用 于图像生成的机器学 习 算法 在人像合成中 的研究与应用
用 于图像生成的机器学 习 算法在人像合成中 的研究与应用随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
，
尤 其是 基 于通用 图
形
处理器 的并行计算技 术的快速发展
，
机器学习 领域获得 了 快速的进 步
。
随着 基于
卷 积神 经网 络的深度 学 习 方法的 出 现
，
．
传 统 的基于 数学 模型 的机器学 习 算 法在
很 多应用 领域都被基于统 计学 模型 的 神 经网 络算法所超越
，
尤 其是 ２ ０ １ ６
年 以来
，
基于 生成对 抗网 络的 图像处理方法
，
在传 统 的 图像识别
，
图像增强 和 图像分 割等
领域之外
，
还实现了 基于 先验知识 的 图 像合成
，
但 图像合成过程中 仍存在算法
结
果不 容 易 收 敛
，
计算量大
，
优化速度慢
，
图 像劣化 等 问 题
。
针对人脸 合成 图 像
，
已有 的 图 像合 成算 法其优化 目 标与 评 价方法更多 的 关注于合成 图 像 的质量与 细
节还 原度
，
而对于 人 像本 身 的 身 份信 息 保持与 目 标图 像 与源 图像 的 身份特征
一
致性等方面
，
仍需进
一
步 研 究和解决
。
本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
，
将合 成过程分
成
了
３
个 阶段
，
首先 是 图 像中 目 标主体 的分割
，
其次是 人脸图 像的合成
，
最后 是 图
像的 超分辨和 画质 增强
，
实现 了 人 脸 图像生成算法的 识 别
，
分离
，
合成和 画 质 改
善 的 全过程
。
针对 目 前 图像合成及人脸合成研究中 存在 的 问 题
，
本文 主要解决
了
人 脸 图 像 的 主体 分 割及 合成高 质量 的 保留 身 份特征 信 息 的 图 像的 问 题
，
主要
工
作 内 容和 创新点 包括
：
１ 、
基于颜色统计信 息的 高斯混合模 型分类算法
，
设计 了
一
种快速图 像分割
算法
，
该 算 法通过逐层 二分法
一
次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
，
同 时 由 分割 区 域得 到相 应 的 目 标轮廓
。
该算 法不同 于传统方法的 先 由 轮廓得
到
连续的 边界
，
再得 到分割 区 域的 做 法
，
而 是 直接基于 颜色 统计信 息和像素分 布
的
形态学特征进行 目 标 区域 的划 分
，
减少 了 边缘分 析的计算时 间
，
且对 目 标 区 域
进
行分 割 的同 时 即 可得到相 应 的 区域边界
，
具备很 好的鲁棒性
。
２ 、
从包含 人脸的 任意 图 像中 截取脸部区 域
，
经过背景 虚化
、
缺失部分 补
全
等步 骤
，
基于 生成对抗网 络进行标准人 像 的合成
，
合 成后 的 图像具有 特征点对
齐
后 的 人脸位置
，
且脸部 及肩 部
、
上半身 等部 分都具有 统
一
的 分 割与合成 效果
。
该
方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
，
可以 实 现人脸 图 像 的标准
化
，
同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
。
该 算法可以 作为人脸
识
别 后 的 处 理步骤
，
处理后 的 人脸图 像 相 比 原 图 像具 有更
一
致的 图 像模式和对 齐
后 的人脸特征 区 域
，
同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
，
有效改 善
现
有 人脸识 别 与分割 算法的 效 果
。
３ 、
最 后本 文提 出 了
一
种 针对人脸 图像进行优化 的 超分辨算 法
，
相 比 于现有
的 图 像超分辨算法
，
该算 法在图 像 的超分辨合成过程中
，
在关注合成 图像的 质 量
Ｉ摘 要
和更加 细致 自 然细 节 的 同 时
，
更加 关 注得到清 晰 的人脸 图 像 以及 与原 图
一
致
的
人脸身 份信 息
。
算法通过引 入 生成对抗 网络和残差 网 络
，
实现 了 上 述 目 标
，
可
以
实 现图像 的 ４ 倍甚至 ８
倍的 放大
，
将模糊 的 图 像合成为 具有 较高清 晰 度 和丰 富
人脸信 息 的 高分辨率图像
，
同 时算 法具有很好的适应性 和 鲁棒 性
，
对于 不 同数 据
库 中 的 人脸 图 像样 本都具 有 很 好 的合 成效果
。
该 算法采用 了
一
种 端 到 端的 灵
活
的层叠式结构
，
可 以适应 不 同 的算 法调整 目 标和 图 像 合成要求
。
４ 、
本 文在人 脸合成 图像的 对 比过程中
，
提 出 了 使用 Ｆ Ｉ
Ｄ （ Ｆｒ６ｃｈｅｔ Ｉ ｎｃｅｐｔｉ
ｏｎ
Ｄ
ｉ ｓ ｔａｎｃｅ ）
代替 以往 的
ＰＳＮＲ
（ Ｐｅａｋ
Ｓ
ｉ
ｇｎａ
ｌ
－
ｔｏ
－
Ｎｏ
ｉ ｓｅ Ｒａｔｉ
ｏ
）
和
Ｓ ＳＩ
Ｍ
（ ｓｔｒｕｃｔｕｒａ
ｌ ｓｉ
ｍ
－
ｉ ｌ
ａｒｉ ｔｙ
ｉ
ｎｄｅｘ ）
参数作 为人脸 图 像合成 以及超分 辨算法的评价依据
，
因 为 ＦＩ
Ｄ 值能
够更加 准确 的表达 图 像对于 人脸信 息 的保 留 情况
，
同 时通过全局 特征 信 息 的统
计得到 图像整 体的合 成效果 与 原图像的对 比
。
Ｐ ＳＮＲ 和
ＳＳＩ
Ｍ 则作为 图 像局 部细
节特征 的评价标准更适用 于评价 图像本身 的清 晰度
，
细节质量等局部信 息
。
通
过
三者 的结合
，
可 以 更好的评价合成人脸 图像 的 清晰 度 以 及合成 质 量
，
同时 评价
合
成后 的 图像 与 输入 图 像相 比
，
其 中 的人物身 份特征是 否能 够得 到更好 的 保留
页:
[1]