[发明专利]一种基于CNN的保持表情信息的人脸转移方法

权利要求书

1.一种基于CNN的保持表情信息的人脸转移方法，其特征在于，所述方法包括：

从网络以及人脸数据库中获取人脸图片，以及对人脸图片的表情分类的标记信息，组成照片库；

从照片库中选取两张照片作为一组样本，图片A作为身份信息图，图片B作为表情信息图；

将较高像素图片下采样到较低像素图片的大小，使二者等大；

使用AdaBoost算法对图A和图B进行人脸区域检测与分割；

将图A和图B的人脸区域组合成组合通道，作为输入数据输入到生成式CNN网络中，通过前向传播生成一张合成人脸；

将合成人脸与图B非人脸区域进行泊松融合；

将合成人脸与图A人脸区域输入到FaceNet神经网络中，得到识别信息的损失L1；

将合成人脸与图B人脸区域输入到深度ConvNets中求出表情特征信息损失L2；

结合L1和L2的损失值，对生成式CNN网络进行反向传播，更新网络权重；

最后重复训练生成式CNN网络；

其中，所述人脸区域组合成组合通道作为输入数据输入到生成式CNN网络，该网络具体包括：

编码器：编码器是一个特征提取以及下采样的过程；它分为卷积层和池化层；卷积核是一个n乘n的权重矩阵，它对图片中的感受野进行抽象，即对该感受野的像素求线性和，并且通过ReLU激活函数得到该感受野的激活值；池化层是对一块区域进行下采样的过程，网络中全部采用2倍下采样，下采样方法具有位置不变的性质；编码器采用4个卷积层加一层全连接层，每一层卷积层后都会接一个下采样的池化层；从第1层到第4层的维度分别是(100，256，256，3)，(100，128，128，24)，(100，64，64，64)，(100，32，32，128)，卷积核的大小为3乘3，维度与神经网络的维度一致；全连接层是把第四层的4维序列展开成2维，维度为(100，131072)；

在连接全连接网络之后，为drop-out层；该层作用在于训练时每一次前向传播都忽略掉部分连接参数，使得每一次训练时网络的数据流都不同，但又不改变网络的特征提取方向，从而避免网络过拟合；同时，由于训练时参数变少，可以节省部分计算资源；

解码器：解码器有上采样和反卷积的过程，上采样的过程采用插值法，通过获取低像素相邻的像素获得线性值；反卷积的过程就是正向卷积的镜像。