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[size=23.1695pt]在人[size=23.4187pt]像合[size=23.6678pt]成[size=19.6817pt]中 [size=21.1765pt]的[size=23.4187pt]研究[size=20.9273pt]与[size=22.4221pt]应[size=19.9308pt]用

' I5 O1 ?, x! {. P/ H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
& P* W2 g' [. S3 [; z2 e形
. {: v0 B# L1 u: O处理器 的并行计算技 术的快速发展
6 _- C2 g( Y& E. z/ i2 I，
机器学习 领域获得 了 快速的进 步
。
8 ~0 g' \# n0 p) {5 A; ^, j随着 基于
. R0 }& s3 V  `' A卷 积神 经网 络的深度 学 习 方法的 出 现
，
" h- e, \4 ^5 h+ |/ D．
: s2 @7 b3 A+ m! e5 W' i0 j传 统 的基于 数学 模型 的机器学 习 算 法在
. _+ j) v# Q# g: F$ e% }6 t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
# R* w" a$ ?* a. ^5 J4 K，
尤 其是 ２ ０ １ ６
年 以来
，
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
9 f1 |$ w' N3 e7 X+ W4 b" m领域之外
，
, l2 K" X. q, K5 j+ d4 f还实现了 基于 先验知识 的 图 像合成
7 W5 b, @: y1 l% t& u，
但 图像合成过程中 仍存在算法
( b5 H9 y+ g' y  x+ W/ b4 G; `* S9 D结
果不 容 易 收 敛
，
* l3 O' X# Q. x计算量大
，
5 h- J9 W9 s+ c, f. G优化速度慢
. y" Z8 D1 B. m- r: A，
/ v& w( b& K3 @" k: q6 L6 H图 像劣化 等 问 题
8 Y; D& d0 R3 k) L。
0 ?, l2 c. w/ e' K+ m$ M8 m6 ^# R针对人脸 合成 图 像
; ?$ O5 t( ^% M. ?0 P，
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
! v4 M$ G( a& g  Y节还 原度
- T7 A! v" D3 n1 N4 H4 P/ P# C，
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
5 O& f* W4 j9 \! y/ [' ]一
致性等方面
，
仍需进
, Q7 h$ J* a- ]4 ~8 n一
步 研 究和解决
7 Q# i5 K) b& p1 R。
本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
3 L; Y8 U( Z" _$ G0 E! s: l，
将合 成过程分
) W% \3 x$ g* i+ S( C" x+ l成
了
4 W3 m  g1 K- ]- O0 }３
' v% B$ I* L" F- P6 I2 L个 阶段
' N) `8 V) y) a! `, L* @，
7 I  S# J0 M& `首先 是 图 像中 目 标主体 的分割
，
3 }0 q( ?% a( t! b1 R其次是 人脸图 像的合成
，
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
5 \2 A2 h7 D1 @& E，
$ e1 a' c% i( o0 d6 V分离
，
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
+ A- h/ V7 B+ N5 B, o，
! r( D5 L% t* L6 Q6 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
% U: `+ F  [/ {: ]" F，
0 M1 a5 f2 F& ~9 T/ g3 J( n主要
