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

杨利霞

用 于图像生成的机器学 习 算[size=22.9204pt]法

) _& H8 M+ ~3 M& u# [# _/ }

在人像合成中 的研究与应用

4 b( f4 M9 g! T! R0 Z0 W" A7 g' L随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
，
. N+ C, H2 t  f. y尤 其是 基 于通用 图
形
( }; ^- A$ W* T. ^1 p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
" d+ u2 Z, N7 F6 v卷 积神 经网 络的深度 学 习 方法的 出 现
0 a. q$ i& Q& x: n7 C. K，
．
7 O# \6 M) |+ R5 H; l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
，
) i2 X9 f1 e' U: a  T基于 生成对 抗网 络的 图像处理方法
" f. W5 B, C0 ]0 S，
. }4 e% o2 b- j8 ~( H4 s8 Q/ e在传 统 的 图像识别
，
图像增强 和 图像分 割等
8 P; M; @2 [5 d8 b4 T/ E7 d: n# n: [领域之外
0 t9 M$ B3 S7 O- `  b，
还实现了 基于 先验知识 的 图 像合成
' g3 ?" Q2 n5 }2 f: U7 d，
但 图像合成过程中 仍存在算法
- N2 t; j  Z0 i# X) M结
+ B& O* m  }* Q2 W' a! U! I1 A( a果不 容 易 收 敛
& L5 h. c+ o% H，
- L5 t) @0 I5 B4 d  Q# z计算量大
，
优化速度慢
，
' E% X6 N* D4 ~" z) g图 像劣化 等 问 题
。
针对人脸 合成 图 像
, n; }" x$ X' }# _4 z1 U4 A( m7 V，
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
，
6 E5 b4 e* [1 `' [3 Z  u8 B: Z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
8 B* x/ w+ u+ I# d' _7 o9 x，
仍需进
, u2 ^+ G  h% O& B5 @+ O一
( ]9 K" g, {: I4 u) b步 研 究和解决
。
# j$ a& w& ?; X% a: W本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
5 H9 b# ~; T5 v& i1 l，
将合 成过程分
( L# A* p$ U' v' p* o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
9 ~$ d1 g; y, N' U，
3 k8 ?7 ]( y6 o5 U! N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
& y. T6 E6 F3 Y- b; ^8 t# Z, ~，
分离
，
合成和 画 质 改
- |' D0 c* L, Y2 N3 g. \善 的 全过程
& p4 B% m4 ?2 l& y4 z6 ~; g。
, U0 B% a  r6 x- ^, v) H针对 目 前 图像合成及人脸合成研究中 存在 的 问 题
9 H1 r" o4 C# k! W: Z，
# F, G0 z3 f' h( s7 c本文 主要解决
0 U4 U3 r" }3 s# d+ c" o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
- a8 B- f4 O% Q# J  _# s! M( d，
5 N7 [" K, P+ E主要
工
$ O: _+ P# F1 A/ q作 内 容和 创新点 包括
' B7 N7 f) r6 S, x  J：
/ B% i/ \7 J# q$ J１ 、
- W4 C; H( b: m基于颜色统计信 息的 高斯混合模 型分类算法
4 _- T: J1 T' \! K# ]1 X; @，
设计 了
一
种快速图 像分割
算法
，
$ t/ ]0 F& W0 F- e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
，
& a3 @/ |! H! e1 |同 时 由 分割 区 域得 到相 应 的 目 标轮廓
+ b( ~( O/ f2 f% T! a。
$ |+ h/ V) @. i7 S' d8 Z8 d6 r0 ]" t# q该算 法不同 于传统方法的 先 由 轮廓得
: C- Y- S8 f( h, j+ Y$ }' a8 ~6 {  s( p到
连续的 边界
" m( Z/ u0 x, c  e，
" v% t2 j1 o" d: f- J3 Z再得 到分割 区 域的 做 法
. b5 ^  t( I! S8 f( v4 J0 s, h( e+ z，
而 是 直接基于 颜色 统计信 息和像素分 布
' \/ U! S1 E. ?# C  a! y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
# V+ }& W$ M4 O+ X* Z' ?3 ]进
行分 割 的同 时 即 可得到相 应 的 区域边界
, o/ ?* u3 f8 M5 a% a，
" Y/ Z2 ?: j- v" v5 L具备很 好的鲁棒性
。
# N- w8 c' {% E2 ~２ 、
7 `& k8 X% }4 C* P4 X* _+ b从包含 人脸的 任意 图 像中 截取脸部区 域
/ l6 d9 {; ^' W* t  E5 u9 ]1 w, C，
经过背景 虚化
、
$ @" V! T8 c$ V* d! J, d缺失部分 补
全
等步 骤
! ~. O2 R3 l; X& |6 s，
2 x" R$ B2 J* A基于 生成对抗网 络进行标准人 像 的合成
7 T; R" h+ _$ z5 w，
合 成后 的 图像具有 特征点对
齐
后 的 人脸位置
) F% _2 h% ^- N，
% p6 \* D7 Z! o: b( `8 b. _且脸部 及肩 部
、
- ]; N, a3 x- d) e% L6 k' {) ?上半身 等部 分都具有 统
一
的 分 割与合成 效果
6 J" @* R1 I, X/ o- T。
该
& Q7 q- ~/ ?8 W" M5 r2 }# a! P方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
5 f2 ?( C  y: m! T) D$ m，
可以 实 现人脸 图 像 的标准
  [2 z4 {; Q* t$ d2 {化
，
: B8 L+ C: ~( a同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
" t9 Y0 v0 o9 T% o. j% u8 }; [。
8 `4 e- c8 E, n该 算法可以 作为人脸
识
/ }8 }( [3 a8 C- T3 R别 后 的 处 理步骤
3 B/ B( }+ G$ R% z，
! T" \! M; Q" K) E处理后 的 人脸图 像 相 比 原 图 像具 有更
- q) U; \+ A& L* E* `# }一
3 z4 T9 j) w2 l0 x致的 图 像模式和对 齐
' j2 q6 K+ ^3 a2 t- w! X" k* E$ s  M后 的人脸特征 区 域
/ v' C3 G+ U8 A，
同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
/ I% h6 ?  D9 M* d1 \，
有效改 善
; N& ~9 D" L# T$ ]( S5 n现
4 f: b# t+ |/ `有 人脸识 别 与分割 算法的 效 果
# _! o% m4 ~' K$ U/ I' d。


( M# Z/ w4 q3 [$ B