[发明专利]一种基于生成对抗式网络模型的发型更换方法

权利要求书

1.一种基于发型生成对抗网络的发型更换方法，其特征在于：

首先，构建一个大型发型数据集“发型30K”给社区，该发型数据集是通过发型图片关键词，在网页搜索引擎中使用关键词搜索爬取下来的，一共64种不同的类型，发型图片为大小为30K图像；

然后，还提供一种发型生成对抗网络H-GAN模型，用于自动生成或修改/编辑发型，并输出图像；该发型生成对抗网络H-GAN模型有四个组件：编码网络、解码网络、判别网络和识别网络；其中编码网络和解码网络是VAE的变体，而识别网络与infoGAN的GAN具有相同的网络；

其中，构建大型发型数据集“发型30K”的具体步骤如下：

（1）通过使用网页搜索引擎，检索与发型相关的关键词，下载超过100万张图片；

（2）根据下载的照片筛选出64种发型类型作为发型类目全集，并根据该64种发型类型对数据集进行再扩充；

（3）过滤步骤（1）下载的图像，通过面部检测算法，修剪掉一些没有面孔的无关或错误的，也不是发型的图像；

（4）进行训练操作，先手动过滤掉了不包含人脸属性的发型种类，注明修剪过的图像，将它们分为不同的发型类；

最后，获得大小为30k图像，共有41种男性发型和42种女式发型；其中，19种发型是男女通用的，完全数据集共有64种不同类型的发型；

发型更换方法具体步骤如下：

（a）构建发型生成对抗网络H-GAN模型

发型生成对抗网络H-GAN模型包括：编码网络，解码网络，判别网络和识别网络；原始图片输入编码网络，其中，经过四层卷积层和一层全连接层得到隐向量；隐向量和发型属性向量一同输入解码网络，其中经过五层反卷积层得到生成的图片；生成的图片和原始图片一同输入判别网络和识别网络，首先经过了四层共享卷积层，之后用两个不同的全连接层得到图片真实性与发型属性的概率分布；

（b）训练发型生成对抗网络H-GAN模型

在获得人脸图片和对应的发型属性以后，进行发型生成对抗网络H-GAN模型的训练；为四个网络设计了四种不同的优化目标；此处重构损失为真实图片和真实图片经过编码解码网络后重构的图片，在判别网络的特征图上的欧几里得距离；对于编码网络，优化目标设为重构损失，和隐向量分布与高斯分布的KL距离；对于解码网络，优化目标为重构损失，识别网络输出的生成图片发型属性分布与指定发型属性分布的交叉熵，和判别网络输出的生成图片真实概率分布的负对数值；对于判别网络，优化目标为该网络输出的生成图片真实概率分布的对数值，和真实图片概率分布的负对数值；对于识别网络，优化目标为真实图片输出的发型属性分布与真实发型属性分布的交叉熵；用反向传播算法将计算到的这些损失从后往前传递，对于不同的网络进行参数优化；

（c）利用经过训练的发型生成对抗网络H-GAN模型，将人脸图片输入识别网络，来预测发型属性；同时将人脸图片输入编码网络，然后把指定的发型属性编码和得到的隐变量输入解码网络，得到修改之后的图片；这样在发型生成对抗网络H-GAN模型训练完以后，对于给定一张人脸图片，能够同时检测人脸的发型属性和修改人脸发型属性。