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

- b8 f0 M- B/ S% h- i4 x0 a

: K) k6 N  y+ Y' Z6 L随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
4 h: d' k1 P1 u# q，
尤 其是 基 于通用 图
形
  X. Z8 j& u# W: E4 F处理器 的并行计算技 术的快速发展
7 i0 r3 x; k) f& ~  P4 X，
机器学习 领域获得 了 快速的进 步
。
4 Z9 }4 V* z/ J4 k  z0 S9 Q( l7 w3 D随着 基于
2 c! g! p. O$ n$ ]! S- |卷 积神 经网 络的深度 学 习 方法的 出 现
! G- T7 s: z% A! Y) U& u- z，
．
3 H. G! }0 y0 A9 s5 Q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
，
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
，
  G3 P4 [4 J& p/ @" M在传 统 的 图像识别
，
0 F4 _: l4 |0 i, I图像增强 和 图像分 割等
领域之外
7 z3 W9 g: h: L/ L# f，
还实现了 基于 先验知识 的 图 像合成
+ J1 g/ L0 t* P: l6 ^，
: g7 K: n0 |% r: {% B$ E但 图像合成过程中 仍存在算法
, e" E+ p/ k6 w; g- F' F结
果不 容 易 收 敛
，
3 P% H+ K/ x; ^0 P9 W; _: T计算量大
，
$ d) p6 s; ^" W5 G优化速度慢
% _+ s- C9 [/ n9 T8 d( B，
图 像劣化 等 问 题
。
针对人脸 合成 图 像
: r8 ?) z: S# y1 U2 x，
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
$ U7 u+ q, A9 \2 [5 L节还 原度
，
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
4 Z2 {$ E8 G" [5 `一
致性等方面
，
仍需进
一
步 研 究和解决
; }0 X, }' N6 T3 c- W' R3 E。
本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
% V# Y% {+ m5 j( _/ @. T1 i，
8 ^& r# \1 T5 K$ h# F; v  m- _将合 成过程分
成
了
& _% q- t7 g$ I/ a' I; F３
6 v# A8 P) M/ j" j个 阶段
' r( X" z/ v! h- a，
1 V! t  ?8 \1 j2 i8 j; D1 N首先 是 图 像中 目 标主体 的分割
，
1 E. i% n) L/ j( r* O5 u; p$ X其次是 人脸图 像的合成
) q# `) q  o5 s' y，
最后 是 图
像的 超分辨和 画质 增强
: ~& ]3 k) P9 @7 u& R0 k，
# f) s8 C. F. E' V6 F实现 了 人 脸 图像生成算法的 识 别
, c5 Z( c2 s, K* v% V( Q1 H: n，
. Z, N7 d2 g; U/ c* V0 P分离
1 d- I$ S4 _+ s, E# N& _4 S，
合成和 画 质 改
( p0 c) {7 m: P9 L% \5 v, K2 B+ o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
，
) x) |5 t5 N5 {. f, F3 Z# r% n# O- q/ |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
$ ~) C! p4 L; N$ k: r. H，
主要
% \5 }1 C! C$ A) J7 p+ q, {( j& E) T* M工
9 G1 b/ y4 p' @, U作 内 容和 创新点 包括
, D/ q  d: o1 {$ ^：
0 n% k& M4 m" ^. v1 G; B/ m１ 、
基于颜色统计信 息的 高斯混合模 型分类算法
，
设计 了
9 E  V; i% d/ A! |6 e一
种快速图 像分割
6 R# e6 b" |  a  ~( U算法
，
该 算 法通过逐层 二分法
一
: c# h7 o: J; ^" K& ~* i& h. F次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
9 `0 h  i6 I" B" ^，
同 时 由 分割 区 域得 到相 应 的 目 标轮廓
  l$ Y2 `* R# z- W3 y, w  w。
6 v6 c0 V0 h5 l该算 法不同 于传统方法的 先 由 轮廓得
到
% P1 |. Y+ S) r6 }7 i0 C0 }连续的 边界
$ l' A! M' G6 @3 D$ o，
再得 到分割 区 域的 做 法
，
9 w) W# F+ K' r; X4 S8 `# L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
/ ~" o# E3 ~/ X0 l* t，
减少 了 边缘分 析的计算时 间
( R2 e/ R: @* _, V3 X2 m, Y，
且对 目 标 区 域
进
行分 割 的同 时 即 可得到相 应 的 区域边界
，
  o* t2 h$ e/ O) R$ J7 i- p具备很 好的鲁棒性
。
２ 、
从包含 人脸的 任意 图 像中 截取脸部区 域
，
' X8 w: L/ |' G1 A. O( z. w  D经过背景 虚化
. t( v$ Q' h! [、
缺失部分 补
1 f' w2 [, m* a; O/ e) O全
9 v7 `- L4 T) D) @等步 骤
5 F: a/ L5 V5 J* O. j8 {，
# `$ _9 v" V# p) ]; q3 I基于 生成对抗网 络进行标准人 像 的合成
; K. ]* l; m+ a8 n) E  z，
( B& s" o& D- |: ^: s- u& g合 成后 的 图像具有 特征点对
. [3 a0 N+ g8 J+ J( s0 V" n& h齐
后 的 人脸位置
+ K( N9 C# n8 Y5 X7 y4 e) N/ H，
且脸部 及肩 部
、
上半身 等部 分都具有 统
一
" P3 P4 g1 I; Q. M的 分 割与合成 效果
。
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
4 f0 t: ~9 I; {* v' v# w5 D，
同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
5 Z8 L8 c' o7 O5 `$ Q0 P4 d。
* ]/ D8 V; b0 D" n8 T5 ^该 算法可以 作为人脸
识
# `% z% k0 d8 G( ^( ^' y别 后 的 处 理步骤
$ K; o3 c5 u) T3 l+ K，
# h) C$ t; q  X, s* Y* {, A处理后 的 人脸图 像 相 比 原 图 像具 有更
0 y2 P8 G" x1 A) m% b$ @! d- U9 R一
1 M+ _. t/ [0 R, a/ I; w+ y致的 图 像模式和对 齐
后 的人脸特征 区 域
6 W+ {/ B' J9 ~. Y7 S，
同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
，
有效改 善
现
有 人脸识 别 与分割 算法的 效 果
。


2 y  T2 l- n1 O3 h; m6 I