[发明专利]一种基于条件生成对抗网络的人脸老化方法

说明书

本发明提供了一种基于条件生成对抗网络的人脸自动老化机制，通过对于海量已标注年龄的不同年龄段的图像训练得到一个由四个部分组成的条件生成对抗网络，包括图像生成器G，图像判别器D，年龄估计网络AEN和身份识别网络FRN。其中，G被训练用于生成老化图像，通过输入年轻图像和预设的年龄条件，自动有效地生成年老图像。D用于鉴别生成的年老图像是否为真实图片，能够确保生成的年老图片具备欺骗性。AEN是用于减小生成图像的年龄与预设值的差异，而FRN则是保证生成过程中人像身份的一致性。发明通过对网络结构的设计，使整个网络达到端对端的训练，并且在人脸老化方面有很好的表现，能够生成身份一致，欺骗性强和分辨率高等优点的优质人脸老化图像。

技术领域

本发明涉及人工智能与深度学习领域，更具体地，涉及一种基于条件生成对抗网络的人脸老化方法。

背景技术

人脸老化，也称为人脸年龄进化，或老化合成，吸引了越来越多的研究兴趣。在美学方面，将其定义为对一个人的人脸用自然的老化或修复效果进行渲染。在人脸图像处理和模式分析中，人脸老化是一个与众不同的任务，其目的是由一个输入的年轻人脸图像，来生成相应身份年老的人脸图像。近年来，人脸老化的研究已经有了一定突破，并产生了许多相关的重要应用，例如：跨年龄的人脸分析、身份认证、寻找丢失儿童、娱乐、整容术，生物统计学或司法鉴定等。近年来，随着生成对抗网络的迅速发展，生成对抗网络出现多种变形形式，广泛应用于图像级应用中。2014年Ian Goodfellow发表Generative AdversarialNetwork(GAN)，打开了无监督学习和生成对抗网络的大门，生成对抗网络以一种无监督的方式学习训练样本的分布并以此生成高度真实的合成数据。Mirza et al.提出ConditionGAN在原始GAN的基础上引入额外的标签信息，也就是从原来的随机噪声变量中分出一部分来引导网络生成想要的图像，采取的方式是给判别网络和生成网络都输入训练图像对应的标签，这样生成对抗网络又具备监督形式，CGAN除了用于指定条件生成数据外，还用在图像转换，风格迁移中。但是该模型针对人脸老化的任务仍存在许多问题，比如人像转换的过程中无法保持身份的一致性，或者生成图像的与预设的年龄信息不相符，以及最终生成图像质量不高等各方面的问题。

发明内容

本发明为克服上述现有技术所述的人像转换的过程中无法保持身份的一致性，生成图像的与预设的年龄信息不相符，以及最终生成图像质量不高等方面的的问题。提供一种基于条件生成对抗网络的人脸老化方法。

本发明旨在至少在一定程度上解决上述技术问题。

为解决上述技术问题，本发明的技术方案如下：一种基于条件生成对抗网络的人脸老化方法，包括以下步骤：

S1：搜集人脸数据，并对人脸数据进行预处理；

S2：输入预处理后的人脸数据分别训练年龄估计网络AEN和身份识别网络FRN；

S3：编码年龄信息，构造图像生成器G和图像判别器D，并将图像生成器G的生成图像分别输入到构造的图像判别器D、训练好的年龄估计网络AEN以及身份识别网络FRN中，计算图像判别器、年龄估计网络、身份识别网络的损失函数并将损失函数进行融合作为生成器G最终的损失函数，从而构造生成对抗网络Age-GAN，训练生成对抗网络Age-GAN；

S4：将待测数据输入到生成对抗网络Age-GAN中用于人脸老化。

本发明通过对于海量已标注年龄的不同年龄段的图像训练得到一个由图像生成器G，图像判别器D，年龄估计网络AEN和身份识别网络FRN组成的条件生成对抗网络，通过这个网络结构的设计，完成了多种损失函数的相结合，使得模型在人脸老化方面有很好的表现实现人脸的老化。

优选地，步骤S1搜集人脸数据，并对人脸数据进行预处理的具体步骤为：

S11：对将公共的包含年龄标签和身份标签的人脸数据库进行搜集，人脸数据库包括FG-NET，CACD和MORPH公共数据库；