一种面向弱标签数据进行人脸年龄合成的方法

摘要

本发明公开了一种面向弱标签数据进行人脸年龄合成的方法。属于计算机科学技术人工智能领域，具体步骤包括人脸特征提取、人脸年龄合成及身份信息增强。本发明可以解决数据集标签不精确，缺乏匹配年龄段人脸图片问题，同时，由于添加了循环网络，本发明保留更多的个人面部特征信息，使生成的回归/老化人脸效果更好；另外，本发明在解决数据集不足问题的基础上仍然可以保证良好的生成效果；解决了传统人脸年龄合成任务中数据稀缺的问题，在现实生活中有很广泛的应用，例如寻找失踪人口、影视娱乐、公益项目宣传等。

说明书

技术领域

本发明属于计算机科学技术人工智能领域，具体涉及一种年龄合成方法，特别是涉及一种面向弱标签数据进行人脸年龄合成的方法。

背景技术

人脸合成是研究某人过去和未来长相的一门技术，这项技术在现实生活中有很广泛的应用，例如寻找失踪人口，影视娱乐公益项目宣传等。近年来，很多科学工作者致力于该项工作，但由于数据稀缺，该领域的研究始终面临巨大的挑战，如何解决该问题是一个非常值得深入研究的方向。传统的人脸合成方法可以分为物理建模和原型生成两种方法。物理建模通过公式计算出人脸的颅骨、脸型、皮肤、五官等在不同年龄的变化，此方法需要耗费大量的计算资源，参数复杂度高，同时需要大量的数据。原型生成是指将数据分成几个不同年龄的组，通过学习不同年龄组之间的人脸特征生成对应年龄段的人脸图片。此方法由于缺乏大量数据，容易导致生成的人脸图像存在严重的鬼影，图片质量差。

近几年,深度学习领域发展迅速，卷积神经网络(CNN)的提出在图像特征提取方面作出了极大贡献，该算法不需要大量的人工标注信息，可以很好地解决数据稀缺问题。生成式对抗网络模型的提出,数据缺乏的问题得到了解决。但如何利用生成式对抗网络获得高质量的人脸图片仍然值得研究。

发明内容

针对上述问题，本发明提供了一种面向弱标签数据进行人脸年龄合成的方法，该方法由人脸特征提取、人脸年龄合成、身份信息增强三个部分组成，利用TensorFlow框架进行训练，解决了数据稀缺问题，具有广泛的现实应用。

本发明的技术方案是：一种面向弱标签数据进行人脸年龄合成的方法，具体操作步骤如下：

步骤(1.1)、人脸特征提取：采用条件变分自编码器的方法提取人脸特征信息，通过卷积神经网络获取隐变量；

步骤(1.2)、人脸年龄合成：通过条件对抗生成网络生成指定年龄分组的人脸图片；通过得到的隐变量，给定年龄标签，利用对抗生成方法判断人脸图片真假，训练网络，最终生成对应年龄段的人脸图片；

步骤(1.3)、身份信息增强：通过增加身份信息损失函数增强得到的人脸年龄合成图片生成效果，通过新生成的人脸图片保留特征信息。

进一步的，在所述步骤(1.1)中，通过人脸特征提取的具体操作步骤如下：

(1.1.1)、遍历所有X张人脸图片，通过条件变分自编码器的方法提取人脸特征，其生成函数具体如下式所示：

E[logP(X|z,c)]-D

式中，E[logP(X|z,c)]表示在c条件下联合概率分布的期望值，X表示X张图片，c表示输入条件，z表示生成的隐变量，P和Q分别表示使用条件变分自编码进行图片的生成，D

(1.1.2)、将生成的隐变量通过对抗生成网络判断人脸特征的真假，其具体如下式所示：

式中，D

进一步的，在所述步骤(1.2)中，进行人脸年龄合成的具体操作步骤如下：

通过隐变量，给定年龄标签，从而得到新的特征隐变量，通过条件对抗生成网络进行年龄合成，其生成函数具体如下式所示：

其中，D

进一步的，在所述步骤(1.3)中，进行身份信息增强的具体操作步骤如下：

(1.3.1)、将提取到的人脸特征向量通过循环优化网络，增强身份信息，损失函数为：

式中，

(1.3.2)、利用UTKFace数据集对人脸特征提取和人脸年龄合成网络进行训练；

(1.3.3)、利用CACD数据集对训练好的网络进行测试，完成人脸年龄合成方法的实现。

进一步的，实现给定任意一个人任意年龄的图片，生成0-5、6-10、11-15、16-20、21-30、31-40、41-50、51-60、61-70、70+十个年龄段的图片。

本发明的有益效果是：1、弱标签：与大部分主流方法相比，该方法不需要大量精确的有标签数据，解决了数据稀缺的问题；2、图片质量高：生成的人脸图片真实度高，符合不同年龄段人脸表现特征；3、鲁棒性强：采用了条件变分自编码方法进行特征提取，学习到了个人身份信息，具有很强的鲁棒性；4、应用范围广：可应用于寻找失踪人口、影视娱乐、公益项目宣传等多种场景。

