[发明专利]基于对抗生成网络的图像处理方法和装置

权利要求书

1.一种基于对抗生成网络的图像处理方法，其特征在于，包括：

步骤S1，获取第一人脸样本图像；获取第一人脸多属性条件；

步骤S2，将所述第一人脸样本图像和所述第一人脸多属性条件，输入训练好的对抗生成网络的生成网络，得到第一合成图像；训练所述对抗生成网络的步骤具体包括：

步骤S11，获取训练用人脸样本图像；获取训练用人脸多属性条件；

步骤S12，将所述训练用人脸样本图像和所述训练用人脸多属性条件，输入待训练的对抗生成网络的生成网络，得到训练用合成图像；

步骤S13，分别将所述训练用合成图像与所述训练用人脸样本图像输入所述对抗生成网络的判别网络，使得所述判别网络对所述训练用合成图像和所述训练用人脸样本图像进行区分；

步骤S14，若所述判别网络能够区分所述训练用合成图像和所述训练用人脸样本图像，则优化所述对抗生成网络的所述生成网络和所述判别网络，生成更新后的述生成网络和所述判别网络，并跳到所述步骤S12；若所述判别网络无法区分所述训练用合成图像和所述训练用人脸样本图像，则所述对抗生成网络训练完成；所述优化所述对抗生成网络的所述生成网络和所述判别网络的步骤包括：

步骤111：利用原始真实训练数据训练生成对抗网络算法，在这里，我们应用的该网络叫做FM-GAN，预训练保证根据指定的多属性条件：年龄a、性别g和种族e生成想要的生成图像x′_j←G(z，a，g，e)；z是代表的随机变量；

步骤112：用FM-GAN中的生成网络G指定条件生成图像x′_j，送入到待优化模型中只进行前向传播，获得当前模型的预测输出值y_pred←m·p_m(x′_j)，m∈[0，FC]，其中m为年龄属性值，FC为年龄分布的最大值，P为m对应的属于该年龄的概率，y为待优化模型对生成人脸x′_j的年龄预测；

步骤113：将符合条件要求分界线Borderline的生成数据x′_j存储到缓存池DataPool中，计算网络实际的输出值y_pred和理想的实际值y′_j之间的差距，公式如下，DataPool←x′_j{|y_pred-y′_j|≤Borderline}；

步骤114：从缓存池中取出N个生成样本，从原始训练集中打乱随机取出M个训练样本，组成一个容量为K＝M+N的批处理数据，送入到待优化的年龄估计网络E中，经过前向传递计算输出值，然后根据输出值和期望值计算损失函数L(θ)，调整网络的参数，以最小化损失函数，减小误差为目标；

步骤115：返回到步骤112中循环执行，同时输出观察待优化模型的性能变化，每优化一轮就计算模型在真实测试集上的性能效果，年龄的度量标准选择Mean Absolute Error平均绝对误差，以反映预测值误差的实际情况；

步骤S3，将所述第一合成图像作为符合所述第一人脸多属性条件的人脸图像，并输出。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1之后，所述步骤S2之前，所述方法还包括：

对所述第一人脸样本图像进行人脸检测，判断所述第一人脸样本图像中是否存在人脸；

当所述第一人脸样本图像中存在人脸时，则执行步骤S2；

当所述第一人脸样本图像中不存在人脸时，则结束处理。

3.根据权利要求1所述的方法，其特征在于，所述判别网络对所述训练用合成图像和所述训练用人脸样本图像进行区分的步骤具体为：

根据所述训练用合成图像和所述训练用人脸样本图像，分别输出真伪判别概率以及多属性特征层；

根据所述真伪判别概率以及所述多属性特征层，分别计算所述判别网络的损失函数的对抗损失项以及所述生成网络的损失函数的多属性交叉熵损失项；

若所述对抗损失项趋于平稳状态且所述多属性交叉熵损失项收敛状态，则判断为：所述判别网络无法区分所述训练用合成图像和所述训练用人脸样本图像；反之，判断为所述判别网络能够区分所述训练用合成图像和所述训练用人脸样本图像。