[发明专利]一种面部图像身份去识别方法、装置及电子设备

权利要求书

1.一种面部图像身份去识别方法，其特征在于，包括：

从获取的原始图像中提取每个预先选定的面部所在区域中的内容，得到原始面部图像；其中，所述原始图像包含至少一个面部；

对于每个所述原始面部图像，利用预先训练的生成模型，获得该原始面部图像的原始身份特征和原始非身份特征；

确定用于代替所述原始身份特征的目标身份特征；

利用所述生成模型结合所述原始非身份特征和所述目标身份特征，得到该原始面部图像对应的目标面部图像；

分别用每个目标面部图像的内容，替换该目标面部图像对应的目标区域的内容，得到替换完成的目标图像；其中，所述目标区域为所述目标面部图像对应的原始面部图像的内容，在所述原始图像中所占的区域；

其中，所述生成模型利用样本面部图像的身份替换过程和身份替换后的身份恢复过程进行训练，且训练过程利用身份分类模型和判别模型进行约束。

2.根据权利要求1所述的方法，其特征在于，所述生成模型包括：

顺次连接的编码单元组和解码单元；其中，所述编码单元组包括作为并列分支的第一编码单元和第二编码单元；

所述第一编码单元用于将输入的面部图像中与身份有关的属性编码为身份特征；

所述第二编码单元用于将输入的面部图像中与身份无关的属性编码为非身份特征；

所述解码单元用于结合所述身份特征和所述非身份特征，得到结合后的面部特征，并解码所述面部特征，得到结合的面部图像。

3.根据权利要求2所述的方法，其特征在于，所述生成模型的训练过程包括：

获得生成模型、判别模型和身份分类模型；其中，所述生成模型中的所述第一编码单元和所述身份分类模型经过预训练；

对所述判别模型和所述生成模型进行迭代对抗训练，并在所述生成模型的训练过程中依次进行身份替换训练和身份替换后的身份恢复训练，直至达到收敛条件；

其中，所述身份替换训练的损失函数为，由身份替换损失函数、所述身份分类模型的身份分类损失函数，和所述生成模型在对抗训练中的生成对抗损失函数加权构成的组合损失函数；所述身份替换后的身份恢复训练的损失函数包括身份恢复损失函数。

4.根据权利要求3所述的方法，其特征在于，所述身份替换损失函数和所述身份恢复损失函数包括L1损失函数、MS-SSIM损失函数和KL divergence损失函数构成的组合损失函数。

5.根据权利要求2所述的方法，其特征在于，所述利用预先训练的生成模型，获得该原始面部图像的原始身份特征和原始非身份特征，包括：

利用所述第一编码单元得到所述原始面部图像的原始身份特征；

利用所述第二编码单元得到所述原始面部图像的原始非身份特征；

利用所述生成模型结合所述原始非身份特征和所述目标身份特征，得到该原始面部图像对应的目标面部图像，包括：

利用所述解码单元结合所述原始非身份特征和所述目标身份特征，得到结合后的目标面部特征，并解码所述目标面部特征，得到结合的目标面部图像。

6.根据权利要求1所述的方法，其特征在于，所述确定用于代替所述原始身份特征的目标身份特征，包括：

基于预先获取的多个样本身份特征，确定与所述原始身份特征的特征距离满足预设条件的一个样本身份特征，作为目标身份特征。

7.根据权利要求6所述的方法，其特征在于，所述预先获取的多个样本身份特征的获取过程，包括：

利用预先训练的分类模型，确定每个样本身份特征对应于所属身份类别的类别置信度；

针对每一身份类别，将该身份类别下的样本身份特征，利用对应的类别置信度加权平均，获得该身份类别的身份原型特征；

将所有身份原型特征进行聚类，获得多个聚类中心特征；

将所述多个聚类中心特征作为所述预先获取的多个样本身份特征。

8.根据权利要求1所述的方法，其特征在于，在得到所述目标图像之后，所述方法还包括：

对所述目标图像进行图像修复。