CN110659582A 图像转换模型训练方法、异质人脸识别方法、装置及设备 （深圳云天励飞技术有限公司）

道龙岗大道8288号深圳大运软件小镇图像转换模型训练方法、异质人脸识别方人脸区域素描图输入预先训练好的图像转换模量与数据库中存储的多个真实人脸图像的特征2将所述第一人脸合成图像和所述训练样本对应的真实人脸图像输入生成对抗网络的将所述第一人脸合成图像输入预训练的卷积神经网络若所述判别结果和所述比对结果中的任一者不符合预设期望值将所述训练样本输入该更新的生成器进行处理，得到更将该更新的第一人脸合成图像和所述训练样本对应的真实人脸图像输入该更新的判别器若该更新的判别结果和该更新的比对结果均符合预利用预训练的卷积神经网络模型对数据库中存储的多个真实人脸图像进行特征提取，4.一种利用权利要求1至3任一项所述的方法训练出的图像转换模型进行的异质人脸将所述人脸区域素描图输入预先训练好的图像转换模将所述第二人脸合成图像的特征向量与数据库中存储的多个真实人脸图像的特征向通过预训练的多任务级联卷积神经网络对所述待识别人脸素描图中的人脸关键点进3基于定位出的人脸关键点对所述待识别人脸述人脸区域素描图输入预先训练好的图像转换模型进行处理，以生成第二人脸合成图像，7.根据权利要求4至6任一项所述的方法，计算所述第二人脸合成图像的特征向量与数据库中存储的多个真实人脸图像中每个若数据库中存在所述欧氏距离小于预设值的目标若数据库中不存在所述欧氏距离小于预设值的第一图像生成模块，用于将训练样本输入生人脸裁剪模块，用于获取待识别人脸素描图，并第二人脸生成模块，用于将所述人脸区域素第一特征提取模块，用于对所述第二人脸合成人脸匹配模块，用于将所述第二人脸合成图像4算机程序被处理器执行时实现如权利要求1至7中5[0001]本申请涉及人工智能和图像处理技术领域，尤其涉及一种图像转换模型训练方[0007]将所述第一人脸合成图像和所述训练样本对应的真实人脸图像输入生成对抗网[0012]将所述训练样本输入该更新的生成器进行处理，得到更新的以及将该更新的第一人脸合成图像和所述训练样本对应的真实人脸图像输入该更新的判6更新的第一人脸合成图像的特征向量与训练样本对应的真实人脸图像的特征向量进行比[0017]对所述第二人脸合成图像进行特征提取，得到所述第二人脸合成图像的特征向[0018]将所述第二人脸合成图像的特征向量与数据库中存储的多个真实人脸图像的特[0020]通过预训练的多任务级联卷积神经网络对所述待识别人脸素描图中的人脸关键[0021]基于定位出的人脸关键点对所述待识别人脸素描图进行裁剪得到人脸区域素描所述人脸区域素描图输入预先训练好的图像转换模型进行处理，以生成第二人脸合成图78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[0054]首先结合相关附图来举例介绍下本申请实施例的方案可能应用到的网络系统架[0056]基于图1所示的应用架构，以下结合其他附图对本申请实施例提供的图像转换模[0057]请参见图2，图2为本申请实施例提供的一种图像转换模型训练方法的流程示意[0060]S22，将所述第一人脸合成图像和所述训练样本对应的真实人脸图像输入生成对9器对生成器生成的第一人脸合成图像G(z)的实际输出结果，p2(x)表示真实人脸图像的分果用于表示第一人脸合成图像与训练样本对应的真实人[0069]将所述训练样本输入该更新的生成器进行处理，得到更新的以及将该更新的第一人脸合成图像和所述训练样本对应的真实人脸图像输入该更新的判更新的第一人脸合成图像的特征向量与训练样本对应的真实人脸图像的特征向量进行比(zi)表示生成器对输入变量zi的实际输出结果。当判别器的输出结果表示生成器的输出图[0076]利用预训练的卷积神经网络模型对数据库中存储的多个真实人脸图像进行特征人脸素描图，之后通过应用程序或数据上传接口向服务器上传完成的该待识别人脸素描[0083]上述待识别人脸素描图的裁剪可以是基于dlib+opencv(一种机器学习开源工具+开源视觉库)实现；也可以是利用两层不同结构的卷积神经网络定位出待识别人脸素描图[0085]通过预训练的多任务级联卷积神经网络对所述待识别人脸素描图中的人脸关键[0086]基于定位出的人脸关键点对所述待识别人脸素描图进行裁剪得到人脸区域素描的判别和特征保留模块的比对监督生成器生成质量较高[0095]S34，将所述第二人脸合成图像的特征向量与数据库中存储的多个真实人脸图像[0105]计算所述第一人脸合成图像的特征向量与数据库中存储的多个真实人脸图像中图像A便是人脸识别结果。人脸识别失败的提示信息可以是通过用户终端的扬声器输出的[0109]图6为本申请实施例提供的一种图像转换模型训练装置的结构示意图，如图6所[0113]模型生成模块64，用于根据所述判别结果和所述比对结果得到所述图像转换模个真实人脸图像进行特征提取，得到多个真实人脸图像中每个真实人脸图像的特征向量；[0141]将所述第一人脸合成图像和所述训练样本对应的真实人脸图像输入生成对抗网[0146]将所述训练样本输入该更新的生成器进行处理，得到更新的以及将该更新的第一人脸合成图像和所述训练样本对应的真实人脸图像输入该更新的判更新的第一人脸合成图像的特征向量与训练样本对应的真实人脸图像的特征向量进行比[0149]利用预训练的卷积神经网络模型对数据库中存储的多个真实人脸图像进行特征换模型训练方法中的步骤，因此上述图像转换模型训练方法的实施例均适用于该电子设[0155]对所述第二人脸合成图像进行特征提取，得到所述第二人脸合成图像的特征向[0156]将所述第二人脸合成图像的特征向量与数据库中存储的多个真实人脸图像的特[0158]通过预训练的多任务级联卷积神经网络对所述待识别人脸素描图中的人脸关键[0159]基于定位出的人脸关键点对所述待识别人脸素描图进行裁剪得到人脸区域素描[0165]计算所述第二人脸合成图像的特征向量与数据库中存储的多个真实人脸图像中实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；