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

8 x- M8 ~/ F/ ?3 J! a
: Q2 h3 n! |8 d3 }* \+ _
随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
，
8 p' d0 R, |' G5 U: v, H尤 其是 基 于通用 图
- c9 r0 n+ d) }9 C& G. g形
4 @) Z" Q3 e# e  [$ m7 g; v5 G! f& }处理器 的并行计算技 术的快速发展
，
6 D$ u& i3 r3 [% S机器学习 领域获得 了 快速的进 步
6 g9 z  T/ d! Y/ {  B。
随着 基于
  Y+ {& j9 Z7 ?% B卷 积神 经网 络的深度 学 习 方法的 出 现
0 `# H' j9 F" T) h) m，
．
传 统 的基于 数学 模型 的机器学 习 算 法在
" H  M/ Y) a& X6 d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
. }1 {$ Q6 B5 D2 k1 O，
* N: G- x' @! @9 t/ N, N( y尤 其是 ２ ０ １ ６
年 以来
，
1 m. p( W4 `; w基于 生成对 抗网 络的 图像处理方法
，
在传 统 的 图像识别
. X7 r: F& q3 z6 I0 C/ N4 d) ~，
! ~5 u' d  [) A5 b' e图像增强 和 图像分 割等
领域之外
，
还实现了 基于 先验知识 的 图 像合成
" q$ B! k( s' q，
但 图像合成过程中 仍存在算法
结
, b3 W" |. x  `' h8 f( N* |果不 容 易 收 敛
  `$ S; ?" {& q$ {，
) Y9 s" P' Z3 P' l计算量大
，
优化速度慢
' I1 L% v& L" w/ V, s& ?，
图 像劣化 等 问 题
/ g: y! S, W( e+ J2 z$ S。
针对人脸 合成 图 像
，
" Q! R% e8 a4 ~) H4 q6 A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
9 P& g' p2 K/ U& ~2 ^9 }* k致性等方面
，
仍需进
& H) k8 t1 e- `5 P" t  P一
- @- \9 p; `3 e步 研 究和解决
; M3 b8 A/ E4 N+ ~; Y* o0 D" ]" N( D。
本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
* R' X% {+ S: J3 B，
将合 成过程分
成
了
4 F  ^1 O( w0 ^; v! e: T/ g9 l; X３
个 阶段
0 ]5 p- ~4 b. j- e8 o，
首先 是 图 像中 目 标主体 的分割
，
其次是 人脸图 像的合成
, r/ f1 S4 f! Q: o，
最后 是 图
2 s3 f5 L& E& a% M5 r" F像的 超分辨和 画质 增强
，
实现 了 人 脸 图像生成算法的 识 别
，
分离
, v0 K) p: C4 a$ ]! _1 @4 B! S，
9 f: X8 o/ u7 F; v, \7 [合成和 画 质 改
# v" ]5 h8 ]* M善 的 全过程
! Q4 B7 s5 N& O7 e% `- c。
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
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
，
/ E  I7 P3 G' H, Q* s$ W主要
3 r+ V) C: ?: a; e" s- @5 J2 F工
& V( J2 s- V; [7 b3 R! C+ E作 内 容和 创新点 包括
：
6 F& A+ w. v0 p0 S１ 、
基于颜色统计信 息的 高斯混合模 型分类算法
，
设计 了
3 {) C6 G. [; C/ _一
) M- L0 d- v, u- s# S种快速图 像分割
算法
，
& X3 Z8 \" n  B- U! T( m. A. @, ]该 算 法通过逐层 二分法
% t* N) k8 T& i. O6 {一
次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
，
0 B" h6 S. k" @# H  r4 c同 时 由 分割 区 域得 到相 应 的 目 标轮廓
# |, ~9 ^# C8 N6 [: n。
6 e) |: K; M* T" O该算 法不同 于传统方法的 先 由 轮廓得
到
+ F. F& c: k9 a" S连续的 边界
& p# G- X9 |- n, _/ w，
  V  K8 A( \# ^9 ]+ b) k' ~1 x! n再得 到分割 区 域的 做 法
，
( g8 W! q/ _) N) K/ r% _+ @6 h5 O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
，
0 D, b5 }7 a* [4 _! N减少 了 边缘分 析的计算时 间
! O8 N5 G! {0 Z1 j，
且对 目 标 区 域
  [$ [$ T9 C& l& }5 q% ^进
9 B# ^- n+ h9 z, T. M6 Y+ L9 f2 f' S行分 割 的同 时 即 可得到相 应 的 区域边界
，
6 E7 l1 ~/ L9 G5 ~具备很 好的鲁棒性
。
# W* w$ o9 W5 o% y5 P２ 、
从包含 人脸的 任意 图 像中 截取脸部区 域
，
经过背景 虚化
' ^* c' h5 T1 W# l1 y2 k、
缺失部分 补
全
等步 骤
: R2 P" @! H3 E+ e. X$ D% y. c，
4 d% c2 \# g, z" n! {$ W* P0 `# s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
3 S9 ^' ?8 c9 u) r齐
后 的 人脸位置
，
. |3 M5 A$ P. m8 b7 N8 ]9 |且脸部 及肩 部
4 l" _* R4 h- L- ~. l、
2 T* m6 p) W6 M6 i+ \: d上半身 等部 分都具有 统
一
的 分 割与合成 效果
& X0 M1 f6 _$ e6 X。
& H$ {9 I7 c/ Q该
- {1 m: z' {4 R5 n3 w) Z% G+ o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
+ r2 W( l/ g; P3 z( q/ H$ Q化
，
同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
! b) k. Z6 }5 N1 c% a2 K。
该 算法可以 作为人脸
" u) J2 J' a: {识
别 后 的 处 理步骤
$ {# |; r# l- K; |5 Y5 \# N$ E3 I/ y，
处理后 的 人脸图 像 相 比 原 图 像具 有更
一
9 r1 k& }$ v" U致的 图 像模式和对 齐
后 的人脸特征 区 域
; j1 B1 ^! F- g" k' O4 V，
' ~6 }4 k+ s, r) N: q" k, b- Y: B+ B同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
. I' s, ?; L; u% Q7 p, q9 m，
/ T1 Y6 g+ I6 V* y9 n) m& l2 g有效改 善
. U0 @9 }' H6 ~1 Q2 [4 B现
有 人脸识 别 与分割 算法的 效 果
。

5 o) E) {2 T. F9 \& H6 P
: m7 F+ I$ O0 C! T3 v5 v$ _