CN113642491A - 人脸融合方法、人脸融合模型的训练方法及装置 - Google Patents
人脸融合方法、人脸融合模型的训练方法及装置 Download PDFInfo
- Publication number
- CN113642491A CN113642491A CN202110960390.7A CN202110960390A CN113642491A CN 113642491 A CN113642491 A CN 113642491A CN 202110960390 A CN202110960390 A CN 202110960390A CN 113642491 A CN113642491 A CN 113642491A
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- fused
- user
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 117
- 238000012549 training Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 238000007499 fusion processing Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000001815 facial effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种人脸融合方法、人脸融合模型的训练方法及装置,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于人脸识别等场景。包括:获取用户人脸图像和待融合人脸图像,将用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,将待融合人脸图像与预设的标准人脸图像对齐,得到对齐后的待融合人脸图像,将对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征,对目标人脸编码特征和对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像,由于多个人脸信息编码器确定出的目标人脸编码特征具有全面性,使得人脸融合具有较高的可靠性,提高了融合后的人脸图像的可靠性。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于人脸识别等场景,尤其涉及一种人脸融合方法、人脸融合模型的训练方法及装置。
背景技术
人脸融合(俗称换脸)是指,在基于图像换脸时,如在将某视频(或某图像)中的人脸换成用户的人脸时,如何使得用户的人脸与视频(或某图像)中的人脸无缝贴合。
现有的人脸融合技术需要较多的资源支持人脸融合的实现,造成了消耗资源较高,且可靠性相对较低的技术问题。
发明内容
本公开提供了一种用于提高人脸融合可靠性的人脸融合方法、人脸融合模型的训练方法及装置。
根据本公开的第一方面,提供了一种人脸融合方法,包括:
获取用户人脸图像和待融合人脸图像,将所述用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,并将所述待融合人脸图像与所述预设的标准人脸图像对齐,得到对齐后的待融合人脸图像;
将所述对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征;
对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
根据本公开的第二方面,提供了一种人脸融合模型的训练方法,包括:
获取样本用户人脸图像和样本待融合人脸图像;
基于基础网络模型对所述样本用户人脸图像和所述样本待融合人脸图像进行融合处理,生成训练融合人脸图像;
确定所述训练融合人脸图像的质量信息,并根据所述质量信息对所述基础网络模型的参数进行调整,得到人脸融合模型,其中,所述人脸融合模型执行如第一方面所述的对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像的步骤。
根据本公开的第三方面,提供了一种人脸融合装置,包括:
第一获取单元,用于获取用户人脸图像和待融合人脸图像;
对齐单元,用于将所述用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,并将所述待融合人脸图像与所述预设的标准人脸图像对齐,得到对齐后的待融合人脸图像;
输入单元,用于将所述对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征;
融合单元,用于对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
根据本公开的第四方面,提供了一种人脸融合模型的训练装置,包括:
第二获取单元,用于获取样本用户人脸图像和样本待融合人脸图像;
生成单元,用于基于基础网络模型对所述样本用户人脸图像和所述样本待融合人脸图像进行融合处理,生成训练融合人脸图像;
确定单元,用于确定所述训练融合人脸图像的质量信息;
调整单元,用于根据所述质量信息对所述基础网络模型的参数进行调整,得到人脸融合模型,其中,所述人脸融合模型执行如第二方面所述的装置的融合单元的过程。
根据本公开的第五方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法;或者,以使所述至少一个处理器能够执行第二方面所述的方法。
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,其中,所述计算机指令用于使所述计算机执行第一方面所述的方法;或者,所述计算机指令用于使所述计算机执行第二方面所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法;或者,所述至少一个处理器执行所述计算机程序使得电子设备执行第二方面所述的方法。
根据本公开的第八方面,提供了一种智能终端,包括:
图像采集装置,用于获取用户人脸图像;
如第三方面所述的人脸融合装置。
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。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的场景示意图;
图2是根据本公开第一实施例的示意图;
图3是根据本公开实施例的确定目标人脸编码特征的原理示意图;
图4是根据本公开第二实施例的示意图;
图5是根据本公开第三实施例的示意图;
