[發(fā)明專(zhuān)利]基于人工智能的換臉?lè)椒ā⒀b置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210044175.7
• 申請(qǐng)日: 2022-01-14
• 公開(kāi)（公告）號(hào): CN114387656A
• 公開(kāi)（公告）日: 2022-04-22
• 發(fā)明（設(shè)計(jì)）人: 張舒怡
• 申請(qǐng)（專(zhuān)利權(quán)）人: 平安科技（深圳）有限公司
• 主分類(lèi)號(hào): G06V40/16
• 分類(lèi)號(hào): G06V40/16;G06V10/82;G06V10/80;G06V10/74;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市力道知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44507
• 代理人: 張傳義

1.一種基于人工智能的換臉?lè)椒ǎ涮卣髟谟冢ǎ?/p>

獲取第一樣本數(shù)據(jù)集，并根據(jù)所述第一樣本數(shù)據(jù)集對(duì)第一生成式對(duì)抗網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至所述第一生成式對(duì)抗網(wǎng)絡(luò)模型收斂；

獲取第二樣本數(shù)據(jù)集，并根據(jù)所述第二樣本數(shù)據(jù)集對(duì)第二生成式對(duì)抗網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至所述第二生成式對(duì)抗網(wǎng)絡(luò)模型收斂；

獲取源人像和目標(biāo)人像，并運(yùn)行收斂后的所述第一生成式對(duì)抗網(wǎng)絡(luò)模型對(duì)所述源人像和所述目標(biāo)人像進(jìn)行處理，得到第一人臉圖像；

確定所述第一人臉圖像的關(guān)鍵點(diǎn)特征向量，并從所述目標(biāo)人像中提取第一目標(biāo)面部圖像和從所述第一人臉圖像提取第二目標(biāo)面部圖像；

運(yùn)行收斂后的第二生成式對(duì)抗網(wǎng)絡(luò)模型，利用所述關(guān)鍵點(diǎn)特征向量、第一目標(biāo)面部圖像和第二目標(biāo)面部圖像對(duì)所述第一人臉圖像進(jìn)行處理，得到第二人臉圖像；

對(duì)所述第二人臉圖像和所述目標(biāo)人像進(jìn)行融合，得到目標(biāo)換臉人像。

2.根據(jù)權(quán)利要求1所述的基于人工智能的換臉?lè)椒ǎ涮卣髟谟冢龅谝簧墒綄?duì)抗網(wǎng)絡(luò)模型包括面部特征提取網(wǎng)絡(luò)、屬性特征提取網(wǎng)絡(luò)和第一生成式對(duì)抗網(wǎng)絡(luò)，所述第一樣本數(shù)據(jù)集包括多個(gè)人像對(duì)，所述人像對(duì)包括第一源人像和第二目標(biāo)人像，所述根據(jù)所述第一樣本數(shù)據(jù)集對(duì)第一生成式對(duì)抗網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至所述第一生成式對(duì)抗網(wǎng)絡(luò)模型收斂，包括：

從所述第一樣本數(shù)據(jù)集中選擇一個(gè)人像對(duì)作為目標(biāo)人像對(duì)；

將所述目標(biāo)人像對(duì)中的第一源人像輸入所述面部特征提取網(wǎng)絡(luò)進(jìn)行面部特征提取，得到第一面部特征向量；

將所述目標(biāo)人像對(duì)中的第一目標(biāo)人像輸入所述屬性特征網(wǎng)絡(luò)進(jìn)行屬性特征提取，得到第一屬性特征向量；

將所述第一面部特征向量和第一屬性特征向量輸入第一生成式對(duì)抗網(wǎng)絡(luò)進(jìn)行處理，得到第一預(yù)測(cè)人臉圖像；

確定所述第一預(yù)測(cè)人臉圖像的第二面部特征向量以及所述第一預(yù)測(cè)人臉圖像的第二屬性特征向量；

根據(jù)所述第一面部特征向量、第一屬性特征向量、第二面部特征向量、第二屬性特征向量、第一源人像和第一預(yù)測(cè)人臉圖像，計(jì)算第一模型損失值；

根據(jù)第一模型損失值確定所述第一生成式對(duì)抗網(wǎng)絡(luò)模型是否收斂；

若第一生成式對(duì)抗網(wǎng)絡(luò)模型未收斂，則更新第一生成式對(duì)抗網(wǎng)絡(luò)模型的模型參數(shù)；

返回執(zhí)行所述從所述第一樣本數(shù)據(jù)集中選擇一個(gè)人像對(duì)作為目標(biāo)人像對(duì)的步驟，直至所述第一生成式對(duì)抗網(wǎng)絡(luò)模型收斂。

3.根據(jù)權(quán)利要求2所述的基于人工智能的換臉?lè)椒ǎ涮卣髟谟冢龈鶕?jù)所述第一面部特征向量、第一屬性特征向量、第二面部特征向量、第二屬性特征向量、第一源人像和第一預(yù)測(cè)人臉圖像，計(jì)算第一模型損失值，包括：

確定所述第一面部特征向量與所述第二面部特征向量之間的第一相似度；

確定所述第一屬性特征向量與所述第二屬性特征向量之間的第二相似度；

確定所述第一源人像與所述第一預(yù)測(cè)人臉圖像之間的第三相似度；

根據(jù)所述第一相似度、第二相似度和第三相似度，計(jì)算第一模型損失值。

4.根據(jù)權(quán)利要求3所述的基于人工智能的換臉?lè)椒ǎ涮卣髟谟冢龈鶕?jù)所述第一相似度、第二相似度和第三相似度，計(jì)算第一模型損失值，包括：

獲取第一加權(quán)系數(shù)、第二加權(quán)系數(shù)和第三加權(quán)系數(shù)；

計(jì)算所述第一相似度與所述第一加權(quán)系數(shù)之間的乘積，得到第一損失值；

計(jì)算所述第二相似度與所述第二加權(quán)系數(shù)之間的乘積，得到第二損失值；

計(jì)算所述第三相似度與所述第三加權(quán)系數(shù)之間的乘積，得到第三損失值；

對(duì)所述第一損失值、所述第二損失值和所述第三損失值進(jìn)行求和，得到所述第一模型損失值。