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

  w9 ^$ z' G" F+ o0 b9 c. w

在人像合成中 的研究与应用

+ J4 n, B# `9 t2 y" E. N
1 n/ A( |$ f% Z0 F随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
: A3 A2 L8 ]0 Y. |7 z+ M+ @! h，
尤 其是 基 于通用 图
形
处理器 的并行计算技 术的快速发展
，
" ^$ x0 m: M" g0 d5 m! e4 p4 l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
，
．
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 m. Z* }. {& W) r，
尤 其是 ２ ０ １ ６
9 t, s; [: l1 h+ Q0 x年 以来
，
$ F5 g) ^/ Z' p) t. ^9 Q; P基于 生成对 抗网 络的 图像处理方法
7 m4 x! ^- u8 k; x，
在传 统 的 图像识别
( L9 h# Q9 I9 u# K，
图像增强 和 图像分 割等
领域之外
，
9 Q6 z3 e  _& Y4 {4 ^8 P- W还实现了 基于 先验知识 的 图 像合成
# Q; r( |1 O% q' O，
  t: F; C) g" x% P& ~1 g但 图像合成过程中 仍存在算法
) F( f1 r2 X; V% u9 k, U  u结
. q0 g: H  M; ^- s! I2 `1 |1 P0 ]果不 容 易 收 敛
，
计算量大
  ]9 S2 e' Y' |，
优化速度慢
，
% X6 j7 ^( j8 y3 t3 z图 像劣化 等 问 题
。
针对人脸 合成 图 像
，
; _# F! d6 T% O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
: u1 O& C& u+ x) Z/ f) d- D- b，
) w% t7 s: T. u! @4 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
8 d% ^; f8 S0 S& E& V- A3 N( m0 w一
致性等方面
，
仍需进
& O- n7 m2 e* K8 o5 j" E, \( x一
+ N8 m" E- k' G1 l2 m+ i步 研 究和解决
- H4 q7 H* g# V。
本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
，
将合 成过程分
, V  P3 X' T) J, ]成
了
  S+ l  o$ `, G" _! p2 t, O３
个 阶段
3 |0 g' F& f. R，
首先 是 图 像中 目 标主体 的分割
，
其次是 人脸图 像的合成
  Q. p5 a( ?, t8 E' c% ^- `5 V; M& ?，
最后 是 图
% ?- @+ `/ V* r* }# |8 e# W. E像的 超分辨和 画质 增强
* {5 l4 V7 v' T: g& h，
2 ~" p. n- P; p. h实现 了 人 脸 图像生成算法的 识 别
0 c! Q& k8 T% N9 M8 P* j- i$ y9 Y，
分离
" K; x. ~- m. n; \5 w& r，
合成和 画 质 改
2 x2 S2 e2 O% t: n. F* I- ]! J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
) T3 G: j* s/ _) `, i7 N# U，
本文 主要解决
: K- j, y# z* ~: c了
# D) u# `+ ~+ d6 E) O& k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
; _2 x6 p  U( R7 {$ d# E，
主要
2 [/ T0 K. ~1 ]3 n- W; C  }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
1 w: o: k& O7 \$ ~( U，
设计 了
一
种快速图 像分割
: ~9 b0 H4 `. o算法
，
" f: W6 D2 Q) h7 _1 D* g该 算 法通过逐层 二分法
一
次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
; ~6 l) ~) f6 w7 m$ x' b6 _，
同 时 由 分割 区 域得 到相 应 的 目 标轮廓
! i+ h4 f" }4 m7 D! J6 ?- A4 w4 x3 W。
该算 法不同 于传统方法的 先 由 轮廓得
到
连续的 边界
4 \; W1 p3 U8 x2 w3 m，
! f8 q* L+ h# D6 z! Q$ O再得 到分割 区 域的 做 法
，
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
) [: h& ^; R# d2 w. g, Z，
减少 了 边缘分 析的计算时 间
* A' Z) K8 {- M/ r; B7 T，
/ K+ {# U6 o, E2 q且对 目 标 区 域
进
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
。
２ 、
5 w. A  z! G, j* c0 [# v从包含 人脸的 任意 图 像中 截取脸部区 域
，
经过背景 虚化
, s4 H' ~  P0 W* {- x、
缺失部分 补
4 ^! K% H  R. d' l' U0 M1 w全
等步 骤
+ S4 f' P2 Y; I- x，
基于 生成对抗网 络进行标准人 像 的合成
，
5 }# H, s* [% A+ r. \- v合 成后 的 图像具有 特征点对
& o% T' w, r! f8 U# j6 W齐
后 的 人脸位置
+ Y* a8 {/ z* t, O，
且脸部 及肩 部
, N2 P8 C  s. ?- f4 v、
6 s5 g2 c1 a' v! d: ], a上半身 等部 分都具有 统
一
的 分 割与合成 效果
。
. e' N' }4 c0 M6 G9 e( N3 O5 s/ T该
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
，
) [) W# V+ c. W4 n) c- }9 k同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
0 E/ O& P1 z, D. i  ^。
该 算法可以 作为人脸
识
别 后 的 处 理步骤
，
, }* F: P9 w4 G% X处理后 的 人脸图 像 相 比 原 图 像具 有更
* E  ?* i3 }. N! B3 H1 M一
致的 图 像模式和对 齐
后 的人脸特征 区 域
，
+ A" D8 y+ V5 l6 G. |+ `$ {2 H$ L4 \同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
，
* @4 }2 Y& S! G( Y, F2 ~有效改 善
3 {% W1 j) l! _5 \现
有 人脸识 别 与分割 算法的 效 果
。
0 @/ M2 O6 w$ }7 W5 |5 b6 \& L
- T$ y) T) r4 b) Z6 ?& [
; w8 J& ~3 Z; [* e