图6是根据本公开第四实施例的示意图;
图7是根据本公开第五实施例的示意图;
图8是根据本公开第六实施例的示意图;
图9是根据本公开第七实施例的示意图;
图10是根据本公开第八实施例的示意图;
图11是根据本公开第九实施例的示意图;
图12是用来实现本公开实施例的人脸融合方法、人脸融合模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人脸融合被应用于广告场景、影视场景、以及娱乐场景等,且随着娱乐场景中小视频的兴起与发展,以及与图片处理相关应用的发展,人脸融合备受用户关注和青睐。
示例性地,如图1所示,人脸融合装置可以接收由用户传输的用户人脸图像和待融合人脸图像,并接收由用户发起的融合请求,人脸融合装置对用户人脸图像和待融合人脸图像进行融合处理,得到融合后的人脸图像。
如图1所示,融合后的人脸图像既包括用户人脸图像的特征,也包括待融合人脸图像的特征。
在相关技术中,通常采用逐渐增强(progressive)策略或者后置超分技术对人脸进行融合。例如:
通过人脸换算法等,将用户人脸图像与视频(或某图像)中的待融合人脸进行贴合,而后再逐渐调整贴合后的人脸图像的分辨率。
然而,采用上述方法,随着分辨率的增加,需要更多的资源支持人脸融合的实现,造成了消耗资源较高,且可靠性相对较低的技术问题。
为了避免上述技术问题,本公开的发明人经过创造性的劳动,得到了本公开的发明构思:由多个人脸信息编码器对对齐后的用户人脸图像分别进行编码处理,得到目标人脸编码特征,以对目标人脸编码特征与对齐后的待融合人脸图像进行融合,得到融合后的用户人脸图像。
基于上述发明构思,本公开提供一种人脸融合方法、人脸融合模型的训练方法及装置,应用于人工智能技术领域,具体为计算机视觉和深度学习技术领域,以提高人脸融合的可靠性。
图2是根据本公开第一实施例的示意图,如图2所示,本公开实施例的人脸融合方法,包括:
S201:获取用户人脸图像和待融合人脸图像,将用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,并将待融合人脸图像与预设的标准人脸图像对齐,得到对齐后的待融合人脸图像。
示例性地,本实施例的执行主体可以为人脸融合装置,人脸融合装置可以服务器(如本地服务器,或者,云端服务器),也可以为计算机,也可以为终端设备(如移动终端等),也可以为处理器,也可以为芯片等,本实施例不做限定。
示例性地,标准人脸图像可以理解为平均人脸图像。例如,确定标准人脸图像的方法可以包括:
获取样本人脸图像,确定样本人脸图像的平均人脸图像,并将平均人脸图像确定为标准人脸图像。
其中,样本人脸图像的数量可以基于需求、历史记录、以及试验等方式进行设置,本实施例不做限定。
关于获取用户人脸图像和待融合人脸图像,可以采用下述示例实现:
一个示例中,人脸融合装置可以与图像采集装置连接,并接收由图像采集装置发送的用户人脸图像和待融合人脸图像。
另一个示例中,人脸融合装置可以提供载入图像的工具,用户可以通过该载入图像的工具将用户人脸图像和待融合人脸图像传输至人脸融合装置。
其中,载入图像的工具可以为用于与外接设备连接的接口,如用于与其他存储设备连接的接口,通过该接口获取外接设备传输的用户人脸图像和待融合人脸图像;载入图像的工具也可以为显示装置,如人脸融合装置可以在显示装置上输入载入图像功能的界面,用户可以通过该界面将用户人脸图像和待融合人脸图像导入至人脸融合装置,人脸融合装置获取导入的用户人脸图像和待融合人脸图像。
应该理解地是,上述实施例只是用于示范性地说明,本实施例可能获取用户人脸图像和待融合人脸图像的方法,而不能理解为对获取用户人脸图像和待融合人脸图像的方法的限定。
S202:将对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征。
在本实施例中,采用多个人脸信息编码器确定目标人脸编码特征。
例如,人脸信息编码器的数量为n个,分别为如图3中所示的人脸信息编码器1直至人脸信息编码器n。
将对齐后的用户人脸图像输入至人脸信息编码器1直至人脸信息编码器n,得到目标人脸编码特征。
也就是说,在本实施例中,多个人脸信息编码器以并行的方式确定目标人脸编码特征,通过该种方式,可以实现对用户人脸图像的混合编码,从而避免单个人脸信息编码器的稳定性偏低的问题,提高确定出的人脸编码特征的准确性和可靠性,且可以避免由单个人脸信息编码器确定目标人脸编码特征,造成的缺乏全局性和整体性的弊端,提高了确定出的目标人脸编码特征的全面性和可靠性的技术效果。
S203:对目标人脸编码特征和对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
例如,人脸融合装置确定出目标人脸编码特征之后,将目标人脸编码特征贴合至待融合人脸图像,从而得到融合后的人脸图像。
基于上述分析可知,本公开实施例提供了一种人脸融合方法,包括:获取用户人脸图像和待融合人脸图像,将用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,并将待融合人脸图像与预设的标准人脸图像对齐,得到对齐后的待融合人脸图像,将对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征,对目标人脸编码特征和对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像,在本实施例中,引入了:由多个人脸信息编码器分别对对齐后的用户人脸图像进行编码处理,得到目标人脸编码特征,以将目标人脸编码特征与对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像的技术特征,避免了相关技术中,融合后调整分辨率造成的消耗资源偏高的弊端,节约了资源,且避免了基于人脸换算法融合造成的准确性偏低的弊端,通过由并行的多个人脸信息编码器确定出的具有全面性的目标人脸编码特征,可以使得人脸融合具有较高的可靠性,进而使得融合后的人脸图像具有较高的准确性的技术效果,且满足了用户的“换脸”需求,提高了用户的体验。
图4是根据本公开第二实施例的示意图,如图4所示,本公开实施例的人脸融合方法,包括:
S401:获取用户人脸图像和待融合人脸图像。
示例性地,关于S401的实现原理,可以参见第一实施例的实现原理,此处不再赘述。
S402:分别确定用户人脸图像的关键点、待融合人脸图像、以及标准人脸图像的关键点。
在一些实施例中,可以预先训练人脸关键点检测模型,并基于人脸关键点检测模型获取用户人脸图像的关键点、待融合人脸图像、以及标准人脸图像的关键点。
其中,关键点的数量本实施例不做限定。
例如,关键点的数量可以为150个,150个关键点中包括五官对应的关键点、轮廓(形状)对应的关键点等。
