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

在人像合成中 的研究与应用

9 S. z! Q8 V; G
随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
2 y  h9 D. l- P，
; @/ v  s+ t5 W尤 其是 基 于通用 图
2 H/ J4 }& \" L形
+ u( r( ^% |# K7 e$ a9 ?- O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
。
5 ~7 t0 p# B) t随着 基于
. v' Y; H3 p+ j1 Y卷 积神 经网 络的深度 学 习 方法的 出 现
; T+ l! k" E# y/ b- i，
- c7 E) F: L* o/ _  R．
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
6 |: K% e' O) L, Z: [1 O" t, Z7 K$ Q，
6 ], F7 ]4 L: [  I; ^( H尤 其是 ２ ０ １ ６
2 z5 C+ k1 |; e5 [) |  I年 以来
; U9 }4 j* l3 {" i' N( J，
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
* U( @, \6 m9 t. Y# H4 }领域之外
，
* ~% O0 H) H! q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
. H. }' B8 F+ \% p8 l$ a结
果不 容 易 收 敛
，
& S5 l5 `5 M  G$ E7 {& E" ^: o计算量大
/ O: P$ O( a3 _，
4 ~" V% R( R! B/ M# l优化速度慢
# i, T$ k: n5 E/ e, Z7 m，
" i( Y: v3 P) g) a+ {/ U7 ?图 像劣化 等 问 题
。
1 n" R5 n# Q1 y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
+ S2 G( A( C+ n3 f+ C( R* E' w5 [，
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
，
: E- S$ q1 F0 E: S7 }$ M* }& k仍需进
一
+ t. D$ X8 I3 |( }步 研 究和解决
3 Y" P* m8 l4 ~% T; k2 |。
本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
/ b. n& }* o& x6 G; a9 C: j，
( x: B" m* k' w/ s$ T将合 成过程分
成
1 w1 l$ o* f5 K, v1 }* c" _" ]了
' x0 q/ P8 w$ s7 s３
个 阶段
  ~$ @1 @: {* X. t, j  G，
首先 是 图 像中 目 标主体 的分割
，
其次是 人脸图 像的合成
8 ?$ c9 {2 U0 o- N! W3 r，
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
' O' N3 P( q" O1 N，
分离
2 F1 L6 |3 R) V. q. Y，
/ A% M( J9 A1 @4 g3 w* j2 }6 B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
" Z; C; p/ I1 H! G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
0 r- S8 |2 B- @5 J$ O' |- K，
主要
工
' m/ m% p0 e' [作 内 容和 创新点 包括
：
( r0 h! |- ]7 q１ 、
& [7 @2 ]  K. {* q# v基于颜色统计信 息的 高斯混合模 型分类算法
- V) }/ P! O# F" }% p" s8 I，
# F. l; |  M5 c6 A: R" i; J7 O设计 了
/ t* u. Q6 i- i一
: `7 ^6 c7 r5 O5 X' l7 [: t种快速图 像分割
) J% o% K" [. w+ `2 s算法
3 t* q. I6 g3 [( D' Y，
该 算 法通过逐层 二分法
5 k: ?# ]& {( J6 e一
/ n+ ?" E% I6 _1 }, I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
。
& l5 R  N) r) P% E该算 法不同 于传统方法的 先 由 轮廓得
到
连续的 边界
/ A9 W, u# ]2 P3 s' O" E，
/ p  E, i6 e) }" x% y: @4 u再得 到分割 区 域的 做 法
. g/ {5 T5 ~$ ^4 N6 T，
而 是 直接基于 颜色 统计信 息和像素分 布
' d% u, y! z0 d2 ]3 l4 N2 a的
形态学特征进行 目 标 区域 的划 分
+ a0 J' ~# ?( S+ d，
减少 了 边缘分 析的计算时 间
，
) P5 a- P! }. J; ^$ J且对 目 标 区 域
8 J) t+ w/ c3 j* b$ Q进
& C) [) B; a4 R: Q% n. Y" J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
- j* M* i; m, y7 s% J8 [。
２ 、
' F% ^4 J) d. z0 J) j5 r! k从包含 人脸的 任意 图 像中 截取脸部区 域
, s8 Y# R) N. v, d# B/ {，
# e8 d" m9 d9 A6 X# A& p经过背景 虚化
) }) }" p, V8 X! C( Z% C: P! Y' f: U、
缺失部分 补
全
' X  I. O0 U+ ~1 T# c' O4 g等步 骤
5 Y* v" C; o6 \  J) _1 B，
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
5 @0 q9 f3 g& A% t齐
: t$ Y5 v, P' V4 ^  Y后 的 人脸位置
& w' g0 L1 K6 G，
且脸部 及肩 部
、
- V3 D1 t: i. E# n* N1 K% c上半身 等部 分都具有 统
! a: X: M% S8 ~8 E一
的 分 割与合成 效果
$ P1 v* e- W1 @) ~  ]) A7 x。
# {& s2 D0 a- i1 s2 X该
2 J1 O. O5 Y. B) F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
，
) x8 `/ Z& V- R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
3 t) Q# @7 N, G别 后 的 处 理步骤
6 M. g5 W( v7 p1 B1 d，
  C: v. U0 R  j0 x处理后 的 人脸图 像 相 比 原 图 像具 有更
- B9 t% V2 A+ O& m# h) J6 w一
' K0 y" K8 n  _致的 图 像模式和对 齐
后 的人脸特征 区 域
% T* d  d; u5 n- R，
* F" W! Z2 b" _3 {$ i- ~% S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
) L( B, ?, j* T& _& ?。

  [5 R$ \/ k6 X* u8 P6 B* x
) C% ^5 a+ n  S7 Y6 m