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

$ `* J. t3 \; \: y5 A

在人像合成中 的研究与应用

! s. b. E- u$ U, v3 O1 x

随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
( j; C1 l3 u# p& p2 s，
尤 其是 基 于通用 图
形
处理器 的并行计算技 术的快速发展
，
# ~. w5 f9 k& c机器学习 领域获得 了 快速的进 步
。
随着 基于
: C' @  _% L9 j/ B3 D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
# j; z; u1 R5 k' G，
/ C, `: B: @' @8 T: @& |* v; Z  S尤 其是 ２ ０ １ ６
年 以来
8 ?3 q1 K) q7 A( V，
- S" N) H4 P2 ^9 P基于 生成对 抗网 络的 图像处理方法
( m7 Z: S9 V6 [，
在传 统 的 图像识别
，
+ c/ w; Q2 X) t% o' y# `) U图像增强 和 图像分 割等
  I) E( O: h, q) z: [6 N( S4 p领域之外
，
还实现了 基于 先验知识 的 图 像合成
, D6 O, w2 c3 `8 o" S  S，
' \: b. }1 v; g2 {- Y但 图像合成过程中 仍存在算法
. }- X3 y" m5 e6 I+ ?6 h% E结
+ o& V! ?1 J( {' Q! J' M果不 容 易 收 敛
- N  ^' }) A$ a6 U3 g，
计算量大
，
- o+ L/ {% ^5 t  n- l3 F优化速度慢
0 F1 }. S' \% Y，
1 M( U+ i4 N/ ^图 像劣化 等 问 题
。
4 P( N' N' u! `3 _2 x6 \" [3 ~针对人脸 合成 图 像
; b  Q- a5 f4 ?' N* F! D) k，
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
' k% q' i3 _/ B，
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
: S( u6 ]. ~) x  t2 A5 B  I5 f一
致性等方面
4 ~& `6 y; H  A% u0 ]" B，
仍需进
7 z' Z$ ?5 O; }0 s  Z一
( t' w1 k  {$ q2 Z+ }步 研 究和解决
% W; ?1 l/ z8 N! r! d7 {。
本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
/ p1 y! \" o5 y3 `/ U! o+ k，
$ p! s! w4 w/ u4 f+ V9 x将合 成过程分
成
了
３
' m$ C0 u4 H) |' ~, [7 _! ~- s' A个 阶段
，
首先 是 图 像中 目 标主体 的分割
' L! a4 T* l3 i, |7 A' o9 x7 Z，
0 t  z8 A" Y8 \# h# w其次是 人脸图 像的合成
& o8 c! y- ], `8 [，
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
) P& j# D2 g  X  B, {; m8 Y$ l6 w，
0 c' Q2 s& Y, J& [! k! m3 D  x4 @分离
，
+ L8 y, b1 [+ s; U, T6 `合成和 画 质 改
善 的 全过程
3 x( g: b4 ?) y5 h$ {/ t。
针对 目 前 图像合成及人脸合成研究中 存在 的 问 题
，
- E+ c9 ?+ s+ ]* ~1 ~; s/ N! m1 L3 d本文 主要解决
/ X8 k5 h3 a. {7 L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% |4 F8 f! T0 J/ H3 b，
' Z2 f) c- b+ h+ V2 R4 K1 B' l主要
工
" j1 Q& k1 X0 ~4 b$ t作 内 容和 创新点 包括
! D& H, R& e4 Y) m% W：
7 j6 K. S3 B; f5 e% m１ 、
基于颜色统计信 息的 高斯混合模 型分类算法
，
0 \- L$ Q$ H: ?6 h) x) C设计 了
, s1 U. L  L- N一
# E$ K2 ]) D9 \1 z5 q种快速图 像分割
算法
6 {! H3 d; J# |( v) Q+ ^，
  m' W6 |0 Y0 \% c4 O  w该 算 法通过逐层 二分法
, h$ @" P! Q+ }一
6 h8 M' Q9 x& j8 H" a) p2 X次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
，
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
- B* c9 j8 X  p' q6 E) q5 d0 i! y到
连续的 边界
/ o& ]$ r7 b5 p; k3 E  d- \, X" r' d3 |，
再得 到分割 区 域的 做 法
，
, Q: k7 z$ R1 V# V2 R4 {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
: u, i: E% U1 U. }2 X0 x& M8 c" T，
减少 了 边缘分 析的计算时 间
，
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
+ Q4 w. g3 T; G# I4 u; s。
. I# T( C: z; y２ 、
% q( P* J  n3 C* J2 k7 }& ]% \从包含 人脸的 任意 图 像中 截取脸部区 域
1 P/ A8 D0 y2 i# g& S( c8 o3 }& `，
经过背景 虚化
6 a4 Z$ a; j( k- K$ g、
5 x1 d; [) P# l缺失部分 补
! D$ c+ \- L% X9 V1 y9 _  i全
2 x' _  g7 w1 D- o$ e* r6 _) H等步 骤
，
5 D+ F7 Y' V3 I3 G" P- ~8 T基于 生成对抗网 络进行标准人 像 的合成
3 ]" ]% D0 T1 z/ `0 E) A& T/ d，
合 成后 的 图像具有 特征点对
3 P" a. S- R- b  c( N9 C* J齐
后 的 人脸位置
，
* t5 x3 G# f* e: T' n: v! h: Z且脸部 及肩 部
、
上半身 等部 分都具有 统
一
; S. V! k" Z, q- h/ {的 分 割与合成 效果
。
7 {- j! {3 F8 k9 h该
方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
/ O; ?4 E. V" L, w# k，
可以 实 现人脸 图 像 的标准
6 P5 C. B3 @& c: W/ g( G化
，
同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
。
: S- m$ L6 F5 K% N* k# z4 ^: u& u该 算法可以 作为人脸
识
别 后 的 处 理步骤
8 U9 w- }0 F( ^$ [; f9 ~，
处理后 的 人脸图 像 相 比 原 图 像具 有更
一
致的 图 像模式和对 齐
后 的人脸特征 区 域
，
$ Y3 Q# n. ~& l% U& A$ Z* N同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
8 A' X4 f2 G) x，
. U7 {/ i* K# n, L0 N* [! l有效改 善
- E8 w( g  H- @- ^6 U现
: W) m3 p( {% w+ D# v' u0 ^0 s有 人脸识 别 与分割 算法的 效 果
8 Q9 K3 z4 `8 P2 j。


0 c$ K8 O- q6 k; u* P, U( i