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

+ T3 U4 j& ^' J( z+ V  }' `
0 K' H* M$ R- {' {
8 K( G  y7 m1 a& w; B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
* }+ K7 W' [, h形
( C+ O8 D$ _# U  l: s; i处理器 的并行计算技 术的快速发展
4 A$ T$ _/ f% e9 b& v1 I，
机器学习 领域获得 了 快速的进 步
! t( T- b5 l- Z  ~。
, T* w1 w3 X3 Z" D随着 基于
卷 积神 经网 络的深度 学 习 方法的 出 现
，
! d- a7 E9 z  Y% K7 D0 T．
传 统 的基于 数学 模型 的机器学 习 算 法在
2 }& u5 C3 y" K. l* @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
: T4 b/ i2 q1 r7 L( O" O，
基于 生成对 抗网 络的 图像处理方法
，
2 O! S. O5 S5 ]* p; S在传 统 的 图像识别
，
: Y9 P( b/ @) k( }# c图像增强 和 图像分 割等
) j  G. d$ X0 M% H; K' O, z9 L6 ~9 a领域之外
" |1 @! b9 t& b4 Q; d  x+ g2 v; f. F，
还实现了 基于 先验知识 的 图 像合成
. s, e' r# f( J* |，
但 图像合成过程中 仍存在算法
结
果不 容 易 收 敛
  S2 c7 |0 ]3 v2 P，
计算量大
2 [) _8 y  O( Q8 @! `! R，
优化速度慢
，
图 像劣化 等 问 题
0 z3 d( b/ K0 I; A' l; F% |。
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
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
一
) m  v$ M8 d' p! ~' u, K) ?致性等方面
，
仍需进
& N9 w; F  }  p7 F1 }/ i6 _& I一
/ X( h; x8 U; l步 研 究和解决
。
本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
/ m& x9 H" ]1 s! L5 W0 M- v，
将合 成过程分
# A' i  B: j* [2 r% a% O1 S+ u成
8 s7 @$ {  t& ?4 x, d+ r了
３
个 阶段
! U" n( ]9 E7 y2 @4 t% A，
首先 是 图 像中 目 标主体 的分割
/ L( P' P) G9 D0 N，
0 T9 R- v: j$ V! X3 E% T: o; o其次是 人脸图 像的合成
. y& f  v; T& e  J3 {6 m! `" U, ^! n，
9 O; x( r. e# [8 v4 _最后 是 图
# h# |# N9 F# D0 p像的 超分辨和 画质 增强
) f2 ?5 O; r0 q, E，
实现 了 人 脸 图像生成算法的 识 别
( ^( t+ w" i: [! G6 q' E，
: G) g1 m! M  x/ m0 G分离
，
( E* t1 }3 W7 w# v! o/ _7 D& _  U, j合成和 画 质 改
) G/ r; m5 ~+ d) ~' i" D! l& R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
! `8 J. e4 |* E，
. |5 s" E' x0 F) h+ u$ Y本文 主要解决
了
! _' R# N3 p1 O/ G9 j3 q" Z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
. B0 e& H9 |' d- L: F/ F: C1 ?，
主要
工
8 P& Y# t4 ?6 c9 n! \作 内 容和 创新点 包括
6 V* i% n2 _$ b  t7 o8 p：
１ 、
' r) y7 l( `; _' }/ m6 w' J1 `基于颜色统计信 息的 高斯混合模 型分类算法
，
: ^! l& [" F& F# h设计 了
2 Y7 w' x9 w" t9 h3 {一
8 [( r9 @: q" J$ V3 x- Y* b种快速图 像分割
7 \0 x( U: x( Z& R  l) F算法
，
该 算 法通过逐层 二分法
+ A' z% \9 J" T' ~7 |" r2 U6 c一
2 l# x' i( C' Z0 r* o( |次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
2 @+ H9 g6 h7 I9 O+ G+ X，
同 时 由 分割 区 域得 到相 应 的 目 标轮廓
3 u9 R7 `/ r; ]6 R。
该算 法不同 于传统方法的 先 由 轮廓得
到
/ k4 K; o2 {/ X8 e1 v连续的 边界
，
再得 到分割 区 域的 做 法
9 c& ~! ?  h7 B2 B4 f. Z，
6 x. \! e- M3 y而 是 直接基于 颜色 统计信 息和像素分 布
4 [% b! H. T7 q# j1 ?4 k: v+ Z1 r的
形态学特征进行 目 标 区域 的划 分
! b0 [3 @% e5 P! e，
减少 了 边缘分 析的计算时 间
，
" f" ^% F# q8 M& D1 d5 @且对 目 标 区 域
6 w1 F, {4 J! ?6 l1 \. J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 、
) |" |% S! h% d( B从包含 人脸的 任意 图 像中 截取脸部区 域
& C+ p$ b0 j3 H4 Q) v7 S! S7 _，
: z( o. W( e. {# u5 i" @- n经过背景 虚化
# t8 ^" ?- A0 D' _8 x6 y、
$ o9 a( M/ r' h. ?7 ]; r1 \3 O缺失部分 补
全
等步 骤
，
$ k+ ~/ D* c$ O7 L$ {基于 生成对抗网 络进行标准人 像 的合成
' g$ x% i  u0 q: \6 Y( P4 ]; p$ t; J- ?，
) i: q! P! \" }; E1 k4 L0 C) r合 成后 的 图像具有 特征点对
齐
" U5 V/ a: r: T  T. [后 的 人脸位置
，
且脸部 及肩 部
、
上半身 等部 分都具有 统
9 |: {$ i& j0 W+ V) N( V一
5 e+ O9 E' \- [. g$ W) Q. d的 分 割与合成 效果
。
该
, c1 f9 l" C* r% C方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
% G% {4 p: M1 _- _, `，
( E. k( j, S: a6 M可以 实 现人脸 图 像 的标准
2 E; ^$ t7 {% q, f化
，
7 {0 |& |. H4 e* B2 X同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
1 {) O& U; {4 ^: f2 l$ w。
% K# I: I% r' s! a  C6 }2 b% C该 算法可以 作为人脸
识
+ g; d/ Z  U% G别 后 的 处 理步骤
，
处理后 的 人脸图 像 相 比 原 图 像具 有更
一
  ?1 b: J, F* [; G0 Z/ Q3 u致的 图 像模式和对 齐
3 f) s' g* d1 C' m后 的人脸特征 区 域
4 E* j5 ^! J7 O% u+ V. C9 `7 I5 I9 M，
3 d; i8 p) d- @/ b, n9 @同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
8 p5 ^3 \) T& ?3 Z: Q，
; f3 X0 B: }9 o1 G. `有效改 善
0 L0 u4 e- O& h- K现
有 人脸识 别 与分割 算法的 效 果
。
. y1 D" i* ], k0 C2 Q