[发明专利]一种基于生成对抗式网络模型的发型更换方法

说明书

本发明属于计算机图像处理技术领域，具体为一种基于生成对抗式网络模型的发型更换方法。自动更换发型在分类和图像编辑领域都有很多实际应用，本发明诉诸于这一要求，首先提供一个新的大型发型数据集，HAIRSTYLE30k，包含64种不同类型的30K图像组成的发型，同时，提供一个自动生成和修改发型的模型H‑GAN，来实现自动更换发型。本发明在基础的生成对抗式网络模型上做了改进，可以高效地学习新数据集，不仅在基础数据集上表现良好，在新数据集上也有很好的可泛化性。

技术领域

本发明属于计算机图像处理技术领域，具体涉及一种基于生成对抗式网络模型的发型更换方法。

背景技术

发型可以表达自己的个性，自信心和态度。因此，是个人外表的一个重要方面。在多媒体技术日益发展的今日，能够自动识别并且更换发型的方法是人们迫切需要的，计算机视觉技术使得这种需求得以实现。通过计算机视觉模型，能够自动识别、分析、修改人物图片中的发型因素，有很大的实际需求。客户可以根据自己的喜好，通过计算机模型尝试更换不同的发型，比较效果后，再去寻找理发师达到最令人满意的发型效果。

目前发型建模的关注点主要分为两种：一种是为用户推荐最合适的发型的论文如[1]，另一种是交互式的发型建模[2,3,4]，让用户挑选编辑最合适的发型，但是这些传统的发型建模推荐，都没有系统地研究发型的图像数据集，也没有可以用于处理各种发型的完备建模系统。可能的原因有两个：一是发型有很大的差异，为了能让模型能识别出这些变化，需要非常大规模的数据集，但是这样的数据集不存在，在多媒体和计算机视觉领域，发型通常被标记为面部数据集的属性。然而，这种注释通常是粗糙的，主要集中在头发长度和颜色，并没有关注发型的种类。另一方面，现有的专业发型数据种类集不够大，如文[1]提供的Beauty e-Expert数据集，因规模不足难以训练出精准的模型。

因此，本发明做的第一件事便是搜集一个大型的关注发型种类的数据集。

同时，有了数据集，还得有变换发型的手段，首先是要对原始图像做整理，并且做整合，为了实现与用户交互的照片整合，要对照片中的属性对象做分割，传统的处理这种照片分割的任务的文选有[5,6,7,8,9]，传统的实现用户参与的交互分割的方法有文选[10]提供的lazy snapping 和文选[11]提供的gradcut。

本发明的模型部分是基于上述论文的图像GAN的方法转移网络，来进行脸部特征提取，但是每篇论文只是提取了一种特定的脸部特征，也没有涉及到发型特征。

因此，本发明的第二件事就是提供一种模型H-GAN，来实现发型特征的提取与更换。

发明内容

本发明的目的在于提供一种基于发型生成对抗网络的发型更换方法。

本发明首先构建一个大型发型数据集“发型30K”给社区，希望这个针对发型种类的数据集可以大大推动对发型建模的研究。该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，发型图片在30K图像。平均来说，每种发型大约有480张图片。这个数据集已足够大，可以训练基于深度学习的基础图像生成模型。

除了提供以上的数据集，本发明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。H-GAN有四个组件：编码网络，解码网络，判别网络和识别网络。本发明的H-GAN算法在新数据集和基准数据集进行广泛的实验验证，结果都很良好。

本发明中，构建大型发型数据集“发型30K”的具体步骤如下：

1、通过使用网络搜索引擎（例如，Google，Flickr和 Bing等），检索与发型相关的关键词，下载超过100万张图片，例如蜂窝发型；

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种发型名称对数据集进行再扩充；