[发明专利]一种人像风格迁移方法

说明书

本发明公开了一种人像风格迁移方法，该方法包括以下步骤：一、获取内容图像；二、风格迁移总损失函数的建立：通过内容损失、风格损失、总变差正则化损失和正则惩罚项，得到总损失函数；三、生成图像的迭代优化：计算机采用梯度下降法，利用总损失函数对初始的生成图像进行迭代优化，得到风格迁移图像。本发明方法步骤简单，设计合理，通过内容损失、风格损失、总变差正则化损失和正则惩罚项作为总损失函数，从而采用梯度下降法进行迭代优化，以使最后的风格迁移图像与内容图像和风格图像相似，提高了人像风格迁移的质量和效果。

技术领域

本发明属于人像风格迁移技术领域，尤其是涉及一种人像风格迁移方法。

背景技术

图像风格迁移是指利用算法学习著名画作的风格,然后再把这种风格应用到另外一张图片上的技术。风格迁移技术在图像处理、游戏制作、电影特效渲染等工业领域得到广泛应用。随着人工智能研究的快速进步，受到卷积神经网络的启发，利用深度学习将普通图像渲染为具有艺术风格图像的方法，这种方式合成风格化图像效果出色而且不需要对每种风格单独建模解决了传统方法建模效率低下与风格化效果不佳的缺陷，引起了学术界和工业界的广泛关注，随后产生了大量的研究与应用成果。风格迁移技术的基本思想是利用深度神经网络分别提取图像的风格纹理与语义内容信息，然后再将两者融合为一张图片。使之同时拥有艺术风格图像的纹理与普通图像的内容，实现图像的风格化渲染。深度学习风格迁移算法网络可以通过将图像渲染为任意艺术风格不需要针对特定风格类型单独建模。然而基于深度学习的风格迁移算法目前问题主要有：仅通过内容损失和风格损失进行迭代优化，导致很多情况下，特别是对于人物的风格迁移，效果很不理想。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种人像风格迁移方法，其方法步骤简单，设计合理，通过内容损失、风格损失、总变差正则化损失和正则惩罚项作为总损失函数而进行迭代优化，以使最后的风格迁移图像与内容图像和风格图像相似，提高了人像风格迁移的质量和效果。

为解决上述技术问题，本发明采用的技术方案是：一种人像风格迁移方法，其特征在于：

步骤一、获取内容图像：

步骤101、采用摄像机在纯色背景下对人物进行拍摄，获取人物图像；其中，人物图像的大小为A×C个像素点，且A大于C，A和C均为正整数，其中，A表示行，C表示列；

步骤102、计算机对人物图像进行背景和前景分离，得到优化后的二值化人物图像；其中，优化后的二值化人物图像为人物图像；

步骤103、从计算机的背景图像库中选择背景图像；其中，背景图像的大小为A×C个像素点；

步骤104、计算机根据优化后的二值化人物图像，将人物图像中的人物区域与背景图像合成，得到合成人物图像，并将合成人物图像作为内容图像；

步骤二、风格迁移总损失函数的建立：

步骤201、随机生成白噪声图像作为初始的生成图像；

步骤202、选取卷积神经网络VGG19作为原始模型；其中，卷积神经网络VGG19包括16个卷积层和5个池化层，16个卷积层分别为Relu1_1卷积层，Relu1_2卷积层；Relu2_1卷积层，Relu2_2卷积层；Relu3_1卷积层，Relu3_2卷积层，Relu3_3卷积层，Relu3_4卷积层；Relu4_1卷积层，Relu4_2卷积层，Relu4_3卷积层，Relu4_4卷积层；Relu5_1卷积层，Relu5_2卷积层，Relu5_3卷积层，Relu5_4卷积层；

步骤203、计算机获取内容损失，具体过程如下：

步骤2031、将内容图像和初始的生成图像输入原始模型，并设定内容图像经Relu4_1卷积层输出第4_1层内容特征图，内容图像经Relu5_1卷积层输出第5_1层内容特征图；