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

' w" T, a5 r$ `7 P

在人像合成中 的研究与应用

% \, t: R; f2 {7 r, f( |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
& [8 A/ T0 A5 f形
处理器 的并行计算技 术的快速发展
，
' t" b* \/ W; n. H  R5 k机器学习 领域获得 了 快速的进 步
$ P6 }, k3 u+ Q3 V5 I* A+ ?。
随着 基于
卷 积神 经网 络的深度 学 习 方法的 出 现
，
) Y7 \: w4 _, n% q; f$ c+ b．
& K$ I, |+ `0 ]. Q" o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
，
4 x0 u& ]; o( s7 t5 O尤 其是 ２ ０ １ ６
& k9 T9 B/ B* Y& I1 `5 ~4 N年 以来
，
* h8 y  z  k  ^基于 生成对 抗网 络的 图像处理方法
( y# s) ]& t+ D( y8 ~，
: y/ x; I3 s( j5 O在传 统 的 图像识别
, h; y& V5 p8 w，
图像增强 和 图像分 割等
9 x5 P' j* w! `6 f领域之外
，
1 e) C$ S" }  C3 \8 U8 x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
* \9 D) n" x3 V0 O6 ~4 y& P结
果不 容 易 收 敛
，
. ^7 g7 F0 {; y3 x% N5 X. E计算量大
，
优化速度慢
4 Y6 |* M1 ]  X+ w，
8 N1 [/ ]. t! G) E. c( f( ?图 像劣化 等 问 题
6 s+ @0 G# y% r, Y  I: V。
针对人脸 合成 图 像
，
& ?# Z+ @7 j0 P8 ~/ K8 n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
3 W, g( O  E3 Z0 E6 [  x! B5 O节还 原度
7 K2 v/ |* L' U- [+ A，
* p6 ^. S. Y; Y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
8 r7 K! t0 P/ p5 K致性等方面
8 @; q- s9 K# e) j9 W8 @，
$ k0 ^0 v5 S0 h8 s" S7 W仍需进
一
步 研 究和解决
+ _4 e+ J9 h' u: I. J。
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 j# o* I4 x, e, T，
# \& N, l7 Y8 ]将合 成过程分
3 s( S* ^0 E) {4 M6 Z8 D* R成
了
8 p4 l' P6 Y& Q, e３
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
: L# n3 i5 r5 y, u，
7 P& Q5 d: O+ C2 m$ j最后 是 图
1 k, P: B  C6 j像的 超分辨和 画质 增强
3 {! @) G6 y) h9 h，
实现 了 人 脸 图像生成算法的 识 别
，
分离
! e6 |; O/ ]4 [，
合成和 画 质 改
善 的 全过程
。
! r8 }; U& F3 Y0 z. G/ \( ^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
# _. m1 q6 P$ Y% y! i，
, t. P7 r# D: e& V主要
工
作 内 容和 创新点 包括
：
3 p# {: u, Q; w, H9 L" J１ 、
) }" [: I1 G0 {' v1 r2 [基于颜色统计信 息的 高斯混合模 型分类算法
，
. B$ X' s( n* _% S7 Q, c' N2 k* T设计 了
) f' i; b& X+ i0 G一
种快速图 像分割
/ b4 L( t- u* F6 X! Y算法
，
9 R9 T7 M! i1 ^; L) k8 h. a4 d该 算 法通过逐层 二分法
一
9 g) D( u3 }( G5 f3 D次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
: ]% i. \1 n0 `, ^: T. C7 j，
同 时 由 分割 区 域得 到相 应 的 目 标轮廓
7 O4 |% Z+ ?5 ~。
8 M, A  [9 w3 j; H) z0 Z该算 法不同 于传统方法的 先 由 轮廓得
到
! Z7 F$ t' Y$ a8 {' U: C& c连续的 边界
，
再得 到分割 区 域的 做 法
8 ?& i' j+ t1 y. x，
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
# e% b& Y  k: X* A1 v，
9 P4 {. p; p$ ]' w减少 了 边缘分 析的计算时 间
，
& `( M3 w$ l, c, `9 l1 `且对 目 标 区 域
进
行分 割 的同 时 即 可得到相 应 的 区域边界
，
4 G& x9 j# c) g. T& s4 c0 y具备很 好的鲁棒性
1 i( c$ K# W  O0 s% ]5 g( {9 W。
２ 、
从包含 人脸的 任意 图 像中 截取脸部区 域
. m/ N3 r- k5 |0 x，
经过背景 虚化
3 U) x# W3 O- C2 k6 _、
% p: ?7 s- a6 U! c+ d缺失部分 补
& W+ \% O; S& l0 ^* S, B4 A全
! x' z% ^, R- @. w& u等步 骤
4 |; O; |% z" @, z' i. ^% r1 e. Y，
  _2 Q1 z, x  t' y6 L" f基于 生成对抗网 络进行标准人 像 的合成
  u6 E; Y- O$ n$ b, C，
合 成后 的 图像具有 特征点对
齐
后 的 人脸位置
$ C0 G9 s1 l0 ~6 R，
8 [! U9 G3 H2 B0 `) Z且脸部 及肩 部
4 }  u5 {# c" N' {+ @& T  w( T、
上半身 等部 分都具有 统
一
的 分 割与合成 效果
。
% L+ H/ W. n9 r& N7 F该
+ N& e, }- F- \' n, t! V2 \3 g方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
，
! d& D$ J2 C1 a4 d' P0 N4 {7 Z可以 实 现人脸 图 像 的标准
化
，
4 K& ], Q5 I  O8 W: f4 J同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
- B9 \# A% b/ L' L) a$ F. i5 D  w。
& ^9 e* C& I. y" ?) _3 [该 算法可以 作为人脸
) `/ j. E/ F4 Q  ]识
) g4 C+ z- b+ ~# D别 后 的 处 理步骤
$ ?0 j. f( s% N  Y* p，
& _$ i0 \7 `# e, X* K1 ]9 I处理后 的 人脸图 像 相 比 原 图 像具 有更
一
) O/ m9 t: ?  I# K$ }2 ]致的 图 像模式和对 齐
  O$ s1 C$ H$ u2 O% k后 的人脸特征 区 域
，
2 J% u6 k0 Y5 g8 h; h: B! l! u同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
，
/ M5 V5 A9 N; e3 ]! a有效改 善
现
, m. m( X6 ^* U有 人脸识 别 与分割 算法的 效 果
# h( y, g' K6 R% @0 T。
7 N' c. U' k- R  e$ O

  l  u  `3 Z( R" K) ]