[发明专利]一种基于深度卷积对抗网络模型的人脸生成方法

说明书

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于深度卷积对抗网络模型的人脸生成方法。

背景技术

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。

在传统的对抗网络模型中，对于输入判别器的数据集没有过多的要求，生成器生成图像的数据分布没有针对性。另外，在网络训练每次迭代的过程中，生成器和判别器的训练次数并没有定量的标准，这使得整个网络的鲁棒性较差，训练效率较为低下。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于深度卷积对抗网络模型的人脸生成方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于深度卷积对抗网络模型的人脸生成方法，所述的人脸生成方法包括下列步骤：

S1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练；

S2、构造深度卷积神经网络充当生成器与判别器；

S3、初始化随机噪声，输入生成器中；

S4、将人脸图像数据集输入判别器中进行训练；

S5、将人脸识别操作得到的损失函数输入生成器进行后续训练。

进一步地，所述的步骤S4具体过程如下：

S41、准备人脸图像的数据集；

S42、将生成器生成图像与人脸图像数据集一并输入判别器进行训练；

S43、分析损失函数，调整每次迭代过程中生成器与判别器的训练次数。

进一步地，所述的步骤S43中分析损失函数，调整每次迭代过程中生成器与判别器的训练次数具体如下：

设定生成器的损失函数为A，判别器的损失函数为B，在每次迭代的过程中，若A-B为正，则增加生成器的训练次数，否则增加判别器的训练次数。

进一步地，所述的损失函数的表达式为：

其中，D(x)表示判别器对图像的判别，pr表示数据集图像的分布，pg表示生成图像的分布，λ为超参数，为梯度，E为取均值的操作符号。

本发明相对于现有技术具有如下的优点及效果：

针对性：本发明根据人脸识别的操作过程，通过准备好人脸图像的数据集，判别器的检测能力有了更强的针对性。同时，通过训练着重训练生成器的能力，判别器成为辅助部分，判别器对人脸识别的能力进一步增强。

附图说明

图1是本发明中原始生成对抗网络通过人脸识别进行训练的整体流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例公开了一种基于深度卷积对抗网络模型的人脸生成方法，如附图1所示，具体包括下列步骤：

步骤S1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练。

步骤S2、构造深度卷积神经网络充当生成器与判别器；

不同的卷积核，体现在矩阵数值的不同、行列数的不同。

构造多个卷积核，在处理图像的过程中，不同的卷积核意味着能够在网络训练的过程中学习到生成图像的不同特征。

在传统的对抗网络模型中，对于输入判别器的数据集没有过多的要求，生成器生成图像的数据分布没有针对性。另外，在网络训练每次迭代的过程中，生成器和判别器的训练次数并没有定量的标准，这使得整个网络的鲁棒性较差，训练效率较为低下。而本发明根据人脸识别的操作过程，通过准备好人脸图像的数据集，判别器的检测能力有了更强的针对性。同时，通过训练着重训练生成器的能力，判别器成为辅助部分，判别器对人脸识别的能力进一步增强。在实际应用中，应该根据数据集图像特征的复杂程度，设置卷积核的个数。

步骤S3、初始化随机噪声，输入生成器中。

步骤S4、将人脸图像数据集输入判别器中进行训练。

具体过程如下：