CN110322394A - 基于属性引导的人脸年龄老化图像对抗生成方法及装置 - Google Patents
基于属性引导的人脸年龄老化图像对抗生成方法及装置 Download PDFInfo
- Publication number
- CN110322394A CN110322394A CN201910527818.1A CN201910527818A CN110322394A CN 110322394 A CN110322394 A CN 110322394A CN 201910527818 A CN201910527818 A CN 201910527818A CN 110322394 A CN110322394 A CN 110322394A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- aging
- sample
- facial image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000032683 aging Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000001815 facial effect Effects 0.000 claims abstract description 76
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 40
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 22
- 239000000284 extract Substances 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003115 biocidal effect Effects 0.000 claims 1
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T3/04—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于模式识别及计算机视觉领域,具体涉及了一种基于属性引导的人脸年龄老化图像对抗生成方法及装置,旨在解决的问题。本发明方法包括:采用训练好的人脸老化图像生成器基于真实年轻人脸图像生成老化人脸图像;其中,人脸老化图像生成器基于对抗生成网络训练:将真实年轻人脸样本图像生成合成老化人脸图像;在真实老化人体图像中选取与生成合成老化人脸图像具有相同特征的图像,采用生成器提取特征张量;计算对抗损失、身份信息损失、像素信息损失,利用损失梯度反向传播算法迭代调整人脸老化图像生成器和判别器的权值直到收敛。本发明利用人脸属性作为先验信息,降低了训练数据配对的歧义性,提高合成老化人脸图像的质量和可信度。
Description
技术领域
本发明属于模式识别及计算机视觉领域,具体涉及了一种基于属性引导的人脸年龄老化图像对抗生成方法及装置。
背景技术
人脸年龄老化图像生成是计算机视觉领域人脸属性编辑问题的重要分支,其旨在保持人脸身份信息不变的前提下,基于给定的年轻人脸图像,生成该个体年老时逼真的人脸图像(老化人脸图像)。
随着深度学习理论的广泛应用,尤其是对抗生成网络(GANs,GenerativeAdversarial Networks)的快速发展,现有的人脸老化图像生成技术大多使用基于GANs的模型合成逼真的人脸图像。同时,由于同一个体覆盖较大年龄段的人脸图像(成对图像)难以收集形成训练所需的大型数据集,现有的方法大多使用非成对图像进行训练。然而非成对的数据在模型训练时会产生配对的歧义性,导致模型学习到除了年龄变化以外的图像变化特征,从而使得合成的老化人脸图像的人脸属性与输入人脸不统一,降低合成结果的质量和可信度。
发明内容
为了解决现有技术中的上述问题,即合成老化人脸图像质量和可信度低的问题,本发明提供了一种基于属性引导的人脸年龄老化图像对抗生成方法,该图像对抗生成方法包括:
步骤S10,获取真实年轻人脸图像作为输入图像;
步骤S20,基于所述输入图像,通过训练好的人脸老化图像生成器生成对应的老化人脸图像;
其中,所述人脸老化图像生成器基于对抗生成网络训练,所述对抗生成网络还包括图像判别器、损失函数,该训练方法为:
步骤B10,获取多张真实年轻人脸图像作为第一样本集,获取多张真实老化人脸图像作为第二样本集;
步骤B20,基于所述第一样本集中随机一个第一样本,通过所述人脸老化图像生成器生成对应的合成老化人脸图像;
步骤B30,基于所述合成老化人脸图像、第一样本,以及在所述第二样本集中挑选与所述合成老化人脸图像具有相同人脸属性特征的第二样本,通过所述判别器提取特征张量;
步骤B40,基于所述第一样本、第一样本对应的合成老化人脸图像以及提取的特征张量,计算身份信息损失、像素信息损失、对抗损失,并采用损失梯度反向传播算法调整图像生成器和图像判别器的权值;
