[发明专利]图像转换模型训练方法、异质人脸识别方法、装置及设备

说明书

本申请提供了一种图像转换模型训练方法、异质人脸识别方法、装置及设备，该异质人脸识别方法包括：获取待识别人脸素描图，并对待识别人脸素描图进行裁剪得到人脸区域素描图；将人脸区域素描图输入预先训练好的图像转换模型进行处理，以生成第二人脸合成图像；对第二人脸合成图像进行特征提取，得到第二人脸合成图像的特征向量；将第二人脸合成图像的特征向量与数据库中存储的多个真实人脸图像的特征向量进行匹配，以得到人脸识别结果。这样先从待识别人脸素描图中剪裁出人脸区域，以减少背景区域对人脸识别的干扰，同时，采用预设图像转换模型进行图像转换，将异质人脸识别转换为同质人脸识别，从而有利于提高异质人脸识别的准确率。

技术领域

本申请涉及人工智能和图像处理技术领域，尤其涉及一种图像转换模型训练方法、异质人脸识别方法、装置及设备。

背景技术

随着人工智能的发展，人脸识别一直是各界研究的热门领域，且在深度卷积神经网络的基础上取得了重大进展，被广泛应用于社会各行各业。例如，在公安部门的案件调查中，可通过人脸识别缩小潜在嫌疑人范围，降低调查难度。然而，在某些情况下，并不能获得清晰完整的人脸图像，甚至没有人脸图像记录，此时通常需要素描专家基于低分辨率的图像或者目击者描述进行嫌疑人面部素描图绘画以进行人脸识别，但是，由于图像采集设备采集的人脸图像和素描图之间的差异较大(如形状、纹理和颜色等)，使用传统的人脸识别算法很难根据素描图在公安人脸数据库中进行精确地检索。

相关技术中，针对素描图的人脸识别方法是使用卷积神经网络挖掘素描图与真实图像之间的潜在关系，基于两者的非线性映射进行建模，从而进行素描图到真实图像的转换，进而对转换后的图像进行识别；或者是使用生成对抗网络，通过对抗损失生成具有更加真实纹理的图像进行识别，但是准确率都不是很高。

发明内容

为解决上述问题，本申请提供了一种图像转换模型训练方法、异质人脸识别方法、装置及设备，有利于提高异质人脸识别的准确率。

本申请实施例第一方面提供了一种图像转换模型训练方法，包括：

将训练样本输入生成对抗网络的生成器进行处理，生成第一人脸合成图像；

将所述第一人脸合成图像和所述训练样本对应的真实人脸图像输入生成对抗网络的判别器中进行判别，输出判别结果；

将所述第一人脸合成图像输入预训练的卷积神经网络模型中进行特征提取，得到所述第一人脸合成图像的特征向量，并将所述第一人脸合成图像的特征向量与训练样本对应的真实人脸图像的特征向量进行比对，输出比对结果；

根据所述判别结果和所述比对结果得到所述图像转换模型。

结合第一方面，在一种可能的实施方式中，所述根据所述判别结果和所述比对结果得到所述图像转换模型，包括：

若所述判别结果和所述比对结果中的任一者不符合预设期望值，则更新所述生成器和所述判别器的网络参数权重，得到更新的生成器和更新的判别器；

将所述训练样本输入该更新的生成器进行处理，得到更新的第一人脸合成图像，以及将该更新的第一人脸合成图像和所述训练样本对应的真实人脸图像输入该更新的判别器中进行判别，输出更新的判别结果，以及将该更新的第一人脸合成图像输入预训练的卷积神经网络模型中进行特征提取，得到该更新的第一人脸合成图像的特征向量，并将该更新的第一人脸合成图像的特征向量与训练样本对应的真实人脸图像的特征向量进行比对，输出更新的比对结果；

若该更新的判别结果和该更新的比对结果均符合预设期望值，则固定该更新的生成器和该更新的判别器的网络参数权重，以得到所述图像转换模型。

本申请实施例第二方面提供了一种异质人脸识别方法，包括：

获取待识别人脸素描图，并对所述待识别人脸素描图进行裁剪得到人脸区域素描图；