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

. W) I1 S$ u! D* k& `/ o
: a8 G$ E) L3 `) O1 u, B随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
，
+ z$ p; B; F8 i  M6 |尤 其是 基 于通用 图
. K( X8 S  R- s6 L2 c0 I' w) _# d形
处理器 的并行计算技 术的快速发展
: C* e2 A/ ?8 P- A, V，
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
) H5 y4 h7 x$ f# p，
．
; j+ P" J; P9 a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
9 ]1 [2 m9 ]) s! Z4 B，
3 C' P: q, U& l/ [+ J9 ?  G尤 其是 ２ ０ １ ６
年 以来
，
8 w4 s0 D6 `) g/ m3 b基于 生成对 抗网 络的 图像处理方法
，
0 V% F' Y1 v; f% `7 C+ h在传 统 的 图像识别
，
7 L8 l2 C, r2 B2 U1 L3 r图像增强 和 图像分 割等
2 L! v4 o; x, I领域之外
，
还实现了 基于 先验知识 的 图 像合成
1 d% ~7 l2 x9 Z% m/ N6 ]$ l6 O，
) e0 v9 e0 {3 p但 图像合成过程中 仍存在算法
% T3 S; I+ C8 r2 E7 F& u- Z5 J结
果不 容 易 收 敛
，
* @. }5 D/ [: Z. R& p计算量大
( O; l5 ~4 m1 p! I  i，
优化速度慢
，
5 ~; N: e% F9 x% w, l0 I$ ^/ @图 像劣化 等 问 题
! P& a! K2 [" g2 ?2 G。
针对人脸 合成 图 像
，
; S* F+ o4 d' B5 H/ w- f: {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
，
- n( G! U3 R) d3 V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
* n/ c# Y/ K  X' d0 y6 }; K一
致性等方面
! w) L8 H8 o8 Z$ ~0 i，
# c, a- y) a! i( j仍需进
一
步 研 究和解决
9 L! I1 Z3 j5 E" \。
* x" |( y$ _* R* L& K2 E3 n本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
，
; g6 m% X! Q& _+ u2 F. ~) k6 p将合 成过程分
1 H$ y1 C! {( ?成
了
３
. _  U4 `3 {( ?5 v4 Y6 M1 b) t个 阶段
1 N6 w3 p; Q1 F0 l# T，
% K. d0 ~' K  o( L0 T首先 是 图 像中 目 标主体 的分割
，
其次是 人脸图 像的合成
，
( U( q) n( v" |5 I7 Z最后 是 图
+ m% A* W: Y' D  z" t0 n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
9 b8 }! Z, ~7 k% S+ X% a。
  g& ?' c& d+ n针对 目 前 图像合成及人脸合成研究中 存在 的 问 题
，
1 ]' _9 Z+ B) T% F% ]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
7 L  o9 v* K! z& K" y，
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
，
& Q$ M9 }. m8 i* c设计 了
一
种快速图 像分割
算法
2 i+ t  j8 A# y% c" p) Q& `，
/ ?! t3 {4 J/ _8 q# D% E该 算 法通过逐层 二分法
) F+ q7 U& i) @- A. a' i- N3 l3 a) q一
次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
，
6 b( y7 j* y  Q3 t9 [2 m' x同 时 由 分割 区 域得 到相 应 的 目 标轮廓
# i2 z) h3 n( r& u2 K8 ^。
  _; B. r8 P" Z9 L1 N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
& Z$ J1 O9 P+ X; }，
9 {7 d/ g3 t8 f4 \( S0 h而 是 直接基于 颜色 统计信 息和像素分 布
的
) V; v, b7 S4 p# x& g形态学特征进行 目 标 区域 的划 分
，
; k. B' `) v% D: Q9 B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
, |. w1 m* E! K, Q' ?，
& ^% C) S( y) n2 F  \7 K0 M具备很 好的鲁棒性
  \% M* m  k* g3 t5 k。
２ 、
: z2 X  ^! |/ m. F! D7 C8 c9 F) Q从包含 人脸的 任意 图 像中 截取脸部区 域
，
3 T( q3 A. W! j9 \( y6 C经过背景 虚化
2 E; `- l/ I. u5 a、
7 |% }' i8 f; S3 Z. V& I, i5 v缺失部分 补
全
等步 骤
& o4 M8 b+ X  ?，
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
, _# e- R: k0 D; s后 的 人脸位置
，
# t% U/ t5 t6 Q+ {5 n* B6 P( z且脸部 及肩 部
、
上半身 等部 分都具有 统
; V' Q7 e" Q- n" n) E一
% b+ v$ U3 l) s的 分 割与合成 效果
。
该
! k! Z$ c9 a7 n9 }7 s4 @方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
; t' L/ j( W! e/ p5 `* q' r8 K0 \，
8 K! \# T& U8 ^& s; u3 i1 Z可以 实 现人脸 图 像 的标准
化
，
& \# ~4 A6 M9 }( D5 }9 m8 }同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
# V/ S/ q6 u7 X/ @1 j2 I。
0 F0 ?- [' q" r该 算法可以 作为人脸
识
别 后 的 处 理步骤
; A$ Q) O% ~+ a" B' n/ \  w，
处理后 的 人脸图 像 相 比 原 图 像具 有更
9 u% B1 ~! \1 K一
致的 图 像模式和对 齐
1 _. }) _" e+ N( M, }/ L0 C后 的人脸特征 区 域
，
8 E( [4 b9 d0 s5 L同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
，
6 b7 [  P4 f9 Q. z! T. c有效改 善
& y* R) x" t- y现
有 人脸识 别 与分割 算法的 效 果
% P* A$ O9 [$ v" w。
; ?0 X  u& T0 b- K5 Y5 F
/ b+ @) e# a1 t/ u