步骤B50,重复执行步骤B20至B40直至达到预设的训练次数或各损失值小于设定阈值。
在一些优选的实施例中,步骤B20中“基于所述第一样本集中随机一个第一样本,通过所述人脸老化图像生成器生成对应的合成老化人脸图像”,其方法为:
步骤B21,基于所述第一样本,采用编码器和级联残差块网络获取高层次语义特征张量;
步骤B22,将所述高层次语义特征张量与所述第一样本的人脸属性特征沿通道维度进行拼接,获得拼接后的高层次语义特征张量;
步骤B23,基于所述拼接后的高层次语义特征张量,通过解码器获得合成老化人脸图像。
在一些优选的实施例中,步骤B30中“基于所述合成老化人脸图像、第一样本,以及在所述第二样本集中挑选与所述合成老化人脸图像具有相同人脸属性特征的第二样本,通过所述判别器提取特征张量”,其方法为:
步骤B31,采用小波包变换模块分别提取所述合成老化人脸图像、第一样本,以及在所述第二样本集中挑选与所述合成老化人脸图像具有相同人脸属性特征的第二样本的小波包系数;
步骤B32,采用卷积网络对所述各小波包系数进行卷积;
步骤B33,将所述人脸属性特征与所述卷积网络中间通路的中间结果沿通道数维度进行拼接,获得带人脸属性的各通路特征张量;
步骤B34,将所述带人脸属性的各通路特征张量进行拼接,获得最终特征张量。
在一些优选的实施例中,所述身份信息损失为:
其中,φ()为预训练的人脸特征提取网络,E代表数学期望,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器。
在一些优选的实施例中,所述像素信息损失为:
其中,E代表数学期望,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器。
在一些优选的实施例中,所述对抗损失包括人脸老化图像生成器的对抗损失、判别器的对抗损失。
在一些优选的实施例中,所述人脸老化图像生成器的对抗损失为:
其中,E代表数学期望,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器,D代表判别器。
在一些优选的实施例中,所述判别器的对抗损失为:
其中,E代表代表数学期望,Pold代表真实年老人脸图像的数据分布,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器,D代表判别器。
本发明的另一方面,提出了一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于属性引导的人脸年龄老化图像对抗生成方法。
本发明的第三方面,提出了一种处理装置,包括处理器、存储装置;所述处理器,适于执行各条程序;所述存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于属性引导的人脸年龄老化图像对抗生成方法。
本发明的有益效果:
本发明基于属性引导的人脸年龄老化图像对抗生成方法,利用人脸属性作为先验信息对训练数据的配对进行引导,降低了训练数据配对的歧义性,使得模型能够更好地学习与年龄变化相关的图像变化模式,提高合成老化人脸图像的质量和可信度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明基于属性引导的人脸年龄老化图像对抗生成方法的流程示意图;
图2是本发明基于属性引导的人脸年龄老化图像对抗生成方法一种实施例的算法流程示例图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种基于属性引导的人脸年龄老化图像对抗生成方法,该图像对抗生成方法包括:
步骤S10,获取真实年轻人脸图像作为输入图像;
步骤S20,基于所述输入图像,通过训练好的人脸老化图像生成器生成对应的老化人脸图像;
其中,所述人脸老化图像生成器基于对抗生成网络训练,所述对抗生成网络还包括图像判别器、损失函数,该训练方法为:
步骤B10,获取多张真实年轻人脸图像作为第一样本集,获取多张真实老化人脸图像作为第二样本集;
步骤B20,基于所述第一样本集中随机一个第一样本,通过所述人脸老化图像生成器生成对应的合成老化人脸图像;
步骤B30,基于所述合成老化人脸图像、第一样本,以及在所述第二样本集中挑选与所述合成老化人脸图像具有相同人脸属性特征的第二样本,通过所述判别器提取特征张量;
步骤B40,基于所述第一样本、第一样本对应的合成老化人脸图像以及提取的特征张量,计算身份信息损失、像素信息损失、对抗损失,并采用损失梯度反向传播算法调整图像生成器和图像判别器的权值;
步骤B50,重复执行步骤B20至B40直至达到预设的训练次数或各损失值小于设定阈值。
为了更清晰地对本发明基于属性引导的人脸年龄老化图像对抗生成方法进行说明,下面结合图1对本发明方法实施例中各步骤展开详述。
本发明一种实施例的基于属性引导的人脸年龄老化图像对抗生成方法,包括步骤S10-步骤S20,各步骤详细描述如下:
步骤S10,获取真实年轻人脸图像作为输入图像。