S403:根据用户人脸图像的关键点、以及标准人脸图像的关键点,确定用于将用户人脸图像与标准人脸图像对齐的变换矩阵,并根据变换矩阵将用户人脸图像与标准人脸图像对齐,得到对齐后的用户人脸图像。
例如,关键点具有坐标属性,即关键点包括坐标,则变换矩阵可以理解为由用户人脸图像的关键点的坐标、切换至标准人脸图像的关键点的坐标的坐标变换信息,以基于该变换矩阵将用户人脸图像贴合至标准人脸图像,从而得到对齐后的用户人脸图像。
值得说明地是,在本实施例中,通过结合关键点确定变换矩阵,以基于变换矩阵将用户人脸图像与标准人脸图像对齐,使得对齐的过程充分考虑了用户人脸图像与标准人脸图像之间的坐标差异,从而实现了可靠且准确的对齐的技术效果。
S404:根据待融合人脸图像的关键点、以及标准人脸图像的关键点,确定用于将待融合人脸图像与标准人脸图像对齐的变换矩阵,并根据变换矩阵将待融合人脸图像与标准人脸图像对齐,得到对齐后的待融合人脸图像。
同理,关于对齐得到对齐后的待融合人脸图像的原理,可以参见上述实施例中,对齐得到对齐后的用户人脸图像的图像,此处不再赘述。
S405:基于每一人脸信息编码器分别确定对齐后的用户人脸图像的初始人脸编码特征。
例如,结合图3和上述实施例,人脸信息编码器1对对齐后的用户人脸图像进行编码处理,得到初始人脸编码特征1,依次类推,直至人脸信息编码器n对对齐后的用户人脸图像进行编码处理,得到初始人脸编码特征n。
在一些实施例中,人脸信息编码器可以基于对齐后的用户人脸图像的进行编码处理,得到512维(也可以为更多的维)的特征向量(即初始人脸编码特征)。
S406:对各初始人脸编码特征进行合并处理,得到目标人脸编码特征。
结合上述实施例,在得到n个初始人脸编码特征(即初始人脸编码特征1直至初始人脸编码特征n)之后,对n个初始人脸编码特征进行合并处理,从而得到目标人脸编码特征。
结合上述实施例,若人脸信息编码器输出的为512维的特征向量,则针对每一维的特征向量,均分配一个标识(ID),针对n个人脸信息编码器确定的n个初始人脸编码特征,基于标识对n个初始人脸编码特征进行合并处理,以提高合并的准确性、可靠性以及有效性的技术效果。
值得说明地是,在本实施例中,通过基于n个人脸信息编码器分别对对齐后的用户人脸图像进行编码处理,得到n个初始人脸编码特征,可以使得n个初始人脸编码特征尽可能多的涵盖对齐后的用户人脸图像的特征,从而当对n个初始人脸编码特征进行合并处理,得到目标人脸编码特征时,可以使得目标人脸编码特征较为完整和全面的表征对齐后的用户人脸图像的特征,进而提高目标人脸编码特征的完全性、全面性及可靠性的技术效果。
在一些实施例中,S406可以包括如下步骤:
第一步骤:为每一人脸信息编码器分配权重。
第二步骤:根据每一人脸信息编码器确定出的初始人脸编码特征、以及每一人脸信息编码器的权重,合并生成目标人脸编码特征。
例如,结合上述实施例,若为人脸信息编码器1分配的权重为权重1,以此类推,直至为人脸信息编码器n分配的权重为权重n,则目标人脸编码特征=权重1*初始人脸编码特征1+……+权重n*初始人脸编码特征n。
值得说明地是,在本实施例中,通过结合权重和初始人脸编码特征确定目标人脸编码特征,无需配合其他计算操作,可以提高效率和便捷性的技术效果。
在另一些实施例中,也可以通过对各初始人脸编码特征进行特征平均处理的方式,确定目标人脸编码特征。
S407:确定对齐后的待融合人脸图像的人脸属性信息。
其中,人脸属性信息是指,与待融合人脸图像的人脸相关的信息,如待融合人脸图像的肤色,又如待融合人脸图像的表情,再如待融合人脸图像的背景颜色,等等,此处不再一一列举。
S408:将人脸属性信息与目标人脸编码特征进行融合处理,得到融合后的人脸图像。
在本实施例中,通过将人脸属性信息与目标人脸编码特征确定融合后的人脸图像,使得融合后的人脸图像中既包括人脸图像属性信息(即待融合人脸图像的特征),又包括目标人脸编码特征(即用户人脸图像的特征),因此,可以使得融合后的人脸图像具有较高的可靠性和准确性,且尤其人脸属性信息包括上述多个维度的内容时,可以进一步提高融合后的人脸图像的丰富程度,满足用户的“换脸”需求和体验。
图5是根据本公开第三实施例的示意图,如图5所示,本公开实施例的人脸融合方法,包括:
S501:获取用户人脸图像和待融合人脸图像,将用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,并将待融合人脸图像与预设的标准人脸图像对齐,得到对齐后的待融合人脸图像。
示例性地,关于S501的实现原理,可以参见第一实施例的实现原理,也可以参见第二实施例的实现原理,此处不再赘述。
S502:将对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征。
同理,关于S502的实现原理,可以参见第一实施例的实现原理,也可以参见第二实施例的实现原理,此处不再赘述。
S503:基于预设的人脸融合模型,对目标人脸编码特征和对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
其中,人脸融合模型是:基于基础网络模型根据样本用户人脸图像和样本待融合人脸图像,生成训练融合人脸图像,并根据训练融合人脸图像的质量信息对基础网络模型的参数进行调整得到的。
应该理解地是,本实施例对基础网络模型的网络结构以及网络参数(如卷积核的层数等)不做限定。
训练融合人脸图像的质量信息用于表征融合人脸图像的质量,可以包括清晰度、分辨率、以及真实程度等。
在本实施例中,在基于基础网络模型生成训练融合人脸图像后,可以进一步确定训练融合人脸图像的质量信息,以基于该质量信息对基础网络模型进行调整,从而得到人脸融合模型,可以提高人脸融合模型在应用时的可靠性。例如,当基于人脸融合模型生成融合后的人脸图像时,可以使得融合后的人脸图像相对具有较高的图像质量。
在一些实施例中,训练融合人脸图像是由:基础网络模型根据样本用户人脸图像、样本待融合人脸图像、以及样本待融合人脸图像被区域分割得到的人脸分割信息生成的。
其中,人脸分割信息可以表征待融合人脸图像被分割的多个区域,以及每一区域中待融合人脸图像的人脸相关信息,如五官信息、背景信息(如背景颜色等)和肤色等。
在本实施例中,通过结合人脸分割信息确定训练融合人脸图像,使得训练融合人脸图像中尽可能多的包括待融合人脸图像的内容,从而实现训练的可靠性和有效性的技术效果。
图6是根据本公开第四实施例的示意图,如图6所示,本公开实施例的人脸融合模型的训练方法,包括:
S601:获取样本用户人脸图像和样本待融合人脸图像。
示例性地,本实施例的执行主体可以为人脸融合模型的训练装置(下文简称为训练装置),训练装置可以为与人脸融合装置相同的装置,也可以为与人脸融合装置不相同的装置,本实施例不做限定。