附图说明

图1是本发明的结构流程图；

图2是本发明中人脸特征提取网络示意图；

图3是本发明中人脸年龄合成及身份信息增强示意图；

图4是本发明实施例中CACD测试效果图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：

如图1-3所述；一种面向弱标签数据进行人脸年龄合成的方法，包括人脸特征提取、人脸年龄合成及身份信息增强。

本方法采用了TensorFlow作为训练框架，TensorFlow目前已经演化成为一个相当完整的深度学习软件开放平台，支持多种硬件平台，如：CPU、GPU混合搭建的数据中心训练平台，可支持类似Google自主研发的TPU处理器；同时，TensorFlow作为一个通用的深度学习框架应用领域十分广泛，如：智能医疗、自动驾驶、创造音乐等；综合以上特点，本方法基于TensorFlow框架对网络进行训练，效果显著。

本发明包含人脸特征提取、人脸年龄合成、身份信息增强三个模块，实现了给定任意一个人任意年龄的图片生成十个年龄分段图片的功能。

其中，所述的人脸特征提取采用条件变分自编码的方法学习人脸特征信息，训练一个编码器对任意一张人脸图片进行编码，通过卷积神经网络获取隐变量；

所述的人脸年龄合成通过条件对抗生成网络生成指定年龄分组的人脸图片；给定年龄标签，结合隐变量通过对抗训练的方式得到对应年龄段的人脸图片；

所述的身份信息增强通过增加身份信息损失函数增强图片生成效果；将生成的人脸图片重新输入编码器得到新的隐变量，再给定年龄标签重新生成，该方法可以保留更多的个人身份信息，使得生成的人脸图片效果更好；

具体的：一种面向弱标签数据进行人脸年龄合成的方法，具体操作步骤如下：

步骤(1.1)、人脸特征提取：采用条件变分自编码器(CVAE)的方法提取人脸特征信息，通过卷积神经网络(CNN)获取隐变量；

步骤(1.2)、人脸年龄合成：通过条件对抗生成网络(CGAN)生成指定年龄分组的人脸图片；通过得到的隐变量，给定年龄标签，利用对抗生成方法判断人脸图片真假，训练网络，最终生成对应年龄段的人脸图片；

步骤(1.3)、身份信息增强：通过增加身份信息损失函数增强得到的人脸年龄合成图片生成效果，通过新生成的人脸图片保留特征信息。

进一步的，在所述步骤(1.1)中，通过人脸特征提取的具体操作步骤如下：

(1.1.1)、遍历所有X张人脸图片，通过条件变分自编码器的方法提取人脸特征，其生成函数具体如下式所示：

E[logP(X|z,c)]-D

式中，E[logP(X|z,c)]表示在c条件下联合概率分布的期望值，X表示X张图片，c表示输入条件，z表示生成的隐变量，P和Q分别表示使用条件变分自编码进行图片的生成，D

所述人脸特征提取网络的具体损失函数L

其中，L

(1.1.2)、将生成的隐变量通过对抗生成网络判断人脸特征的真假，其具体如下式所示：

式中，D

进一步的，在所述步骤(1.2)中，进行人脸年龄合成的具体操作步骤如下：

通过隐变量，给定年龄标签，从而得到新的特征隐变量，通过条件对抗生成网络进行年龄合成，其生成函数具体如下式所示：

其中，D

进一步的，在所述步骤(1.3)中，进行身份信息增强的具体操作步骤如下：

(1.3.1)、将提取到的人脸特征向量通过循环优化网络，增强身份信息，损失函数为：

式中，

(1.3.2)、利用UTKFace数据集对人脸特征提取和人脸年龄合成网络进行训练；

(1.3.3)、利用CACD数据集对训练好的网络进行测试，完成人脸年龄合成方法的实现。

进一步的，本发明实现给定任意一个人任意年龄的图片，生成0-5、6-10、11-15、16-20、21-30、31-40、41-50、51-60、61-70、70+十个年龄段的图片。

另外，本发明在使用过程中使用了Pycharm环境，利用了TensorFlow框架进行网络训练；并且还利用了NVIDIA 1080Ti训练本发明所述的面向弱标签数据进行人脸年龄合成的方法。

优先的，本发明还利用了UTKFace数据集进行训练，并使用CACD数据集进行测试。

优先的，本发明还利用了半监督学习方法，使用弱标签数据进行训练。

优先的，对于隐变量特征对抗训练方法，本发明利用半监督学习方法，使用弱标签数据进行训练，解决了人脸年龄合成任务中数据集资源不充足问题。

优先的，对于利用条件对抗生成方法，生成人脸年龄图片，本发明解决了人脸年龄合成任务中生成人脸不真实，效果差的问题。

本发明解决了传统人脸年龄合成任务中数据稀缺的问题，生成图片效果好，应用范围广泛。

具体实施例：

本发明可以应用于普通大众方面，如：利用一张普通人物的图片，生成其对应不同年龄段的图片，如图4所示，为生成图片与真实结果之间的对比效果；该方法在解决了人脸年龄合成任务中数据集稀缺问题的基础上，合成保留了大部分个人身份信息，效果良好。

最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。