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[size=23.1695pt]在人[size=23.4187pt]像合[size=23.6678pt]成[size=19.6817pt]中 [size=21.1765pt]的[size=23.4187pt]研究[size=20.9273pt]与[size=22.4221pt]应[size=19.9308pt]用

随着 近十多 年来各 种 电子设备 计算 能 力 的 快速发展
，
/ _$ w( T( V* m5 M$ R9 B尤 其是 基 于通用 图
4 f6 z1 B- K1 c# l9 U, p: g' v/ E形
$ q7 \! ?- {$ Z6 T7 s5 k/ U处理器 的并行计算技 术的快速发展
* w7 N2 J. N$ a，
机器学习 领域获得 了 快速的进 步
$ B) J* m4 |2 {' d。
随着 基于
. w! [" ?+ z5 y" }$ k卷 积神 经网 络的深度 学 习 方法的 出 现
4 b# P/ D3 O  z3 ^，
．
7 P' Z1 O* n  K9 L0 g. ~+ m/ U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
，
; D3 x) g/ M0 d* Y尤 其是 ２ ０ １ ６
0 O) J/ a& W- K, h7 {6 d1 Y: k年 以来
( Q- U' h2 K( z+ N2 E, v' c，
基于 生成对 抗网 络的 图像处理方法
，
1 b# f+ {5 {7 M7 Z0 O. o在传 统 的 图像识别
，
图像增强 和 图像分 割等
' M, Q$ A4 q! d5 ^& f# a8 k# {: o: [领域之外
，
还实现了 基于 先验知识 的 图 像合成
+ |: V- t& X1 E! T，
' r3 x- i: N2 ]- c+ W* |+ _% L但 图像合成过程中 仍存在算法
! t7 Z3 D1 a% X/ Y, m# c结
果不 容 易 收 敛
，
计算量大
，
' f3 h! w7 P1 g) P优化速度慢
; A6 J1 q' Y. T' j" `，
图 像劣化 等 问 题
$ i0 ~7 f' \( B# ~。
针对人脸 合成 图 像
- G) |7 S/ U# u& A9 r，
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
3 `' s; I- L7 D3 n; Q3 a9 N节还 原度
# r- H" W( Q4 r5 y5 Y; {* E8 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
. y3 _$ c' d2 C& R一
致性等方面
  T% S9 q, M; O, B) i8 y, M，
' u, F3 J5 ]; J/ r仍需进
一
步 研 究和解决
' U; w4 s8 e9 J4 B。
' K* W% W8 z% u+ v$ X$ W& a9 K$ v本文 主 要研 宄 了 基 于生成对抗 网络 的 人脸 图 像合成算法
，
将合 成过程分
4 r0 E& g9 q  ^成
' p! w. j8 m1 {2 h4 z( \了
. U; t; L$ f2 m. Y３
个 阶段
9 r3 [. Q: n9 ?1 k2 o，
首先 是 图 像中 目 标主体 的分割
，
9 L1 Q( _! [/ B9 m5 k8 m其次是 人脸图 像的合成
% x0 Z7 h& \, [2 P- r，
6 C; G2 G" s, Y: G3 n" T3 ^最后 是 图
像的 超分辨和 画质 增强
0 ^* O1 ~2 g7 [8 h, V% ]8 e，
, t7 r0 y0 {  b$ Q4 ~! b实现 了 人 脸 图像生成算法的 识 别
，
" [, k' d; f+ [分离
，
合成和 画 质 改
. _8 U$ x5 _2 P( z4 z' i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
，
# K5 l: z6 S+ i' R. B2 u$ Z* K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
，
& n- O) V% I" c1 ]主要
工
& n* ]& Q! P% G) H! q1 r作 内 容和 创新点 包括
：
+ m; G; G- Z6 T/ \' u１ 、
基于颜色统计信 息的 高斯混合模 型分类算法
* j, L" a3 l, J. b2 G，
. D; H) V; ?- o8 ?设计 了
一
