面部图像处理模型的构建方法、装置和计算机设备与流程

本技术涉及人工智能，特别是涉及一种面部图像处理模型的构建方法、装置、计算机设备、存储介质和计算机程序产品以及一种面部图像处理方法。

背景技术：

1、目前，若需要在金融机构办理业务，用户通常需要在终端通过人脸识别进行身份认证，在身份认证通过后才能办理业务。随着金融机构的应用软件的普及，用户无需使用金融机构的线下终端，在个人终端便可进行面部图像采集、人脸识别、身份认证。

2、传统技术中，在用户进行线上的身份认证时，金融机构的服务器一般会直接基于终端采集到的用户的面部图像进行人脸识别，但终端采集到的面部图像的质量，易受到环境因素、终端配置参数的影响。如果终端采集的面部图像的分辨率不高，易导致人脸识别失败，影响用户办理业务。因此，传统技术中，直接基于采集到的面部图像对用户进行人脸识别的方式，会导致人脸识别的成功率不高。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高人脸识别成功率的面部图像处理模型的构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，以及面部图像处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种面部图像处理模型的构建方法。所述方法包括：

3、获取训练数据集以及基于生成网络与对抗网络构建的初始面部图像处理模型；训练数据集包括多组面部图像对；面部图像对包括第一分辨率面部图像和与第一分辨率面部图像相应的第二分辨率面部图像；且第二分辨率面部图像的分辨率高于第一分辨率面部图像的分辨率；

4、将各第一分辨率面部图像分别输入生成网络，得到各第一分辨率面部图像相应的面部模拟图像；

5、将各第一分辨率面部图像相应的第二分辨率面部图像和面部模拟图像分别作为对抗样本对，输入对抗网络，得到生成对抗网络损失值，并基于各对抗样本对，得到目标像素损失值以及目标总变分损失值；

6、对生成对抗网络损失值、目标像素损失值和目标总变分损失值进行加权求和，得到模型损失值；

7、基于模型损失值，对初始面部图像处理模型的模型参数进行调整，得到目标面部图像处理模型。

8、在其中一个实施例中，生成网络包括多个特征提取器、至少一层卷积层以及至少一层全连接层；特征提取器包括多头注意力网络和前反馈神经网络。

9、在其中一个实施例中，目标像素损失值通过以下方式得到：

10、针对各对抗样本对中每一个，对所针对的对抗样本对中第二分辨率面部图像和面部模拟图像进行逐像素比对，得到所针对的对抗样本对相应的像素损失值；

11、基于各对抗样本对相应的像素损失值，得到目标像素损失值。

12、在其中一个实施例中，目标总变分损失值通过以下方式得到：

13、针对各对抗样本对中每一个，确定所针对的对抗样本对中第二分辨率面部图像和面部模拟图像各自相应的总变分；

14、基于所针对的对抗样本对中第二分辨率面部图像和面部模拟图像各自相应的总变分，得到所针对的对抗样本对相应的总变分损失值；

15、基于各对抗样本对相应的总变分损失值，得到目标总变分损失值。

16、在其中一个实施例中，基于模型损失值，对初始面部图像处理模型的模型参数进行调整，得到目标面部图像处理模型包括：

17、基于模型损失值，对初始面部图像处理模型的模型参数进行调整，得到更新面部图像处理模型；

18、将训练数据集输入更新面部图像处理模型，得到更新面部图像处理模型相应的更新损失值；

19、基于更新损失值，对更新面部图像处理模型的模型参数进行调整，将调整后的模型作为新的更新面部图像处理模型；

20、跳转至将训练数据集输入更新面部图像处理模型，得到更新面部图像处理模型相应的更新损失值的步骤，直到最新的更新损失值满足模型停止训练条件，得到目标面部图像处理模型。

21、第二方面，本技术还提供了一种面部图像处理模型的构建装置。所述装置包括：

22、模型获取模块，用于获取训练数据集以及基于生成网络与对抗网络构建的初始面部图像处理模型；训练数据集包括多组面部图像对；面部图像对包括第一分辨率面部图像和与第一分辨率面部图像相应的第二分辨率面部图像；且第二分辨率面部图像的分辨率高于第一分辨率面部图像的分辨率；

23、模拟图像获得模块，用于将各第一分辨率面部图像分别输入生成网络，得到各第一分辨率面部图像相应的面部模拟图像；

24、损失值获取模块，用于将各第一分辨率面部图像相应的第二分辨率面部图像和面部模拟图像分别作为对抗样本对，输入对抗网络，得到生成对抗网络损失值，并基于各对抗样本对，得到目标像素损失值以及目标总变分损失值；

25、损失值加权模块，用于对生成对抗网络损失值、目标像素损失值和目标总变分损失值进行加权求和，得到模型损失值；

26、模型参数调整模块，用于基于模型损失值，对初始面部图像处理模型的模型参数进行调整，得到目标面部图像处理模型。

27、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

28、获取训练数据集以及基于生成网络与对抗网络构建的初始面部图像处理模型；训练数据集包括多组面部图像对；面部图像对包括第一分辨率面部图像和与第一分辨率面部图像相应的第二分辨率面部图像；且第二分辨率面部图像的分辨率高于第一分辨率面部图像的分辨率；

29、将各第一分辨率面部图像分别输入生成网络，得到各第一分辨率面部图像相应的面部模拟图像；

30、将各第一分辨率面部图像相应的第二分辨率面部图像和面部模拟图像分别作为对抗样本对，输入对抗网络，得到生成对抗网络损失值，并基于各对抗样本对，得到目标像素损失值以及目标总变分损失值；

31、对生成对抗网络损失值、目标像素损失值和目标总变分损失值进行加权求和，得到模型损失值；

32、基于模型损失值，对初始面部图像处理模型的模型参数进行调整，得到目标面部图像处理模型。

33、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

34、获取训练数据集以及基于生成网络与对抗网络构建的初始面部图像处理模型；训练数据集包括多组面部图像对；面部图像对包括第一分辨率面部图像和与第一分辨率面部图像相应的第二分辨率面部图像；且第二分辨率面部图像的分辨率高于第一分辨率面部图像的分辨率；

35、将各第一分辨率面部图像分别输入生成网络，得到各第一分辨率面部图像相应的面部模拟图像；

36、将各第一分辨率面部图像相应的第二分辨率面部图像和面部模拟图像分别作为对抗样本对，输入对抗网络，得到生成对抗网络损失值，并基于各对抗样本对，得到目标像素损失值以及目标总变分损失值；

37、对生成对抗网络损失值、目标像素损失值和目标总变分损失值进行加权求和，得到模型损失值；

38、基于模型损失值，对初始面部图像处理模型的模型参数进行调整，得到目标面部图像处理模型。

39、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

40、获取训练数据集以及基于生成网络与对抗网络构建的初始面部图像处理模型；训练数据集包括多组面部图像对；面部图像对包括第一分辨率面部图像和与第一分辨率面部图像相应的第二分辨率面部图像；且第二分辨率面部图像的分辨率高于第一分辨率面部图像的分辨率；

41、将各第一分辨率面部图像分别输入生成网络，得到各第一分辨率面部图像相应的面部模拟图像；

42、将各第一分辨率面部图像相应的第二分辨率面部图像和面部模拟图像分别作为对抗样本对，输入对抗网络，得到生成对抗网络损失值，并基于各对抗样本对，得到目标像素损失值以及目标总变分损失值；

43、对生成对抗网络损失值、目标像素损失值和目标总变分损失值进行加权求和，得到模型损失值；

44、基于模型损失值，对初始面部图像处理模型的模型参数进行调整，得到目标面部图像处理模型。

45、上述面部图像处理模型的构建方法、装置、计算机设备、存储介质和计算机程序产品，先获取包括多组面部图像对的训练数据集、以及基于生成网络与对抗网络构建的初始面部图像处理模型，其中，面部图像对由第一分辨率面部图像、与第一分辨率面部图像相应的第二分辨率面部图像组成，且第二分辨率面部图像的分辨率高于第一分辨率面部图像的分辨率，再将各第一分辨率面部图像分别输入生成网络，得到各第一分辨率面部图像相应的面部模拟图像，进一步的，将各第一分辨率面部图像相应的第二分辨率面部图像和面部模拟图像分别作为对抗样本对，输入对抗网络，得到生成对抗网络损失值，并基于各对抗样本对，得到目标像素损失值与目标总变分损失值，从而对生成对抗网络损失值、目标像素损失值和目标总变分损失值加权求和，得到模型损失值，以基于模型损失值，综合考虑对抗网络损失、像素损失以及总变分损失三个维度，对初始面部图像处理模型的模型参数进行调整，得到能够将低分辨率图像转换为高分辨率图像的目标面部图像处理模型，以便进行人脸识别前，可以基于目标面部图像处理模型，提升采集的面部图像的分辨率，提高人脸识别成功率。

46、第六方面，本技术还提供了一种面部图像处理方法。所述方法包括：

47、响应于对象的身份认证请求，获取对象的第一面部图像；

48、在第一面部图像的分辨率不满足面部识别条件的情况下，将第一面部图像输入目标面部图像处理模型，得到对象的第二面部图像；第二面部图像的分辨率高于第一面部图像的分辨率；目标面部图像处理模型通过上述面部图像处理模型的构建方法构建；

49、基于第二面部图像，对对象进行身份认证。

50、第七方面，本技术还提供了一种面部图像处理装置。所述装置包括：

51、第一面部图像获取模块，用于响应于对象的身份认证请求，获取对象的第一面部图像；

52、第二面部图像获取模块，用于在第一面部图像的分辨率不满足面部识别条件的情况下，将第一面部图像输入目标面部图像处理模型，得到对象的第二面部图像；第二面部图像的分辨率高于第一面部图像的分辨率；目标面部图像处理模型通过上述面部图像处理模型的构建方法构建；

53、身份认证模块，用于基于第二面部图像，对对象进行身份认证。

54、第八方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

55、响应于对象的身份认证请求，获取对象的第一面部图像；

56、在第一面部图像的分辨率不满足面部识别条件的情况下，将第一面部图像输入目标面部图像处理模型，得到对象的第二面部图像；第二面部图像的分辨率高于第一面部图像的分辨率；目标面部图像处理模型通过上述面部图像处理模型的构建方法构建；

57、基于第二面部图像，对对象进行身份认证。

58、第九方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

59、响应于对象的身份认证请求，获取对象的第一面部图像；

60、在第一面部图像的分辨率不满足面部识别条件的情况下，将第一面部图像输入目标面部图像处理模型，得到对象的第二面部图像；第二面部图像的分辨率高于第一面部图像的分辨率；目标面部图像处理模型通过上述面部图像处理模型的构建方法构建；

61、基于第二面部图像，对对象进行身份认证。

62、第十方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

63、响应于对象的身份认证请求，获取对象的第一面部图像；

64、在第一面部图像的分辨率不满足面部识别条件的情况下，将第一面部图像输入目标面部图像处理模型，得到对象的第二面部图像；第二面部图像的分辨率高于第一面部图像的分辨率；目标面部图像处理模型通过上述面部图像处理模型的构建方法构建；

65、基于第二面部图像，对对象进行身份认证。

66、上述面部图像处理方法、装置、计算机设备、存储介质和计算机程序产品，可以响应于对象的身份认证请求，获取对象的第一面部图像，在第一面部图像的分辨率不满足面部识别条件的情况下，将第一面部图像输入目标面部图像处理模型，得到分辨率高于第一面部图像的第二面部图像，从而可以基于分辨率更高的第二面部图像，在身份认证的过程中，更为准确地对对象进行人脸识别，可以提高人脸识别的成功率，避免因采集的面部图像的分辨率过低，导致人脸识别失败。