The invention discloses a method for normalizing illumination domain of color face images based on cyclic generation antagonism network, which includes the following steps: S1: establishing a cyclic generation antagonism network model for illumination normalization of color face images; S2: establishing a loss function of the model; S3: training the model and testing it on a test set. The invention is to transform the color face image under various illuminations into the designated target illumination domain, input the color face image under uneven illumination, use the cyclic generation antagonism network as the model structure, and take the target uniform illumination domain as the target, realize the normalization of the multi-illumination of the face image, and the normalized image can not only be used. Better preservation of the face attributes of the original face features, but also very good to achieve cross-data migration.
【技术实现步骤摘要】
基于循环生成对抗网络的彩色人脸图像光照域归一化的方法
本专利技术涉及计算机视觉人脸光照领域,更具体地,涉及一种基于循环生成对抗网络的彩色人脸图像光照域归一化的方法。
技术介绍
近年来,由于深度学习在计算机视觉的快速发展,基于二维人脸的分析技术,如人脸识别、人脸匹配、人脸属性识别等方向受到了极大的关注。目前,许多的在人脸领域的算法能够达到近乎完美的表现,也得到了广泛的使用。这些效果表现很好的算法,都是基于对人脸图像的姿态,拍摄环境,表情,光照等非人脸身份信息进行了严格的控制,对于在自然无限制的现实环境下,其应用会存在一定的不足。在自然条件下,其性能容易受到光照、拍摄角度、遮挡等多方面的影响,其中光照的变化是影响其算法性能最重要的因素之一。由于人脸是3D结构,不同角度的光照投射出的阴影,会加强或者减弱原有的人脸特征,尤其是当光照不足时候造成的脸部阴影,会导致这些二维人脸的分析算法性能急剧下降。同时,已有的理论实验证明,一个人脸个体因为光照变化引起的差异,甚至会大于相同关照下不同个体之间的差异。因此,探索合适的方法对不同光照变化环境下的人脸图像进行预处理,模拟人脸图像可能出现的光照成像环境,对于改善人脸分析算法的性能具有很大的意义。早期的方法是注重于人脸灰度图片,利用灰度的调整重新分配原始人脸图像的强度,使人脸图像不易发生光照变化,例如直方图均衡化,这些方法仅考虑人脸图像的整体强度分布,难以处理人脸图像中因光照产生的硬阴影、高光等。接下来提出的方法注重于提取同一人脸不同光照条件下的图像的光照不变特征,例如自商图像方法、S&L光照标准化方法等,这些方法同样 ...
【技术保护点】
1.基于循环生成对抗网络的彩色人脸图像光照域归一化的方法,其特征在于,包括以下步骤:S1:建立用于彩色人脸图像光照归一化的循环生成对抗网络模型,该循环生成对抗网络模型包括生成网络和鉴别网络,所述生成网络通过构建生成器生成转换成指定光照域的人脸图片和人脸特征重构图片,所述鉴别网络通过构建鉴别器来鉴别光照域;S2:建立模型的损失函数,使生成对抗网络训练稳定,并且使得生成器在学习目标光照域光照信息时能够比较好保留输入图像的脸部特征;S3:进行模型的训练,将不同光照类别的图像分成不均匀光照域和目标均匀光照域,进行在生成对抗网络中循环训练,并在测试集上测试,并查看生成的人脸图像效果图。
【技术特征摘要】
1.基于循环生成对抗网络的彩色人脸图像光照域归一化的方法,其特征在于,包括以下步骤:S1:建立用于彩色人脸图像光照归一化的循环生成对抗网络模型,该循环生成对抗网络模型包括生成网络和鉴别网络,所述生成网络通过构建生成器生成转换成指定光照域的人脸图片和人脸特征重构图片,所述鉴别网络通过构建鉴别器来鉴别光照域;S2:建立模型的损失函数,使生成对抗网络训练稳定,并且使得生成器在学习目标光照域光照信息时能够比较好保留输入图像的脸部特征;S3:进行模型的训练,将不同光照类别的图像分成不均匀光照域和目标均匀光照域,进行在生成对抗网络中循环训练,并在测试集上测试,并查看生成的人脸图像效果图。2.根据权利要求1所述基于循环生成对抗网络的彩色人脸图像光照域归一化的方法,其特征在于,所述步骤S1的具体过程是:S11:构建生成网络,构建两个生成器GA和GB;其中,GA生成器以多光照域集合A中的人脸图片Areal作为输入,生成与目标光照域B具有相同光照特征的图片Afake,以GB生成器生成的图片Bfake作为输入,生成与Breal具有相同光照特征与人脸特征的重构图片Arec;GB生成器以GA生成器生成的图片Afake作为输入,生成与Areal具有相同光照特征和人脸特征的重构图片Brec,并且以光照域B之中的图像Breal作为输入生成与光照域集合A光照特征相同的图片Bfake;S12:构建鉴别网络,构建两个鉴别器DA和DB,DA鉴别器用以鉴别人脸光照域集合A中图片Areal与生成器GB生成的图片Bfake的光照域类别;DB鉴别器用以鉴别人脸光照域B中图片Breal与生成器GA生成图片Afake的光照域间类别,鉴别器用以鉴别光照域时候,均采用多尺度特征图来进行鉴别。3.根据权利要求2所述基于循环生成对抗网络的彩色人脸图像光照域归一化的方法,其特征在于,所述生成器GA和生成器GB具有相同的网络结构,其网络共有四个卷积层、六个残差模块和两个转置卷积层,其中第一个卷积层为输入层,两个用作下采样的卷积层与两个用做上采样的转置卷积层中间嵌入六个残差模块,保证输出图像与输入图像的大小一致。4.根据权利要求2所述基于循环生成对抗网络的彩色人脸图像光照域归一化的方法,其特征在于,所述鉴别器DA和鉴别器DB均采用使用多尺度特征图来进行鉴别,共有六个卷积层,六个卷积层通道数按照是前一层的两倍递增。5.根据权利要求2所述基于循环生成对抗网络的彩色人脸图像光照域归一化的方法,其特征在于,所述步骤S2的具体过程是:S21:对于判别器DA,其损失函数是对多光照域集合A中的人脸图片Areal和将光照域B之中的图像Breal输入GB生成器生成的图像Bfake的光照域类别的鉴别损失,使用了多尺度特征图进行鉴别,当鉴别为真实时输出接近1,鉴别为假时输出接近0;S22:对于判别器DB,其损失函数是对目标光照域集合B中的人脸图片Breal和将集合A之中的图像Areal输入GA生成器生成的图像Afake的光照域类别的鉴别损失,使用了多尺度特征图进行鉴别,当鉴别为真实时输出接近1,鉴别为假时输出接近0;S23:对于判别器GA和GB的损失函数,均结合了WGAN梯度惩罚策略,判别器GA和GB以最小化损失函数为优化目标;S24:生成器的重构损失Lrec构建,结合三种距离衡量方法计算重构图像与原始图像之间的距离误差,分别为L1范数误差,MS-SS...
【专利技术属性】
技术研发人员:朱俊勇,李锴莹,赖剑煌,谢晓华,
申请(专利权)人:中山大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。