像生成模型难以满足生成图像真实性的要求,或者各异常状态等级的人脸图像生成模型在所生成人脸图像中具有何种共性的,使其难以满足生成图像真实性要求的问题。可将上述问题以报告等形式向调试人脸图像生成模型对应的工作人员进行反馈,接收工作人员针对报告问题的调整操作,以对初始人脸图像生成模型的结构进行调整,得到新的初始人脸图像生成模型,并返回执行S202及其之后的步骤,直到满足生成图像真实性要求的目标人脸图像生成模型为止。或可基于预配置的问题处置表对上述问题进行查表,确定针对上述问题需对人脸图像生成模型进行结构调整的方式,如增加标准模块以增加模型网络深度等,得到新的初始人脸图像生成模型,并返回执行S202及其之后的步骤,直到满足生成图像真实性要求的目标人脸图像生成模型为止。
示例性的,在采用上述人脸图像生成方法对初始人脸图像生成模型进行结构调整后,最终可得到满足生成图像真实性需求的目标人脸图像生成模型,目标人脸图像生成模型中包含一个生成网络和一个判别网络。
图4为本申请一个实施例提供的一种目标人脸图像生成模型中生成网络的结构示例图,如图4所示,该生成网络由输入层、1×1卷积层、5个下采样模块、1个标准模块、5个上采样模块和1×1卷积层顺次连接而成。以输入层接收维度为512×512×3的随机噪声图像输入为例;1×1卷积层将增加特征图数以增加网络宽度,输出512×512×64的特征图;5个下采样模块依次对512×512×64的特征图进行下采样,得到16×16×512的特征图;标注模块不改变特征图的维度,用以加深生成网络的网络深度;5个上采样模块依次对标准模块输出的16×16×512的特征图进行上采样,得到512×512×64的特征图;1×1卷积层减少特征图数,输出512×512×3的模拟人脸图像。
图5为本申请一个实施例提供的一种目标人脸图像生成模型中判别网络的结构示例图,如图5所示,该判别网络由输入层、1×1卷积层、5个下采样模块、1个标准模块、2个下采样模块、4×4卷积层、激活函数层、重塑张量形状Reshape层和输出层。图4中输出的512×512×3的模拟人脸图像和初始人脸训练样本集将被输入判别网络的输入层中;1×1卷积层将增加特征图数以增加网络宽度,输出512×512×64的特征图;5个下采样模块依次对512×512×64的特征图进行下采样,得到16×16×512的特征图;标注模块不改变特征图的维度,用以加深生成网络的网络深度;2个下采样模块依次对16×16×512的特征图进行下采样,得到4×4×512的特征图;4×4卷积层对4×4×512的特征图进行下采样,输出1×1×512的特征图;激活函数层增加判别网络的非线性能力;Reshape层对1×1×512的特征图进行张量重塑,输出512的特征向量;输出层为用于进行真假判定的神经元,用以输出真假作为判别网络的输出结果。
可选的,上述生成网络和判别网络中的下采样模块结构相同,图6为本申请一个实施例提供的一种下采样模块的结构示例图。如图6所示,下采样模块包括下采样残差模块和实例归一化(InstanceNorm,IN)模块。其中,下采样残差模块的输入为上一阶段提取的特征图。可以理解的是,实例归一化是对每个样本沿着通道方向独立对各个通道进行计算,其不需要计算整个批次的均值和方差,只关注当前样本实例的统计信息,实例归一化模块在处理较小的批次或者单个样本时更加适用,且由于其中保留了每个样本独特的统计信息,有助于保持图像特征的多样性和丰富性。图7为本申请一个实施例提供的一种下采样残差模块的结构示例图。如图7所示,下采样残差模块包括主分支和跳跃连接分支,其主分支中包含顺次连接的实例归一化层、激活函数层、卷积层、平均池化层、实例归一化层、激活函数层和卷积层;其跳跃连接分支包括顺次连接的激活函数层、卷积层和平均池化层。主分支和跳跃连接分支的输入均为上一阶段提取的特征,下采样残差模块的输出为主分支和跳跃连接分支输出之和。
可选的,上述生成网络和判别网络的上采样模块结构相同,图8为本申请一个实施例提供的一种上采样模块的结构示例图。如图8所示,上采样模块包括上采样残差模块和自适应实例归一化(Adaptive Instance Normalization,AdaIN)模块。其中,上采样残差模块的输入为上一阶段提取的特征图。图9为本申请一个实施例提供的一种上采样残差模块的结构示例图。如图9所示,上采样残差模块包括主分支和跳跃连接分支,其主分支中包含顺次连接的自适应实例归一化层、激活函数层、最近邻插值上采样层、卷积层、自适应实例归一化层、激活函数层和卷积层;其跳跃连接分支包括顺次连接的自适应实例归一化层和卷积层。主分支和跳跃连接分支的输入均为上一阶段提取的特征,上采样残差模块的输出为主分支和跳跃连接分支输出之和。
本实施例的技术方案,通过向初始人脸图像生成模型的生成网络中输入随机噪声图像,使得生成网络完成初始模拟人脸图像的生成,进而将初始模拟人脸图像和初始人脸训练样本集共同作为初始人脸图像生成模型的判别网络的输入,并基于判别网络生成的判别结果对生成网络和判别网络中的权重参数进行调整,在提升判别网络针对真假人脸区分能力的同时,以相互竞争的方式使得生成网络所生成模拟人脸图像更加接近真实人脸图像,进而在生成网络和判别网络均满足预设收敛条件时,得到于初始人脸训练样本集的异常状态等级相对应的人脸图像生成模型。同时为了避免单纯依赖收敛条件确定的人脸图像生成模型生成效果难以满足实际场景下相近面部问题的区分需求,本申请实施例中通过分别向各训练完毕的人脸图像生成模型中输入预设数量的随机噪声图像,使得各人脸图像生成模型生成对应异常状态等级的异常状态人脸数据集,进而依据不同异常状态等级的异常状态人脸数据集和预获取的健康状态人脸数据集训练一个用于对人脸异常状态等级进行分类的人脸异常分类模型,通过预获取的人脸异常分类测试集完成对人脸异常分类模型分类能力的测试。基于测试准确率反向确定人脸图像生成模型所生成异常状态人脸数据与真实存在面部问题人脸图像的相似度,以及在实际生成匿名数据集场景下的可用性,依据测试结果完成对各异常状态等级对应人脸图像生成模型的调整,直到得到满足生成图像真实性需求的目标人脸图像生成模型,并将各目标人脸图像生成模型的输出确定为对应异常状态等级的目标异常等级人脸图像,使得所生成不存在隐私问题且具有不同异常状态等级面部问题的目标异常等级人脸图像的真实性更高,进而使得依据所生成人脸图像训练所得的神经网络模型可满足对皮肤问题进行分类的准确性需求。
