论文部分内容阅读
近年来,人脸分析伴随着人机交互、安全监控和娱乐领域市场的打开,成为计算机视觉中应用最为热门的课题之一。人脸年龄属性是人类身份识别的重要依据,虽然人脸年龄估计和老化合成技术在近几年得到了较大的发展,但仍旧存在许多困难与挑战。一方面,人脸老化是一个缓慢且不可逆的形状和纹理变化过程,遵循着一定的老化规律,同时也受性别、种族、生活习惯等多种因素的影响;另一方面,人脸年龄数据集难以满足现有许多年龄估计和老化合成方法的需求。因此,在人脸年龄估计与老化合成问题的研究上仍需继续努力和创新。本文主要利用卷积神经网络(Convolutional Neural Network,CNN)和深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN),分别研究人脸图像的年龄估计与老化合成问题。本文主要研究工作如下:(1)提出一种基于卷积神经网络的多标签年龄估计方法。与大多数传统年龄估计方法不同,该方法没有显式的特征提取和年龄估计阶段,通过训练多输出的卷积神经网络直接实现端到端的年龄估计。首先,充分利用相邻年龄之间人脸特征的微变性,将单年龄标签人脸样本转换为多标签表示,使一个人脸样本可以为其相邻年龄标签的学习做出贡献。然后,在卷积神经网络输出层分别为每个标签设计二分类器,将年龄估计问题转化为一系列二分类子问题。最后,根据二分类输出确定局部年龄范围,并在该年龄范围内利用年龄的有序信息进行年龄估计。通过在公开数据集上的实验对比与分析,验证了本文提出的年龄估计方法的有效性。此外,基于上述算法设计一个年龄估计应用,实现理论到应用的转换。(2)提出一种基于深度卷积生成对抗网络的人脸老化合成方法。利用生成式对抗网络强大的图像合成能力,将人脸特征向量与年龄条件通过生成网络合成老化人脸。在网络结构上,设计一个卷积编码器,提取人脸个性特征;同时,融入年龄估计模型,对无年龄标注的人脸样本进行年龄估计,并判断合成图像的年龄损失,促使网络合成指定年龄段的老化图像。另外,为促使网络生成清晰图像,在生成对抗网络原始目标函数上,融合图像特征损失、像素损失和年龄损失,最终的目标函数为这几个损失项的加权和。经过一系列的实验分析与对比,充分验证了本文老化合成方法能够合成纹理丰富、视觉真实的老化人脸。