[发明专利]一种基于StyleGAN的移动端人脸年龄编辑方法

权利要求书

1.一种基于StyleGAN的移动端人脸年龄编辑方法，其特征在于，包括：

S1、准备人脸图片训练数据集，并对人脸图片训练数据集中的部分人脸图片标注得到年龄标签；包括：

S11、挑选一批人脸图片，使用开源模型得到每张人脸的关键点，并根据关键点将人脸图片通过仿射变换对齐到基准位置，得到人脸图片训练数据集；

S12、将人脸图片训练数据集中的部分人脸图片按照年龄大小进行标注，年龄大于45岁的标签为1，年龄小于45岁的标签为0，得到年龄标签集；

S2、利用所述人脸图片训练数据集训练特征提取模型和生成模型；其中，

训练特征提取模型包括：

S21、定义自编码器模型，包括编码器和解码器；

S22、对于从人脸图片训练数据集中获取的人脸图片，将人脸图片输入得到特征向量，将特征向量输入得到解码后的图像；

S23、定义损失值，通过BP算法得出值对模型中每个参数对的梯度值，根据梯度下降算法和梯度值对模型中的参数进行更新；

S24、重复步骤S22～S23，直到重复次数大于设定次数或者损失值小于设定值，将自编码器模型中的编码器及其参数单独保存，即为特征提取模型；

训练生成模型包括：

S25、定义生成模型和对应的判别器；

S26、对于从人脸图片训练数据集中获取的人脸图片，将人脸图片输入S24中得到的特征提取模型得到特征向量；

S27、随机选取分辨率，将特征向量和分辨率输入生成模型得到训练后的生成模型；

S28、对每一卷积层，对应到输出特征上，将其分为前个通道，其中取值为，为这一层的卷积核个数，每次训练时取该层的前个通道；

S29、选定好和之后，即可得到子模型；

S210、重复步骤S27～S29，直到重复次数大于设定次数或者损失值小于设定值，得到生成模型；

S3、利用人脸图片训练数据集中的部分数据和特征提取模型训练人脸年龄分类器；

S4、根据用户配置和预期等待时间选择分辨率和通道系数，输入生成模型得到子模型；

S5、对于人脸年龄分类器 ，提取其系数，即为能够判断人脸年龄的属性向量；

S6、利用子模型以及所述属性向量对待编辑人脸图片进行编辑。

2.如权利要求1所述的基于StyleGAN的移动端人脸年龄编辑方法，其特征在于，所述步骤S3包括：

S31、定义二分类支持向量机；

S32、对于从人脸图片训练数据集中获取的带标签的人脸图片，将人脸图片输入特征提取模型得到特征向量，从年龄标签集中获得图片对应的年龄标签；

S33、对于支持向量机，采用线性核函数，输入特征向量和对应的年龄标签，训练得到人脸年龄分类器。

3.如权利要求1所述的基于StyleGAN的移动端人脸年龄编辑方法，其特征在于，所述步骤S4包括：

S41，选择一组和，将其带入生成模型得到子模型；

S42，将特征向量输入子模型进行运算，得到输出图片；

S43，观察统计运算时间和输出图片效果，如果时间过长或者对效果要求较低，调低和，重新输入生成模型得到新子模型；

S44，重复S41～S43，直到得到满足要求的和值。

4.如权利要求1所述的基于StyleGAN的移动端人脸年龄编辑方法，其特征在于，所述步骤S6包括：

S61、对于任意一张待编辑人脸图片，使用开源模型得到每张人脸的关键点，并根据关键点将待编辑人脸图片通过仿射变换对齐到基准位置，得到图片；

S62、将图片输入特征提取模型得到特征向量；

S63、通过对属性向量和人脸特征向量加权求和：

得到编辑后的特征向量，其中为控制编辑后年龄大小的系数；

S64、将输入步骤S4得到的子模型，得到分辨率为的编辑后人脸图像。

5.如权利要求1所述的基于StyleGAN的移动端人脸年龄编辑方法，其特征在于，所述步骤S21中的编码器和解码器具体为：

编码器包括十个卷积层，一个最大池化层，一个全局平均池化层，一个全连接输出层，解码器包括三个卷积层，三个上采样层。

6.如权利要求1所述的基于StyleGAN的移动端人脸年龄编辑方法，其特征在于，所述步骤S25中的生成模型和对应的判别器具体为：

生成模型包括24个卷积层，8个上采样层，8个全连接层，判别器包括四个卷积层，两个全连接输出层。