图10为本申请一个实施例提供的一种人脸图像生成装置的结构示意图,如图10所示,人脸图像生成装置包括初始训练集构建模块31,生成模型确定模块32,分类模型生成模块33,目标模型确定模块34和目标图像生成模块35。
其中,初始训练集构建模块31,用于获取至少两个初始人脸图像集,并根据各初始人脸图像集构建对应的初始人脸训练样本集;其中,各初始人脸图像集所对应的异常状态等级不同;生成模型确定模块32,用于通过各初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型;分类模型生成模块33,用于基于各人脸图像生成模型分别生成与各异常状态等级对应的异常状态人脸数据集,并根据各异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型;目标模型确定模块34,用于通过预获取的人脸异常分类测试集对人脸异常分类模型进行测试,根据测试结果确定与各异常状态等级对应的目标人脸图像生成模型;目标图像生成模块35,用于将每个目标人脸图像生成模型生成的图像,确定为对应异常状态等级的目标异常等级人脸图像。
本申请实施例的技术方案,在通过不同异常状态等级的初始人脸图像集完成对应异常状态等级的人脸图像生成模型训练后,通过训练完毕的人脸图像生成模型所生成的异常状态人脸数据集和健康状态人脸数据集共同完成人脸异常分类模型的训练,以依据人脸异常分类模型的人脸异常状态分类能力,确定各人脸图像生成模型所生成的人脸图像是否贴近存在异常状态的真实人脸图像,进而最终得到在每个异常状态等级下可输出与真实人脸近似程度最高的目标人脸图像生成模型,并通过各目标人脸图像生成模型在不同异常状态等级下,生成不存在隐私问题的具有异常的人脸图像,提升了生成人脸图像的真实性,以及生成人脸图像中可包含的皮肤问题类型,进而使得依据所生成人脸图像训练所得的神经网络模型可满足对皮肤问题进行分类的准确性需求。
可选的,初始训练集构建模块31,具体用于:获取至少两个初始人脸图像集,针对每个初始人脸图像集,将初始人脸图像集中的初始人脸图像调整至预设图像分辨率,生成对应的初始调整图像集;将初始人脸图像集对应的异常状态等级作为初始调整图像集的标签,构建与初始人脸图像集对应的初始人脸训练样本集。
可选的,生成模型确定模块32,包括:
模拟图像生成单元,用于针对每个初始人脸训练样本集,将随机噪声图像输入至初始人脸图像生成模型中的生成网络中,生成初始模拟人脸图像;
判别结果生成单元,用于将初始模拟人脸图像和初始人脸训练样本集输入至初始人脸图像生成模型中的判别网络中,生成判别结果;
生成模型确定单元,用于根据判别网络输出的判别结果对初始人脸图像生成模型进行训练,直到生成网络和判别网络均满足预设收敛条件时,将训练完成的初始人脸图像生成模型确定为与初始人脸训练样本集的异常状态等级相对应的人脸图像生成模型。
可选的,生成模型确定模块32,还用于:在通过各初始人脸训练样本集分别对初始人脸图像生成模型进行训练之前,通过预收集的合规人脸图像数据对生成对抗模型进行预训练,确定初始人脸图像生成模型。
可选的,分类模型生成模块33,包括:
异常数据集确定单元,用于分别向各人脸图像生成模型输入预设数量的随机噪声图像,将每个人脸图像生成模型所输出异常状态人脸图像构成的集合,确定为人脸图像生成模型对应异常状态等级的异常状态人脸数据集;
样本集构建单元,用于将异常状态等级作为对应异常状态人脸数据集的标签,将无异常状态作为预获取的健康状态人脸数据集的标签,构建异常分类训练样本集;
分类模型确定单元,用于通过异常分类训练样本集对初始人脸异常分类模型进行训练,得到人脸异常分类模型。
可选的,目标模型确定模块,包括:
分类结果确定单元,用于将预获取的人脸异常分类测试集输入至人脸异常分类模型,并将人脸异常分类模型的输出确定为测试分类结果;
准确率确定单元,用于根据测试分类结果和人脸异常分类测试集确定分类准确率;
测试结果确定单元,用于在分类准确率大于预设准确率阈值时,将测试结果确定为通过;否则,将测试结果确定为不通过;
目标模型确定单元,用于在测试结果为通过时,将各人脸图像生成模型确定为对应异常状态等级的目标人脸图像生成模型;在测试结果为不通过时,则根据各测试分类结果调整初始人脸图像生成模型的结构,得到新的初始人脸图像生成模型,并返回执行通过各初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型的步骤。
本申请实施例提供的人脸图像生成装置可执行本申请任意实施例所提供的人脸图像生成方法,具备执行方法相应的功能模块和有益效果。