种快速图 像分割
- l5 h5 ]9 X9 w算法
' F4 \0 v, N( h$ `8 ]: [，
该 算 法通过逐层 二分法
2 l* D. t! C* ]4 V一
$ W0 H) y# e+ V6 Z次性的 将图 像分割 为基于 颜色分布 的 目 标 区 域
2 @. j( [' Z. n* P+ f$ p，
同 时 由 分割 区 域得 到相 应 的 目 标轮廓
- S" p# V1 W) z。
  [) q4 w/ y4 r2 Q6 m该算 法不同 于传统方法的 先 由 轮廓得
: {* W& o$ b- e# W9 |; b2 ~( g" K1 d! e到
连续的 边界
  v  D8 G, Y& D) M/ c，
再得 到分割 区 域的 做 法
，
& _7 O* P2 v, C9 m4 `7 U0 s9 x而 是 直接基于 颜色 统计信 息和像素分 布
的
7 |6 s# E, g2 F2 }9 w形态学特征进行 目 标 区域 的划 分
4 d4 S% @& ]; X" J6 x，
减少 了 边缘分 析的计算时 间
) u4 ~. y+ X2 _4 U8 W% a，
且对 目 标 区 域
进
行分 割 的同 时 即 可得到相 应 的 区域边界
，
5 Y! p1 s, j1 @, {( 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
1 d3 E7 ^/ A+ A' ^，
8 m, B; E" l0 G) ?9 W# ?/ u经过背景 虚化
! p+ Q: H6 K9 x4 z$ y) ~- u" k2 m、
缺失部分 补
% @4 E+ s( H# I0 c全
, R# r0 F7 J: E等步 骤
' |% F3 J& T6 _/ J，
基于 生成对抗网 络进行标准人 像 的合成
7 n  t( B7 \& h，
' {) ^7 l5 Q+ P2 h" E8 q7 Q2 s合 成后 的 图像具有 特征点对
齐
% z5 R) N4 t* I7 g6 ?* Q7 {3 M1 a3 \4 l后 的 人脸位置
8 K9 }% j* B8 Q，
3 F& R4 E9 E& k8 @8 t  M且脸部 及肩 部
6 {6 Y. J& C( R' Y$ q9 u  Y7 g、
, N0 H, O% n+ ~4 r9 p3 N3 M上半身 等部 分都具有 统
, B7 s- I; z; [一
( l8 C0 H; D! u% r( h6 k1 b0 H0 `& j的 分 割与合成 效果
- R/ @: ?+ ~/ p。
* g& O) n7 D& i& {; Q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
- E  z& K9 V* {' _  D! x化
( k! }2 v' ~) y，
% l- e' p+ I' o. U0 b+ F同时 最大 限度 的 保 留 原 图 像中 人脸的身份特征信 息
。
. I* j( Y/ @. a- q" |! ]. `该 算法可以 作为人脸
1 P1 k+ Y. {8 i' j; H$ y' u识
别 后 的 处 理步骤
，
处理后 的 人脸图 像 相 比 原 图 像具 有更
0 r5 j+ e' b* D一
3 {. h4 B* {: R0 K8 y$ J: b/ d致的 图 像模式和对 齐
" _  I1 V8 a" c* s1 f+ [+ z后 的人脸特征 区 域
，
同时 该算 法也 可 以 作为 人脸数据 的前 处理步骤
$ Y! n7 l8 q5 x) E2 l4 a0 C，
有效改 善
% d& M, i/ l' \0 O+ N% n( e/ x) o( p现
/ X; z" F  k' D2 I: n9 U4 h有 人脸识 别 与分割 算法的 效 果
。
３ 、
( s1 I" }9 S1 l) n最 后本 文提 出 了
2 q+ G, ^* T$ d3 ]7 v一
种 针对人脸 图像进行优化 的 超分辨算 法
; \' ]6 I) O- L  Q+ }8 z/ I  x，
. @$ u7 \6 [# n相 比 于现有
的 图 像超分辨算法
，
) s# w% Y2 E/ l该算 法在图 像 的超分辨合成过程中
8 Z# S3 t9 }3 D- i+ n，
+ v$ H8 w+ f! A1 R! `3 J在关注合成 图像的 质 量
0 A5 I6 t# Z/ P; NＩ摘 要
  _  Z( y4 E" O! I9 g$ v2 |/ e0 H和更加 细致 自 然细 节 的 同 时
: N0 j0 T6 F9 \* U2 L, L( u，
- C0 O1 T% ?9 L  h( w更加 关 注得到清 晰 的人脸 图 像 以及 与原 图