例如,若训练装置与人脸融合装置为不相同的装置,则在训练装置基于本公开提供的人脸融合模型的训练方法训练得到人脸融合模型时,可以将人脸融合模型传输至人脸融合装置,以由人脸融合装置对人脸融合模型进行部署,从而实现如上任意实施例所述的人脸融合方法。
应该理解地是,样本用户人脸图像和样本待融合人脸图像中的“样本”用于,与上述实施例中(即应用过程中)的用户人脸图像和待融合人脸图像进行区分。
关于S601的实现原理,可以参见上述实施例中获取用户人脸图像和待融合人脸图像的实现原理,此处不再赘述。
S602:基于基础网络模型对样本用户人脸图像和样本待融合人脸图像进行融合处理,生成训练融合人脸图像。
示例性地,基础网络模型可以为多层的网络结构,如可以包括输入层、特征层、卷积层、融合层、以及输出层等,以基于多层的网络结构生成训练融合人脸图像。
S603:确定训练融合人脸图像的质量信息,并根据质量信息对基础网络模型的参数进行调整,得到人脸融合模型。
其中,人脸融合模型用于对上任一实施例中的目标人脸编码特征和对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
在本实施例中,在基于基础网络模型生成训练融合人脸图像后,可以进一步确定训练融合人脸图像的质量信息(如清晰度、分辨率、以及真实程度等),以基于该质量信息对基础网络模型进行调整,从而得到人脸融合模型,可以使得人脸融合模型在应用时,可以输出质量相对较高的融合后的人脸图像,从而提高用户的“换脸”需求和体验。
图7是根据本公开第五实施例的示意图,如图7所示,本公开实施例的人脸融合模型的训练方法,包括:
S701:获取样本用户人脸图像和样本待融合人脸图像。
示例性地,关于S701的实现原理,可以参见第四实施例的描述,此处不再赘述。
S702:对样本待融合人脸图像进行区域分割,得到人脸分割信息。
S703:基于基础网络模型,对样本用户人脸图像、样本待融合人脸图像、以及人脸分割信息,生成训练融合人脸图像。
在本实施例中,通过结合人脸分割信息(如五官信息、背景信息(如背景颜色等)和肤色等),确定训练融合人脸图像,使得训练融合人脸图像中尽可能多的包括待融合人脸图像的内容,从而实现训练的可靠性和有效性的技术效果。
在一些实施例中,S703可以包括如下步骤:
第一步骤:确定样本用户人脸图像的训练编码特征,并确定样本待融合人脸图像的训练人脸属性信息。
在一些实施例中,训练编码特征是由多个人脸信息编码器对样本用户人脸图像分别进行编码得到的。
其中,关于该实施例的实现原理,可以参见上述实施例中,基于多个人脸信息编码器对用户人脸图像进行编码的实现原理,此处不再赘述。
同理,通过结合多个人脸信息编码器对样本用户人脸图像分别进行编码,可以提高编码的可靠性和准确性的技术效果。
第二步骤:基于基础网络模型,对训练编码特征、训练人脸属性信息以及人脸分割信息,生成训练融合人脸图像。
相对而言,训练人脸属性信息为对待融合人脸图像从整体上的属性信息的表征,如待融合人脸图像在整体上的肤色等;人脸分割信息是对待融合人脸图像各个区域的人脸属性上的表征,如各个区域的划分信息,以及每一区域内待融合人脸图像的肤色、背景颜色等。
在本实施例中,通过结合训练编码特征、训练人脸属性、以及人脸分割属性对基础网络模型进行训练,使得用于训练的样本待融合人脸图像的内容不仅可以表征宏观上的内容,也可以表征微观上的内容,从而可以提高训练的全面性和准确性的技术效果。
S704:确定训练融合人脸图像的清晰度。
例如,基础网络模型对训练过程中的训练融合人脸图像的质量进行监测,且具体可以为对训练融合人脸图像的清晰度进行监测。
在另一些实施例中,清晰度还可以为真实程度,也可以为分辨率,当然,也可以为清晰度、真实程度、以及分辨率中的至少两种的组合。其实现原理与本实施例相同,故不再一一列举。
S705:响应于清晰度小于预设的清晰度阈值,调整基础网络模型的参数,直至得到满足大于清晰度阈值的清晰度,并将满足大于清晰度阈值的清晰度对应的基础网络模型,确定为人脸融合模型。
示例性地,若清晰度小于清晰度阈值,则说明基础网络模型的质量可进一步提升,因此,可以通过梯度回传的方式对基础网络模型的参数进行调整,直至满足调整后的基础网络模型输出的训练融合人脸图像的清晰度达到清晰度阈值,并将达到清晰度阈值的调整后的基础网络模型确定为人脸融合模型,以使得人脸融合模型在应用时,可以输出质量相对较高的融合后的人脸图像,从而提高人脸融合的可靠性。
图8是根据本公开第六实施例的示意图,如图8所示,本公开实施例的人脸融合装置800,包括:
第一获取单元801,用于获取用户人脸图像和待融合人脸图像。
对齐单元802,用于将用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,并将待融合人脸图像与预设的标准人脸图像对齐,得到对齐后的待融合人脸图像。
输入单元803,用于将对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征。
融合单元804,用于对目标人脸编码特征和对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
图9是根据本公开第七实施例的示意图,如图9所示,本公开实施例的人脸融合装置900,包括:
第一获取单元901,用于获取用户人脸图像和待融合人脸图像。
对齐单元902,用于将用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,并将待融合人脸图像与预设的标准人脸图像对齐,得到对齐后的待融合人脸图像。
结合图9可知,在一些实施例中,对齐单元902,包括:
第三确定子单元9021,用于分别确定所述用户人脸图像的关键点、以及标准人脸图像的关键点。
第四确定子单元9022,用于根据用户人脸图像的关键点、以及标准人脸图像的关键点,确定用于将用户人脸图像与所述标准人脸图像对齐的变换矩阵。
对齐子单元9023,用于根据变换矩阵将用户人脸图像与标准人脸图像对齐,得到对齐后的用户人脸图像。
输入单元903,用于将对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征。
结合图9可知,在一些实施例中,输入单元903,包括:
第一确定子单元9031,用于基于每一人脸信息编码器分别确定对齐后的用户人脸图像的初始人脸编码特征。
合并子单元9032,用于对各初始人脸编码特征进行合并处理,得到目标人脸编码特征。
在一些实施例中,合并子单元9032,包括:
分配模块,用于为每一人脸信息编码器分配权重。
合并模块,用于根据每一人脸信息编码器确定出的初始人脸编码特征、以及每一人脸信息编码器的权重,合并生成目标人脸编码特征。
融合单元904,用于对目标人脸编码特征和对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
