[发明专利]人脸训练样本图像的生成方法、系统、计算机设备及存储介质

说明书

本申请涉及一种人脸训练样本图像的生成方法、系统、计算机设备及存储介质，获取真实图像和随机噪声特征图；将所述随机噪声特征图经过高斯同分布后得到同分布噪声特征图，将所述同分布噪声特征图送入生成模型得到虚拟图像；将所述真实图像和所述虚拟图像输入判别模型进行判别；依据判别结果对所述判别模型和所述生成模型进行训练优化，得到对抗生成网络模型；随机挑选一真实样本图像，送入所述对抗生成网络模型，输出若干训练样本图像。依据经高斯同分布后的同步噪声特征图得到虚拟图像，并根据该虚拟图像和真实图像进行判别结果优化网络模型，最后，通过优化后的网络模型生成大量的训练样本，解决现有人脸训练样本图像不足的问题。

技术领域

本申请涉及深度相机技术领域，特别是涉及一种人脸训练样本图像的生成方法、系统、计算机设备及存储介质。

背景技术

随着智能设备的普及，人们的视力变得越来越差，戴眼镜的人群占比逐年上升。尤其在智能门锁人脸识别方面，针对戴眼镜与不戴眼镜的人脸比对需求越发变得重要起来。当前基于卷积神经网络(CNN)的人脸比对模型强依赖于海量人脸数据及其多样性。经过对训练数据的分析，发现训练数据普遍缺乏同一人戴眼镜与不戴眼镜的人脸场景图片。因此，在实际训练和测试中，经常出现戴眼镜人脸图片样本不足的情况。

发明内容

基于此，有必要针对上述技术问题，提供一种人脸训练样本图像的生成方法、系统、计算机设备及存储介质，通过对抗生成网络模型创造出具备眼镜属性的人脸图片用作训练样本图像，解决实际训练和测试中戴眼镜人脸训练样本图像不足的情况。

第一方面，本发明提供一种人脸训练样本图像的生成方法，包括以下步骤：

获取真实图像和随机噪声特征图；

将所述随机噪声特征图经过高斯同分布后得到同分布噪声特征图，将所述同分布噪声特征图送入生成模型得到虚拟图像；

将所述真实图像和所述虚拟图像输入判别模型进行判别；

依据判别结果对所述判别模型和所述生成模型进行训练优化，得到对抗生成网络模型；

随机挑选一真实样本图像，送入所述对抗生成网络模型，输出若干训练样本图像。

在一个实施例中，所述将所述随机噪声特征图经过高斯同分布后得到同分布噪声特征图，具体包括以下内容：

对真实图像进行人眼关键点检测，得到多个关键点；

使用高斯核函数分别将各个关键点分布在特征图上，在所有关键点分布后生成高斯分布特征图；

根据所述高斯分布特征图和随机噪声特征图生成同分布噪声特征图。

在一个实施例中，所述将所述随机噪声特征图经过高斯同分布后得到同分布噪声特征图，还包括以下内容：

当不同关键点分布在特征图上发生重叠时，重叠部分取较大值作为标准值。

在一个实施例中，所述高斯核函数为Y＝exp(-(x²+y²))，其中，x为关键点的横坐标，y为关键点的纵坐标，关键点的标签值为1，周围标签值呈散射递减。

在一个实施例中，所述依据判别结果对所述判别模型和所述生成模型进行训练优化，得到对抗生成网络模型，具体包括以下步骤：

将判别结果接入欧式间隔损失函数对所述判别模型和所述生成模型进行训练优化，得到对抗生成网络模型；

所述欧式间隔损失函数为：