一种基于生成对抗网络的脸部变化预测方法技术

本发明专利技术公开了一种基于生成对抗网络的脸部变化预测方法，包括：S1，获取人脸数据样本；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；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。采用本发明专利技术，通过构建独特的生成对抗网络模型及损失函数，对年龄变化具体很好的鲁棒性，同时，本发明专利技术还考虑了额头和头发等信息的变化情况，进一步提升了预测的准确性和唯一性。

A Face Change Prediction Method Based on Generating Countermeasure Network

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，提出了使用深度卷积神经网络和循环神经网络来进行模型化。在张量空间中建立下采样和高分辨率人脸图像之间的映射，并且在高分辨率人脸图像上加入了年龄细节，综合生成的人脸图像的图像能较好的反映人脸随着年龄的变换。但是，该技术在训练时每个样本都需要不同年龄段的多张人脸图像，并且在测试的时候每张人脸都需要打年龄标签。同时，本技术主要考虑了脸部集合的概率分布而没有强调身份信息，导致在进行脸部年龄转换的时候在脸部颜色，表情甚至身份信息上都产生了较大偏差。
技术实现思路
本专利技术所要解决的技术问题在于，提供一种基于生成对抗网络的脸部变化预测方法，对年龄变化具体很好的鲁棒性，还提升了预测的准确性和唯一性。为了解决上述技术问题，本专利技术提供了一种基于生成对抗网络的脸部变化预测方法，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。作为上述方案的改进，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。作为上述方案的改进，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。作为上述方案的改进，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。作为上述方案的改进，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的年轻人脸图像，x～Pold(x)表示x服从年老人脸图像分布Pold，即x是按照年老人脸图像分布Pold的年老人脸图像，G为生成网络，G(x)表示输入x经过生成网络G的输出，φage是基于VGG-16结构预训练得到的多标签分类任务模型，用于提取人脸与年龄的相关特征。作为上述方案的改进，G(x)～Pg与年老人脸图像分布Pold一致，其中，G(x)～Pg表示G(x)服从年老人脸图像的概率分布Pg。作为上述方案的改进，所述生成器的损失公式为：LG＝λaLGAN,G+λpLpixel+λiLideneity；其中，所述LGAN,G为生成器误差函数，Lpixel为逐像素误差函数，Lideneity为身份保留误差函数。作为上述方案的改进，所述生成器误差函数为：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的年轻人脸图像，D为判别网络，G为生成网络，G(x)表示输入x经过生成网络G的输出，φage是基于VGG-16结构预训练得到的多标签分类任务模型，用于提取人脸与年龄的相关特征。作为上述方案的改进，所述身份保留误差函数为：其中，x∈Pyoung(x)表示x为年轻人脸图像分布Pyoung内的年轻人脸图像，d是特征表示之间的平方欧式距离，φid为深度人脸描述算子，G为生成网络，G(x)表示输入x经过生成网络G的输出，φid是深度人脸描述算子，用于编码个人信息。作为上述方案的改进，所述逐像素误差函数为：其中，G为生成网络，G(x)表示输入x经过生成网络G的输出，x为输入的年轻人脸图像，W为图像宽度，H为图像高度，C为图像深度。实施本专利技术，具有如下有益效果：本专利技术在损失函数中加入了身份改变的惩罚项，在达到较好预测人脸随着年龄改变效果的同时，确保了身份的唯一性。此外，本专利技术使用对抗生成网络作为新方法进行训练，替代了基于领域内知识的手工方法，降低了实际应用的复杂度。具体地，本专利技术解决了现有技术中的两个主要技术问题。(1)本专利技术提出的方法使用基于卷积神经网络(ConvolutionalNeuralNetworks)的生成器来学习年龄变换，并且随着时间变换会对相应脸部属性也进行变化。训练时候使用图像域内的欧式误差，训练策略是通过对人脸特征的高层表示，使得欧式误差经可能的小0；因此，本专利技术中提出不仅有效并且对年龄变化有很好的鲁棒性。(2)此外，本专利技术中，额头和头发等信息也被考虑进变化情况。本专利技术不仅使用局部也使用全局特征，克服了单个年龄特定的表示和处理了年龄变化的单一表示，很高程度上提升了预测的准确性和唯一性。附图说明图1是本专利技术基于生成对抗网络的脸部变化预测方法的流程图；图2是图1中步骤S2的流程图；图3是本专利技术基于生成对抗网络的脸部变化预测方法的原理图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述。仅此声明，本专利技术在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本专利技术的附图为基准，其并不是对本专利技术的具体限定。本专利技术的主要用途是基于已有的人脸本文档来自技高网...

【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