【技术实现步骤摘要】
一种基于草图和风格迁移的人脸美颜方法及系统
[0001]本专利技术属于图像处理
，特别涉及一种基于草图和风格迁移的人脸美颜方法及系统。
技术介绍
[0002]人脸图像美颜是指通过神经网络对原始人脸图像进行自动编辑和美化，从而将原始人脸图像转化为符合人类审美的高品质图像。随着技术的进一步发展，采用人工智能驱动的照片和图像编辑来简化人脸美颜的工作流程的应用越来越多。与此同时，面部美容预测技术也得到广泛研究，其具有与面部美容相关的知识，为面部美容的转化提供反馈和指导，并证明计算机可以在一定程度上正确预测面部美容。
[0003]针对于人脸图像美颜的传统图像编辑方法，大多数将注意力放在了人脸皮肤和几何特征上。采用传统的图像处理技术对皮肤进行美化，改变人脸图像的像素矩阵，并通过改善图像质量、增加头部装饰物等影响美化效果，这种方法保留了人脸的面部结构。还有的试图改变人脸结构，通过平均脸或者算子实现面部轮廓变化。上述操作都有对应的自动化算法,将一个一个这样的算法组合起来,就可以自动的完成人脸图像的美颜操作,不需要用户的任何干预...
【技术保护点】
【技术特征摘要】
1.一种基于草图和风格迁移的人脸美颜方法，获取待美颜的人脸图像，将待美颜的人脸图像输入到训练好的人脸美化编辑模型中，得到美颜后的图像，其特征在于，人脸美化编辑模型的训练包括：S1、获取包含多组人脸图像对的数据集，每组人脸图像对包括一张原始人脸图像以及一张美颜人脸图像；S2、根据人脸图像对中的原始人脸图像获取原始人脸草图，对原始人脸草图进行修改得到期待人脸样貌草图；S3、对原始人脸图像与期待人脸样貌草图分别进行相同的预处理；S4、对预处理过的原始人脸图像与期待人脸样貌草图分别进行相同的数据增强，得到标准原始人脸图像和标准期待人脸样貌草图；S5、对标准期待人脸样貌草图进行采样，编码得到形变特征；S6、对原始人脸图像和美颜人脸图像的风格进行分类并加标签，将标签进行非线性映射，得到风格特征；S7、将标准原始人脸图像和标准期待人脸样貌草图进行拼接，将拼接后的图像、形变特征以及风格特征输入到人脸美化编辑模型中，生成美化人脸图像；S8、对生成的美化人脸图像进行损失计算，指导训练神经网络，迭代训练人脸美化编辑模型至收敛，保存模型参数。2.根据权利要求1所述的一种基于草图和风格迁移的人脸美颜方法，其特征在于，步骤S5所述的形变特征的获取，使用最大值池化和平均值池化分别对标准期待人脸样貌草图进行下采样，然后取两个结果的平均值，得到形变特征。3.根据权利要求1所述的一种基于草图和风格迁移的人脸美颜方法，其特征在于，步骤S7生成美化人脸图像的具体过程包括：S11.提取拼接图像的低级语义特征，在低级语义特征中加入风格特征；S12.通过形变特征对加入风格特征的低级语义特征进行形变处理得到高级语义特征；S13.在高级语义特征中再次加入风格特征，最终生成美化人脸图像。4.根据权利要求3所述的一种基于草图和风格迁移的人脸美颜方法，其特征在于，加入风格特征的过程表示为：其中，x表示低级语义特征或高级语义特征，z表示风格特征，μ(z)和σ(z)是输入特征统计量，y表示一个仿射变换参数。5.根据权利要求1所述的一种基于草图和风格迁移的人脸美颜方法，其特征在于，步骤S8所述的训练步骤包括，提出的损失函数表示为：L
adv
是决策损失，用于训练对抗生成网络结构，D(
·
)代表判别器网络的输出，其中，i表示当前图像的风格，s
j
表示标签图像草图的形变编码，j表示标签图像的one
‑
hot风格编码，其中表示将风格为i的图像x
i
，通过加入x
j
的形变编码和风格j，生成的输出图像；
L
rec
是重建损失，用于训练网络生成原图。其中表示将风格为i的图像x
i
，通过加入x
i
的形变编码和风格i，生成输出图像，‖
·
‖1表示L1范数；L
cyc
＝||G
j，si，i
(x
i，sj，j
)
‑
x
i
||1L
cyc
是循环损失，用于训练网络生成人脸保留身份特征，其中，G
j,si,i
(x
i,sj,j
)表示将生成图像x
i,sj,j
再次输入到网络G中，并加入原图像风格i，以及原图像形变编码s
i
，并与原图x
i
做损失；L
trans
＝||V(x
i，sj，j
)
‑
V(x...
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。