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

. T: l+ V/ }1 H& K5 s  H# y

( N% d/ g  S. s  Z% w随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
" D! D' p3 E1 D' V- i: E7 [" B，
尤 其是 基 于通用 图
" n% N2 d! ?& O4 n+ o; R形
2 ^# O# \' h6 Q  `, C# l$ f* b处理器 的并行计算技 术的快速发展
，
机器学习 领域获得 了 快速的进 步
。
# L  a; Q3 l5 u) c随着 基于
9 t3 f( O/ G5 S5 R8 U卷 积神 经网 络的深度 学 习 方法的 出 现
，
+ b" \& J/ y5 p4 E% |+ u6 \& N．
传 统 的基于 数学 模型 的机器学 习 算 法在
6 V! E7 P# ~" i2 }: q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
$ B/ E5 U3 O4 R/ F，
0 H$ Z4 W6 q" p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
& ~  J! p$ o8 ]; E* Y，
1 _2 B2 c8 l0 Y8 D在传 统 的 图像识别
，
图像增强 和 图像分 割等
! k' y3 w6 L. v! [) y3 J0 ^5 Y% Z领域之外
，
还实现了 基于 先验知识 的 图 像合成
，
) K% b2 {& L7 f2 _9 W0 K但 图像合成过程中 仍存在算法
9 d4 n% n4 x; x结
果不 容 易 收 敛
5 ~2 f$ J0 @  j2 V  r( [: t，
$ W5 T6 [- ^9 `1 T; R6 q% T( q$ B% e计算量大
，
优化速度慢
，
图 像劣化 等 问 题
* y0 \' D$ b& o。
( ^9 c: o; K8 w4 y) I! R' d针对人脸 合成 图 像
9 i' s) p/ d8 I: p7 i( x! T，
6 d5 P- z2 b2 G/ v; V" v  E$ u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
7 `8 [( ^0 Q. k  g! w致性等方面
，
8 t+ x2 R, F1 ~$ \0 B4 k仍需进
一
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
，
' n& E; y* [7 S/ a将合 成过程分
! n( d' N0 A8 w( z, H/ p# w' R% o5 x  N成
- l0 k- h' h. [0 `% E了
３
4 W/ P; q/ ~7 ^4 [3 A个 阶段
( R7 C. Q# k6 N  ^8 f，
8 M0 [' D4 o0 m2 X首先 是 图 像中 目 标主体 的分割
9 g; U7 a. {- g/ u* J，
其次是 人脸图 像的合成
; d( L& D. J' o0 T，
6 r& L0 d1 ~# f3 U/ ?3 f3 M( |; j& V2 @7 f最后 是 图
! K4 i, |( e+ _, s像的 超分辨和 画质 增强
，
& \' T! b" D+ b" J实现 了 人 脸 图像生成算法的 识 别
，
分离
$ {- M( ?& O1 e- E' C& s，
( Y5 a# w7 H8 m8 R合成和 画 质 改
善 的 全过程
! A% I+ H; B& @' {。
针对 目 前 图像合成及人脸合成研究中 存在 的 问 题
3 i! w1 P) C+ {+ F  @7 @4 A3 X' A，
5 p& o: n8 d! ~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
，
4 u' `1 I) W3 F- U6 _, w主要
工
. B3 L4 n2 y! ~0 |作 内 容和 创新点 包括
：
" O, l! w- f& m6 D( c* d/ Q8 t１ 、
基于颜色统计信 息的 高斯混合模 型分类算法
5 F5 G* h# X6 }" k2 K# i; b，
5 Y; n3 c) _! V" W设计 了
一
, @8 q/ B' ?8 A2 c种快速图 像分割
算法
，
该 算 法通过逐层 二分法
一
# T# {# B( `/ \: f& t9 [次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
，
# \( g, B- ]( d2 d$ P7 X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
, S! a0 ?2 u* F& s% Q& E到
$ t$ v7 N: h4 n! A$ [5 U连续的 边界
( ^# S8 V3 z. |' L，
再得 到分割 区 域的 做 法
% i6 n  @3 r9 M" k; M1 Y7 R，
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
，
. H8 P, S* h$ y+ Y" f8 @减少 了 边缘分 析的计算时 间
，
% c. X6 p1 I+ I8 L) r& u0 C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
& B/ i  b6 S2 N( R; }。
２ 、
$ T+ W) I0 B# J# ^从包含 人脸的 任意 图 像中 截取脸部区 域
9 k0 ?- a' u' [3 U, W% x+ l，
# M; Z/ F4 q6 \( P7 m- [经过背景 虚化
、
1 G0 n0 o4 g& ~+ Z7 K+ G缺失部分 补
全
7 P( B2 ]2 N- k! S% B! D9 V/ L. `等步 骤
# I$ V: g# Y8 R4 K/ [，
1 {9 t8 A+ ?' Y- T: V4 a基于 生成对抗网 络进行标准人 像 的合成
: p3 Y, N  ^. v6 Y，
合 成后 的 图像具有 特征点对
/ ]8 C8 z1 J" n' i) H齐
后 的 人脸位置
，
) M& I7 C* n$ l$ ~3 I且脸部 及肩 部
7 i8 e9 l8 |2 `$ V+ S1 _4 p1 F、
上半身 等部 分都具有 统
一
- I7 }( H% ^$ Z- Y0 ~的 分 割与合成 效果
。
该
& F1 a! ^" A. z2 t5 s方法处 理得 到 的 包含人脸主 要特征信 息 的半身 图 像
* [- \- A+ w3 O( |，
+ L- Z7 l& p# K6 K/ W可以 实 现人脸 图 像 的标准
( H. I. M4 j+ h9 x/ a- v化
，
8 \) J% P$ `: k& @同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
。
" q6 k+ I, z6 D" |6 K6 F该 算法可以 作为人脸
识
% @( ?4 s% S/ f8 g. v. _7 q别 后 的 处 理步骤
，
+ ~- s4 q$ g$ S/ w0 a6 l- R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
" {$ v6 j6 \, B& z) r# G后 的人脸特征 区 域
, h9 \4 @2 }% U1 {2 Q: G，
同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
，
$ ]1 S$ |3 }. E9 H0 r+ ~有效改 善
& i' p+ O4 E- o8 e8 U/ Y) ?现
有 人脸识 别 与分割 算法的 效 果
% E0 k6 U$ v' n/ X$ B/ f4 H。


- |2 I8 C7 C& m5 ]5 k6 v' e2 a