步骤S20,基于所述输入图像,通过训练好的人脸老化图像生成器生成对应的老化人脸图像。
本发明使用了基于对抗生成网络(GANs,Generative Adversarial Networks)的模型合成老化人脸图像,该模型主要包括三个部分:人脸老化图像生成器、图像判别器、损失函数。其中人脸老化图像生成器主要包含编码器,级联残差块网络、解码器三个部分。给定一幅年轻人脸图像,先后送入编码器和级联残差块网络中提取高层次语义信息。为了使得人脸属性特征向量能够对生成器的生成过程起到引导作用,将提取出的高层次语义信息与人脸属性特征向量进行拼接,随后用解码器生成老化人脸图像。为了使得该生成图像尽量逼真并且具有年老人脸的显著特征(皱纹、眼袋等),使用了一个图像判别器来区分合成的与真实的老化人脸图像。具体来说,图像判别器首先运用多尺度小波包变换模块提取出输入图像中小波包的多尺度信息。为了使得图像判别器对人脸属性也具有判别效果,将小波包变换模块的各个尺度上的输出与人脸属性特征向量进行拼接。随后,每个尺度上的拼接结果均被送入一个特定的卷积通路中,形成多通路卷积特征提取网络。最后,将各个卷积通路的输出合并,形成最终的特征张量。为了监督该模型的训练过程,采用了对抗损失、身份信息损失、像素损失来对合成老化人脸图像进行约束并提高其逼真度。
其中,所述人脸老化图像生成器基于对抗生成网络训练,所述对抗生成网络还包括图像判别器、损失函数,该训练方法为:
步骤B10,获取多张真实年轻人脸图像作为第一样本集,获取多张真实老化人脸图像作为第二样本集。
步骤B20,基于所述第一样本集中随机一个第一样本,通过所述人脸老化图像生成器生成对应的合成老化人脸图像。
步骤B21,基于所述第一样本,采用编码器和级联残差块网络获取高层次语义特征张量。
编码器和级联残差网络均采用卷积和池化运算进行特征提取。残差网络是一种深度卷积网络,更容易优化,并且能够通过增加相当的深度来提高准确率,解决了增加深度带来的副作用(退化问题),这样能够通过单纯地增加网络深度,来提高网络性能。
步骤B22,将所述高层次语义特征张量与所述第一样本的人脸属性特征沿通道维度进行拼接,获得拼接后的高层次语义特征张量。
步骤B23,基于所述拼接后的高层次语义特征张量,通过解码器获得合成老化人脸图像。
步骤B30,基于所述合成老化人脸图像、第一样本,以及在所述第二样本集中挑选与所述合成老化人脸图像具有相同人脸属性特征的第二样本,通过所述判别器提取特征张量。
步骤B31,采用小波包变换模块分别提取所述合成老化人脸图像、第一样本,以及在所述第二样本集中挑选与所述合成老化人脸图像具有相同人脸属性特征的第二样本的小波包系数。
小波包变换针对二进小波变换对高频段分析的频率分辨率较差的缺点进行优化,小波包分解可实现对信号高频段的分解,因而小波包分解可对信号在全频进行正交分解,使整个分析具有相同的分辨率,并且频带互不重叠。
步骤B32,采用卷积网络对所述各小波包系数进行卷积。
步骤B33,将所述人脸属性特征与所述卷积网络中间通路的中间结果沿通道数维度进行拼接,获得带人脸属性的各通路特征张量。
步骤B34,将所述带人脸属性的各通路特征张量进行拼接,获得最终特征张量。
步骤B40,基于所述第一样本、第一样本对应的合成老化人脸图像以及提取的特征张量,计算身份信息损失、像素信息损失、对抗损失,并采用损失梯度反向传播算法调整图像生成器和图像判别器的权值。
身份信息损失如式(1)所示:
其中,φ()为预训练的人脸特征提取网络,E代表数学期望,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器。
像素信息损失如式(2)所示:
其中,E代表数学期望,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器。
对抗损失包括人脸老化图像生成器的对抗损失、判别器的对抗损失。
人脸老化图像生成器的对抗损失如式(3)所示:
其中,E代表数学期望,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器,D代表判别器。
判别器的对抗损失如式(4)所示:
其中,E代表数学期望,Pold代表真实年老人脸图像的数据分布,Pyoung代表真实年轻人脸图像的数据分布,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器,D代表判别器。
人脸老化图像生成器、图像判别器的总损失,分别如式(5)和式(6)所示:
LG=LGAN(G)+Lid+Lpix 式(5)
LD=LGAN(D) 式(6)
采用梯度反向传播算法调整图像生成器和图像判别器的权值。
步骤B50,重复执行步骤B20至B40直至达到预设的训练次数或各损失值小于设定阈值。
如图2所示,为本发明基于属性引导的人脸年龄老化图像对抗生成方法一种实施例的算法流程示例图,将获取的真实年轻人脸图像通过编码器、级联残差块网络、解码器生成合成老化人脸图像,集合人脸属性特征向量以及具有此特征的真实老化人脸图像,通过小波包系数的方法提取对应的特征张量,最后计算身份信息损失、像素信息损失、对抗损失,并采用损失梯度反向传播算法调整图像生成器和图像判别器的权值;其中,本实施例的人脸属性特征为:性别女,种族白人。
