一种基于性别约束的渐进式人脸老化模型及方法技术

本发明专利技术涉及一种基于性别约束的渐进式人脸老化模型及方法，包括年龄估计器、正向年龄变换生成网络模块G

【技术实现步骤摘要】
一种基于性别约束的渐进式人脸老化模型及方法


[0001]本专利技术属于图像识别
，具体涉及一种基于性别约束的渐进式人脸老化模型及方法。

技术介绍

[0002]人脸图像作为个人信息的重要载体，包含着如性别、年龄、身份和种族等丰富的生物信息，且具有阶段性唯一的特性。因此，对人脸图像进行分析一直是众多领域的热门话题，人脸识别技术也被应用到很多关键场所。然而当被识别人脸和数据库中的人脸图像年龄跨度较大时，传统人脸识别方法的精确度则急剧下降。传统人脸识别技术受到极大限制，而人脸老化技术的研究则在一定程度上缓解了此问题。
[0003]人脸老化，又称跨年龄人脸合成，是一种年龄“渲染”的技术，通俗的讲，就是将图像中的人脸在不改变其个人身份信息的前提下老化或年轻化到目标年龄。人脸老化研究拟达到三个目标：1)合成人脸图像足够真实；2) 年龄变换前后，个人身份信息一致；3)可获得符合预期年龄的人脸图像。
[0004]目前，对于人脸老化研究的方法大致分为四类：
[0005]1)基于原型的方法；
[0006]2)基于物理模型的方法；
[0007]3)基于传统机器学习的方法；
[0008]4)基于生成对抗网络的方法。
[0009]基于原型的方法：该类方法一般包括了预处理阶段，即利用每个年龄组的所有人脸来计算出该年龄组的原型人脸；其次是核心算法阶段，通过计算不同年龄组的原型人脸之间的差异来构成不同年龄人脸之间的年龄差异；后处理阶段，即将原型人脸之间的差异叠加到具体的待老化人脸图像上构成该人脸的老化效果图像。显然，这种方法极易造成个人身份信息的丢失。
[0010]基于物理模型的方法：该类方法通常是将人的面部还原为几何单元，利用物理模型来给几何单元建模。基于建好的模型将衰老过程转变为线性或者非线性的约束条件。通过单元顶点位移或者插值等方法生成预期的老化模型。这种方法通常只考虑到人脸外形轮廓而不涉及具体的纹理细节信息的变化。因此实际效果也不理想。
[0011]基于传统机器学习的方法：传统机器学习方法一般需要人为定义和提取衰老特征，利用机器学习模型对这些衰老特征建模以模拟真实的衰老过程。虽然这种方法实验效果较之前有了很大的提升，但是预处理过程较繁琐，适用范围受限。
[0012]基于深度学习的方法：该类方法是将人脸图像和年龄条件添加到深度网络中，网络会自主学习所获取的人脸和其老化人脸之间的映射关系，通过不断的迭代更新网络参数，最终通过网络预测真实的老化轨迹。
[0013]近几年的人脸老化技术基本集中在该领域，尤其是使用生成对抗网络模型。随着深度学习及计算机技术的发展，出现了越来越多的无监督的图像生成技术，极大的提升了
学习速度和合成图像的质量。
[0014]下面将梳理近几年基于生成对抗网络的人脸老化感知方法。
[0015]Grigory等人首次提出了基于条件生成对抗网络的人脸老化模型 Age
‑
cGAN，相比基于原型和基于物理模型方法的实验效果有提升，在提高图像保真度的同时考虑了老化过程中面部的外部特征(胡须，眼镜等信息)。但该方法在输入人脸图像年龄和目标年龄跨度较大时，有丢失身份特征以及面部出现伪影的现象。Zhang等人提出CAAE和IPCGANs模型，CAAE模型较少关注到人脸的纹理信息(皱纹，老年斑等)，生成的人脸图像失真现象较为突出。IPCGANs更多关注到人脸的细节纹理，但是当年龄跨度较大时，该方法同样会出现伪影、失真等现象。J.Song等人将Cycle
‑
GANs的思想引入到人脸老化任务中，更细致的划分了年龄段。但生成的图像失真问题同样存在，尤其当输入图像与目标图像年龄跨度较大时。Zhu等人首先将注意力机制引入了人脸老化任务，提出了AcGANs(Attention Conditional GANs) 模型。该模型结构简单，且可以很好的保留背景及个人身份信息。但实验效果不理想，生成图像中人脸的年龄与目标年龄之间有较大差距。H.Zeng等人提出几种基于属性编辑的方法。使用特定网络分离不同属性，其次通过公共属性的嵌入对各种属性进行显式的控制，进而生成具有预期属性的人脸图像。虽然这种方法的研究思路较前人的工作有所创新，但实验效果没有较大的提升，在年龄跨度较大的人脸老化任务中表现得仍然不是很好，尤其是对于皮肤细节纹理的处理。Z.Wang等人将老化的重点放在人脸图像的边缘映射上，将经过老化处理的人脸边缘映射和提取到的人的身份特征进行合成，产生老化的人脸图像。这种方法本质上也基于属性分离的方法，虽然网络结构更为简洁清晰，但是合成的人脸图像质量较差，人脸直观上较为僵硬。X.Yao等人在模型结构方面沿用编解码网络结构，提出适用于高分辨率图像的人脸编辑模型。在临近年龄段之间的老化任务中，表现不错。在年龄跨度较大的人脸老化感知任务中，所生成的图像中人的面部看起来不自然，不真实。
[0016]梳理现有人脸老化方法，发现目前方法主要存在以下问题：
[0017]1)预期变换年龄和输入图像人脸年龄之间跨度较大时，现有方法均出现较大的伪影，造成图像失真；
[0018]2)现有方法大多使用单一网络模型适应所有年龄段之间的人脸老化感知任务，未考虑性别对老化程度的影响。现实中人脸老化判别过程受到众多因素的影响，例如作息规律、生活环境、健康程度及性别等。而健康状况等众多因素具有因人而异的特点，因此很难通过单个模型适应其变化，而性别是可以在网络训练的时候考虑到的因素。因此，考虑性别对于人脸老化程度的影响一直是申请人所关注的课题之一。
[0019]3)现有方法在年龄组的划分上基本采取整数年龄段，且年龄变换范围大多集中在50岁以下。现有研究表明，不同年龄段老化程度是不同的，这一因素也同样是申请人关注的重点之一。

