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

" s+ [' ~; `# ^7 J

  m* ~* o( W5 T- v随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
8 K/ h4 U. r/ z# P& [，
尤 其是 基 于通用 图
! U0 @$ h( F2 z6 [形
' @3 Y: J0 p/ c8 D# }1 X2 n! c处理器 的并行计算技 术的快速发展
/ U5 R9 @9 s" S9 K$ D7 l，
, B0 i' f+ P6 v* P机器学习 领域获得 了 快速的进 步
  @7 n" G. N* a/ ^7 f( x。
随着 基于
卷 积神 经网 络的深度 学 习 方法的 出 现
; K5 \. K: p6 q( U4 e，
．
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
，
8 v# e. |8 _6 s3 P尤 其是 ２ ０ １ ６
" d1 [8 \5 K# z# z) H* d# `年 以来
' G( n9 c: l% ^) D4 L，
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
* i- H8 q! b* G0 w; p" {- x3 J领域之外
' r! v4 ?3 V# L/ u, ^2 u( ^; E4 ~2 a! W，
还实现了 基于 先验知识 的 图 像合成
! ]/ C9 J' B; e9 k6 K) Q1 m5 S，
但 图像合成过程中 仍存在算法
  `2 y3 b; m1 A$ v) t结
果不 容 易 收 敛
，
计算量大
9 F/ N* R1 m4 }0 W' ]; {/ D# B，
优化速度慢
，
5 E9 Y, b- O8 z图 像劣化 等 问 题
1 M2 E' [9 o) M* v! }# B# a。
针对人脸 合成 图 像
2 o  p; A0 C( G. \1 p* o4 C" E，
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
2 u3 n, J! R& ]* j- l9 U) ]; O节还 原度
，
" A4 m! Y" P' V+ Z9 Z& v* f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
& _) l, z! r5 o一
致性等方面
& L9 Q0 V6 O( m7 p" i# h2 r; m% L，
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
9 \+ ~, v1 h( a3 \( [4 j5 e, U9 d，
将合 成过程分
成
( W4 k! h- b  o. _# q+ @4 t6 g: M了
３
个 阶段
3 T, v& M5 K0 V- Z，
, e# x# v. _. i( j+ t首先 是 图 像中 目 标主体 的分割
8 o6 h& N, \& k8 }' p3 x，
% M  h. ?( e# n' ^& o) u6 W; O: a其次是 人脸图 像的合成
. l' a7 S5 h" I* @! O% K# _，
( I9 o$ _( K( e( D+ s" }最后 是 图
; `: |. h% `2 Z. Q8 {* [像的 超分辨和 画质 增强
0 @. S, b& B/ A，
实现 了 人 脸 图像生成算法的 识 别
，
. {/ p! m0 {# t( C/ G. n分离
  @( F' ?) p0 S，
合成和 画 质 改
) E# H  b0 f+ q7 X( k4 I' e善 的 全过程
。
, {2 d% v' P  |2 q( z针对 目 前 图像合成及人脸合成研究中 存在 的 问 题
9 R, O) i' T9 b* K- G5 t，
本文 主要解决
了
5 u, a" }* \3 Y. m* y* [! D. v$ W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
：
# d& n. @6 p  w- Q: Y% F１ 、
* v2 E/ S' }, @6 s9 B基于颜色统计信 息的 高斯混合模 型分类算法
，
+ z- F) F) t1 K6 }设计 了
) P, P3 _) u" X+ S一
种快速图 像分割
算法
，
该 算 法通过逐层 二分法
一
6 u7 j; X" X* d, K* `8 q# V次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
/ m4 C7 O% X* w. G6 W6 S2 a& m，
) c1 n1 C7 d0 D& s" }+ s同 时 由 分割 区 域得 到相 应 的 目 标轮廓
/ K" k9 \2 ]; f9 f。
- B2 A: ^& U; ?% m( n# k4 J& |/ R该算 法不同 于传统方法的 先 由 轮廓得
到
连续的 边界
! z* @9 ^0 c( i& a，
+ a: S6 E' ]. O再得 到分割 区 域的 做 法
，
# b! r. r# S5 c$ f5 i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
，
" F5 Y$ ?* N2 _+ Q5 X4 s减少 了 边缘分 析的计算时 间
. L0 ?! D5 Z8 |' `，
且对 目 标 区 域
进
行分 割 的同 时 即 可得到相 应 的 区域边界
; Z/ y$ J+ b3 V7 I，
具备很 好的鲁棒性
( O5 u& m9 d$ u* h。
２ 、
1 g. X+ Y) q/ a% u从包含 人脸的 任意 图 像中 截取脸部区 域
，
" _8 n3 ?- z- X% ~7 u经过背景 虚化
( z* o) Z; x$ D6 o、
5 s; N( n- V! ?2 ~0 i5 `缺失部分 补
全
& d% s3 F3 C4 ]" E$ |等步 骤
，
: U" A* t) k8 s" B  l' A. x基于 生成对抗网 络进行标准人 像 的合成
，
+ c5 b% {/ L. N, ]合 成后 的 图像具有 特征点对
齐
7 ^; z2 E% ?4 y, Q. J' m: V1 n' W后 的 人脸位置
/ R% K9 n& k+ k- i; z: U$ ^，
* x* ?7 r4 k- h. S* `且脸部 及肩 部
. F3 |: b2 G( F* F  f! c" T$ t; d、
上半身 等部 分都具有 统
一
  d' ~( y, \3 X% U  r7 j* x的 分 割与合成 效果
! `8 a3 {" W6 b/ s1 Q! G8 j。
+ k3 Y2 `8 f# f该
方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
1 X6 A- p5 D0 _+ c1 h$ }( v，
7 z/ y& L2 ]) U& N9 }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
% N3 X; A1 f8 P8 D) G/ v。
. C: ?) w( t* I, Q( U' ]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
8 R1 P9 l; O4 ?; B# Q' B一
6 v# J' ^7 I. d( C, |致的 图 像模式和对 齐
后 的人脸特征 区 域
+ B1 \# g! B4 I7 S& {- w5 L/ v  \/ f，
1 G9 k: Y2 K/ Y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
。

" |; r0 n' ?2 l8 c$ u. Y
, G+ B! F1 P2 I# \( [4 v/ D/ p. ~