基于循环生成对抗网络的人脸头像卡通化的实现方法技术

本发明专利技术公开了一种基于循环生成对抗网络的人脸头像卡通化的实现方法，包括步骤：从网络上爬取若干真实人物图片和卡通人物图片；基于人脸检测算法识别图片中的人脸，获得真实人脸头像和卡通人脸头像后作为训练样本；构建由生成器和鉴别器组成的循环生成对抗网络，并设计损失函数；将真实人脸头像和卡通人脸头像分别作为输入，训练循环生成对抗网络来最小化损失函数；将待处理的真实人脸头像输入训练完成后的循环生成对抗网络的生成器，获得对应的卡通人脸头像。本发明专利技术使得循环生成对抗网络的第一生成器性能达到最佳，可以将输入的真实人脸头像卡通化，做到人脸卡通化的实时性和有效性。

【技术实现步骤摘要】
基于循环生成对抗网络的人脸头像卡通化的实现方法
本专利技术涉及一种基于循环生成对抗网络的人脸头像卡通化的实现方法，属于计算机视觉中图像处理的

技术介绍
近年来，随着人工智能的兴起，深度学习受到了广泛的关注，其中生成对抗网络的提出加速了深度学习的进程。2014年，蒙特利尔大学IanGoodfellow等学者提出“生成对抗网络”的概念，并逐渐引起AI业内人士的注意。自2016年以来，学界、业界对GANs的兴趣出现“井喷”：多篇重磅论文陆续发表；Facebook、OpenAI等AI业界巨头也加入对GANs的研究；它成为今年12月NIPS大会当之无愧的明星——在会议大纲中被提到逾170次；GANs之父”IanGoodfellow被公推为人工智能的顶级专家；YanLecun也对它交口称赞，称其为“20年来机器学习领域最酷的想法”。生成对抗网络是一种生成模型(GenerativeModel)，其背后基本思想是从训练库里获取很多训练样本，从而学习这些训练案例生成的概率分布。而实现的方法，是让两个网络相互竞争，‘玩一个游戏’。其中一个叫做生成器网络(GeneratorNetwork)，它不本文档来自技高网...

【技术保护点】
基于循环生成对抗网络的人脸头像卡通化的实现方法，其特征在于，包括以下步骤：步骤1、从网络上爬取若干真实人物图片和卡通人物图片；步骤2、基于人脸检测算法识别所爬取的真实人物图片和卡通人物图片中的人脸，获得真实人脸头像和卡通人脸头像后作为训练样本；步骤3、构建由生成器和鉴别器组成的循环生成对抗网络，并设计损失函数；将所述训练样本中的真实人脸头像和卡通人脸头像分别作为循环生成对抗网络的输入，训练循环生成对抗网络以最小化损失函数；步骤4、将待处理的真实人脸头像输入训练完成后的循环生成对抗网络的生成器中，获得真实人脸头像对应的卡通人脸头像。

【技术特征摘要】
1.基于循环生成对抗网络的人脸头像卡通化的实现方法，其特征在于，包括以下步骤：步骤1、从网络上爬取若干真实人物图片和卡通人物图片；步骤2、基于人脸检测算法识别所爬取的真实人物图片和卡通人物图片中的人脸，获得真实人脸头像和卡通人脸头像后作为训练样本；步骤3、构建由生成器和鉴别器组成的循环生成对抗网络，并设计损失函数；将所述训练样本中的真实人脸头像和卡通人脸头像分别作为循环生成对抗网络的输入，训练循环生成对抗网络以最小化损失函数；步骤4、将待处理的真实人脸头像输入训练完成后的循环生成对抗网络的生成器中，获得真实人脸头像对应的卡通人脸头像。2.根据权利要求1所述基于循环生成对抗网络的人脸头像卡通化的实现方法，其特征在于：所述步骤1采用爬虫方法从网络上爬取获得图片。3.根据权利要求1所述基于循环生成对抗网络的人脸头像卡通化的实现方法，其特征在于：所述步骤2采用基于Adaboost人脸检测算法进行识别。4.根据权利要求1所述基于循环生成对抗网络的人脸头像卡通化的实现方法，其特征在于：所述步骤3中循环生成对抗网络包括第一和第二生成器，及第一和第二鉴别器。5.根据权利要求1所述基于循环生成对抗网络的人脸头像卡通化的实现方法，其特征在于：所述步骤3中生成器包括编码器、转换器和解码器。6.根据权利要求4所述基于循环生成对抗网络的人脸头像卡通化的实现方法，其特征在于：所述步骤3对循环生成对抗网络进行训练，包括步骤：步骤31、将步骤2所述真实人脸头像输入第一鉴别器鉴别，同时将真实人脸头像输入第一生成器以生成卡通人脸头像，再将生成的卡通人脸头像通过第二鉴别器鉴别，同时将生成的卡通人脸头像通过第二生成器生成循环真实人脸头像；步骤32、将步骤2所述卡通人脸头像输入第二鉴别器鉴别，同时将真实人脸头像输入第一生成器以生成真实人脸头像，再将生成的真实人脸头像通过第二鉴别器鉴别，同时将生成的...

【专利技术属性】
技术研发人员：解晓波，熊健，李海波，桂冠，杨洁，华文韬，朱颖，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32