6 h) `% x4 A+ \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
，
设计 了
( b$ [8 W  G1 ]一
种快速图 像分割
算法
，
该 算 法通过逐层 二分法
一
" \$ x- h+ ]# }' D* C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
2 A& n( v1 N0 t8 V4 Z5 l% y9 C。
6 b# r1 i" ^7 h该算 法不同 于传统方法的 先 由 轮廓得
3 X5 e; E* X) O5 J, o到
连续的 边界
# }8 U3 u8 ~( d9 E' v+ z' P8 h/ \0 ?9 c，
再得 到分割 区 域的 做 法
- P) A* \2 d7 _，
. G1 |0 a  l1 U2 z7 y, a: P0 o9 `% 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
, M. l- H' P' @/ ?! N# e  f, Q) H，
) _! U3 h' M; t8 Z/ k) Y, J8 p减少 了 边缘分 析的计算时 间
，
/ N0 O! G) h) d0 Y2 x+ q  \5 V且对 目 标 区 域
进
, q' O: h+ f6 p2 @" D( Q7 I$ G. p行分 割 的同 时 即 可得到相 应 的 区域边界
，
! e* |! X% t# y3 [# m& p5 u具备很 好的鲁棒性
- c0 v- K1 ]0 g9 ~# K1 e! a。
２ 、
  k* V& x+ U8 C) R8 d7 R. m% D从包含 人脸的 任意 图 像中 截取脸部区 域
，
+ y0 u$ P3 I% p# j/ f% ]2 a经过背景 虚化
、
缺失部分 补
4 r+ g: N3 T1 \/ x! L, P9 N$ C全
等步 骤
1 [2 d6 S* [+ u% E* }7 v+ b, w，
基于 生成对抗网 络进行标准人 像 的合成
0 q* r* S3 r! T+ B5 t( Z# ~，
0 [3 f4 t$ V0 }$ f( B合 成后 的 图像具有 特征点对
7 d. D# g+ y; M2 n' u1 [齐
后 的 人脸位置
，
1 Q, {+ l6 {, t" }( V且脸部 及肩 部
" x3 [8 M* o3 J! R2 i  s、
1 J: d  i5 T0 o! C上半身 等部 分都具有 统
一
的 分 割与合成 效果
。
' G- \# D/ d4 }& g该
, u9 X, @, y% z. p4 I% Z) {5 u方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
* Q( A# I2 r- q. ~& }，
可以 实 现人脸 图 像 的标准
化
3 L& F0 ^5 }' n- J- q: M( L: k，
同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
。
/ l5 F4 E/ n: v5 k该 算法可以 作为人脸
识
别 后 的 处 理步骤
; `2 i5 U- A8 d( o; z, A，
处理后 的 人脸图 像 相 比 原 图 像具 有更
+ H$ |( v0 ?5 e' o4 P; E一
6 V. A+ S1 t/ K/ Y5 x* r: @致的 图 像模式和对 齐
% Z' m' W6 X2 U* c后 的人脸特征 区 域
) k: e/ o3 ?: R6 q- N) }，
, R: A6 H- ^. R7 M5 t  j同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
$ i3 G9 S" l3 T  [* m，
有效改 善
现
6 P( |% L7 u% T: y7 `有 人脸识 别 与分割 算法的 效 果
。
３ 、
最 后本 文提 出 了
一
% N1 w, _  Z, s/ V+ P种 针对人脸 图像进行优化 的 超分辨算 法
5 O' G* s3 Q: {  K( t，
  [- K  B+ r3 Y7 F) _" Q% J. L相 比 于现有
的 图 像超分辨算法
，
* k) h) }/ h" D5 V2 p5 t该算 法在图 像 的超分辨合成过程中
. m2 }, h' [! N" w+ T' f，
