The invention discloses a face change prediction method based on generating confrontation network, which includes: S1, acquiring face data samples; S2, constructing a generation confrontation network model composed of generators and discriminators, designing loss functions, and iterating training generators and discriminators; S3, inputting the target young face images to be processed into the generated confrontation network model after training. Output the target young face image corresponding to the target old face image. By constructing a unique generation antagonism network model and loss function, the invention has good robustness to age change. At the same time, the invention also considers the change of information such as forehead and hair, and further improves the accuracy and uniqueness of prediction.
【技术实现步骤摘要】
一种基于生成对抗网络的脸部变化预测方法
本专利技术涉及域适应(domainadaption)及人脸识别
,尤其涉及一种基于生成对抗网络的脸部变化预测方法。
技术介绍
脸部变化预测主要指用来预测随着年龄变化,脸部发生的变化情况,通常适用于娱乐行业或者重要取证场所,如公安系统对已有档案根据以前图像进行现在长相预测。由于人类身体年龄的内在复杂性,以及标签数据的缺乏,使得脸部变化预测非常困难。通常在解决这类问题时,预测年龄的准确性和身份唯一性被当作两个重要指标。之前几年通用的方法为基于皮肤的结构特征来推理随着时间变化脸部肌肉的变化,这种方法在实际中更为复杂。同时,随着数据存储技术的发展,现在更多关注数据驱动的技术,通过大量训练来拟合年龄和面部特征的函数,然而离实际解决问题还很远。现有的技术方案更多关注在两个年龄段组之间的转换模型,其中年龄因素占据重要地位而个人身份确认属于从属地位,导致预测年龄的准确性和身份唯一性不能同时满足。此外,在训练时候,通常需要考虑训练样本即个人各个年龄段的脸部图片。具体地,目前常用的技术方案主要包括以下两种:方案一,提出通过模型来模拟额头和面部肌肉的变化。具体地,通过一个三层的动态皮肤模型来模拟肌肉变化和皮肤的细小变换,使用了大量先验知识和仿真学知识,是在非机器学习方法中对脸部年龄转换较好的一次尝试。但是,该技术只能模拟出粗糙的肌肉变换,需要生物先验知识,并且灵活性和可移植性很低,不能对额头和头发部分进行有效转换和预测,此外整个预测过程十分复杂,非常难复现,并且不适宜实际场景。方案二,受启发于深度生成网络在图像生成领域的成功应用,提 ...
【技术保护点】
1.一种基于生成对抗网络的脸部变化预测方法,其特征在于,包括:S1,获取人脸数据样本,每一人脸数据样本包括至少两个年龄段的人脸图像;S2,构建由生成器及判别器组成的生成对抗网络模型,设计损失函数,并对生成器及判别器进行迭代训练,其中,将年轻人脸图像作为生成器的输入,将年老人脸图像作为生成器的输出,根据生成器损失函数训练生成器,所述生成器损失函数包括生成器误差函数、逐像素误差函数及身份保留误差函数,将年轻人脸图像及年老人脸图像作为判别器的输入,根据判别器损失函数训练判别器,所述判别器损失函数包括年龄转换误差函数;S3,将待处理的目标年轻人脸图像输入训练后的生成对抗网络模型中,输出目标年轻人脸图像所对应的目标年老人脸图像。
【技术特征摘要】
1.一种基于生成对抗网络的脸部变化预测方法,其特征在于,包括:S1,获取人脸数据样本,每一人脸数据样本包括至少两个年龄段的人脸图像;S2,构建由生成器及判别器组成的生成对抗网络模型,设计损失函数,并对生成器及判别器进行迭代训练,其中,将年轻人脸图像作为生成器的输入,将年老人脸图像作为生成器的输出,根据生成器损失函数训练生成器,所述生成器损失函数包括生成器误差函数、逐像素误差函数及身份保留误差函数,将年轻人脸图像及年老人脸图像作为判别器的输入,根据判别器损失函数训练判别器,所述判别器损失函数包括年龄转换误差函数;S3,将待处理的目标年轻人脸图像输入训练后的生成对抗网络模型中,输出目标年轻人脸图像所对应的目标年老人脸图像。2.如权利要求1所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述生成对抗网络模型为:其中,D为判别网络,D(x)表示输入x经过判别网络D的输出,G为生成网络,G(z)表示输入z经过生成网络G的输出,x~Pdata(x)表示x服从真实人脸图像分布Pdata,即x是按照真实人脸图像分布Pdata的真实人脸图像,表示在Pdata分布下求期望,z~Pz(z)表示z服从概率分布P(z),即z是按照概率分布P(z)生成的噪声样本,表示在P(z)分布下求期望。3.如权利要求2所述的基于生成对抗网络的脸部变化预测方法,其特征在于,对生成器及判别器进行迭代训练时,生成器及判别器同时收敛,收敛时,生成的年老人脸图像的概率分布Pg等于真实人脸图像分布Pdata。4.如权利要求1所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述判别器的损失公式为:LD=LGAN,D;其中,所述LGAN,D为年龄转换误差函数。5.如权利要求4所述的基于生成对抗网络的脸部变化预测方法,其特征在于,所述年龄转换误差函数为:其中,x~Pyoung(x)表示x服从年轻人脸图像分布Pyoung,即x是按照年轻人脸图像分布Pyoung...
【专利技术属性】
技术研发人员:胡建国,王金鹏,王德明,吴明华,杨焕,马媛,
申请(专利权)人:杰创智能科技股份有限公司,广州智慧城市发展研究院,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。