2 s# ~/ }) ?: \一
$ y2 z- O  w" O8 [, D- Y致
8 Z. z2 ~6 `8 d& ]# B; L! z7 d: }的
  k4 Q$ p' c6 F" l2 n3 q人脸身 份信 息
。
算法通过引 入 生成对抗 网络和残差 网 络
) a) \) c1 G, G( S7 r1 v，
实现 了 上 述 目 标
$ ^. Q1 H$ \6 e2 @，
可
5 u; J$ I4 t% L以
) e; M; ~9 |0 h/ c实 现图像 的 ４ 倍甚至 ８
+ F$ j! ]9 Q- k倍的 放大
，
5 C4 x! K+ V5 \+ v. |将模糊 的 图 像合成为 具有 较高清 晰 度 和丰 富
人脸信 息 的 高分辨率图像
6 E+ E7 o* T2 |，
同 时算 法具有很好的适应性 和 鲁棒 性
，
( S. a( I& T6 g5 I- a# y对于 不 同数 据
9 I2 }; d& c( P% H; `库 中 的 人脸 图 像样 本都具 有 很 好 的合 成效果
- P' [' S" h: ~: C+ O。
. \% g6 ^* H2 M) |2 j/ i0 a该 算法采用 了
: s$ U6 W0 E2 p: [' C6 c一
: @% B' N- t1 Y, l种 端 到 端的 灵
. n! n8 s" k6 N- D; |活
的层叠式结构
1 k1 i& \$ U0 m# }; i，
& Z" Z$ n4 `3 o" q: k0 c可 以适应 不 同 的算 法调整 目 标和 图 像 合成要求
。
４ 、
本 文在人 脸合成 图像的 对 比过程中
，
, P$ D9 v7 Q4 Y& Q" r提 出 了 使用 Ｆ Ｉ
Ｄ （ Ｆｒ６ｃｈｅｔ Ｉ ｎｃｅｐｔｉ
0 C* X$ o% ^, M2 Lｏｎ
# g, s4 F6 H  z- W* {$ h$ c( fＤ
. E# s( T  z5 n$ n  @+ [7 v, y% {ｉ ｓ ｔａｎｃｅ ）
) F5 {' g6 X* v! g( e2 F' u9 I" U代替 以往 的
ＰＳＮＲ
（ Ｐｅａｋ
Ｓ
ｉ
! w% }: `: o- M, Oｇｎａ
ｌ
－
ｔｏ
－
+ z- @. l/ J9 j# W9 w7 UＮｏ
6 l0 z; q& V: f9 l2 H  b' A/ Zｉ ｓｅ Ｒａｔｉ
/ }/ `+ }- G+ o% P" w' e$ v/ _ｏ
）
+ p/ I5 f; [* ^" ]1 k1 E和
; _3 c( j% W; k; f- SＳ ＳＩ
& a% \; v) V4 y& X$ aＭ
（ ｓｔｒｕｃｔｕｒａ
ｌ ｓｉ
ｍ
; c7 C5 h/ Q: P6 ]－
6 H* l& j) H$ ]! U- [% H" ]  Z0 `ｉ ｌ
ａｒｉ ｔｙ
ｉ
ｎｄｅｘ ）
0 ~7 u' T+ ~. x& K/ F参数作 为人脸 图 像合成 以及超分 辨算法的评价依据
2 O' K6 C( I8 }. j2 r3 `) E" [  P) ?9 i，
因 为 ＦＩ
2 W4 X! P& M& @/ NＤ 值能
1 r! K$ J% |1 c* J% E; s  s  Q( k) ]够更加 准确 的表达 图 像对于 人脸信 息 的保 留 情况
2 A0 a- N) J2 r2 v+ ?% Y: W，
5 R% T8 d4 M9 s' S+ u' z/ d! ?& Y同 时通过全局 特征 信 息 的统
4 a/ t7 P' h7 W8 n) ^计得到 图像整 体的合 成效果 与 原图像的对 比
7 B( X3 f# b1 y. R( D$ l/ M' G。
" ^9 v- ?8 J! b# @; o+ sＰ ＳＮＲ 和
+ d! R& ?: s% `" m: p7 g, T: WＳＳＩ
# O4 d6 b# U6 |/ W+ H1 N2 A* N5 kＭ 则作为 图 像局 部细
节特征 的评价标准更适用 于评价 图像本身 的清 晰度
，
3 Q9 E% C! u' G9 s' U% a细节质量等局部信 息
% u) ]7 Z* D& d3 z3 X+ f1 n。
  g- n' A# m, W9 l/ W* ?( T) B通
过
三者 的结合
) `  J2 X" |) G6 Z; ]. {  D，
# _; |4 f6 T$ f可 以 更好的评价合成人脸 图像 的 清晰 度 以 及合成 质 量
) _8 X' k* O8 R+ L，
同时 评价
合
/ J: ~5 C, I* ?# o: f8 T成后 的 图像 与 输入 图 像相 比
，
其 中 的人物身 份特征是 否能 够得 到更好 的 保留
/ i- W& Q9 _( B) k


5 }: B' `5 K* w

) a7 z" F, S8 ?  ]