[发明专利]一种基于对抗网络的多个年龄段图像生成方法

摘要

本发明公开了一种基于对抗网络的多个年龄段图像生成方法，将传统GAN损失、循环损失、类内距离损失、余弦相似度损失相结合，共同作为训练过程中的目标函数，在减小类内距离的同时，加入余弦相似度损失来保证映射的对应性。本发明包括：一：将人脸图像数据行划分为训练样本集与测试样本集；二：对训练样本集中的人脸图像进行数据预处理；三：构建基于对抗网络的多个年龄段图像中生成器、判断器的卷积神经网络结构；四：将训练样本集输入到模型中进行训练；五：保存各生成器和判断器网络模型参数；六：利用经过数据预处理后的测试样本集对生成器和判断器模型进行测试，获得测试结果。本发明用于数据增强和模式识别领域。

主权项

1.一种基于对抗网络的多个年龄段图像生成方法，其特征在于包括如下步骤：步骤1：收集各个年龄段的人脸图像，依据年龄信息将训练数据分为4类，分别为：1、少年(18岁及以下)；2、青年(18‑30岁)；3、中年(31‑59岁)；4、老年(60岁及以上)，并对图像进行尺寸大小归一化预处理；步骤2：基于对抗网络的多个年龄段图像生成模型由3个模块组成，分别为生成对抗网络(Generative Adversarial Networks)中的生成器G_ij(i,j∈[1,4]且i≠j)、生成对抗网络中的判断器D_i(i∈[1,4])、鉴别器R，其中，生成器G_ij采用全卷积网络结构，输入为一张年龄类别i的人脸图像，输出得到年龄类别j的目标人脸图像；判断器D_j(j∈[1,4])，表示输入真实的年龄类别j的人脸图像和由生成器G_ij生成的年龄类别为j的人脸图像，输出值表示将输入图像判断为真实的年龄类别j的人脸图像的概率；鉴别器R，直接使用预训练好的人脸识别模型，分别将两张人脸图像输入到鉴别器中，提取特征层中特征计算欧式距离；步骤3：输入一张年龄类别i的人脸图像x_i，通过生成器G_ij生成人脸图像x′_i,将x′_i和年龄类别j的真实人脸图像x_j输入判断器D_j中，采用传统GAN的损失函数L_GAN1；步骤4：与步骤3相反，输入一张年龄类别j的人脸图像x_j，通过生成器G_ji生成人脸图像x_j′,将x_j′和年龄类别i的真实人脸图像x_i输入判断器D_i中，采用传统GAN的损失函数L_GAN2；步骤5：将x_i′和x_j′分别输入生成器G_ji和G_ij中，得到图片x″_i和x″_j，计算x_i、x″_i的L₁范数距离和x_j、x″_j的L₁范数距离，相加得到循环损失函数L_cyc；步骤6：计算x_i、x′_j的L₁范数距离和x_j、x′_i的L₁范数距离，相加得到类内距离损失函数L_intra；步骤7：将x_i和x′_i输入鉴别器R中，计算个体损失L_id1，再将x_j和x′_j输入鉴别器R中，计算个体损失L_id2，相加得到个体损失函数L_identity；步骤8：损失函数L＝L_GAN1+L_GAN2+αL_cyc+βL_intra+γL_identity，其中α、β、γ为常数系数。遍历i，j(i,j∈[1,4]且j≠i)，调整G_ij、G_ji的参数使得L值最小，调整D_i、D_j的参数使得L值最大；步骤9：同步骤2至步骤8，在训练过程中，用两个生成器G_ik、G_kj组合的形式替代G_ij,同理，用G_jk、G_ki替代G_ji。遍历i，k，j(i,k,j∈[1,4]且k≠i,j≠k,i)，调整G_ik、G_kj、G_jk、G_ki的参数使得L值最小，调整D_i、D_j的参数使得L值最大；步骤10：同步骤2至步骤8，用三个生成器G_ik、G_kl、G_lj组合的形式替代G_ij，同理，用G_jl、G_lk、G_ki替代G_ji。遍历i，k，l，j(i,k,l,j∈[1,4]且k≠i,l≠k,i,j≠l,k,i),调整G_ik、G_kl、G_lj、G_jl、G_lk、G_ki的参数使得L值最小，调整D_i、D_j的参数使得L值最大；步骤11：保持判断器D_i、D_j不变，反复执行步骤2至步骤10，调整对应生成器网络参数，使得L值逐渐变小直至稳定；步骤12：保持各生成器不变，反复执行步骤2至步骤10，调整判断器D_i、D_j网络参数，使得L值逐渐变大直至稳定；步骤13：重复步骤11和步骤12，直至损失函数L收敛。