本发明第二实施例的一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于属性引导的人脸年龄老化图像对抗生成方法。
本发明第三实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于属性引导的人脸年龄老化图像对抗生成方法。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
人脸老化图像生成有许多现实的意义。例如,一个人在幼年或青年时走失,其相貌在长大或变老后会发生变化,为失踪人口的追踪带来很大的麻烦。此时通过人脸老化图像生成,获得其长大或变老后的脸部图像,便可以为人口的追踪带来很大的便利。再如,一些管理系统中会有非常庞大的人脸数据库,这些数据库中的人脸照片也会随着时间的推移与相关个体的真实面貌产生差异,给管理带来不便,手动更新需要用户人群的配合,费时费力,然而采用人脸老化图像生成可以方便快捷地更新数据库照片,为系统的智能化管理带来了解决方案。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于属性引导的人脸年龄老化图像对抗生成方法,其特征在于,该图像对抗生成方法包括:
步骤S10,获取真实年轻人脸图像作为输入图像;
步骤S20,基于所述输入图像,通过训练好的人脸老化图像生成器生成对应的老化人脸图像;
其中,所述人脸老化图像生成器基于对抗生成网络训练,所述对抗生成网络还包括图像判别器、损失函数,该训练方法为:
步骤B10,获取多张真实年轻人脸图像作为第一样本集,获取多张真实老化人脸图像作为第二样本集;
步骤B20,基于所述第一样本集中随机一个第一样本,通过所述人脸老化图像生成器生成对应的合成老化人脸图像;
步骤B30,基于所述合成老化人脸图像、第一样本,以及在所述第二样本集中挑选与所述合成老化人脸图像具有相同人脸属性特征的第二样本,通过所述判别器提取特征张量;
步骤B40,基于所述第一样本、第一样本对应的合成老化人脸图像以及提取的特征张量,计算身份信息损失、像素信息损失、对抗损失,并采用损失梯度反向传播算法调整图像生成器和图像判别器的权值;
步骤B50,重复执行步骤B20至B40直至达到预设的训练次数或各损失值小于设定阈值。
2.根据权利要求1所述的基于属性引导的人脸年龄老化图像对抗生成方法,其特征在于,步骤B20中“基于所述第一样本集中随机一个第一样本,通过所述人脸老化图像生成器生成对应的合成老化人脸图像”,其方法为:
步骤B21,基于所述第一样本,采用编码器和级联残差块网络获取高层次语义特征张量;
步骤B22,将所述高层次语义特征张量与所述第一样本的人脸属性特征沿通道维度进行拼接,获得拼接后的高层次语义特征张量;
步骤B23,基于所述拼接后的高层次语义特征张量,通过解码器获得合成老化人脸图像。
3.根据权利要求1所述的基于属性引导的人脸年龄老化图像对抗生成方法,其特征在于,步骤B30中“基于所述合成老化人脸图像、第一样本,以及在所述第二样本集中挑选与所述合成老化人脸图像具有相同人脸属性特征的第二样本,通过所述判别器提取特征张量”,其方法为:
步骤B31,采用小波包变换模块分别提取所述合成老化人脸图像、第一样本,以及在所述第二样本集中挑选与所述合成老化人脸图像具有相同人脸属性特征的第二样本的小波包系数;
步骤B32,采用卷积网络对所述各小波包系数进行卷积;
步骤B33,将所述人脸属性特征与所述卷积网络中间通路的中间结果沿通道数维度进行拼接,获得带人脸属性的各通路特征张量;
步骤B34,将所述带人脸属性的各通路特征张量进行拼接,获得最终特征张量。
4.根据权利要求1所述的基于属性引导的人脸年龄老化图像对抗生成方法,其特征在于,所述身份信息损失为:
其中,φ()为预训练的人脸特征提取网络,E代表数学期望,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器。
5.根据权利要求1所述的基于属性引导的人脸年龄老化图像对抗生成方法,其特征在于,所述像素信息损失为:
其中,E代表数学期望,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器。
6.根据权利要求1所述的基于属性引导的人脸年龄老化图像对抗生成方法,其特征在于,所述对抗损失包括人脸老化图像生成器的对抗损失、判别器的对抗损失。
7.根据权利要求6所述的基于属性引导的人脸年龄老化图像对抗生成方法,其特征在于,所述人脸老化图像生成器的对抗损失为:
其中,E代表数学期望,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器,D代表图像判别器。
8.根据权利要求6所述的基于属性引导的人脸年龄老化图像对抗生成方法,其特征在于,所述判别器的对抗损失为:
