本发明专利技术公开了一种基于人脸超分辨率处理的人脸老化模拟方法，该方法包括：归一化处理人脸图像；训练各年龄段超分辨率方法；降低输入图像分辨率；进行指定年龄段的人脸超分辨率处理，即利用训练好的人脸超分辨率方法，将指定年龄的脸部纹理信息填补进低分辨率输入人脸图像，从而得到人脸老化模拟图像。可以使用的人脸超分辨率方法是基于学习的人脸超分辨率方法，本发明专利技术采用本征转换Ｅｉｇｅｎｔｒａｎｓｆｏｒｍａｔｉｏｎ。本发明专利技术可以应用各种基于学习的人脸超分辨方法；本发明专利技术利用基于学习的人脸超分辨，可以真实可信的进行人脸老化模拟；且本发明专利技术仅考虑人脸纹理变化，计算速度快。
【技术实现步骤摘要】
本专利技术涉及一种基于人脸超分辨的人脸老化模拟方法，属于模式识别
技术介绍
在影响人脸识别准确性的各种因素中，姿势、表情以及光照等都属于外部因素，相对来说已经有不少比较成熟的方法来解决，而年龄变化所产生的影响是个体自身的变化导致的特征差异性较大以至不能识别。人脸老化模拟方法，可以实现人脸数据库自动更新从而增强人脸识别系统的鲁棒性，也可以用于寻找失踪人员及电子娱乐领域。设计实现一个成熟可靠的人脸老化模拟和年龄识别算法有许多现实意义 可模拟出一个特定的个体的具体面部特征。通过人脸老化，可以描绘出一个失 踪若干年的人现在的具体长相以及面部特征。一个具体的例子就是当一个人在幼年时 候走失，而长大以后其形貌会发生很大的变化，可以根据他幼年时期的照片模拟出他 长大后的脸部图像。为一些庞大的人脸数据库实现自动更新。在有些管理系统中会有非常庞大的人 脸数据库，这些数据库里面的人的照片当然也会随着时间的推移而与相关个体的真实 面貌产生差异。这些都会给管理带来不便，而手动更新需要用户人群的配合。假如准 确真实的人脸老化模拟可以实现，那么就能够更新不便配合人群的样本，比如嫌疑犯 或行动不便人员等。实现对年龄鲁棒的人脸识别系统。现在的人脸识别系统都还不能解决老化的影 响。 一个系统训练出来以后，对当时特定的年龄段人脸图像识别效果可能会很好，但 是若干年以后系统的识别准确率就会受到很大的影响。因此，对于人脸图像的老化模 拟就可以针对上述问题给出一个良好的解决方案。现有的人脸老化模拟方法主要有四种基于几何变换的方法，基于平均脸的方 法，基于三维信息的方法和基于统计信息的方法。4几何变换的方法主要是用坐标变换来改变同一个体的生物器官以获得其不同形态，由参考文献U1: Thompson D. W.. On Growth and Form.: Cambridge: Cambridge Univ. Press。 1961;参考文献: Pittenger J. B. and Shaw R. E. :Aging Faces as Viscal-Elastic Events: Implications for a Theory of Nonrigid Shape PerceptionlJ] 。 Experimental Psychology: Human Perception and Performance, 1975, Vl(4): 374-382;参考文献: Pittenger J. B. and Shaw R. E., and Mark L. S. Perceptual Information for the Age Level of Faces as a Higher Order Invariant of Growth[Jj 。 Experimental Psychology: Human Perception and Performance, 1979， V5(3): 478-493可以知道，几何变 换主要有两禾中坐标变化"shear strain"和"cardioidal strain"，其中，shear strain 是一种平行于物体表面的拉伸变换，cardioidal strain是一种可以逼近人脸随年龄 变化的面部和头骨轮廓的几何变换，"cardioidal strain"在人脸轮廓老化模拟方面 更胜一筹。基于这种坐标变化方法的人脸老化模拟只对人脸的外形、轮廓等特征进行 处理，而没有研究可以证明，这种方法可以处理纹理特征的变化。基于平均脸的方法主要利用不同年龄段的平均脸和漫画算法来进行人脸老化模 拟。由参考文献: Burt D. M. and Perrett D. I. Perception of Age in Adult Caucasian Male Faces: Compter Graphic Manipulation of Shape and Color Information。 Proc. Royal Soc. London, 1995， V259:137-143。可以得到， 该方法主要通过计箅25~29岁年龄段和50~54岁年龄段人脸图像在色彩和外形上 的差距，把这些差距按照某种算法折中后应用于其他个体某年龄的图像上后，就可以 得到需要的特定年龄段的老化模拟图像。在基于平均脸的方法中，Burt利用老年组 图像和人脸库中所有图像的色彩差异，然后利用一种漫画算法来扩大这种差距，从而 实现人脸的老化模拟；而这种方法只能模拟出来人脸在老年时的图像，不能模拟人脸 在其他年龄段的图像。