图11为本申请一个实施例提供的一种人脸图像生成设备的结构示意图。人脸图像生成设备40可为电子设备,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,个人数字助理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)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/或者要求的本申请的实现。
如图11所示,人脸图像生成设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储人脸图像生成设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
人脸图像生成设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许人脸图像生成设备40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。
处理器41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。处理器41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处理器、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。处理器41执行上文所描述的各个方法和处理,例如人脸图像生成方法。
在一些实施例中,人脸图像生成方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到人脸图像生成设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的人脸图像生成方法的一个或多个步骤。备选地,在其他实施例中,处理器41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图像生成方法。
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。
用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本申请的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本申请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,只要能够实现本申请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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种人脸图像生成方法,其特征在于,包括:
获取至少两个初始人脸图像集,并根据各所述初始人脸图像集构建对应的初始人脸训练样本集;其中,各所述初始人脸图像集所对应的异常状态等级不同;
通过各所述初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型;
基于各人脸图像生成模型分别生成与各所述异常状态等级对应的异常状态人脸数据集,并根据各所述异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型;
通过预获取的人脸异常分类测试集对所述人脸异常分类模型进行测试,根据测试结果确定与各所述异常状态等级对应的目标人脸图像生成模型;
将每个所述目标人脸图像生成模型生成的图像,确定为对应异常状态等级的目标异常等级人脸图像。
2.根据权利要求1所述的方法,其特征在于,通过各所述初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型,包括:
针对每个所述初始人脸训练样本集,将随机噪声图像输入至初始人脸图像生成模型中的生成网络中,生成初始模拟人脸图像;
将所述初始模拟人脸图像和所述初始人脸训练样本集输入至所述初始人脸图像生成模型中的判别网络中,生成判别结果;
根据所述判别网络输出的判别结果对所述初始人脸图像生成模型进行训练,直到所述生成网络和所述判别网络均满足预设收敛条件时,将训练完成的初始人脸图像生成模型确定为与所述初始人脸训练样本集的异常状态等级相对应的人脸图像生成模型。
3.根据权利要求1所述的方法,其特征在于,所述基于各人脸图像生成模型分别生成与各所述异常状态等级对应的异常状态人脸数据集,并根据各所述异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型,包括:
分别向各所述人脸图像生成模型输入预设数量的随机噪声图像,将每个所述人脸图像生成模型所输出异常状态人脸图像构成的集合,确定为所述人脸图像生成模型对应异常状态等级的异常状态人脸数据集;
将所述异常状态等级作为对应异常状态人脸数据集的标签,将无异常状态作为预获取的健康状态人脸数据集的标签,构建异常分类训练样本集;
通过所述异常分类训练样本集对初始人脸异常分类模型进行训练,得到人脸异常分类模型。
4.根据权利要求1所述的方法,其特征在于,所述通过预获取的人脸异常分类测试集对所述人脸异常分类模型进行测试,包括:
将预获取的人脸异常分类测试集输入至所述人脸异常分类模型,并将所述人脸异常分类模型的输出确定为测试分类结果;
根据所述测试分类结果和所述人脸异常分类测试集确定分类准确率;
在所述分类准确率大于预设准确率阈值时,将测试结果确定为通过;否则,将测试结果确定为不通过。
5.根据权利要求4所述的方法,其特征在于,所述根据测试结果确定与各所述异常状态等级对应的目标人脸图像生成模型,包括:
在所述测试结果为通过时,将各所述人脸图像生成模型确定为对应异常状态等级的目标人脸图像生成模型;
在所述测试结果为不通过时,则根据各所述测试分类结果调整所述初始人脸图像生成模型的结构,得到新的初始人脸图像生成模型,并返回执行所述通过各所述初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型的步骤。
6.根据权利要求1所述的方法,其特征在于,所述根据各所述初始人脸图像集构建对应的初始人脸训练样本集,包括:
针对每个所述初始人脸图像集,将所述初始人脸图像集中的初始人脸图像调整至预设图像分辨率,生成对应的初始调整图像集;
将所述初始人脸图像集对应的异常状态等级作为所述初始调整图像集的标签,构建与所述初始人脸图像集对应的初始人脸训练样本集。
7.根据权利要求1-6中任一项所述的方法,其特征在于,在所述通过各所述初始人脸训练样本集分别对初始人脸图像生成模型进行训练之前,还包括:
通过预收集的合规人脸图像数据对生成对抗模型进行预训练,确定初始人脸图像生成模型。
8.一种人脸图像生成装置,其特征在于,包括:
初始训练集构建模块,用于获取至少两个初始人脸图像集,并根据各所述初始人脸图像集构建对应的初始人脸训练样本集;其中,各所述初始人脸图像集所对应的异常状态等级不同;
生成模型确定模块,用于通过各所述初始人脸训练样本集分别对初始人脸图像生成模型进行训练,确定各异常状态等级对应的人脸图像生成模型;
分类模型生成模块,用于基于各人脸图像生成模型分别生成与各所述异常状态等级对应的异常状态人脸数据集,并根据各所述异常状态人脸数据集,以及预获取的健康状态人脸数据集生成人脸异常分类模型;
目标模型确定模块,用于通过预获取的人脸异常分类测试集对所述人脸异常分类模型进行测试,根据测试结果确定与各所述异常状态等级对应的目标人脸图像生成模型;
目标图像生成模块,用于将每个所述目标人脸图像生成模型生成的图像,确定为对应异常状态等级的目标异常等级人脸图像。
9.一种人脸图像生成设备,其特征在于,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计算机程序,所述计算机程序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1-7任一项所述的人脸图像生成方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一项所述的人脸图像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122713.9A CN117649695B (zh) | 2024-01-30 | 2024-01-30 | 一种人脸图像生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122713.9A CN117649695B (zh) | 2024-01-30 | 2024-01-30 | 一种人脸图像生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649695A true CN117649695A (zh) | 2024-03-05 |
CN117649695B CN117649695B (zh) | 2024-04-12 |
Family
ID=90048106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410122713.9A Active CN117649695B (zh) | 2024-01-30 | 2024-01-30 | 一种人脸图像生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649695B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190197358A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Generative Adversarial Network Medical Image Generation for Training of a Classifier |
CN111985281A (zh) * | 2019-05-24 | 2020-11-24 | 内蒙古工业大学 | 图像生成模型的生成方法、装置及图像生成方法、装置 |
CN113096055A (zh) * | 2021-03-24 | 2021-07-09 | 北京达佳互联信息技术有限公司 | 图像生成模型的训练方法、装置、电子设备及存储介质 |
CN113111700A (zh) * | 2021-02-24 | 2021-07-13 | 浙江大华技术股份有限公司 | 图像生成模型的训练方法、电子设备及存储介质 |
US20210227152A1 (en) * | 2020-01-20 | 2021-07-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating image |
CN116978105A (zh) * | 2023-08-31 | 2023-10-31 | 南京信息工程大学 | 一种ai换脸图像异常检测方法 |
CN117408991A (zh) * | 2023-11-10 | 2024-01-16 | 四川启睿克科技有限公司 | 基于对抗重构的图像异常检测方法、装置及存储介质 |
-
2024
