一种基于生成式对抗网络的人脸修复方法技术

本发明专利技术公开了一种基于生成式对抗网络的人脸修复方法，包括以下步骤：S1、采集人脸数据并进行预处理；S2、建立对抗网络模型：对抗网络模型包括两个深度神经网络：生成网络G和判别网络D，通过生成网络G生成人脸图像；通过判别网络D判断图像的真假；S3、进行人脸修复：随机的给测试图像加掩码，模拟真实图像缺损区域，将此缺损图像输入生成网络G中生成人脸图像，将生成图像的掩码区域替换到缺失图像的相应位置，再进行泊松融合。本发明专利技术利用上下文损失与语境损失和全局与局部两个判别损失迭代更新网络的参数，能够生成并补全更为自然和逼真的人脸图像。

A Face Repair Method Based on Generative Countermeasure Network

【技术实现步骤摘要】
一种基于生成式对抗网络的人脸修复方法
本专利技术属于深度学习和图像处理
，特别涉及一种基于生成式对抗网络的人脸修复方法。
技术介绍
图像修复技术是近几年图像处理领域一个重要的分支，属于模式识别、机器学习、统计学、计算机视觉等多学科的交叉问题。图像修复是指对在图像保留过程中引起的图像信息缺失进行修复重建或者去除图像中的多余物体后的修复。现如今，研究人员提出了各种各样的图像修复的方法，已广泛用于老照片修复、文物保护、去除多余物体等领域。目前，数字图像修复算法主要包括三个方向：基于结构的图像修复算法、基于纹理的图像修复算法和基于深度学习的图像修复算法。其中，文献Bertalmio,Marcelo,Sapiro,etal.Imageinpainting[J].Siggraph,2000,4(9):417--424.中提出了一种基于偏微分方程模型的修复算法，利用图像待修补区域的边缘信息确定扩散信息和扩散方向，然后由缺损区域边缘扩散到缺损区域内部，从而实现修复图像的效果。文献CriminisiA,PérezP,ToyamaK.Regionfillingandobjectremovalbye本文档来自技高网...

【技术保护点】
1.一种基于生成式对抗网络的人脸修复方法，其特征在于，包括以下步骤：S1、采集人脸数据并进行预处理：收集大量图像作为数据集，将收集到的图像进行预处理，裁剪成设定尺寸的人脸训练图像；S2、建立对抗网络模型：利用处理好的人脸训练图像作为数据集生成对抗网络模型的两个深度神经网络：生成网络G和判别网络D，将缺失图像信息输入到生成网络G，通过生成网络G生成人脸图像；通过判别网络D判断图像的真假，直到判别网络达到平衡状态，整个网络模型达到最优；S3、进行人脸修复：随机的给测试图像加掩码，模拟真实图像缺损区域，将此缺损图像输入到步骤S2中训练好的生成网络G中生成人脸图像，将生成图像的掩码区域替换到缺失图像的...

【技术特征摘要】
1.一种基于生成式对抗网络的人脸修复方法，其特征在于，包括以下步骤：S1、采集人脸数据并进行预处理：收集大量图像作为数据集，将收集到的图像进行预处理，裁剪成设定尺寸的人脸训练图像；S2、建立对抗网络模型：利用处理好的人脸训练图像作为数据集生成对抗网络模型的两个深度神经网络：生成网络G和判别网络D，将缺失图像信息输入到生成网络G，通过生成网络G生成人脸图像；通过判别网络D判断图像的真假，直到判别网络达到平衡状态，整个网络模型达到最优；S3、进行人脸修复：随机的给测试图像加掩码，模拟真实图像缺损区域，将此缺损图像输入到步骤S2中训练好的生成网络G中生成人脸图像，将生成图像的掩码区域替换到缺失图像的相应位置，再进行泊松融合得到最终的修复完整的人脸图像。2.根据权利要求1所述的一种基于生成式对抗网络的人脸修复方法，其特征在于，所述步骤S1具体实现方法为：对收集到的图像进行人脸识别，提取脸部的信息，根据每张脸上定位的标志，将收集到的图像裁剪成设定尺寸大小的人脸训练图像。3.根据权利要求1所述的一种基于生成式对抗网络的人脸修复方法，其特征在于，所述步骤S2具体实现方法为：对抗网络由两个深度卷积神经网络组成：生成网络G和判别网络D；生成网络G是一个解码-编码网络，是由两个对称的VGG16网络构成，输入是224*224*3维的缺失图像信息，通过编码-解码网络生成224*224*3维的修复图像信息；判别网络D是由一个正向的VGG16网络构成，输入为224*224*3维的修复图像信息，通过VGG16网络卷积运算获得输入数据属于训练数据而非生成样本的概率；生成...

【专利技术属性】
技术研发人员：吴立军，陈灿林，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51