基于三维信息的方法使用更为丰富的三维人脸信息，利用漫画算法、主成分分 析(principal component analysis,简称为PCA)、三维轮廓模型等方法来进行 人脸老化模拟，可以取得不错的效果。由参考文献问O'Toole丄，Vetter T., Volz H.， et al。 Three Dimensional Caricatures of Human Heads: Distinctiveness andPerception of Age。 Image and Vision Computing, 1999， V18(l):9-20;参考文献: Choi Changseok. Age Change for Predicting Future Faces 。 Proceedings of IEEE International Fuzzy Systems Conference。 1999:1603-1608。可知，这种方法需要基于详 细的三维人脸特征的，这种特征只能通过三维扫描仪获得，其代价和执行时间限制了 这种方法的广泛应用。基于统计信息的方法通过对大量数据的统计学习，利用某种模型模拟年龄变化 对人脸图像的影响，主要有基于ASM的灰度和轮廓人脸模型等。由参考文献: Lanitis A., Taylor C. J,， and Cootes T. F. Modeling the Process of Aging in Face Images。 Proceedings of IEEE ICCV99。 1999, VI: 131-136;参考 文献:Lanitis A.， Taylor C. J., and Cootes T. F. Towards Automatic Simulation of Aging Effects on Face Images 。 IEEE Trans on PAMI， 2002, V24(4):442-456;参考文献: Ramanathan N. and Chellappa R. Face Verification Across Age Progression。 IEEE Trans on Image Processing。 2006， V15(ll):3349-3361。可知，Lanitis A和Taylor C.J.提出了一个基于ASM 的灰度和轮廓人脸模型，他们利用此模型将人脸图像归一为一种平均脸，并利用PCA 提取特征向量，该模型不仅可以处理年龄变化，而且可以处理光照、姿态等影响本文档来自技高网...
【技术保护点】
一种基于人脸超分辨率处理的人脸老化模拟方法，该方法包括以下步骤： 步骤一：归一化处理人脸图像； 对人脸图像进行归一化处理，包括直方图均衡、图片大小归一化； 步骤二：训练各年龄段超分辨率方法； 用不同年龄段的人脸数据集 来训练人脸超分辨率算法，以备选用； 该方法中的训练过程是指通过使用ＰＣＡ算法来构造本征脸空间，年龄段划分越细致，即年龄段中年龄跨度越小，则得到越精确的年龄的人脸老化模拟结果； 在经由ＰＣＡ提取的特征空间，不同频率的信息成分是不相 关的，通过选择本征脸的数量，在去除噪声的同时最大限度的提取人脸信息； 步骤三：降低输入图像分辨率； 通过将输入图像降采样至低分辨率，使人脸图像纹理信息损失，为步骤四中用人脸超分辨率方法重建、填补指定年龄段的脸部纹理信息做准备； 其特征在于， 步骤四：进行指定年龄段的人脸超分辨率处理； 利用已训练过的人脸超分辨率方法，将指定年龄的脸部纹理信息填补进低分辨率输入人脸图像，从而得到人脸老化模拟图像； 所述的人脸超分辨率方法是基于学习的人脸超分辨率 方法，本专利技术中采用本征转换Ｅｉｇｅｎｔｒａｎｓｆｒｏｍａｔｉｏｎ； 所述的本征转换Ｅｉｇｅｎｔｒａｎｓｆｏｒｍａｔｉｏｎ超分辨率算法的流程： 首先，对输入的低分辨率人脸图像使用ＰＣＡ来获得参数向量［ｃ↓［１］，ｃ↓［２］，…，ｃ ↓［Ｍ］］↑［Ｔ］； 该参数向量［ｃ↓［１］，ｃ↓［２］，…，ｃ↓［Ｍ］］↑［Ｔ］是将输入图像投影到本征脸空间获得的，其中，ｃ↓［１］，ｃ↓［２］，…，ｃ↓［Ｍ］为输入图像在本征脸空间的投影坐标； 然后，保持参数向量不变，将低分 辨率人脸图像训练得到的特征向量集转换成对应的高分辨率人脸图像训练得到的特征向量集，获得初步的近似的超分辨率结果； ＊↓［ｌ］＝ＬＶ↓［ｌ］Λ↓［ｌ］↑［－１／２］＊↓［ｌ］＋＊↓［ｌ］＝Ｌ＊＋＊↓［ｌ］ 其中，脚标ｌ取自然数［１ ，…，Ｍ］，＊↓［ｌ］表示重建的低分辨率的人脸图像，＊↓［ｌ］为人脸数据集的平均脸，Ｌ为从每个人脸图像矢量中减去平均脸所获得的矩阵，Ｖ↓［ｌ］为特征向量矩阵，Λ↓［ｌ］为特征值矩阵，＊＝Ｖ↓［ｌ］Λ↓［ｌ］↑［－１／２］＊↓［ｌ］＝［ｃ↓［１］，ｃ↓［２］，…，ｃ↓［Ｍ］］↑［Ｔ］，＊↓［ｌ］为参数向量，则上述公式被改写为： ＊↓［ｌ］＝Ｌ＊＋＊↓［ｌ］＝＊↓［ｉ...
【技术特征摘要】
【专利技术属性】
技术研发人员：王蕴红，耿伟，姜方圆，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]
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。