[发明专利]一种基于循环条件生成对抗网络的人脸衰老图像合成方法

说明书

该发明公开了一种基于循环条件生成对抗网络的人脸衰老图像合成方法，属于计算机视觉领域。该方法首先选择使用生成对抗网络作为基本框架，同时，借鉴循环生成对抗网络的对偶学习的思想，并利用辅助分类器的监督学习思想，创新地在循环生成对抗网络进行衰老图片生成时引入类别标签，使网络对特定的年龄特征增加关注度，并通过给判别器增加一个辅助分类支路，使得生成网络可以有效利用标签信息去学习特定的知识，并且通过对偶学习的思想，单次训练即可完成生成网络在不同年龄段图像的生成转换。通过上述的方法，本发明充分利用了对偶学习和辅助分类监督思想的优势，大大地提高了循环生成对抗网络在衰老图像生成的效率和图片质量。

技术领域

本发明属于计算机视觉领域，主要涉及人脸衰老图像合成的问题。主要应用于刑事案件的侦破和影视娱乐产业等方面。

背景技术

人脸衰老图像合成是利用计算机视觉的相关技术，在保留原始人脸图像身份特征的基础上，合成指定人脸图像在不同年龄段的对应图像。随着相关理论研究的不断突破与信息科技产业的飞速发展，人脸衰老图像合成研究在公安刑事侦破、跨衰老的人脸识别、人脸数据翻译、人脸数据集扩展等方面都有非常广泛的应用。近年来，人脸衰老图像合成在机器学习和深度学习发展的基础上，有了进一步的发展。现有人脸衰老图像合成方法可以分为三个大的类别：1.基于物理模型的方法，2.基于原型的方法，3.基于深度学习的方法。

基于物理模型的人脸衰老图像合成方法的基本原理是通过研究人脸衰老过程的物理变化机制的统一规律，例如面部纹理，形状和骨骼的变化机制规律，从而在原始图片中加入这些统一的变化规律来合成人脸衰老图像。然而，人脸衰老过程是特定于个体的，受到其他因素(例如健康，性别和生活方式)的严重影响。基于物理模型的人脸衰老图像合成方法经常使用马尔可夫过程来描述人脸衰老的过程。这类方法缺陷在于合成指定人脸图像在不同年龄段的对应图像的效率很低，合成的图像缺乏个体化信息，衰老过程缺乏个体性和多样性。参见文献：Ramanathan N,Chellappa R.Modeling age progression in youngfaces[C]//2006IEEE Computer Society Conference on Computer Vision and PatternRecognition(CVPR'06).IEEE,2006,1:387-394.和Suo J,Zhu S C,Shan S,et al.Acompositional and dynamic model for face aging[J].IEEE Transactions onPattern Analysis and Machine Intelligence,2009,32(3):385-401.

基于原型的人脸衰老图像合成方法通常分为两个步骤：首先，根据不同年龄组的图像建立平均脸，将生成的每个平均脸图像作为每个年龄组的原型，并学习不同年龄组的原型之间的纹理等特征的变化规律；然后，将这些规律用于测试图像，合成人脸衰老图像。然而，基于原型的方法也存在缺陷。不同的输入图像有着相同的衰老规律，这意味着基于原型的方法没有考虑到不同个体衰老规律的多样性，同时在计算平均脸的过程中丢失了与细节相关的纹理信息。参见文献：Shu X,Tang J,Lai H,et al.Personalized ageprogression with aging dictionary[C]//Proceedings of the IEEE internationalconference on computer vision.2015:3970-3978.

基于深度学习的人脸衰老图像合成方法，通常使用深度生成模型来产生图片，通过拥有不同年龄段的人脸图片的数据集来学习不同年龄组之间的映射关系。这种方法通过人工设计好的神经网络和损失函数，自动学习得到不同年龄组之间的纹理等特征的变化规律。这种方法一定程度上解决了上面两种方法的个体衰老方式单一、丢失与细节相关的纹理信息、生成效率低等问题。