[发明专利]基于信息最大化生成对抗网络的人脸连续特征生成方法

说明书

本发明公开了一种基于信息最大化生成对抗网络的人脸连续特征生成方法，它能够生成特征属性连续变化的人脸图像，包括：S1、选择数据集；S2、预处理；S3、搭建基于信息最大化的生成对抗网络模型：模型包括生成器G与判别器D，生成器G通过控制潜在变量c的类型以及维度，从而利用随机噪声向量z生成与真实样本概率密度分布接近的生成样本G(z,c)，将生成样本G(z,c)与真实样本X分别作为判别器D的输入，判别器D负责对输入的生成样本G(z,c)与真实样本X进行“真”与“假”的判断。最终在基于信息最大化的生成对抗网络模型中，生成器G与判别器D进行不断的交替训练，直到判别器D无法判断某一个人脸样本是来自于生成样本还是真实样本X时，该模型训练完成。

技术领域

本发明属于机器学习领域，特别涉及一种基于信息最大化生成对抗网络的人脸连续特征生成方法。

背景技术

有监督学习是机器学习领域一种常用的方法，它是指分别将大规模数据集中的数据以及对应的标签作为某种数学模型的输入，然后对该模型进行训练使其学习到已知数据的特征，从而对未知的数据进行判断的过程。由有监督学习的定义可知，数据集是决定最终模型性能优劣的关键环节之一。随着深度学习技术的不断发展以及在不同领域中开源数据集的出现，有监督学习方法得到了更加广泛的应用。但是，目前开源的数据集还是存在一些不足。以人脸数据集为例，一方面存在总体样本有限的问题，另一方面对于单个人脸样本而言，它包含的特征属性十分有限，同时数据集的收集、整理、标记是一个非常耗费时间与精力的过程，所以想要在一个大规模数据集中将所有单个人脸样本的一系列连续变化的特征属性包含在内显得十分困难。

无监督学习是指将未标记的数据集中的数据作为某种数学模型的输入，然后对该模型进行训练使其学习到数据集中的潜在特征，从而对未知的数据进行判断的过程。

生成对抗网络(简称:GAN)，是近年来无监督学习领域最具潜力的模型之一。该模型的目标是通过不断的训练，得到一个性能优异的生成模型。

发明内容

本发明针对现有人脸数据集存在的一些不足之处，提供一种基于信息最大化生成对抗网络的人脸连续特征生成方法，本发根据基于信息最大化的生成对抗网络模型，能够生成特征属性连续变化的人脸图像，弥补了现有数据集样本不足的问题，为相关问题的科学研究奠定了数据基础。

本发明的目的是这样实现的：

一种基于信息最大化生成对抗网络的人脸连续特征生成方法，包括以下步骤：

S1、选择数据集；

S2、数据集预处理；

S3、搭建基于信息最大化的生成对抗网络模型：

基于信息最大化的生成对抗网络模型包括生成器G与判别器D，生成器G通过控制潜在变量c的类型以及维度，从而利用随机噪声向量z生成与真实样本X概率密度分布接近的生成样本G(z,c)，将生成样本G(z,c)与真实样本X分别作为判别器D的输入，判别器D负责对输入的生成样本G(z,c)与真实样本X进行“真”与“假”的判断，最终在基于信息最大化的生成对抗网络模型中，生成器G与判别器D进行不断的交替训练，生成器G不断提升自己的生成能力，判别器D则不断优化自己的分类能力，当判别器D无法判断某一个人脸样本是来自于生成样本还是真实样本X时，该模型训练完成。

优选地，S1中，选择香港中文大学的开源人脸数据集CelebA，作为数据集。

优选地，S2中预处理方法如下：对数据集中的图像进行裁剪，并进行归一化处理，将图像的像素值统一到[-1,1]之间。

优选地，S3中，搭建基于信息最大化的生成对抗网络模型的方法包括以下步骤：

S31、搭建生成器模型G