[发明专利]一种基于性别约束的渐进式人脸老化模型及方法

说明书

本发明涉及一种基于性别约束的渐进式人脸老化模型及方法，包括年龄估计器、正向年龄变换生成网络模块G_x2y、逆向年龄变换生成网络模块G_y2x、正向判别器网络模块D_x2y、逆向判别器网络模块D_y2x、渐进式年龄变换模块和基于性别约束的网络模块；年龄估计器对图像中人脸年龄进行预估，引入年龄损失函数辅助判别器进行反向传播优化调参；正向或逆向年龄变换生成器网络模块上采样中叠加下采样路径上的Feature Map，保证图像的低级特征不被改变；渐进式年龄变换模块，分解跨数个年龄段人脸老化感知任务到年龄变换范围内的子网络，提高了合成图像的保真度。降低了性别因素对人脸老化模型性能的影响，可用于不同性别的人脸老化预测。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于性别约束的渐进式人脸老化模型及方法。

背景技术

人脸图像作为个人信息的重要载体，包含着如性别、年龄、身份和种族等丰富的生物信息，且具有阶段性唯一的特性。因此，对人脸图像进行分析一直是众多领域的热门话题，人脸识别技术也被应用到很多关键场所。然而当被识别人脸和数据库中的人脸图像年龄跨度较大时，传统人脸识别方法的精确度则急剧下降。传统人脸识别技术受到极大限制，而人脸老化技术的研究则在一定程度上缓解了此问题。

人脸老化，又称跨年龄人脸合成，是一种年龄“渲染”的技术，通俗的讲，就是将图像中的人脸在不改变其个人身份信息的前提下老化或年轻化到目标年龄。人脸老化研究拟达到三个目标：1)合成人脸图像足够真实；2) 年龄变换前后，个人身份信息一致；3)可获得符合预期年龄的人脸图像。

目前，对于人脸老化研究的方法大致分为四类：

1)基于原型的方法；

2)基于物理模型的方法；

3)基于传统机器学习的方法；

4)基于生成对抗网络的方法。

基于原型的方法：该类方法一般包括了预处理阶段，即利用每个年龄组的所有人脸来计算出该年龄组的原型人脸；其次是核心算法阶段，通过计算不同年龄组的原型人脸之间的差异来构成不同年龄人脸之间的年龄差异；后处理阶段，即将原型人脸之间的差异叠加到具体的待老化人脸图像上构成该人脸的老化效果图像。显然，这种方法极易造成个人身份信息的丢失。

基于物理模型的方法：该类方法通常是将人的面部还原为几何单元，利用物理模型来给几何单元建模。基于建好的模型将衰老过程转变为线性或者非线性的约束条件。通过单元顶点位移或者插值等方法生成预期的老化模型。这种方法通常只考虑到人脸外形轮廓而不涉及具体的纹理细节信息的变化。因此实际效果也不理想。

基于传统机器学习的方法：传统机器学习方法一般需要人为定义和提取衰老特征，利用机器学习模型对这些衰老特征建模以模拟真实的衰老过程。虽然这种方法实验效果较之前有了很大的提升，但是预处理过程较繁琐，适用范围受限。

基于深度学习的方法：该类方法是将人脸图像和年龄条件添加到深度网络中，网络会自主学习所获取的人脸和其老化人脸之间的映射关系，通过不断的迭代更新网络参数，最终通过网络预测真实的老化轨迹。

近几年的人脸老化技术基本集中在该领域，尤其是使用生成对抗网络模型。随着深度学习及计算机技术的发展，出现了越来越多的无监督的图像生成技术，极大的提升了学习速度和合成图像的质量。

下面将梳理近几年基于生成对抗网络的人脸老化感知方法。