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

  e0 Q% M. U% B/ \+ C& l3 p0 B

在人像合成中 的研究与应用

* f# i7 ^8 J9 ?, X$ l$ c
5 N% \* ]9 o( v( p随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
! U' r' b2 P2 X1 w，
尤 其是 基 于通用 图
; p/ |' v8 r8 R4 Q; s6 G形
9 U% S: t  L. s0 @% `" J处理器 的并行计算技 术的快速发展
，
6 @2 I5 C6 j9 ]6 [  M6 w% O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
，
．
' i/ [% k0 }: A2 x0 I7 I, `' d传 统 的基于 数学 模型 的机器学 习 算 法在
) d8 t' l* u& H6 h# z3 p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
/ y8 ^0 X/ A2 g$ p! f# r2 |，
* x2 e0 C& G, C9 j7 V3 i尤 其是 ２ ０ １ ６
' a3 q  B4 {" }  O. f年 以来
，
基于 生成对 抗网 络的 图像处理方法
4 ^7 q) ^" m7 Z' w. q8 ]，
+ B& [7 h. v, A4 b$ V9 I, ?6 ]4 ^在传 统 的 图像识别
，
) D  C& O) x7 L. w# X- t图像增强 和 图像分 割等
; r1 V7 M6 E* `4 I/ X  h领域之外
! }/ v' ~8 L4 b& u，
& i- N; p- }/ p还实现了 基于 先验知识 的 图 像合成
: C2 p, J& g2 {8 m: Y. ?，
4 Q( F- V5 p$ V* l( j- P: K1 A但 图像合成过程中 仍存在算法
结
果不 容 易 收 敛
，
$ S6 O, T! s% q2 F, B& `计算量大
8 U; e' z* W4 {9 _& {8 s，
# |. Q, ]7 n# M1 H! M- Y优化速度慢
( u$ i' j3 W9 t% V# n7 \，
3 v7 |( m! _- K2 w5 W0 z5 R& ?3 r" x图 像劣化 等 问 题
, f: V: F. X+ V& x) C0 R6 C( s5 Q。
针对人脸 合成 图 像
，
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
& {+ W; _+ e3 |/ B) Z* h节还 原度
，
7 Y7 T' i8 e. l6 d# I7 X9 y6 N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
" x9 G+ d4 H4 p  t一
致性等方面
1 Z' S# H" r- g; t& G* _' I，
' y/ ~8 s! r) x6 h& ]( R6 X仍需进
一
) A# ^7 A1 ?: \$ N: I步 研 究和解决
! B* L" Z' }7 e: [7 c9 F: E' p& T。
4 i8 z3 y: ^6 L7 {本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
5 \: U1 ~* i# y0 {% w9 {" z: y，
, O- \7 J7 }, \4 Y5 r将合 成过程分
成
1 B( }( _0 N% t. F了
6 A0 I; m3 ?. T３
个 阶段
% D6 O; H* L4 @# v+ o. l6 }$ K，
2 X4 P' U0 ?+ K- v5 M首先 是 图 像中 目 标主体 的分割
，
% J, M. w+ d1 R6 v$ k3 q其次是 人脸图 像的合成
. N* \+ o" E+ m4 s# Q' d，
2 B4 b* G& b& J! Q6 e% _7 x! w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
，
8 c5 ]9 y% M4 y9 d分离
，
合成和 画 质 改
* y: g$ _; U4 \: g) l善 的 全过程
。
7 ^9 g3 ?1 }2 [' Z9 ~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
  l+ J, ]9 W4 }9 O了
9 w" U6 k$ i2 ]( r  i0 h1 K: ~+ t4 h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
，
/ o9 {9 K# j( o2 W' ~8 ~9 m/ d主要
$ p3 N4 Y; B6 {9 `工
作 内 容和 创新点 包括
) Y5 R! ~* R$ R) {; V* V：
１ 、
基于颜色统计信 息的 高斯混合模 型分类算法
& C9 S9 t8 w7 v, q) U，
) `  S  o* L6 E) L" V* e* g6 _设计 了
# i, V  _0 g0 [一
3 ?/ n1 P$ L# w种快速图 像分割
% y9 e/ G2 X  m% f% m算法
，
该 算 法通过逐层 二分法
7 r& a# U" F. G/ v+ A2 k一
次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
，
1 B4 o* [7 t8 h4 U6 H& T$ V同 时 由 分割 区 域得 到相 应 的 目 标轮廓
。
该算 法不同 于传统方法的 先 由 轮廓得
到
' t/ j* G/ Y" N7 l9 Q2 f( D连续的 边界
* Q. S- T! X: i! ^8 j，
& G# H1 Z5 n  Z4 e再得 到分割 区 域的 做 法
0 Z0 K/ Y" I( d% L' v# ?7 n& A，
3 ?: x4 h! I* x而 是 直接基于 颜色 统计信 息和像素分 布
! f" D8 [7 l2 ?& N, f0 z' k的
% b/ M2 I5 I7 L: Z. m形态学特征进行 目 标 区域 的划 分
9 A( a3 V6 T& t. B  U% q! Z，
: V3 j" v1 {3 r减少 了 边缘分 析的计算时 间
* V& U  G7 h- A4 V，
且对 目 标 区 域
0 M0 ]0 X, z- m* J0 s, p+ a进
行分 割 的同 时 即 可得到相 应 的 区域边界
% F1 D$ z) T" ~& M5 g" ^7 A9 Q，
具备很 好的鲁棒性
。
+ C: I: ~' [8 n( z5 b8 N２ 、
! X8 `3 X7 h* t从包含 人脸的 任意 图 像中 截取脸部区 域
，
经过背景 虚化
$ i/ c% h  \5 A) ?- _8 a6 L、
# O1 i1 J0 \; i" W# q  [缺失部分 补
9 B8 l# W, K# X. m全
0 j% y% U: m# X8 V1 o5 G3 y等步 骤
，
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
$ Y, R: Q9 o- _8 C/ x+ {0 o齐
8 I. K" B8 h8 u. F2 p4 w$ i" G后 的 人脸位置
2 \' w+ I5 v  x2 B，
( @1 L4 S7 [3 B+ \. x1 Z& F且脸部 及肩 部
、
上半身 等部 分都具有 统
" O# O" ~/ p$ M4 P" S一
  R# y. n* ?( l1 p6 v的 分 割与合成 效果
。
该
8 c( ]  P9 \/ z6 m6 p+ }方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
& [! d, e* A/ L0 l; o/ R" V，
可以 实 现人脸 图 像 的标准
6 a% O  Q6 p& c" j1 X1 A8 ?化
/ r% j/ h' y' M$ r  y! e，
同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
。
0 F/ a$ \" a5 i( I该 算法可以 作为人脸
识
$ c8 t# j% g2 G6 r5 J: V别 后 的 处 理步骤
，
处理后 的 人脸图 像 相 比 原 图 像具 有更
一
' V1 }1 X# g/ J2 ?( d9 S; `9 x  J致的 图 像模式和对 齐
后 的人脸特征 区 域
，
& g. a3 s: e* K同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
8 k5 M7 o) ?7 H: x，
有效改 善
9 M; f5 {4 J0 h; H5 F* L1 v4 W. S现
有 人脸识 别 与分割 算法的 效 果
% P8 ]% s& `7 E0 n+ e。
' L$ Q$ X6 S2 ]6 a- U: c
/ Y' \& x- U4 H  a0 |; H% P