[发明专利]基于卷积神经网络的人脸简笔画生成方法

说明书

本发明涉及一种基于卷积神经网络的人脸简笔画生成方法，包括如下步骤：步骤一：初始化I＝{I₁，I₂，……，I_N}为人脸图像集；步骤二：构造训练数据集；步骤三：使用误差反传梯度下降算法，根据训练数据集T训练卷积神经网络；步骤四：生成人脸简笔画。本发明根据已有数据集，对原有数据集进行多尺度扰动，增大训练数据集，提高网络泛化能力，可以实现自动提取人脸特征，提取的人脸轮廓精确，系统鲁棒性强。

技术领域

本发明涉及一种人脸简笔画生成方法，特别是一种基于卷积神经网络的人脸简笔画生成方法。

背景技术

随着智能科技的发展，机器人走入了我们的生活。为了增加机器人的亲切感和趣味性，我们让机器人参与人脸简笔画的制作。给机器人提供人像照片，经过机器系统处理，让机器人画出人脸简笔画。人脸简笔画可以用贴近于人脸和五官的轮廓曲线组合表示。因此，通过提取人脸及五官的边缘轮廓，可以生成人脸简笔画。

然而，在传统图像处理方法中，利用肤色检测分割人脸区域后再提取轮廓的方法，受光照噪声的影响，人脸区域分割结果并不适用于大批量照片的处理，进而轮廓提取的效果并不好。另外，由于人脸照片有遮挡物、头发刘海、装饰品等影响，利用边缘算子提取的边缘会有较大误差，精确度低。另一类轮廓提取方法是基于几何特征的方法。这类方法计算眼角、下巴、嘴巴等面部明显特征部位之间的距离，以及彼此间的角度等一些几何关系，利用这些几何信息进行数学建模，来达到人脸的区域定位、提取轮廓的目的。但是，这种方法提取的轮廓并不精确，并且鲁棒性差。

自上世纪90年代以来，基于机器学习的人脸图像处理技术取得长足进展。机器学习技术比传统的图像处理技术精确度高，但是做不了高维度、复杂的矩阵运算。2006年，Geoffrey Hinton等发表论文，解决了深度网络快速、准确训练的问题，促使深度神经网络成为解决人脸检测、识别问题的新方法。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种精确、强鲁棒性、快速的基于卷积神经网络的人脸简笔画生成方法。

为解决上述技术问题，本发明的基于卷积神经网络的人脸简笔画生成方法，包括如下步骤：

步骤一：初始化I＝{I₁，I₂，……，I_N}为人脸图像集，其中I_i表示人脸图像集合中的第i幅图像，I_i的尺寸为H×W像素，H为图像高度，W为图像宽度，i＝1,2,..,N，N为图像集的大小；

步骤二：构造训练数据集，包括：

(1)对集合I中的全部图像采用双三次插值法实现图像尺寸缩放，得到集合II₁和II₂，其中II₁中每张图像的尺寸为H/2×W/2，II₂中每张图像的尺寸为2H×2W；

(2)构造数据集I'＝{I，II₁，II₂}，手工标记图像集I'对应的简笔画图像，得到相应的标签图，记为Y＝{Y₁,Y₂,...,Y_n}，其中n＝3N；

(3)利用原图像与扰动好的图像构造训练数据集T，T＝{(I'_i,Y_i),i＝1,2,...,n}，其中I'_i为I'中的第i幅图像；

步骤三：使用误差反传梯度下降算法，根据训练数据集T训练卷积神经网络，其中，网络的损失函数采用最小化图像级损失，满足：

L(W,w^(m))＝min(l_side(W,w^(m))) (1)