[發明專利]一種人臉圖像隨年齡變化的圖像處理方法

在審

• 申請號: 201910920174.2
• 申請日: 2019-09-26
• 公開（公告）號: CN110852935A
• 公開（公告）日: 2020-02-28
• 發明（設計）人: 魏平;張雪香;宋潔;鄭南寧
• 申請（專利權）人: 西安交通大學
• 主分類號: G06T3/00
• 分類號: G06T3/00
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 姚詠華

本發明公開了一種人臉圖像隨年齡變化的圖像處理方法，通過獲取人臉圖像以及與該人臉圖像相對應的年齡標簽信息；然后通過特征提取網絡來優化身份保持損失函數，先利用離線的特征提取器對輸入人臉圖像和重建的人臉圖像進行特征提取，然后對輸入人臉圖像和重建的人臉圖像進行作差，運用特征差漸進殘網絡能夠生成生動的、形象的、接近現實的人臉年齡變化圖像，通過對損失函數進行優化，特別是對身份保持損失函數進行優化，利用特征提取器提取后的特征圖之間作差代替輸入圖像與最終重建圖像之間直接作差，這樣的改進使生成的人臉老化圖像序列老化特征更加明顯，更加接近真實老化人臉，本發明方法簡單，重建人臉圖像逼真。

技術領域

本發明涉及計算機視覺的人年齡變化的領域，具體涉及特征差漸進殘對抗自編碼網絡來得到人臉年齡變化的圖像。

背景技術

人臉年齡變化圖像生成是一個跨圖像處理、圖形學、計算機視覺領域的跨學科研究問題，它實現的是對個體的特定年齡段圖像的生成。傳統的做法主要有兩種：一種是基于人臉原型的方法，它先在預定義的年齡組內估計出整組的平均圖像，利用這些平均圖像間的差異構成年齡老化模型；另一種是基于人臉的物理模型的方法，采用準躍點數模型模擬特定個體的肌肉、皮膚和頭骨的衰老機制。但是，由于傳統的方法缺少個體人臉的特征，導致最終生成的圖像結果不逼真，甚至會出現畸變。近幾年，隨著人工神經網絡的進一步發展，出現了例如GAN,RNN等神經網絡模型，人臉年齡變化圖像生成問題得到很大的改善，然而由于跨年齡人臉數據集的缺乏以及人臉老化過程的不確定性和多樣性使得自然、逼真地生成人臉圖像依然面臨著諸多多挑戰。例如，從30歲到10歲，人臉變化主要集中在全局特征(臉型等)，而在30歲至50歲的變化過程中，人臉變化則主要體現在局部特征(皺紋和色斑等)，并且在長跨度人臉年齡變化過程中，人臉的身份特征難以保持；特別對于長跨度人臉年齡圖像生成問題而言，不同年齡的人臉圖像呈現出不同尺度的人臉特征變化，并且在長跨度人臉年齡變化過程中，人臉的身份特征難以保持，因此，研究長跨度人臉年齡變化圖像生成具有重要的研究價值與意義。

發明內容

本發明的目的在于提供一種人臉圖像隨年齡變化的圖像處理方法，以克服現有方法隨年齡變化生成人臉圖像不逼真的問題。

為達到上述目的，本發明采用如下技術方案：

一種人臉圖像隨年齡變化的圖像處理方法，包括以下步驟：

步驟1：獲取人臉圖像以及與該人臉圖像相對應的年齡標簽信息；

步驟2：提取人臉圖像的人臉圖像特征并將獲取的人臉圖像特征編碼得到隱向量；

步驟3：將人臉圖像與第一次重建人臉圖像之間的差圖重編碼為相同長度的殘差隱向量，將殘差隱向量與隱向量構成殘差特征隱向量，然后將殘差特征隱向量和年齡標簽信息輸入生成器網絡，建立初始重建人臉圖像；

步驟4：利用訓練的判別器網絡判別初始重建人臉圖像與真實人臉圖像的相似概率，若相似概率滿足判斷閾值，則初始重建人臉圖像滿足人臉隨年齡變化圖像，進行下一步，否則進行重建人臉圖像；

步驟5：通過在重建的人臉流圖上改變年齡標簽，得到對應年齡的人臉變化圖像，即可完成人臉圖像隨年齡變化的圖像處理。

進一步的，人臉圖像特征包括人臉輪廓、眼睛大小、鼻子大小和嘴巴大小。

進一步的，輸入的人臉圖像的表象特征隱向量為Z,那么：

Z＝E(x)

隱向量Z包括人臉圖像的年齡標簽信息和身份信息。

進一步的，對隱向量進行優化具體過程為：對人臉圖像與第一次重建人臉圖像之間的差圖重編碼為相同長度的殘差隱向量，將殘差隱向量與隱向量構成殘差特征隱向量

式中λ為標量參數，z為隱向量，為殘差隱向量。