[发明专利]基于深度学习的人脸图像压缩方法及装置

权利要求书

1.一种基于深度学习的人脸图像压缩方法，其特征在于，包括：

基于平均人脸图像和主动外观模型，将测试人脸图像分解为形状分量和纹理分量；

利用量化熵编码器对所述形状分量进行编码压缩，得到第一压缩结果；

利用训练好的卷积神经网络编码器对所述纹理分量进行编码压缩，得到第二压缩结果；

将所述第一压缩结果和第二压缩结果确定为人脸图像压缩结果；

所述方法还包括：

获取训练样本集，所述训练样本集中包括预设个数的训练样本，所述训练样本包括：原始人脸图像，原始纹理分量，重建的原始纹理分量，重建原始人脸图像；

基于所述训练样本集和预设优化目标，对卷积神经网络编码器和反卷积神经网络解码器进行联合优化，得到训练好的卷积神经网络编码器和训练好的反卷积神经网络解码器；其中，所述预设优化目标包括：所述原始纹理分量与所述重建的原始纹理分量之间的均方误差函数，和所述原始人脸图像和重建原始人脸图像之间的结构相似性函数。

2.根据权利要求1所述的方法，其特征在于，基于平均人脸图像和主动外观模型，将测试人脸图像分解为形状分量和纹理分量，包括：

获取平均人脸图像的预设标志点坐标；

将所述测试人脸图像输入至所述主动外观模型，得到测试人脸图像的面部标志点坐标；

基于所述测试人脸图像的面部标志点坐标和所述平均人脸图像的预设标志点坐标，确定测试人脸图像的预设标志点坐标；

基于测试人脸图像的预设标志点坐标，确定所述形状分量；

基于所述形状分量与纹理分量之间的预设关系和所述形状分量，确定所述纹理分量。

3.根据权利要求1所述的方法，其特征在于，所述训练好的卷积神经网络编码器包括至少一个卷积块，每个所述卷积块包括：至少一个卷积层、至少一个池化层和第一激活层；

利用训练好的卷积神经网络编码器对所述纹理分量进行编码压缩，得到第二压缩结果，包括：

将所述纹理分量输入至所述训练好的卷积神经网络编码器，经所述卷积层、所述池化层和所述第一激活层学习特征，得到特征图像；

将所述特征图像确定为所述第二压缩结果。

4.根据权利要求1所述的方法，其特征在于，在将所述第一压缩结果和第二压缩结果确定为人脸图像压缩结果之后，还包括：

利用反量化熵解码器对所述第一压缩结果进行解码，得到重建的形状分量；

利用训练好的反卷积神经网络解码器对所述第二压缩结果进行解码，得到重建的纹理分量；

将所述重建的形状分量和所述重建的形状分量进行融合，得到与所述测试人脸对应的重建人脸图像。

5.根据权利要求4所述的方法，其特征在于，所述训练好的反卷积神经网络解码器包括至少一个反卷积块，每个所述反卷积块包括：至少一个反卷积层和第二激活层；

利用训练好的反卷积神经网络解码器对所述第二压缩结果进行解码，得到重建的纹理分量，包括：

将所述第二压缩结果输入至所述训练好的反卷积神经网络解码器，经所述反卷积层和所述第二激活层特征提取，得到反卷积图像；

将所述反卷积图像确定为所述重建的纹理分量。

6.根据权利要求4所述的方法，其特征在于，在将所述重建的形状分量和所述重建的形状分量进行融合，得到与所述测试人脸对应的重建人脸图像之后，还包括：

基于所述测试人脸图像，对所述重建人脸图像进行质量评价，得到质量评价结果。