[發明專利]一種基于深度卷積對抗網絡模型的人臉生成方法

在審

• 申請號: 201711122611.3
• 申請日: 2017-11-14
• 公開（公告）號: CN107944358A
• 公開（公告）日: 2018-04-20
• 發明（設計）人: 周智恒;李立軍
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 李斌

技術領域

本發明涉及深度學習神經網絡技術領域，具體涉及一種基于深度卷積對抗網絡模型的人臉生成方法。

背景技術

生成式對抗網絡(Generative Adversarial Network,簡稱GAN)是由Goodfellow在2014年提出的深度學習框架，它基于“博奕論”的思想，構造生成器(generator)和判別器(discriminator)兩種模型，前者通過輸入(0，1)的均勻噪聲或高斯隨機噪聲生成圖像，后者對輸入的圖像進行判別，確定是來自數據集的圖像還是由生成器產生的圖像。

在傳統的對抗網絡模型中，對于輸入判別器的數據集沒有過多的要求，生成器生成圖像的數據分布沒有針對性。另外，在網絡訓練每次迭代的過程中，生成器和判別器的訓練次數并沒有定量的標準，這使得整個網絡的魯棒性較差，訓練效率較為低下。

發明內容

本發明的目的是為了解決現有技術中的上述缺陷，提供一種基于深度卷積對抗網絡模型的人臉生成方法。

本發明的目的可以通過采取如下技術方案達到：

一種基于深度卷積對抗網絡模型的人臉生成方法，所述的人臉生成方法包括下列步驟：

S1、構造原始生成對抗網絡模型，通過生成器生成圖像輸入至判別器進行網絡訓練；

S2、構造深度卷積神經網絡充當生成器與判別器；

S3、初始化隨機噪聲，輸入生成器中；

S4、將人臉圖像數據集輸入判別器中進行訓練；

S5、將人臉識別操作得到的損失函數輸入生成器進行后續訓練。

進一步地，所述的步驟S4具體過程如下：

S41、準備人臉圖像的數據集；

S42、將生成器生成圖像與人臉圖像數據集一并輸入判別器進行訓練；

S43、分析損失函數，調整每次迭代過程中生成器與判別器的訓練次數。

進一步地，所述的步驟S43中分析損失函數，調整每次迭代過程中生成器與判別器的訓練次數具體如下：

設定生成器的損失函數為A，判別器的損失函數為B，在每次迭代的過程中，若A-B為正，則增加生成器的訓練次數，否則增加判別器的訓練次數。

進一步地，所述的損失函數的表達式為：

其中，D(x)表示判別器對圖像的判別，pr表示數據集圖像的分布，pg表示生成圖像的分布，λ為超參數，為梯度，E為取均值的操作符號。

本發明相對于現有技術具有如下的優點及效果：

針對性：本發明根據人臉識別的操作過程，通過準備好人臉圖像的數據集，判別器的檢測能力有了更強的針對性。同時，通過訓練著重訓練生成器的能力，判別器成為輔助部分，判別器對人臉識別的能力進一步增強。

附圖說明

圖1是本發明中原始生成對抗網絡通過人臉識別進行訓練的整體流程圖。

具體實施方式

為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例?；诒景l明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

實施例

本實施例公開了一種基于深度卷積對抗網絡模型的人臉生成方法，如附圖1所示，具體包括下列步驟：

步驟S1、構造原始生成對抗網絡模型，通過生成器生成圖像輸入至判別器進行網絡訓練。

步驟S2、構造深度卷積神經網絡充當生成器與判別器；

不同的卷積核，體現在矩陣數值的不同、行列數的不同。

構造多個卷積核，在處理圖像的過程中，不同的卷積核意味著能夠在網絡訓練的過程中學習到生成圖像的不同特征。

在傳統的對抗網絡模型中，對于輸入判別器的數據集沒有過多的要求，生成器生成圖像的數據分布沒有針對性。另外，在網絡訓練每次迭代的過程中，生成器和判別器的訓練次數并沒有定量的標準，這使得整個網絡的魯棒性較差，訓練效率較為低下。而本發明根據人臉識別的操作過程，通過準備好人臉圖像的數據集，判別器的檢測能力有了更強的針對性。同時，通過訓練著重訓練生成器的能力，判別器成為輔助部分，判別器對人臉識別的能力進一步增強。在實際應用中，應該根據數據集圖像特征的復雜程度，設置卷積核的個數。

步驟S3、初始化隨機噪聲，輸入生成器中。

步驟S4、將人臉圖像數據集輸入判別器中進行訓練。

具體過程如下：