结合图9可知,在一些实施例中,融合单元904,包括:
第二确定子单元9041,用于确定对齐后的待融合人脸图像的人脸属性信息。
融合子单元9042,用于将人脸属性信息与目标人脸编码特征进行融合处理,得到融合后的人脸图像。
在另一些实施例中,融合单元904用于,基于预设的人脸融合模型,对目标人脸编码特征和对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
其中,人脸融合模型是:基于基础网络模型根据样本用户人脸图像和样本待融合人脸图像,生成训练融合人脸图像,并根据训练融合人脸图像的质量信息对基础网络模型的参数进行调整得到的。
在一些实施例中,训练融合人脸图像是由:基础网络模型根据样本用户人脸图像、样本待融合人脸图像、以及样本待融合人脸图像被区域分割得到的人脸分割信息生成的。
图10是根据本公开第八实施例的示意图,如图10所示,本公开实施例的人脸融合模型的训练装置1000,包括:
第二获取单元1001,用于获取样本用户人脸图像和样本待融合人脸图像。
生成单元1002,用于基于基础网络模型对样本用户人脸图像和样本待融合人脸图像进行融合处理,生成训练融合人脸图像。
确定单元1003,用于确定训练融合人脸图像的质量信息。
调整单元1004,用于根据质量信息对基础网络模型的参数进行调整,得到人脸融合模型,其中,人脸融合模型执行如上任一实施例中所述的装置的融合单元的过程。
图11是根据本公开第九实施例的示意图,如图11所示,本公开实施例的人脸融合模型的训练装置1100,包括:
第二获取单元1101,用于获取样本用户人脸图像和样本待融合人脸图像。
生成单元1102,用于基于基础网络模型对样本用户人脸图像和样本待融合人脸图像进行融合处理,生成训练融合人脸图像。
结合图11可知,在一些实施例中,生成单元1102,包括:
分割子单元11021,用于对样本待融合人脸图像进行区域分割,得到人脸分割信息。
生成子单元11022,用于基于基础网络模型,对样本用户人脸图像、样本待融合人脸图像、以及人脸分割信息,生成训练融合人脸图像。
在一些实施例中,生成子单元11022,包括:
确定模块,用于确定样本用户人脸图像的训练编码特征,并确定样本待融合人脸图像的训练人脸属性信息。
生成模块,用于基于基础网络模型,对训练编码特征、训练人脸属性信息以及人脸分割信息,生成训练融合人脸图像。
在一些实施例中,训练编码特征是由多个人脸信息编码器对样本用户人脸图像分别进行编码得到的。
确定单元1103,用于确定训练融合人脸图像的质量信息。
调整单元1104,用于根据质量信息对基础网络模型的参数进行调整,得到人脸融合模型,其中,人脸融合模型执行如上任一实施例中所述的装置的融合单元的过程。
在一些实施例中,质量信息包括清晰度,结合图11可知,调整单元1104,包括:
调整子单元11041,用于响应于清晰度小于预设的清晰度阈值,调整基础网络模型的参数,直至得到满足大于清晰度阈值的清晰度。
第五确定子单元11042,用于将满足大于清晰度阈值的清晰度对应的基础网络模型,确定为人脸融合模型。
需要说明的是,本实施例中的人脸融合模型并不是针对某一特定用户的人脸融合模型,并不能反映出某一特定用户的个人信息。需要说明的是,本实施例中的各图像来自于公开数据集。
本公开的技术方案中,所涉及的用户相关信息(如样本用户人脸图像、用户人脸图像、待融合人脸图像、样本待融合人脸图像等)的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,电子设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如人脸融合方法、人脸融合模型的训练方法。例如,在一些实施例中,人脸融合方法、人脸融合模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的人脸融合方法、人脸融合模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人脸融合方法、人脸融合模型的训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
根据本公开实施例的另一个方面,本公开实施例还提供了一种智能终端,包括:图像采集装置和如上任一实施例所述的人脸融合装置,其中,
图像采集装置,用于获取用户人脸图像。
例如,智能终端中存储有待融合人脸图像,待融合人脸图像可以为用户预先存储至智能终端中的,也可以为用户在有人脸融合需求中,基于网络获取并存储至智能终端的,等等,本实施例不做限定。
其中,智能终端可以为手机(也可以为笔记本电脑、迷你电脑、智能手表、智能手环等),图像采集装置可以为设置于手机(也可以为笔记本电脑、迷你电脑、智能手表、智能手环等)的摄像头。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (28)
1.一种人脸融合方法,包括:
获取用户人脸图像和待融合人脸图像,将所述用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,并将所述待融合人脸图像与所述预设的标准人脸图像对齐,得到对齐后的待融合人脸图像;
将所述对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征;
对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
2.根据权利要求1所述的方法,其中,将所述对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到所述对齐后的用户人脸图像的目标人脸编码特征,包括:
基于每一人脸信息编码器分别确定所述对齐后的用户人脸图像的初始人脸编码特征;
对各初始人脸编码特征进行合并处理,得到所述目标人脸编码特征。
3.根据权利要求2所述的方法,其中,对各初始人脸编码特征进行合并处理,得到所述目标人脸编码特征,包括:
为所述每一人脸信息编码器分配权重;
根据所述每一人脸信息编码器确定出的初始人脸编码特征、以及所述每一人脸信息编码器的权重,合并生成所述目标人脸编码特征。
4.根据权利要求1至3中任一项所述的方法,其中,对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像,包括:
确定所述对齐后的待融合人脸图像的人脸属性信息;
将所述人脸属性信息与所述目标人脸编码特征进行融合处理,得到融合后的人脸图像。
5.根据权利要求1至4中任一项所述的方法,其中,将所述用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,包括:
