一种基于制造技术

一种基于

【技术实现步骤摘要】
一种基于AI技术的虚拟数字人动态追溯监管方法与系统


[0001]本专利技术涉及图像处理以及大数据分析与处理领域，具体而言涉及一种基于
AI
技术的虚拟数字人动态追溯监管方法与系统
。

技术介绍

[0002]虚拟数字人是指通过计算机生成的虚拟实体，其外貌
、
行为和交互能力都模仿了真实人类
。
这些虚拟数字人的表现形式可以是三维模型
、
图像
、
视频的形式
。
虚拟数字人的创造和应用在多个领域都有涉及，例如：娱乐和游戏
、
虚拟助手和人工智能
、
培训和教育
、
社交媒体和虚拟现实
、
新闻媒体等
。
虚拟数字人的发展涉及计算机图形学
、
计算机视觉
、
自然语言处理等多个领域的技术，旨在创造更加逼真
、
可交互和有趣的虚拟体验
。
[0003]由于虚拟数字人是数字资产，与其它软件
、
图像类的数字资产类似，虚拟数字人容易被它人未经授权地使用
、
复制
、
传播
。
因此，对追虚拟数字人进行追溯监管是进行虚拟数字人资产管理重要的一环，如现有技术中的
CCMTV
虚拟数字人认证平台可提供身份追溯等功能
。
[0004]由于虚拟数据人原型通常是三维模型，现有技术中可采用人脸识别技术对互联网上的图片
、
视频等资料进行比对，查看是否使用了目标虚拟数据人
。
然而，互联网每天产生海量的数据，使用现有的人脸识别技术，如
CNN、FaceNet、VGGNet
等都面临非常大的计算量，识别速度难以保证，无法及时处理海量的数据，导致追溯监管不及时
。

