在最近幾年中,人臉識別技術飛速發(fā)展,在進行人臉識別時,由于獲取人臉圖像時一般都沒有約束條件,人的姿態(tài)、表情以及光照情況等都具有復雜性,而且有時會存在不同的遮擋狀況,這些因素都會影響現(xiàn)有的人臉識別技術,嚴重妨礙了人臉識別技術的發(fā)展。大多數(shù)的人臉圖像修復方法,需要有被修復對象的原始完整樣本為前提,且大多數(shù)現(xiàn)有的方法都是僅從單個圖像中提取有用信息或以此來生成和已知區(qū)域中相似的內容,缺乏局部和全局信息的關聯(lián)性,修復結果缺乏精細的紋理細節(jié),無法取得令人滿意的效果。針對存在的這些問題,論文提出了基于BEGAN（邊界平衡生成式對抗網(wǎng)絡,Boundary Equilibrium Gnenerative Adversarial Networks）的雙判別網(wǎng)絡人臉圖像修復算法,其中主要研究工作如下:（1）將用于圖像生成的BEGAN的網(wǎng)絡模型應用到人臉圖像修復任務當中,并改進了生成網(wǎng)絡的結構。針對人臉圖像修復與圖像生成任務的差異,對生成網(wǎng)絡結構進行了改進,將圖像生成任務中的單解碼器結構改為編解碼結構,完成二維圖像到二維圖像的映射。改進后的生成網(wǎng)絡包含深度編碼器和解碼器,有利于卷積網(wǎng)絡的優(yōu)化,加快模型的收斂速... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

訓練流程圖

圖 2-2 生成器網(wǎng)絡結構圖2 深度卷積生成式對抗網(wǎng)絡的實驗結果分析在本文中，使用 CelebA 人臉數(shù)據(jù)集訓練深度卷積生成式對抗(DCGAN)網(wǎng)在不同迭代次數(shù)下的實驗結果如圖 2-3 所示。由圖可以看出，在進行了 1 次其生成的人臉圖像質量較差，只有粗略的面部輪廓。第 2 次迭代中，人臉明顯，可以粗淺的觀測到五官結構。在進行了 10 次迭代后，生成的面部圖完整，具有相對豐富的細節(jié)信息。隨著迭代次數(shù)的繼續(xù)增加，在進行第 2，生成的面部圖像質量開始下降，圖像出現(xiàn)扭曲現(xiàn)象。該實驗結果在一定明了，隨著迭代次數(shù)的增大，DCGAN 算法開始變得不穩(wěn)定，沒辦法獲取網(wǎng)最優(yōu)結果。但是，目前此算法也能夠用于圖像修復中，可以一定程度上提像的質量。

a) 真實圖像 b) 遮擋圖像c) 第 10 次迭代d) 第 100 次迭代e) 第 500 次迭代圖 2-5 基于感知和語境損失的圖像語義修復實驗結果 Wasserstein 距離Wasserstein 距離[41]，也被稱作 Earth-Mover(EM)距離，其作用是用來估測兩布之間的距離，具體定義公式如下： ~~, infr gr g x yP PW P P E x y ， ， 中 , r g P P——rP 和gP 組合起來的所有可能的聯(lián)合分布的集合； x , y ~ ——在 中進行采樣，x 表示的是真實樣本，y 代表生成數(shù)x y——兩個數(shù)據(jù)樣本之間的距離； x y ~E x y ， ——全局判別網(wǎng)絡的自動編碼器1L 損失;lDL ——兩個數(shù)據(jù)樣本間距離的期望值； E xy xy ，~ 可以認為是在 這個“指定方向”下，將rP 這堆“泥土”移動

【參考文獻】：
期刊論文
[1]生成式對抗網(wǎng)絡GAN的研究進展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學報. 2017(03)
[2]非局域樣本填充和自適應曲率驅動模型的遙感圖像修復算法[J]. 王相海,孫麗,萬宇,王爽,陶兢喆.  模式識別與人工智能. 2016(08)
[3]自適應樣本塊大小的圖像修復方法[J]. 孟春芝,何凱,焦青蘭.  中國圖象圖形學報. 2012(03)
[4]一種基于樣例的快速圖像修復算法[J]. 代仕梅,張紅英,曾超.  微型機與應用. 2010(22)
[5]一種基于TV模型的自適應圖像修復方法[J]. 邵肖偉,劉政凱,宋璧.  電路與系統(tǒng)學報. 2004(02)

碩士論文
[1]基于HOG特征的人臉識別系統(tǒng)研究[D]. 慕春雷.電子科技大學 2013
[2]大區(qū)域圖像修補與圖像特技制作研究[D]. 張如.北京交通大學 2009



本文編號：3507373