分别确定所述用户人脸图像的关键点、以及所述标准人脸图像的关键点;
根据所述用户人脸图像的关键点、以及所述标准人脸图像的关键点,确定用于将所述用户人脸图像与所述标准人脸图像对齐的变换矩阵,并根据所述变换矩阵将所述用户人脸图像与所述标准人脸图像对齐,得到所述对齐后的用户人脸图像。
6.根据权利要求1至5中任一项所述的方法,其中,对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像,包括:
基于预设的人脸融合模型,对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像;
其中,所述人脸融合模型是:基于基础网络模型根据样本用户人脸图像和样本待融合人脸图像,生成训练融合人脸图像,并根据所述训练融合人脸图像的质量信息对所述基础网络模型的参数进行调整得到的。
7.根据权利要求6所述的方法,其中,所述训练融合人脸图像是由:所述基础网络模型根据所述样本用户人脸图像、所述样本待融合人脸图像、以及样本待融合人脸图像被区域分割得到的人脸分割信息生成的。
8.一种人脸融合模型的训练方法,包括:
获取样本用户人脸图像和样本待融合人脸图像;
基于基础网络模型对所述样本用户人脸图像和所述样本待融合人脸图像进行融合处理,生成训练融合人脸图像;
确定所述训练融合人脸图像的质量信息,并根据所述质量信息对所述基础网络模型的参数进行调整,得到人脸融合模型,其中,所述人脸融合模型执行如权利要求1至7中任一项所述的对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像的步骤。
9.根据权利要求8所述的方法,其中,所述质量信息包括清晰度;根据所述质量信息对所述基础网络模型的参数进行调整,得到人脸融合模型,包括:
响应于所述清晰度小于预设的清晰度阈值,调整所述基础网络模型的参数,直至得到满足大于所述清晰度阈值的清晰度,并将满足大于所述清晰度阈值的清晰度对应的基础网络模型,确定为所述人脸融合模型。
10.根据权利要求8或9所述的方法,其中,基于基础网络模型对所述样本用户人脸图像和所述样本待融合人脸图像进行融合处理,生成训练融合人脸图像,包括:
对所述样本待融合人脸图像进行区域分割,得到人脸分割信息;
基于所述基础网络模型,对所述样本用户人脸图像、所述样本待融合人脸图像、以及所述人脸分割信息,生成所述训练融合人脸图像。
11.根据权利要求10所述的方法,其中,基于所述基础网络模型,对所述样本用户人脸图像、所述样本待融合人脸图像、以及所述人脸分割信息,生成所述训练融合人脸图像,包括:
确定所述样本用户人脸图像的训练编码特征,并确定所述样本待融合人脸图像的训练人脸属性信息;
基于所述基础网络模型,对所述训练编码特征、训练人脸属性信息以及所述人脸分割信息,生成所述训练融合人脸图像。
12.根据权利要求11所述的方法,其中,所述训练编码特征是由多个人脸信息编码器对所述样本用户人脸图像分别进行编码得到的。
13.一种人脸融合装置,包括:
第一获取单元,用于获取用户人脸图像和待融合人脸图像;
对齐单元,用于将所述用户人脸图像与预设的标准人脸图像对齐,得到对齐后的用户人脸图像,并将所述待融合人脸图像与所述预设的标准人脸图像对齐,得到对齐后的待融合人脸图像;
输入单元,用于将所述对齐后的用户人脸图像分别输入至多个人脸信息编码器,得到目标人脸编码特征;
融合单元,用于对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像。
14.根据权利要求13所述的装置,其中,所述输入单元,包括:
第一确定子单元,用于基于每一人脸信息编码器分别确定所述对齐后的用户人脸图像的初始人脸编码特征;
合并子单元,用于对各初始人脸编码特征进行合并处理,得到所述目标人脸编码特征。
15.根据权利要求14所述的装置,其中,所述合并子单元,包括:
分配模块,用于为所述每一人脸信息编码器分配权重;
合并模块,用于根据所述每一人脸信息编码器确定出的初始人脸编码特征、以及所述每一人脸信息编码器的权重,合并生成所述目标人脸编码特征。
16.根据权利要求13至15中任一项所述的装置,其中,所述融合单元,包括:
第二确定子单元,用于确定所述对齐后的待融合人脸图像的人脸属性信息;
融合子单元,用于将所述人脸属性信息与所述目标人脸编码特征进行融合处理,得到融合后的人脸图像。
17.根据权利要求13至16中任一项所述的装置,其中,所述对齐单元,包括:
第三确定子单元,用于分别确定所述用户人脸图像的关键点、以及所述标准人脸图像的关键点;
第四确定子单元,用于根据所述用户人脸图像的关键点、以及所述标准人脸图像的关键点,确定用于将所述用户人脸图像与所述标准人脸图像对齐的变换矩阵;
对齐子单元,用于根据所述变换矩阵将所述用户人脸图像与所述标准人脸图像对齐,得到所述对齐后的用户人脸图像。
18.根据权利要求13至17中任一项所述的装置,其中,所述融合单元用于,基于预设的人脸融合模型,对所述目标人脸编码特征和所述对齐后的待融合人脸图像进行融合处理,得到融合后的人脸图像;
其中,所述人脸融合模型是:基于基础网络模型根据样本用户人脸图像和样本待融合人脸图像,生成训练融合人脸图像,并根据所述训练融合人脸图像的质量信息对所述基础网络模型的参数进行调整得到的。
19.根据权利要求18所述的装置,其中,所述训练融合人脸图像是由:所述基础网络模型根据所述样本用户人脸图像、所述样本待融合人脸图像、以及样本待融合人脸图像被区域分割得到的人脸分割信息生成的。
20.一种人脸融合模型的训练装置,包括:
第二获取单元,用于获取样本用户人脸图像和样本待融合人脸图像;
生成单元,用于基于基础网络模型对所述样本用户人脸图像和所述样本待融合人脸图像进行融合处理,生成训练融合人脸图像;
确定单元,用于确定所述训练融合人脸图像的质量信息;
调整单元,用于根据所述质量信息对所述基础网络模型的参数进行调整,得到人脸融合模型,其中,所述人脸融合模型执行如权利要求13至19中任一项所述的装置的融合单元的过程。
21.根据权利要求20所述的装置,其中,所述质量信息包括清晰度;所述调整单元,包括:
调整子单元,用于响应于所述清晰度小于预设的清晰度阈值,调整所述基础网络模型的参数,直至得到满足大于所述清晰度阈值的清晰度;
第五确定子单元,用于将满足大于所述清晰度阈值的清晰度对应的基础网络模型,确定为所述人脸融合模型。
22.根据权利要求20或21所述的装置,其中,所述生成单元,包括:
分割子单元,用于对所述样本待融合人脸图像进行区域分割,得到人脸分割信息;
生成子单元,用于基于所述基础网络模型,对所述样本用户人脸图像、所述样本待融合人脸图像、以及所述人脸分割信息,生成所述训练融合人脸图像。
23.根据权利要求22所述的装置,其中,所述生成子单元,包括:
确定模块,用于确定所述样本用户人脸图像的训练编码特征,并确定所述样本待融合人脸图像的训练人脸属性信息;
生成模块,用于基于所述基础网络模型,对所述训练编码特征、训练人脸属性信息以及所述人脸分割信息,生成所述训练融合人脸图像。
24.根据权利要求23所述的装置,其中,所述训练编码特征是由多个人脸信息编码器对所述样本用户人脸图像分别进行编码得到的。
25.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法;或者,以使所述至少一个处理器能够执行权利要求8至12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1至7中任一项所述的方法;或者,所述计算机指令用于使所述计算机执行权利要求8至12中任一项所述的方法。
27.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤;或者,该计算机程序被处理器执行时实现权利要求8至12中任一项所述方法的步骤。
28.一种智能终端,包括:
图像采集装置,用于获取用户人脸图像;
如权利要求13至19中任一项所述的人脸融合装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960390.7A CN113642491A (zh) | 2021-08-20 | 2021-08-20 | 人脸融合方法、人脸融合模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960390.7A CN113642491A (zh) | 2021-08-20 | 2021-08-20 | 人脸融合方法、人脸融合模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642491A true CN113642491A (zh) | 2021-11-12 |
Family
ID=78423093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960390.7A Pending CN113642491A (zh) | 2021-08-20 | 2021-08-20 | 人脸融合方法、人脸融合模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642491A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170342A (zh) * | 2021-12-10 | 2022-03-11 | 北京字跳网络技术有限公司 | 图像处理方法、装置、设备及存储介质 |
CN114821717A (zh) * | 2022-04-20 | 2022-07-29 | 北京百度网讯科技有限公司 | 目标对象融合方法、装置、电子设备及存储介质 |
WO2023184817A1 (zh) * | 2022-03-30 | 2023-10-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备、计算机可读存储介质及计算机程序产品 |
JP7479507B2 (ja) | 2022-03-30 | 2024-05-08 | ▲騰▼▲訊▼科技(深▲セン▼)有限公司 | 画像処理方法及び装置、コンピューター機器、並びにコンピュータープログラム |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415166A (zh) * | 2019-07-29 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 融合图像处理模型的训练方法、图像处理方法、装置及存储介质 |
CN111401216A (zh) * | 2020-03-12 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 图像处理、模型训练方法、装置、计算机设备和存储介质 |
CN111783647A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 人脸融合模型的训练方法、人脸融合方法、装置及设备 |
CN111860167A (zh) * | 2020-06-18 | 2020-10-30 | 北京百度网讯科技有限公司 | 人脸融合模型获取及人脸融合方法、装置及存储介质 |
WO2020258668A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 基于对抗网络模型的人脸图像生成方法及装置、非易失性可读存储介质、计算机设备 |
CN112581635A (zh) * | 2021-02-26 | 2021-03-30 | 北京智源人工智能研究院 | 一种通用的快速换脸方法、装置、电子设备和存储介质 |
CN113096055A (zh) * | 2021-03-24 | 2021-07-09 | 北京达佳互联信息技术有限公司 | 图像生成模型的训练方法、装置、电子设备及存储介质 |
CN113240792A (zh) * | 2021-04-29 | 2021-08-10 | 浙江大学 | 一种基于人脸重建的图像融合生成式换脸方法 |
WO2021155713A1 (zh) * | 2020-09-08 | 2021-08-12 | 平安科技(深圳)有限公司 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
-
2021
- 2021-08-20 CN CN202110960390.7A patent/CN113642491A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020258668A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 基于对抗网络模型的人脸图像生成方法及装置、非易失性可读存储介质、计算机设备 |
CN110415166A (zh) * | 2019-07-29 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 融合图像处理模型的训练方法、图像处理方法、装置及存储介质 |
CN111401216A (zh) * | 2020-03-12 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 图像处理、模型训练方法、装置、计算机设备和存储介质 |