- 2024-01-30 CN CN202410122713.9A patent/CN117649695B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190197358A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Generative Adversarial Network Medical Image Generation for Training of a Classifier |
CN111985281A (zh) * | 2019-05-24 | 2020-11-24 | 内蒙古工业大学 | 图像生成模型的生成方法、装置及图像生成方法、装置 |
US20210227152A1 (en) * | 2020-01-20 | 2021-07-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating image |
CN113111700A (zh) * | 2021-02-24 | 2021-07-13 | 浙江大华技术股份有限公司 | 图像生成模型的训练方法、电子设备及存储介质 |
CN113096055A (zh) * | 2021-03-24 | 2021-07-09 | 北京达佳互联信息技术有限公司 | 图像生成模型的训练方法、装置、电子设备及存储介质 |
CN116978105A (zh) * | 2023-08-31 | 2023-10-31 | 南京信息工程大学 | 一种ai换脸图像异常检测方法 |
CN117408991A (zh) * | 2023-11-10 | 2024-01-16 | 四川启睿克科技有限公司 | 基于对抗重构的图像异常检测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117649695B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220335711A1 (en) | Method for generating pre-trained model, electronic device and storage medium | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN112561082B (zh) | 生成模型的方法、装置、设备以及存储介质 | |
CN113379059B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN115690443B (zh) | 特征提取模型训练方法、图像分类方法及相关装置 | |
CN116090544A (zh) | 神经网络模型的压缩方法、训练方法和处理方法、装置 | |
CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
Liu et al. | FFNet: An automated identification framework for complex power quality disturbances | |
CN116910573B (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
CN113449778A (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN114973333B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN117649695B (zh) | 一种人脸图像生成方法、装置、设备及存储介质 | |
CN115097941B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN114419327B (zh) | 图像检测方法和图像检测模型的训练方法、装置 | |
CN114863162A (zh) | 对象分类方法、深度学习模型的训练方法、装置和设备 | |
CN114548307A (zh) | 分类模型训练方法和装置、分类方法和装置 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
US20220222941A1 (en) | Method for recognizing action, electronic device and storage medium | |
CN114581751B (zh) | 图像识别模型的训练方法和图像识别方法、装置 | |
CN114821801B (zh) | 动作识别方法、模型训练方法、装置、电子设备和存储介质 | |
US12038989B2 (en) | Methods for community search, method for training community search model, and electronic device | |
CN116776171A (zh) | 聚类结果处理方法、装置、电子设备及存储介质 | |
CN115171225A (zh) | 图像检测方法和图像检测模型的训练方法 | |
CN117973479A (zh) | 一种可重参数化模型隐私训练方法、装置、设备及介质 |
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 |