[发明专利]基于双重注意力机制的轻量级人脸老化方法

说明书

本发明提供了一种基于双重注意力机制的轻量级人脸老化方法，包括以下步骤：对输入的人脸图像进行预处理；对输入的目标老化年龄进行编码，转换为多维年龄向量；对预处理后的人脸图像进行身份特征提取，获得高维身份特征；将多维年龄向量输入至多层感知器映射为年龄相关的高维年龄特征；将高维身份特征和高维年龄特征通过自适应实例规范化层获得融合特征向量；对融合特征向量使用跳跃连接、上采样和多尺度传统卷积，得到纹理注意力图和色彩注意力图；通过纹理注意力图、色彩注意力图和输入原始图像，三者融合得到最终老化至目标年龄的人脸老化图像。本发明能够得到最终老化至目标年龄的人脸高分辨率图像。

技术领域

本发明属于数字图像处理技术领域，具体涉及一种基于双重注意力机制的轻量级人脸老化方法。

背景技术

伴随着生活水平的提升，人民群众对社交娱乐品质的追求也日渐提升，短视频已成为当下最火热的社交娱乐方式。而在拍摄短视频的过程中，实现人脸老化和年轻化的特效模拟，因其自身的真实性和趣味性，收到了广大用户的一致好评。但是，人脸老化是一个十分复杂的过程，需要综合考虑各方面因素，传统算法为了实现老化效果的真实性，算法结构设计较为复杂，尤其是在实现高分辨率人脸老化的过程中，单张图像计算量较为庞大，不利于在手机等嵌入式设备部署。

为了解决人脸老化算法在嵌入式设备部署困难的问题，研究学者考虑将深度学习应用到人脸老化当中，已有的人脸老化算法通常设计一个结构相对简单的神经网络模型来实现人脸老化，尽管一定程度上能实现人脸老化，但效果不尽人意，真实性大打折扣。

目前，轻量化网络设计在深度学习领域已经取得了巨大的成功，在图像处理研究中也应用广泛，但人脸老化这一特定领域应用相对较少，还需要更深入研究，存在较大的进步空间。

发明内容

本发明的目的就是为了解决上述背景技术存在的不足，提供一种基于双重注意力机制的轻量级人脸老化方法，使用传统卷积、深度可分离卷积、倒瓶颈残差、混合域注意力对输入人脸图像进行身份特征提取，并将目标老化年龄作为图像属性编辑的输入，使用自适应实例规范化层实现身份特征与老化年龄特征的融合，通过对融合特征进行跳跃连接、上采样、卷积运算，生成双重注意力机制的纹理注意力图和色彩注意力图；最后，将纹理注意力图、色彩注意力图和原始输入图像三者结合，能够得到最终老化至目标年龄的人脸高分辨率图像，并且能够在无监督学习的情况完成网络训练。

本发明采用的技术方案是：一种基于双重注意力机制的轻量级人脸老化方法，其特征在于：包括以下步骤：

S1，对输入的人脸图像进行预处理，实现像素归一化；

S2，对输入的目标老化年龄进行编码，转换为多维年龄向量；

S3，对预处理后的人脸图像采用编码网络进行身份特征提取，获得高维身份特征；

S4，将多维年龄向量输入至多层感知器，逐步升高维度，映射为年龄相关的高维年龄特征；

S5，将高维身份特征和高维年龄特征通过自适应实例规范化层实现特征融合，获得融合特征向量；

S6，对融合特征向量使用由跳跃连接、上采样和多尺度传统卷积构建的解码网络，得到纹理注意力图和色彩注意力图；通过纹理注意力图、色彩注意力图和输入原始图像，三者融合得到最终老化至目标年龄的人脸老化图像。

上述技术方案中，步骤S1中，对原始输入图像x_i预处理，其原始年龄为i，按照[0.5,0.5,0.5]的均值和[0.5,0.5,0.5]的标准差进行归一化处理，且仅在网络训练过程中引入拉伸、裁剪、加噪，以防止网络训练过拟合。

上述技术方案中，针对常见的编码方式对于相邻年龄的关联性弱的问题，在步骤S2中，设计一种结合分类与回归的编码方式，首先确认目标老化年龄所在的年龄区间，通过线性计算的方式得到目标老化年龄与年龄区间边界的关联性作为编码结果，得到多维年龄向量，从而实现编码结果保留一定的年龄关联性。