论文部分内容阅读
基于机器学习的、与年龄相关的人脸图像分析已经成为计算机视觉领域的一个重要研究内容,其中人脸图像的老化建模引起人们越来越多的关注。然而如何产生可信、自然的老化人脸图像仍然面临诸多挑战。本文对人脸老化建模的研究现状进行总结,探讨基于机器学习的人脸老化建模,提出了两种新的人脸老化算法。(1)基于2D-DCT及高频-低频联合字典学习的人脸老化给定来自低年龄组和高年龄组的人脸图像数据集,基于2D-DCT,分别提取低年龄组人脸图像低频部分以及高年龄组人脸图像的高频部分构成训练集,实现了基于高-低年龄组高频-低频联合字典学习的人脸老化建模。输入一幅来自低年龄组的人脸图像,基于2D-DCT,提取输入图像的低频部分;基于联合字典的低频字典部分,实现该身份人脸低年龄组低频部分的稀疏表示;基于联合字典的高频字典及稀疏表示向量,实现关于该身份的目标高年龄组高频部分重构;最后将输入图像的低频部分与目标高年龄组重构的高频部分结合,实现关于目标高年龄组相应身份的人脸老化图像的合成。基于FG-NET人脸数据集上的实验验证了该方法的有效性。(2)基于条件对抗自编码器及低质人脸图像细节增强的人脸老化该算法首先基于条件对抗自编码器(CAAE)进行人脸图像的全局初始老化;基于字典学习及稀疏表示的图像分块超分辨率技术实现初始老化图像的全局增强,以获取更为逼真、高质量的全局人脸老化结果。针对训练集,从中提取与年龄相关的人脸部件如眼睛,鼻子,嘴巴和额头等,并按年龄分组;基于平均结构相似的度量方式从相应目标老化年龄组的人脸部件数据库中搜索与上述老化人脸最相近的面部部件;最后,借助泊松编辑将全局人脸老化图像与相似老化部件合成,得到合成的人脸老化图像。基于UTKFace人脸数据集上的实验验证了该算法的有效性。