其中,E代表数学期望,Pold代表真实年老人脸图像的数据分布,Pyoung代表真实年轻人脸图像的数据分布,xi为真实年轻人脸图像,αi为相应的人脸属性特征向量,G代表人脸老化图像生成器,D代表图像判别器。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-8任一项所述的基于属性引导的人脸年龄老化图像对抗生成方法。
10.一种处理装置,包括
处理器,适于执行各条程序;以及
存储装置,适于存储多条程序;
其特征在于,所述程序适于由处理器加载并执行以实现:
权利要求1-8任一项所述的基于属性引导的人脸年龄老化图像对抗生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527818.1A CN110322394A (zh) | 2019-06-18 | 2019-06-18 | 基于属性引导的人脸年龄老化图像对抗生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527818.1A CN110322394A (zh) | 2019-06-18 | 2019-06-18 | 基于属性引导的人脸年龄老化图像对抗生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110322394A true CN110322394A (zh) | 2019-10-11 |
Family
ID=68120935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910527818.1A Pending CN110322394A (zh) | 2019-06-18 | 2019-06-18 | 基于属性引导的人脸年龄老化图像对抗生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322394A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145311A (zh) * | 2019-12-30 | 2020-05-12 | 中国科学院自动化研究所 | 高分辨率人脸图像的多属性编辑方法、系统、装置 |
CN111402113A (zh) * | 2020-03-09 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111401339A (zh) * | 2020-06-01 | 2020-07-10 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
CN111553838A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 模型参数的更新方法、装置、设备及存储介质 |
CN111563427A (zh) * | 2020-04-23 | 2020-08-21 | 中国科学院半导体研究所 | 人脸图像属性编辑方法、装置及设备 |
CN111581422A (zh) * | 2020-05-08 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 基于人脸识别的信息处理方法和装置 |
CN111612872A (zh) * | 2020-05-22 | 2020-09-01 | 中国科学院自动化研究所 | 人脸年龄变化图像对抗生成方法及系统 |
CN111767774A (zh) * | 2019-12-04 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 目标图像的生成方法、装置和计算机可读存储介质 |
CN112084831A (zh) * | 2020-04-27 | 2020-12-15 | 上海大学 | 基于年龄编辑的年龄估计方法 |
CN112233012A (zh) * | 2020-08-10 | 2021-01-15 | 上海交通大学 | 一种人脸生成系统及方法 |
CN113096592A (zh) * | 2019-12-23 | 2021-07-09 | 鹤壁天海电子信息系统有限公司 | 一种消除显示屏残影的方法、设备及显示设备 |
WO2021169556A1 (zh) * | 2020-02-29 | 2021-09-02 | 华为技术有限公司 | 人脸图像合成方法及装置 |
CN113762205A (zh) * | 2021-09-17 | 2021-12-07 | 深圳市爱协生科技有限公司 | 人脸图像操作痕迹检测方法、计算机设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140229239A1 (en) * | 2013-02-14 | 2014-08-14 | Bank Of America Corporation | Face retirement tool |