技术实现思路

[0020]针对现有方法对于性别因素，以及不同年龄段其老化程度不同的问题，本专利技术的目的在于，提供一种基于性别约束的渐进式人脸老化模型及方法 (Progressive Face Aging based on gender constraints，PFA
‑
GC)。
[0021]为了实现上述任务，本专利技术采取如下的技术解决方案：
[0022]一种基于性别约束的渐进式人脸老化模型及方法，其特征在于，主要结构包括年龄估计器、正向年龄变换生成网络模块G
x2y
、逆向年龄变换生成网络模块G
y2x
、正向判别器网络模块D
x2y
、逆向判别器网络模块D
y2x
、渐进式年龄变换模块和基于性别约束的网络模块；其中：
[0023]年龄估计器：该年龄估计器经训练可用于估计给定人脸图像中人物的年龄；对于输入的人脸图像，年龄估计器输出一个1*1*101的向量，表示输入图像的年龄估计，其取值范围是[0，100]；
[0024]正向年龄变换生成网络模块G
x2y
和逆向年龄变换生成网络模块G
y本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于性别约束的渐进式人脸老化模型及方法，其特征在于，主要结构包括年龄估计器、正向年龄变换生成网络模块G
x2y
、逆向年龄变换生成网络模块G
y2x
、正向判别器网络模块D
x2y
、逆向判别器网络模块D
y2x
、渐进式年龄变换模块和基于性别约束的网络模块；其中：年龄估计器：该年龄估计器经训练将用于估计给定人脸图像中人物的年龄。对于输入的人脸图像，年龄估计器输出一个1*1*101的向量，表示输入图像的年龄估计，其取值范围是[0，100]；正向年龄变换生成网络模块G
x2y
和逆向年龄变换生成网络模块G
y2x
位于相邻的两个年龄段之间，用于将输入人脸图像从少年龄段变换至老年龄段或将输入人脸图像从老年龄段逆向变换至少年龄段；正向年龄变换生成网络模块G
x2y
和逆向年龄变换生成网络模块G
y2x
采用对称的U
‑
Net网络结构，在上采样过程中叠加下采样路径上的Feature Map，保证低级图像特征被较好的保留；以生成具有目标年龄特征的人脸图像；正向判别器网络模块D
x2y
和逆向判别器网络模块D
y2x
，用于判断正向年龄变换生成网络模块G
x2y
和逆向年龄变换生成网络模块G
y2x
输出的具有目标年龄特征的人脸图像为真或为假的概率；渐进式年龄变换模块：用于将跨越数个年龄组的年龄变化任务分解到对应年龄段的各正向年龄变换生成网络模块G
x2y
或逆向年龄变换生成网络模块G
y2x
中逐步变换；基于性别约束的网络模块：训练所述正向年龄变换生成网络模块G
x2y
和逆向年龄变换生成网络模块G
y2x
，以降低性别因素对人脸老化算法的影响，有效适用于不同性别的人脸老化任务；基于性别约束的渐进式人脸老化模型的损失函数由对抗损失、身份损失以及年龄损失三部分组成，其中：对抗损失如下(3.1)式和(3.2)式所示：对抗损失如下(3.1)式和(3.2)式所示：身份损失：如下(3.3)式所示：年龄损失：为了保证合成图像的年龄与目标年龄条件一致，提前训练了一个年龄估计器，定义如下(3.4)式：其中，友示年龄估计器A本身，对于输入的合成图像G(x|c)进行年龄判断，缩小合成图像G(x|c)与目标年龄之间的差距；综上所述，损失函数如下：损失函数如下：
其中，λ1＝100，λ2＝0.02，λ3＝0.04。2.如权利要求1所述基于性别约束的渐进式人脸老化模型及方法，其特征在于，所述的正向...

【专利技术属性】
技术研发人员：陈莉，杨增果，杨帆，谢飞，
申请(专利权)人：西北大学，
类型：发明
国别省市：