[发明专利]生成人脸图像校正模型及校正人脸图像的方法和装置

说明书

本申请公开了生成人脸图像校正模型的方法和装置、校正人脸图像的方法和装置，涉及人脸识别技术领域。具体实现方案为：获取样本集，其中，样本集中每个样本包括同一人的正脸图像和任意姿态角度的侧脸图像；从样本集中选取样本，以及执行以下训练步骤：将选取的样本的侧脸图像输入生成对抗网络，得到合成图像；将合成图像与对应的正脸图像进行分析，确定脸部特征损失值；如果根据脸部特征损失值确定出生成对抗网络训练完成，则将生成对抗网络作为人脸图像校正模型。该实施方式能够生成人脸图像校正模型，将不同角度的人脸图像转换成正脸图像后再进行表情识别，提高了表情识别的准确率和鲁棒性。

技术领域

本申请涉及计算机技术领域，具体涉及人脸识别技术领域。

背景技术

大部分实验室采集样本都是人脸正对摄像头，头部姿态端正，人脸的姿态各式各样等问题。而现实场景中人脸表情是自发产生的，头部姿态偏差较大，增大了识别的难度。

目前，人脸表情识别一般使用传统方法或使用单模型卷积神经网络，将做完人脸矫正后的人脸表情图像作为输入，经过卷积神经网络或者人工提取表情特征，再通过分类器输出即为表情识别分类结果。对于真实场景中人脸姿态过大时鲁棒性较差，极易造成误识别，导致降低了算法准确性较低。

发明内容

本公开提供了一种生成人脸图像校正模型的方法、装置、设备以及存储介质以及一种校正人脸图像的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种生成人脸图像校正模型的方法，包括：获取样本集，其中，样本集中每个样本包括同一人的正脸图像和任意姿态角度的侧脸图像；从样本集中选取样本，以及执行以下训练步骤：将选取的样本的侧脸图像输入生成对抗网络，得到合成图像；将合成图像与对应的正脸图像进行分析，确定脸部特征损失值；如果根据脸部特征损失值确定出生成对抗网络训练完成，则将生成对抗网络作为人脸图像校正模型。

根据本公开的第二方面，提供了一种校正人脸图像的方法，包括：将待识别的头像输入人脸检测模型，得到人脸图像；将人脸图像输入人脸关键点检测模型，得到包括关键点的对齐人脸；将对齐人脸输入采用如第一方面之一的方法生成的人脸图像校正模型，得到姿态校正后的正脸图像。

根据本公开的第三方面，提供了一种生成人脸图像校正模型的装置，包括：获取单元，被配置成获取样本集，其中，样本集中每个样本包括同一人的正脸图像和任意姿态角度的侧脸图像；训练单元，被配置成将选取的样本的侧脸图像输入生成对抗网络，得到合成图像；将合成图像与对应的正脸图像进行分析，确定脸部特征损失值；如果根据脸部特征损失值确定出生成对抗网络训练完成，则将生成对抗网络作为人脸图像校正模型。

根据本公开的第四方面，提供了一种校正人脸图像的装置，包括：人脸检测单元，被配置成将待识别的头像输入人脸检测模型，得到人脸图像；关键点检测单元，被配置成将人脸图像输入人脸关键点检测模型，得到包括关键点的对齐人脸；校正单元，被配置成将对齐人脸输入采用如第一方面之一的装置生成的人脸图像校正模型，得到姿态校正后的正脸图像。

根据本公开的第五方面，提供了一种电子设备，其特征在于，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指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面和第二方面中任一项的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行权利要求1-7中任一项的方法。

根据本申请的技术方案，利用生成对抗网络(GAN)的方法可以将任意姿态的人脸图像转化成正面姿态的人脸表情图像，可以大大提高复杂环境下大姿态人脸表情识别的准确率和鲁棒性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。