CN107977629A (zh) * | 2017-12-04 | 2018-05-01 | 电子科技大学 | 一种基于特征分离对抗网络的人脸图像衰老合成方法 |
CN109509144A (zh) * | 2018-11-01 | 2019-03-22 | 中山大学 | 一种基于对抗生成网络的与职业相关的人脸老化方法 |
CN109523463A (zh) * | 2018-11-20 | 2019-03-26 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
-
2019
- 2019-06-18 CN CN201910527818.1A patent/CN110322394A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140229239A1 (en) * | 2013-02-14 | 2014-08-14 | Bank Of America Corporation | Face retirement tool |
CN107977629A (zh) * | 2017-12-04 | 2018-05-01 | 电子科技大学 | 一种基于特征分离对抗网络的人脸图像衰老合成方法 |
CN109509144A (zh) * | 2018-11-01 | 2019-03-22 | 中山大学 | 一种基于对抗生成网络的与职业相关的人脸老化方法 |
CN109523463A (zh) * | 2018-11-20 | 2019-03-26 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
Non-Patent Citations (1)
Title |
---|
YUNFAN LIU ET AL.: "Attribute Enhanced Face Aging with Wavelet-based Generative Adversarial Networks", 《ARXIV》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767774A (zh) * | 2019-12-04 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 目标图像的生成方法、装置和计算机可读存储介质 |
CN113096592B (zh) * | 2019-12-23 | 2022-12-27 | 鹤壁天海电子信息系统有限公司 | 一种消除显示屏残影的方法、设备及显示设备 |
CN113096592A (zh) * | 2019-12-23 | 2021-07-09 | 鹤壁天海电子信息系统有限公司 | 一种消除显示屏残影的方法、设备及显示设备 |
CN111145311B (zh) * | 2019-12-30 | 2021-11-26 | 中国科学院自动化研究所 | 高分辨率人脸图像的多属性编辑方法、系统、装置 |
CN111145311A (zh) * | 2019-12-30 | 2020-05-12 | 中国科学院自动化研究所 | 高分辨率人脸图像的多属性编辑方法、系统、装置 |
WO2021169556A1 (zh) * | 2020-02-29 | 2021-09-02 | 华为技术有限公司 | 人脸图像合成方法及装置 |
CN111402113B (zh) * | 2020-03-09 | 2021-10-15 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111402113A (zh) * | 2020-03-09 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111563427A (zh) * | 2020-04-23 | 2020-08-21 | 中国科学院半导体研究所 | 人脸图像属性编辑方法、装置及设备 |
CN112084831A (zh) * | 2020-04-27 | 2020-12-15 | 上海大学 | 基于年龄编辑的年龄估计方法 |
CN112084831B (zh) * | 2020-04-27 | 2022-11-22 | 上海大学 | 基于年龄编辑的年龄估计方法 |
CN111581422A (zh) * | 2020-05-08 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 基于人脸识别的信息处理方法和装置 |
CN111553838A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 模型参数的更新方法、装置、设备及存储介质 |
