技术特征：
1.一种基于生成对抗网络的人脸图像样本扩充方法，包含以下步骤：步骤1：获取原始人脸训练样本集合；步骤2：将所述人脸训练样本集合中的人脸图像送入到s-coder gan(source coder gan)生成对抗网络中，训练该生成对抗网络生成新的含有面部遮挡元素的人脸图像样本；其中：所述生成对抗网络的结构由以下模块组成：模块1：使用跳层连接(skip connection)的残差结构设计的生成器模块(generator)；模块2：在所述生成对抗网络中加入基于独热+编码(one-hot encoding)算法构成的s-coder可控编码模块(s-coder module)；模块3：使用sigmoid层设计判别网络真假判别子模块，使用softmax层设计判别网络标签判别子模块，以此两个子模块构建判别器模块(discriminator)；步骤3：使用周期一致的训练流程，即s-coder gan生成对抗网络中两组生成器组合，将生成图像反向送入结构相同的另一生成器得到重构图像，提高训练稳定性；步骤4：最后使用训练完成的s-coder gan生成对抗网络，生成多种人脸遮挡物的人脸图像样本，得到扩充后的数据集。2.如权利要求1所述基于生成对抗网络的人脸图像样本扩充方法，其特征在于，所述s-coder gan生成对抗网络的输入中使用向量掩码对输入训练目标域图像进行编码，并将编码与原域图像信息进行contact操作为新的输入送入生成器。3.如权利要求1所述基于生成对抗网络的人脸图像样本扩充方法，其特征在于，所述s-coder gan生成对抗网络将生成的人脸图像送入s-coder gan判别器，此时判别器前部共享参数，用残差网络提取特征；随后将特征送入子网络a与子网络b；其中a网络是一个含有sigmoid层网络输出图像的真假信息，另一个网络b含有softmax层网络输出图像类别信息。4.如权利要求1所述基于生成对抗网络的人脸图像样本扩充方法，其特征在于，所述s-coder gan生成对抗网络训练时使用两组相同生成网络组成类似周期一致生成对抗网络结构进行协同训练，使用周期一致性损失(cycle consistency loss)对重构图像与原图像进行约束，并在训练时使用wasserstein loss对生成器与判别器进行优化。
技术总结
一种基于生成对抗网络的人脸图像样本扩充方法。本发明提出一种用于扩充人脸图像样本的方法，解决特定环境下一些遮挡物造成人脸无法得到有效检测的问题。使用该方法生成人脸图像在图像质量与图像丰富程度都有很好的表现，能够对人脸图像样本数据进行有效扩充。通过数据集图像样本扩充使检测模型对遮挡人脸的检测精度提高3％以上，一定程度上提高人脸检测算法能力。既能有效扩充人脸数据样本，提高人脸检测算法能力，又能减少获取训练使用人脸图像的人力物力和时间。像的人力物力和时间。像的人力物力和时间。
技术研发人员：周冕 丛钶伦 刘文轩 朱国强 高毅 戚周铭
受保护的技术使用者：天津理工大学
技术研发日：2021.12.07
技术公布日：2022/3/29