) u6 G/ r2 c! u* |0 L! X在关注合成 图像的 质 量
& J- C$ J, b& }- Y& wＩ摘 要
和更加 细致 自 然细 节 的 同 时
，
更加 关 注得到清 晰 的人脸 图 像 以及 与原 图
; B. R7 B& {5 P0 ?一
致
的
0 q: ~3 f& \; {- h, K人脸身 份信 息
。
2 U! i5 p: Z( A! M算法通过引 入 生成对抗 网络和残差 网 络
7 C3 m; [2 c8 X1 e7 G) J，
实现 了 上 述 目 标
7 j8 M. D1 I6 K，
可
0 j4 {8 r- a, u以
实 现图像 的 ４ 倍甚至 ８
倍的 放大
1 i* K% X  x8 F1 G4 S  O* R，
- W% J. }# n, c1 G9 M/ p将模糊 的 图 像合成为 具有 较高清 晰 度 和丰 富
! _# T. M. H5 u6 n人脸信 息 的 高分辨率图像
，
同 时算 法具有很好的适应性 和 鲁棒 性
，
对于 不 同数 据
% F( m; U( M8 O7 r. ~- v库 中 的 人脸 图 像样 本都具 有 很 好 的合 成效果
1 z4 E1 L% q% X2 u$ ~9 w。
该 算法采用 了
一
种 端 到 端的 灵
活
6 W' P" p6 ^( v9 T7 R' f: G的层叠式结构
- z% J( X# @+ @$ G; R  m，
可 以适应 不 同 的算 法调整 目 标和 图 像 合成要求
。
４ 、
本 文在人 脸合成 图像的 对 比过程中
，
/ [0 Q8 K, ?3 g% z* {提 出 了 使用 Ｆ Ｉ
Ｄ （ Ｆｒ６ｃｈｅｔ Ｉ ｎｃｅｐｔｉ
- ?, S) G' C! d. U" pｏｎ
Ｄ
: x4 n1 v$ A( Eｉ ｓ ｔａｎｃｅ ）
9 W- o( Z1 K0 D' M4 h! m! J代替 以往 的
ＰＳＮＲ
7 Z# R  ~3 h0 h' ]" c1 H（ Ｐｅａｋ
6 h5 `8 W: n$ t. r8 @0 {* yＳ
% G* p1 ?+ d0 r8 o9 c; `' Dｉ
# L; ]- e) G5 V4 b8 Lｇｎａ
ｌ
－
ｔｏ
- ?. \3 F8 J: ]  h3 B* w, ?－
Ｎｏ
ｉ ｓｅ Ｒａｔｉ
, w6 z7 A, q& ~& s% l/ Jｏ
6 ~+ G4 k) N; c" W% S8 X' s6 v）
和
Ｓ ＳＩ
Ｍ
（ ｓｔｒｕｃｔｕｒａ
6 h/ {+ D4 ?' }4 Bｌ ｓｉ
ｍ
+ f. u5 Q0 b; z$ ~* l－
, {2 ^6 T& S' P& a' i" kｉ ｌ
; O! A) U; Z0 B+ Z# bａｒｉ ｔｙ
ｉ
ｎｄｅｘ ）
, \! ~0 I, H9 D! |/ v; p参数作 为人脸 图 像合成 以及超分 辨算法的评价依据
，
因 为 ＦＩ
Ｄ 值能
够更加 准确 的表达 图 像对于 人脸信 息 的保 留 情况
! W# z8 G. n+ s! R，
同 时通过全局 特征 信 息 的统
计得到 图像整 体的合 成效果 与 原图像的对 比
1 C' z$ R$ z% Y$ g& f。
Ｐ ＳＮＲ 和
0 r% ?% o: Z( \/ r+ h& |9 ~1 g- mＳＳＩ
& J, i3 n/ F0 t2 H* k. ?9 wＭ 则作为 图 像局 部细
- B+ G" i7 M5 Q  F' y" U节特征 的评价标准更适用 于评价 图像本身 的清 晰度
, m5 s2 H* X) ]% q. Q8 p4 {，
细节质量等局部信 息
* r& u8 P# Y% r' I, W。
通
, a4 [9 {9 i( |! ~3 p/ u过
$ r- F8 _8 r( S( L# [8 U三者 的结合
，
可 以 更好的评价合成人脸 图像 的 清晰 度 以 及合成 质 量
，
同时 评价
5 _7 S1 K  p7 [: h合
成后 的 图像 与 输入 图 像相 比
9 i8 x9 H# p; l) [4 x，
/ g4 }; E5 w/ x  H0 M# i% J其 中 的人物身 份特征是 否能 够得 到更好 的 保留
' h" P: {5 N! f7 C+ F
- u6 l5 O6 l& Z# m7 l$ y/ |

8 f5 i( ]7 ^0 o
5 D/ i' L3 h' ^4 w$ U
% b2 e! P: g% K  v2 Q: z- B& K- q% ^1 b