[发明专利]一种基于深度学习的模拟画像生成方法及装置

权利要求书

1.一种基于深度学习的模拟画像生成方法，其特征在于，包括如下步骤：

S1:获得人脸拼接图或人脸轮廓图；

通过受害人对犯罪嫌疑人长相的记忆特点选择使用人脸特征拼接方式，或者人脸轮廓绘制方式，所述人脸特征拼接方式或人脸轮廓绘制方式的输出分别为人脸拼接图或人脸轮廓图；

S2:生成人脸图像；

将所述人脸拼接图或人脸轮廓图分别作为条件生成对抗网络的条件输入，用于约束网络生成分别与二者相似的，更逼真，更自然的完整人脸图像；

S3:人脸辨认及编辑；

受害人对生成的完整人脸图像进行辨认，并提出局部或整体修改意见，若修改限于局部特征，则可通过人像编辑做适当修改；若为整体修改，则返回步骤S1，直至受害人辨认清晰后，最终输出人脸图像。

2.根据权利要求1所述的一种基于深度学习的模拟画像生成方法，其特征在于，步骤S2中，所述条件生成对抗网络包括生成器和判别器，其包括如下步骤：

S21:将所述人脸拼接图或人脸轮廓图和噪声一起作为所述生成器的条件输入，生成一张人脸图像；

S22:将生成的所述人脸图像和真实人脸图像输入所述判别器，并通过其判输入图像是真实人脸图像，或是通过所述生成器生成的人脸图像。

3.根据权利要求1或2所述的一种基于深度学习的模拟画像生成方法，其特征在于，步骤S2中，所述条件生成对抗网络训练包括如下步骤：

S25：求取输入的正、负样本中判别器损失函数值，反向传播该损失函数，以对判别器、生成器中模型参数的梯度进行联合更新；

S26：通过生成器和判别器的博弈提升各自性能，直至生成器生成的人脸图像与真实图像在判别器中的概率值均稳定在0.5附近时，结束训练。

4.根据权利要求1-3中任一项所述的一种基于深度学习的模拟画像生成方法，其特征在于，步骤S22中，所述判别器的判别过程中采用正、负样本作为输入；其中，

所述负样本为所述生成器生成的人脸图像与对应条件输入的人脸拼接图或人脸轮廓图；

所述正样本为真实人脸图像和对应的剪切真实人脸中的图像特征拼接而成的人脸拼接图或人脸轮廓图。

5.根据权利要求1-4中任一项所述的一种基于深度学习的模拟画像生成方法，其特征在于，真实人脸中的图像特征拼接而成的人脸拼接图包括如下步骤：

S221：挑选高质量人脸图像数据形成训练数据集；

S222：将该训练数据集中的图片进行五官的裁剪和重拼接，形成每张图片对应的拼接图；

S223：对原图数据和对应的拼接图像数据进行调整亮度、对比度、轻微平移、旋转、水平翻转操作，获得真实人脸中的图像特征拼接而成的人脸拼接图。

6.一种基于深度学习的模拟画像生成装置，用于实现如权利要求1-5中任一项所述的模拟画像生成方法，其特征在于，该装置包括：

独立设置的人脸特征数据库模块(100)和人脸轮廓绘制模块(200)，其中，所述人脸特征数据库模块(100)用于选择人脸特征数据拼接形成人脸拼接图，所述人脸轮廓绘制模块(200)用于绘制人脸轮廓图；

人脸生成模块(300)，其用于将所述人脸拼接图或人脸轮廓图作为条件生成对抗网络的条件输入，生成人脸图像；

人像编辑模块(400)，用于对生成的人脸图像进行辨认和修改，以获得形象、自然、逼真的人脸图像；以及，

人机交互模块(500)，用于实现与人脸特征数据库模块(100)、人脸轮廓绘制模块(200)、人脸生成模块(300)及人像编辑模块(400)的交互操作。

7.根据权利要求6所述的一种基于深度学习的模拟画像生成装置，其特征在于，所述人脸特征数据库模块(100)包括人脸特征数据(102)、人脸拼接子模块(103)和数据库管理子模块(101)；其中，

所述人脸特征数据(102)包括脸型数据(1021)、五官数据(1022)、个性化特征数据(1023)以及装饰数据(1024)；

所述数据库管理子模块(101)用于对人脸特征数据(102)依据其所属类别、属性，采取树状结构存储。