[發明專利]一種人臉圖像的處理方法和設備

在審

• 申請號: 202010623139.7
• 申請日: 2020-06-30
• 公開（公告）號: CN111951373A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 徐博
• 申請（專利權）人: 重慶靈翎互娛科技有限公司
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06T15/50;G06N3/04;G06N3/08
• 代理公司: 北京睿博行遠知識產權代理有限公司 11297
• 代理人: 龔家驊

1.一種人臉圖像的處理方法，其特征在于，預先基于訓練數據和預設神經網絡結構生成預設神經網絡模型，所述方法包括：

接收待處理人臉圖像，并基于所述預設神經網絡模型獲取所述待處理人臉圖像的光照參數，所述光照參數包括球諧光照系數和法線貼圖；

根據所述待處理人臉圖像和所述光照參數生成所述待處理人臉圖像的去光圖像；

其中，所述預設神經網絡結構中包括卷積神經網絡塊模型和卷積核，所述訓練數據包括預設人臉圖像、所述預設人臉圖像的真實球諧光照系數和真實法線貼圖。

2.如權利要求1所述的方法，其特征在于，根據所述待處理人臉圖像和所述光照參數生成所述待處理人臉圖像的去光圖像，具體為：

基于所述待處理人臉圖像獲取與所述待處理人臉圖像對應的第一矩陣；

基于所述光照參數獲取與所述球諧光照系數對應的第二矩陣和與所述法線貼圖對應的第三矩陣；

根據所述第一矩陣、所述第二矩陣和所述第三矩陣獲取第四矩陣，并基于所述第四矩陣獲取所述去光圖像。

3.如權利要求2所述的方法，其特征在于，根據所述第一矩陣、所述第二矩陣和所述第三矩陣獲取第四矩陣，具體為：

根據去光公式獲取所述第四矩陣，所述去光公式具體為：A＝B/(C×D)，

其中，A為所述第四矩陣，B為所述第一矩陣，C為所述第二矩陣，D為所述第三矩陣。

4.如權利要求1所述的方法，其特征在于，所述卷積神經網絡塊模型為殘差網絡塊模型，其中，預設數量的殘差網絡塊模型不連接所述預設神經網絡結構的全連接層。

5.如權利要求1所述的方法，其特征在于，所述訓練數據為經過數據增強處理的數據，所述數據增強處理包括增加所述預設人臉圖像的背景和或改變所述預設人臉圖像的旋轉角度。

6.如權利要求1所述的方法，其特征在于，基于訓練數據和預設神經網絡結構生成預設神經網絡模型，具體為：

根據所述預設人臉圖像的長度和寬度確定預設神經網絡結構的初始參數，所述初始參數包括輸入層的單元個數、各隱藏層的輸入數量和輸出數量、初始權重值；

將所述預設人臉圖像輸入所述輸入層，并基于前向傳播算法和所述初始參數確定輸出層結果；

根據所述輸出層結果和所述訓練數據確定損失函數；

基于最優化算法與反向傳播算法按預設學習率進行訓練，并根據所述訓練的結果確定所述損失函數的最小損失值，所述預設學習率為基于適應性矩陣估計Adam算法確定的學習率；

根據所述最小損失值對應的權重值確定所述預設神經網絡模型。

7.一種人臉圖像的處理設備，其特征在于，所述設備包括：

獲取模塊，用于接收待處理人臉圖像，并基于預設神經網絡模型獲取所述待處理人臉圖像的光照參數，所述光照參數包括球諧光照系數和法線貼圖，所述預設神經網絡模型是預先基于訓練數據和預設神經網絡結構生成；

生成模塊，用于根據所述待處理人臉圖像和所述光照參數生成所述待處理人臉圖像的去光圖像；

其中，所述預設神經網絡結構中包括卷積神經網絡塊模型和卷積核，所述訓練數據包括預設人臉圖像、所述預設人臉圖像的真實球諧光照系數和真實法線貼圖。

8.如權利要求7所述的設備，其特征在于，所述生成模塊，具體用于：

基于所述待處理人臉圖像獲取與所述待處理人臉圖像對應的第一矩陣；

基于所述光照參數獲取與所述球諧光照系數對應的第二矩陣和與所述法線貼圖對應的第三矩陣；

根據所述第一矩陣、所述第二矩陣和所述第三矩陣獲取第四矩陣，并基于所述第四矩陣獲取所述去光圖像。

9.如權利要求8所述的設備，其特征在于，所述生成模塊，還用于：

根據去光公式獲取所述第四矩陣，所述去光公式具體為：A＝B/(C×D)，

其中，A為所述第四矩陣，B為所述第一矩陣，C為所述第二矩陣，D為所述第三矩陣。

10.如權利要求7所述的設備，其特征在于，所述卷積神經網絡塊模型為殘差網絡塊模型，其中，預設數量的殘差網絡塊模型不連接所述預設神經網絡結構的全連接層。