[发明专利]一种基于身份约束的生成对抗网络人脸校正方法及系统

权利要求书

1.一种基于身份约束的生成对抗网络人脸校正方法，其特征在于，包括以下步骤：

S1、构建不同偏转角下成对的侧脸图像I_p和正脸图像I_f图像对作为训练集；

S2、构造基于身份约束的生成对抗网络并使用步骤S1中成对的侧脸I_p和正脸I_f图像对进行训练，生成对抗网络包括生成器网络G、判别器网络D和人脸特征提取网络B，对构造的基于身份约束的生成对抗网络进行训练具体为：

S201、构造角度姿态分类模块M_p的姿态分类损失函数L_{cls_p}、身份约束识别模块M_i的身份分类损失函数L_{cls_i}、针对侧脸的身份编码特征f_i^p和其正脸的身份编码特征f_i^f的特征损失函数L_f、针对生成的正脸图像和真实的正脸图像I_f的像素损失函数L_pixel、针对生成的正脸图像的对称损失函数的L_sym、针对生成的正脸图像的正则项L_tv、对抗损失函数L_adv、针对生成的正脸图像和真实的正脸图像I_f的身份损失函数L_ip和整体损失函数L_total；

S202、通过构造的损失函数、侧脸I_p和正脸I_f图像对，结合批随机梯度下降方法，对生成器网络G和判别器网络D依次进行交替训练，得到生成器网络G和判别器网络D训练后权值，借助批随机梯度下降方法对判别器网络D、生成器网络G依次进行交替训练的具体步骤为：

S2021、设置训练批次大小n＝32和迭代次数t＝200，损失函数中包含的八种权重参数λ₁＝10、λ₂＝1、λ₃＝1、λ₄＝10、λ₅＝0.1、λ₆＝100、λ₇＝0.3，λ₈＝0.0001；

S2022、侧脸-正脸图像对中随机采样一个批次n个样本；

S2023、通过批随机梯度下降的方法更新判别器网络D；

S2024、通过批随机梯度下降的方法更新生成器网络G：

S2025、重复S2022至S2024，直到达到迭代次数t；

S2026、输出训练完成的生成器网络G的权值θ_G、判别器网络D的权值θ_D；

S3、将侧脸图像输入步骤S2完成训练的生成对抗网络的生成器G中，生成正脸图像用于人脸校正。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，侧脸图像I_p的偏转角由-90°以15°为间隔变化至+90°，共包含13种人脸偏转角，将偏转角为0°的人脸图像作为正脸图像I_f。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，生成器网络G包含编码器G_enc、角度姿态分类模块M_p、身份约束识别模块M_i和解码器G_dec，编码器G_enc的输入为侧脸图像I_p，输出为初始编码特征f，角度姿态分类模块M_p的输入为编码器G_enc输出的初始编码特征f，第一全连接层的输出为姿态编码特征f_p，第二全连接层的输出为姿态分类结果，身份约束识别模块M_i的输入为编码器G_enc输出的初始编码特征f，第一全连接层的输出为身份编码特征f_i，第二全连接层的输出为身份分类结果，解码器G_dec的输入为身份约束识别模块M_i输出的身份编码特征f_i，输出为正脸图像