CN111860167A (zh) * | 2020-06-18 | 2020-10-30 | 北京百度网讯科技有限公司 | 人脸融合模型获取及人脸融合方法、装置及存储介质 |
CN111783647A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 人脸融合模型的训练方法、人脸融合方法、装置及设备 |
WO2021155713A1 (zh) * | 2020-09-08 | 2021-08-12 | 平安科技(深圳)有限公司 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
CN112581635A (zh) * | 2021-02-26 | 2021-03-30 | 北京智源人工智能研究院 | 一种通用的快速换脸方法、装置、电子设备和存储介质 |
CN113096055A (zh) * | 2021-03-24 | 2021-07-09 | 北京达佳互联信息技术有限公司 | 图像生成模型的训练方法、装置、电子设备及存储介质 |
CN113240792A (zh) * | 2021-04-29 | 2021-08-10 | 浙江大学 | 一种基于人脸重建的图像融合生成式换脸方法 |
Non-Patent Citations (4)
Title |
---|
XIN-YI PENG: "Masked Face Detection Based on Locally Nonlinear Feature Fusion", ICSCA \'20: PROCEEDINGS OF THE 2020 9TH INTERNATIONAL CONFERENCE ON SOFTWARE AND COMPUTER APPLICATIONS, 17 April 2020 (2020-04-17) * |
傅杰;黄树成;: "多特征融合的级联回归人脸对齐方法研究", 江苏科技大学学报(自然科学版), no. 03, 15 June 2020 (2020-06-15) * |
徐海月;姚乃明;彭晓兰;陈辉;王宏安;: "基于编解码网络的多姿态人脸图像正面化方法", 中国科学:信息科学, no. 04, 15 April 2019 (2019-04-15) * |
陈勇;黄婷婷;张开碧;郝裕斌;帅峰;: "结合Gabor特征和深度信念网络的人脸姿态分类", 半导体光电, no. 05, 15 October 2015 (2015-10-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170342A (zh) * | 2021-12-10 | 2022-03-11 | 北京字跳网络技术有限公司 | 图像处理方法、装置、设备及存储介质 |
WO2023184817A1 (zh) * | 2022-03-30 | 2023-10-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备、计算机可读存储介质及计算机程序产品 |
JP7479507B2 (ja) | 2022-03-30 | 2024-05-08 | ▲騰▼▲訊▼科技(深▲セン▼)有限公司 | 画像処理方法及び装置、コンピューター機器、並びにコンピュータープログラム |
CN114821717A (zh) * | 2022-04-20 | 2022-07-29 | 北京百度网讯科技有限公司 | 目标对象融合方法、装置、电子设备及存储介质 |
CN114821717B (zh) * | 2022-04-20 | 2024-03-12 | 北京百度网讯科技有限公司 | 目标对象融合方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642491A (zh) | 人脸融合方法、人脸融合模型的训练方法及装置 | |
CN113643412B (zh) | 虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN112561077A (zh) | 多任务模型的训练方法、装置及电子设备 | |
CN113378911B (zh) | 图像分类模型训练、图像分类方法及相关装置 | |
CN112784765B (zh) | 用于识别动作的方法、装置、设备以及存储介质 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
EP4123595A2 (en) | Method and apparatus of rectifying text image, training method and apparatus, electronic device, and medium | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN112988727A (zh) | 数据标注方法、装置、设备、存储介质及计算机程序产品 | |
CN113344862A (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN112862934B (zh) | 用于处理动画的方法、装置、设备、介质和产品 | |
CN116524165B (zh) | 三维表情模型的迁移方法、装置、设备和存储介质 | |
CN112529159A (zh) | 网络训练方法、装置及电子设备 | |
CN117036574A (zh) | 渲染方法、装置、电子设备以及存储介质 | |
CN112529161A (zh) | 生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置 | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN113361535B (zh) | 图像分割模型训练、图像分割方法及相关装置 | |
CN114581586A (zh) | 一种模型基底的生成方法、装置、电子设备及存储介质 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN113656689A (zh) | 模型生成方法和网络信息的推送方法 | |
CN113032251A (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
CN113438428B (zh) | 用于视频自动化生成的方法、装置、设备和计算机可读存储介质 | |
CN114820686B (zh) | 抠图的方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |