一种图像处理模型的训练方法、图像处理模型及计算机设备技术

本申请实施例涉及图像处理技术领域，公开了一种图像处理模型的训练方法、图像处理模型及计算机设备，在经历多轮训练后，编码网络能够学习多个人在多个年龄段的年龄特征，并将各年龄段对应的年龄特征以编码形式进行表征，即每个年龄段的编码由编码网络学习多个人的年龄特征得到；生成式对抗网络通过将同一个人在各年龄段下的编码与人脸图像进行融合，学习同一个人在不同年龄段的年龄特征差异，使得生成的预测图像符合个体特性。此外，损失函数表征第一编码和第二编码之间的编码损失、真实人脸图像和预测人脸图像之间的特征损失和对抗损失，其中，真实人脸图像和预测人脸图像之间的特征损失使得生成式对抗网络中的生成器能够控制脸部特征的还原度。控制脸部特征的还原度。控制脸部特征的还原度。

【技术实现步骤摘要】
一种图像处理模型的训练方法、图像处理模型及计算机设备


[0001]本申请实施例涉及图像处理
，尤其涉及一种图像处理模型的训练方法、图像处理模型及计算机设备。

技术介绍

[0002]随着机器学习技术不断成熟,基于机器学习技术的服务的种类也越来越多。例如计算机设备通过机器学习技术,能够对第一人脸图像进行处理,得到第二人脸图像。其中,第一人脸图像中的人脸对应的第一年龄和第二人脸图像中的人脸对应的第二年龄不同,但对应相同身份。上述服务在多个场景中被广泛需求，例如，在公安刑事侦破时，根据走失儿童的现有照片，推测其几年后的样貌，以便寻找；或者，根据嫌疑人年轻时的旧照片预测其逃亡多年后的照片；再例如，在影视业制作的过程中，当演员扮演年老角色时，根据演员现在的样貌推测其衰老后的样貌，方便化妆师画出年老角色形象；再例如，在休闲娱乐时，人们想通过当前的图像溯源自己小时候的照片。
[0003]计算机设备通常根据输入的第一人脸图像,基于用户的人脸年龄变化操作,通过机器学习模型对该第一人脸图像进行处理,得到第二人脸图像。其中,该人脸年龄变化操作用于指示计算机设备使第二人脸图像中的人脸对应的第二年龄大于第一人脸图像中的人脸对应的第一年龄,或小于第一年龄。该机器学习模型是基于不同年龄段的不同人脸图像训练得到的。
[0004]在通过上述方法对第一人脸图像进行处理时,特征变化仅由年龄段决定，通常使得个体的特征变化相同，即对于具有相同年龄的用户A和用户B，两者的图像从第一年龄变化为第二年龄时，他们的特征变化是相同的，特征变化单一，然而，在实际生活中，每个人随着年龄变化的特征变化受个体因素影响，具有特异性。

技术实现思路

[0005]本申请实施例主要解决的技术问题是提供一种图像处理模型的训练方法、图像处理模型及计算机设备，该方法训练得到的图像处理模型能够使得基于年龄变化的特征变化符合个体特性，能够更加准确地预测衰老图像或溯源年轻图像。
[0006]为解决上述技术问题，第一方面，本申请实施例中提供一种图像处理模型的训练方法，图像处理模型包括编码网络和生成式对抗网络，该方法包括：
[0007]获取真实人脸图像、训练人脸图像和与训练人脸图像对应的预期年龄，训练人脸图像与真实人脸图像反映同一人的人脸，真实人脸图像标注有年龄段，预期年龄位于真实人脸图像标注的年龄段内，预期年龄与训练人脸图像对应的年龄不同；
[0008]采用编码网络对真实人脸图像进行特征编码，得到第一编码，第一编码反映真实人脸图像在预期年龄下的人脸特征；
[0009]采用生成式对抗网络对第一编码和训练人脸图像进行特征融合，得到预测人脸图像，预测人脸图像为训练人脸图像融合有第一编码的特征后生成的图像；
[0010]利用损失函数对图像处理模型进行迭代训练，返回获取真实人脸图像、训练人脸图像和与训练人脸图像对应的预期年龄的步骤，直至图像处理模型收敛，其中，损失函数用于表征第一编码和第二编码之间的编码损失、真实人脸图像和预测人脸图像之间的特征损失和对抗损失，第二编码为采用编码网络对预测人脸图像进行特征编码获得的编码，对抗损失为所述生成式对抗网络计算得到的损失。
[0011]在一些实施例中，生成式对抗网络包括生成器，生成器包括依次设置的多个下采样层、多个深度层和多个上采样层；
[0012]其中，多个下采样层分别用于输出分辨率逐层减小的中间特征图，多个深度层分别用于输出分辨率一致的中间特征图，多个上采样层分别用于输出分辨率逐层增加的中间特征图；
[0013]该采用生成式对抗网络中的生成器对第一编码和训练人脸图像进行特征融合，得到预测人脸图像，包括：
[0014]将第一编码分别与输入多个上采样层的中间特征图进行融合。
[0015]在一些实施例中，一个上采样层包括反向卷积层和融合层；
[0016]前述将第一编码分别与输入多个上采样层的中间特征图进行融合的步骤，包括：
[0017]获取用于输入目标层的目标中间特征图的分辨率，所述目标层为任意一个所述上采样层中的融合层；
[0018]根据目标中间特征图的分辨率，对第一编码进行线性变换，获得参数矩阵；
[0019]对目标中间特征图进行归一化处理，得到归一化处理后的目标中间特征图；
[0020]对归一化处理后的目标中间特征图和参数矩阵进行线性变换，得到目标层输出的融合有第一编码的中间特征图。
[0021]在一些实施例中，前述对归一化处理后的目标中间特征和参数矩阵进行线性变换，得到目标层输出的融合有第一编码的中间特征，包括：
[0022]根据参数矩阵，获取变量矩阵和偏量矩阵；
[0023]采用以下公式计算目标层输出的融合有第一编码的中间特征：
[0024]Y＝(1+D1)*y+D2；
[0025]其中，y为归一化处理后的目标中间特征，D1为变量矩阵，D2为偏量矩阵。
[0026]在一些实施例中，前述损失函数为：
[0027][0028]其中，L
style
为编码损失，L
Ads
为对抗损失，L
res
为特征损失，σ
style
为编码损失的权重，σ
Ads
为对抗损失的权重，σ
res
为特征损失的权重，x为所述训练人脸图像，T为所述预期年龄所在的年龄段，S(Y
s
,T)为第一编码，S(G(x,S(Y
s
,T)),T)为第二编码，E表示分布函数的期望值，D(x)表示对于训练人脸图像判别为真假的概率，D(G(x,S(Y
s
,T)))为对于预测人脸图像判别为真假的概率,G(x,S(Y
s
,T))为预测人脸图像，Y
s
为真实人脸图像；masK
G
为预测人脸图像中像素点的标签，当预测人脸图像中一像素点位于五官区域内时，对应的masK
G
为1，否
则为0；masK
Y
为真实人脸图像中像素点的标签，当真实人脸图像中一像素点位于五官区域内时，对应的masK
Y
为1，否则为0。
[0029]在一些实施例中，在前述利用损失函数对图像处理模型进行迭代训练的步骤之前，还包括：
[0030]采用人脸关键点算法，分别获取真实人脸图像的五官区域和预测人脸图像的五官区域；
[0031]根据真实人脸图像的五官区域与预测人脸图像的五官区域之间的差异，确定真实人脸图像和预测人脸图像之间的特征损失。
[0032]在一些实施例中，前述根据真实人脸图像的五官区域与预测人脸图像的五官区域之间的差异，确定真实人脸图像和预测人脸图像之间的特征损失的步骤，包括：
[0033]采用以下公式计算真实人脸图像和预测人脸图像之间的特征损失：
[0034]L
res
＝||G(x,s(Y
s
,T))*mask<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理模型的训练方法，其特征在于，所述图像处理模型包括编码网络和生成式对抗网络，所述方法包括：获取真实人脸图像、训练人脸图像和与所述训练人脸图像对应的预期年龄，所述训练人脸图像与所述真实人脸图像反映同一人的人脸，所述真实人脸图像标注有年龄段，所述预期年龄位于所述真实人脸图像标注的年龄段内，所述预期年龄与所述训练人脸图像对应的年龄不同；采用所述编码网络对所述真实人脸图像进行特征编码，得到第一编码，所述第一编码反映所述真实人脸图像在所述预期年龄下的人脸特征；采用生成式对抗网络对所述第一编码和所述训练人脸图像进行特征融合，得到预测人脸图像，所述预测人脸图像为所述训练人脸图像融合有所述第一编码的特征后生成的图像；利用损失函数对所述图像处理模型进行迭代训练，返回所述获取真实人脸图像、训练人脸图像和与所述训练人脸图像对应的预期年龄的步骤，直至所述图像处理模型收敛，其中，所述损失函数用于表征所述第一编码和第二编码之间的编码损失、所述真实人脸图像和所述预测人脸图像之间的特征损失和对抗损失，所述第二编码为采用所述编码网络对所述预测人脸图像进行特征编码获得的编码，所述对抗损失为所述生成式对抗网络计算得到的损失。2.根据权利要求1所述的方法，其特征在于，所述生成式对抗网络包括生成器，所述生成器包括依次设置的多个下采样层、多个深度层和多个上采样层；其中，所述多个下采样层分别用于输出分辨率逐层减小的中间特征图，所述多个深度层分别用于输出分辨率一致的中间特征图，所述多个上采样层分别用于输出分辨率逐层增加的中间特征图；所述采用生成式对抗网络中的生成器对所述第一编码和所述训练人脸图像进行特征融合，得到预测人脸图像，包括：将所述第一编码分别与输入所述多个上采样层的中间特征图进行融合。3.根据权利要求2所述的方法，其特征在于，一个所述上采样层包括反向卷积层和融合层；所述将所述第一编码分别与输入所述多个上采样层的中间特征图进行融合的步骤，包括：获取用于输入目标层的目标中间特征图的分辨率，所述目标层为任意一个所述上采样层中的融合层；根据所述目标中间特征图的分辨率，对所述第一编码进行线性变换，获得参数矩阵；对所述目标中间特征图进行归一化处理，得到归一化处理后的目标中间特征图；对所述归一化处理后的目标中间特征图和所述参数矩阵进行线性变换，得到所述目标层输出的融合有所述第一编码的中间特征图。4.根据权利要求3所述的方法，其特征在于，所述对所述归一化处理后的目标中间特征和所述参数矩阵进行线性变换，得到所述目标层输出的融合有所述第一编码的中间特征，包括：根据所述参数矩阵，获取变量矩阵和偏量矩阵；
采用以下公式计算所述目标层输出的融合有所述第一编码的中间特征：Y＝(1+D1)*y+D2；其中，y为所述归一化处理后的目标中间特征，D1为所述变量矩阵，D2为所述偏量矩阵。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述损失函数为：其中，L
style
为所述编码损失，L
Ads
为所述对抗损失，L
res
为所述特征损失，σ
style
为所述编码损失的权重，σ
Ads
为所述对抗损失的权重，σ
res
为所述特征损失的权重，x为所述训练人脸图像，T为所述预期年龄所在的年龄段，S(Y
s
,T)为第一编码，S(G(x,S(Y
s
,T)),T)为第二编码，E表示分布函数的期望值，D(x)表示对于所述训练人脸图像判别为真假的概率，D(G(x,...

【专利技术属性】
技术研发人员：陈仿雄，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：