技术实现思路

[0005]为解决上述技术问题，本专利技术公开了一种基于
AI
技术的虚拟数字人动态追溯监管方法与系统，通过对现有虚拟人物模型进行处理，对虚拟人物增加一些特殊特征，并使用
CNN
网络提取这些特殊特征，在进行追溯监管时，可以以非常快的速度确定出图像是否使用了虚拟人物
。
[0006]在本专利技术的一个方面，提供一种基于
AI
技术的虚拟数字人动态追溯监管方法，包括如下步骤步骤
S1
，对第一虚拟数字人人脸模型进行修改，在所述第一虚拟数字人人脸模型上增加第一特征，得到第二虚拟数字人，所述第二虚拟数字人为对外发布的虚拟数字人；步骤
S2
，对所述第一虚拟数字人从不同角度截图，得到的图像为负样本，对所述第二虚拟数字人从不同角度截图，得到的图像为正样本；步骤
S3
，将第一
CNN
网络的卷积层中的第一数量
、
第一位置处的卷积层的学习率修改为第一学习率，其余卷积层的学习率修改为第二学习率，其中所述第一学习率小于所述第二学习率，得到第二
CNN
网络；步骤
S4
，以所述正样本和所述负样本训练第二
CNN
网络，并确定所述第二
CNN
网络的准确率；步骤
S5
，修改所述第一数量和
/
或第一位置，重复步骤
S3
‑
S4
；步骤
S6
，确定准确率大于第一阈值，第一数量最大的情况的第二
CNN
网络模型确定为目标
CNN
网络模型；步骤
S7
，使用所述目标
CNN
网络模型的特征提取层提取所述第二虚拟数字人正面图像的第一特征；步骤
S8
，获取互联网上的第一图像，使用所述目标
CNN
网络模型提取所述第一图像的第二特征；步骤
S9
，计算所述第一特征
和所述第二特征的相似度，当相似度大于第二阈值时确定所述第一图像使用了所述第二虚拟数字人
。
[0007]进一步地，所述第一虚拟数字人人脸模型上增加第一特征包括：增加部分的线条长度
、
修改颜色或调整部分特征的轮廓或进行不对称调整
。
[0008]进一步地，所述第一
CNN
网络为
VGGFace、OpenFace、FaceNet、DeepFace
中的一种
。
[0009]进一步地，所述第一学习率为
0.0001
，所述第二学习率为
0.001。
[0010]进一步地，所述特征提取层包括：输入层
、
卷积层
、
池化层
、
归一层
。
[0011]另一方面，本专利技术还公开一种基于
AI
技术的虚拟数字人动态追溯监管系统，其特征在于所述系统包括：修改模块，用于对第一虚拟数字人人脸模型进行修改，在所述第一虚拟数字人人脸模型上增加第一特征，得到第二虚拟数字人，所述第二虚拟数字人为对外发布的虚拟数字人；样本模块，用于对所述第一虚拟数字人从不同角度截图，得到的图像为负样本，对所述第二虚拟数字人从不同角度截图，得到的图像为正样本；设置模块，用于将第一
CNN
网络的卷积层中的第一数量
、
第一位置处的卷积层的学习率修改为第一学习率，其余卷积层的学习率修改为第二学习率，其中所述第一学习率小于所述第二学习率，得到第二
CNN
网络；训练模块，用于以所述正样本和所述负样本训练第二
CNN
网络，并确定所述第二
CNN
网络的准确率；循环模块，用于修改所述第一数量和
/
或第一位置，重复所述设置模块用训练模块的步骤；确定模块，用于确定准确率大于第一阈值，第一数量最大的情况的第二
CNN
网络模型确定为目标
CNN
网络模型；第一计算模块，用于使用所述目标
CNN
网络模型的特征提取层提取所述第二虚拟数字人正面图像的第一特征；第二计算模块，用于获取互联网上的第一图像，使用所述目标
CNN
网络模型提取所述第一图像的第二特征；对比模块，用于计算所述第一特征和所述第二特征的相似度，当相似度大于第二阈值时确定所述第一图像使用了所述第二虚拟数字人
。
[0012]进一步地，所述第一虚拟数字人人脸模型上增加第一特征包括：增加部分的线条长度
、
修改颜色或调整部分特征的轮廓或进行不对称调整
。
[0013]进一步地，所述第一
CNN
网络为
VGGFace、OpenFace、FaceNet、DeepFace
中的一种
。
[0014]进一步地，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
AI
技术的虚拟数字人动态追溯监管方法，其特征在于：步骤
S1
，对第一虚拟数字人人脸模型进行修改，在所述第一虚拟数字人人脸模型上增加第一特征，得到第二虚拟数字人，所述第二虚拟数字人为对外发布的虚拟数字人；步骤
S2
，对所述第一虚拟数字人从不同角度截图，得到的图像为负样本，对所述第二虚拟数字人从不同角度截图，得到的图像为正样本；步骤
S3
，将第一
CNN
网络的卷积层中的第一数量
、
第一位置处的卷积层的学习率修改为第一学习率，其余卷积层的学习率修改为第二学习率，其中所述第一学习率小于所述第二学习率，得到第二
CNN
网络；步骤
S4
，以所述正样本和所述负样本训练第二
CNN
网络，并确定所述第二
CNN
网络的准确率；步骤
S5
，修改所述第一数量和
/
或第一位置，重复步骤
S3
‑
S4
；步骤
S6
，确定准确率大于第一阈值，第一数量最大的情况的第二
CNN
网络模型确定为目标
CNN
网络模型；步骤
S7
，使用所述目标
CNN
网络模型的特征提取层提取所述第二虚拟数字人正面图像的第一特征；步骤
S8
，获取互联网上的第一图像，使用所述目标
CNN
网络模型提取所述第一图像的第二特征；步骤
S9
，计算所述第一特征和所述第二特征的相似度，当相似度大于第二阈值时确定所述第一图像使用了所述第二虚拟数字人
。2.
根据权利要求1所述的一种基于
AI
技术的虚拟数字人动态追溯监管方法，其特征在于在所述第一虚拟数字人人脸模型上增加第一特征包括：增加部分的线条长度
、
修改颜色或调整部分特征的轮廓或进行不对称调整
。3.
根据权利要求1所述的一种基于
AI
技术的虚拟数字人动态追溯监管方法，其特征在于所述第一
CNN
网络为
VGGFace、OpenFace、FaceNet、DeepFace
中的一种
。4.
根据权利要求1所述的一种基于
AI
技术的虚拟数字人动态追溯监管方法，其特征在于：所述第一学习率为
0.0001
，所述第二学习率为
0.001。5.
根据权利要求1所述的一种基于
AI
技术的虚拟数字人动态追溯监管方法，其特征在于：所述特征提取层包括：输入层
、

【专利技术属性】
技术研发人员：黄振，杨贵龙，刘加祥，
申请(专利权)人：上海凌立健康管理股份有限公司，
类型：发明
国别省市：