CN111612872A (zh) * | 2020-05-22 | 2020-09-01 | 中国科学院自动化研究所 | 人脸年龄变化图像对抗生成方法及系统 |
CN111612872B (zh) * | 2020-05-22 | 2024-04-23 | 中国科学院自动化研究所 | 人脸年龄变化图像对抗生成方法及系统 |
CN111401339B (zh) * | 2020-06-01 | 2020-09-29 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
CN111401339A (zh) * | 2020-06-01 | 2020-07-10 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
CN112233012A (zh) * | 2020-08-10 | 2021-01-15 | 上海交通大学 | 一种人脸生成系统及方法 |
CN112233012B (zh) * | 2020-08-10 | 2023-10-31 | 上海交通大学 | 一种人脸生成系统及方法 |
CN113762205A (zh) * | 2021-09-17 | 2021-12-07 | 深圳市爱协生科技有限公司 | 人脸图像操作痕迹检测方法、计算机设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322394A (zh) | 基于属性引导的人脸年龄老化图像对抗生成方法及装置 | |
CN107742107B (zh) | 人脸图像分类方法、装置及服务器 | |
CN110503128A (zh) | 使用卷积生成对抗网络进行波形合成的谱图 | |
CN103810490B (zh) | 一种确定人脸图像的属性的方法和设备 | |
US20170308754A1 (en) | Systems and Methods for Determining Actions Depicted in Media Contents Based on Attention Weights of Media Content Frames | |
CN110135375A (zh) | 基于全局信息整合的多人姿态估计方法 | |
CN110991281A (zh) | 一种动态人脸识别方法 | |
US20210081673A1 (en) | Action recognition with high-order interaction through spatial-temporal object tracking | |
US20080240489A1 (en) | Feature Change Image Creation Method, Feature Change Image Creation Device, and Feature Change Image Creation Program | |
CN107122707A (zh) | 基于外貌特征紧凑表示的视频行人再识别方法及系统 | |
CN109214366A (zh) | 局部目标重识别方法、装置及系统 | |
CN105373767A (zh) | 一种智能手机使用的眼睛疲劳检测方法 | |
CN115601772B (zh) | 一种基于多模态学习的美学质量评价模型和方法 | |
CN110222728A (zh) | 物品鉴别模型的训练方法、系统及物品鉴别方法、设备 | |
CN110110663A (zh) | 一种基于人脸属性的年龄识别方法及系统 | |
CN108229432A (zh) | 人脸标定方法及装置 | |
CN113095254A (zh) | 一种人体部位关键点的定位方法及系统 | |
CN114445664A (zh) | 基于自适应动态卷积网络的图像分类识别方法、装置和计算机设备 | |
CN114677730A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN113205103A (zh) | 一种轻量级的文身检测方法 | |
CN110415261A (zh) | 一种分区域训练的表情动画转换方法及系统 | |
CN108986105A (zh) | 一种基于内容的图像预处理方法及系统 | |
Ma et al. | Learning to Generate Grounded Visual Captions without Localization Supervision | |
Liu et al. | A3GAN: An attribute-aware attentive generative adversarial network for face aging | |
CN116645456A (zh) | 语音驱动数字人面部动画生成方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |