[发明专利]一种基于深度卷积生成对抗网络的遮挡人脸补全算法

说明书

本发明涉及一种基于深度卷积生成对抗网络的遮挡人脸补全算法，其主要技术特点是：生成器网络由自动编码器和解码器组成，结构为深度卷积神经网络，判别器网络由全局判别器网络和局部判别器网络组成，结构为卷积神经网络，损失函数由重构损失Lr、全局鉴别器损失La1、局部鉴别器损失La2组成。算法依据经过处理的遮挡人脸图片为输入，生成补全的人脸图片为输出，以原始未遮挡的人脸图片作为监督，在人脸数据库中训练，最后得到具有很好补全效果的生成器网络。本发明设计合理，能较好的补全人脸遮挡信息，可从补全图像的角度提高遮挡图片的可识别率。

技术领域

本发明属于图像处理领域，尤其是一种基于深度卷积生成对抗网络的遮挡人脸补全算法。

背景技术

在现实环境中，使用摄像头所采集人脸信息时会存在人脸信息被遮挡的情况，例如自身佩戴的围巾、帽子、墨镜，或者是一些别的物体的遮挡。在这种情况下，如果想获得未遮挡的人脸信息，就需要一个较好的额人脸图像补全算法，对存在遮挡的图片进行遮挡部分信息的补全。传统的图像补全算法是利用图像信息的冗余性，从周围像素信息去补充遮挡部分像素内容，由于人脸特征的复杂性，该方法无法有效修复五官等关键信息的大面积遮挡，以深度学习为基础并基于生成对抗网络的图像补全法能更好的补全人脸信息。

目前，Yeh等人利用生成对抗性网络(GAN)进行生成建模有了新进展，一个经过训练的神经网络(通常称为“生成器”)被训练成从一个从已知的先验分布中提取的潜在向量开始生成语义真实的人脸。Avisek Lahiri等人在相关研究的基础上又发表了基于生成对抗性网络(GAN)的人脸语义修复的体系结构和优化技巧。但其所得到的图像补全信息清晰度不高，不够全面。

以上两种算法所得到的人脸信息清晰度不足，并且不具备保存身份信息的功能，因此并不能准确恢复遮挡人脸图像的被遮挡部分的信息。

综上所述，现有的遮挡人脸补全算法在人脸补全方面还有很大的提升空间。

发明内容

本发明的目的在于克服现有技术的不足，提供基于深度卷积生成对抗网络的遮挡人脸补全算法，能够在有遮挡人脸识别的过程中，尽量准确的补全遮挡人脸，从而提高遮挡图像被识别的准确率。

本发明解决其技术问题是采取以下技术方案实现的：

基于深度卷积生成对抗网络的遮挡人脸补全算法，包括以下结构：

结构1：生成器网络结构；

结构2：全局判别器网络结构；

结构3：局部判别器网络结构；

结构4：模型总损失函数。

进一步，所述结构1生成器的网络结构为：生成器由编码器和解码器组成，编码器网络结构为12层的深度卷积网络，卷积核大小为3×3，步长为1，填充1个像素，每层卷积后会跟LeakRelu激活层和BatchNormalization归一化层；共有4层max-pooling池化层，窗口大小2×2，步长为2；1层全连接层有1000个通道。编码器网络结构顺序为2层卷积层、1层池化层、2层卷积层、1层池化层、4层卷积层、1层池化层、2层卷积层、1层池化层、2层卷积层、1层全连接层。解码器结构和编码器结构对称。

进一步，所述结构2全局判别器网络结构为：全局判别器网络由5层的卷积层和1层全连接层再加Sigmoid函数组成。卷积层卷积核大小为5×5，步长为2，填充2个像素，每层卷积后会跟LeakRelu激活层和BatchNormalization归一化层。全连接层由1024个通道组成。

进一步，所述结构3局部判别器网络结构为：局部判别器网络由4层的卷积层和1层全连接层再加Sigmoid函数组成。卷积层卷积核大小为5×5，步长为2，填充2个像素，每层卷积后会跟LeakRelu激活层和BatchNormalization归一化层。全连接层由1024个通道组成。