[发明专利]基于循环生成对抗网络的人脸头像卡通化的实现方法

说明书

本发明公开了一种基于循环生成对抗网络的人脸头像卡通化的实现方法，包括步骤：从网络上爬取若干真实人物图片和卡通人物图片；基于人脸检测算法识别图片中的人脸，获得真实人脸头像和卡通人脸头像后作为训练样本；构建由生成器和鉴别器组成的循环生成对抗网络，并设计损失函数；将真实人脸头像和卡通人脸头像分别作为输入，训练循环生成对抗网络来最小化损失函数；将待处理的真实人脸头像输入训练完成后的循环生成对抗网络的生成器，获得对应的卡通人脸头像。本发明使得循环生成对抗网络的第一生成器性能达到最佳，可以将输入的真实人脸头像卡通化，做到人脸卡通化的实时性和有效性。

技术领域

本发明涉及一种基于循环生成对抗网络的人脸头像卡通化的实现方法，属于计算机视觉中图像处理的技术领域。

背景技术

近年来，随着人工智能的兴起，深度学习受到了广泛的关注，其中生成对抗网络的提出加速了深度学习的进程。2014年，蒙特利尔大学Ian Goodfellow等学者提出“生成对抗网络”的概念，并逐渐引起AI业内人士的注意。自2016年以来，学界、业界对GANs的兴趣出现“井喷”：

多篇重磅论文陆续发表；Facebook、OpenAI等AI业界巨头也加入对GANs的研究；它成为今年12月NIPS大会当之无愧的明星——在会议大纲中被提到逾170次；GANs之父”IanGoodfellow被公推为人工智能的顶级专家；Yan Lecun也对它交口称赞，称其为“20年来机器学习领域最酷的想法”。

生成对抗网络是一种生成模型(Generative Model)，其背后基本思想是从训练库里获取很多训练样本，从而学习这些训练案例生成的概率分布。而实现的方法，是让两个网络相互竞争，‘玩一个游戏’。其中一个叫做生成器网络(GeneratorNetwork)，它不断捕捉训练库里真实图片的概率分布，将输入的随机噪声(RandomNoise)转变成新的样本(也就是假数据)。另一个叫做判别器网络(DiscriminatorNetwork)，它可以同时观察真实和假造的数据，并判断数据的真伪。

循环生成对抗网络则是对生成对抗网络的改进，将输入图像通过生成器G再通过生成器F得到的图像与输入图像对比，使得差距最小。由于现有技术实现人脸头像卡通化的效果不佳，而且有些卡通化依赖于人类手动设置，使得人脸头像卡通化在效果和速度方面都不能令人满意，存在转化效果差和一些效果好但速度慢的问题。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于循环生成对抗网络的人脸头像卡通化的实现方法，解决传统方法中的转化效果差和一些效果好但速度慢的问题，做到人脸卡通化的实时性和有效性。

本发明具体采用以下技术方案解决上述技术问题：

基于循环生成对抗网络的人脸头像卡通化的实现方法，包括以下步骤：

步骤1、从网络上爬取若干真实人物图片和卡通人物图片；

步骤2、基于人脸检测算法识别所爬取的真实人物图片和卡通人物图片中的人脸，获得真实人脸头像和卡通人脸头像后作为训练样本；

步骤3、构建由生成器和鉴别器组成的循环生成对抗网络，并设计损失函数；将所述训练样本中的真实人脸头像和卡通人脸头像分别作为循环生成对抗网络的输入，训练循环生成对抗网络以最小化损失函数；

步骤4、将待处理的真实人脸头像输入训练完成后的循环生成对抗网络的生成器中，获得真实人脸头像对应的卡通人脸头像。

进一步地，作为本发明的一种优选技术方案：所述步骤1采用爬虫方法从网络上爬取获得图片。

进一步地，作为本发明的一种优选技术方案：所述步骤2采用基于Adaboost人脸检测算法进行识别。

进一步地，作为本发明的一种优选技术方案：所述步骤3中循环生成对抗网络包括第一和第二生成器，及第一和第二鉴别器。