[发明专利]基于深度概率图模型的人脸画像合成方法

摘要

本发明公开了一种基于深度概率图模型的人脸画像合成方法。主要解决现有技术无法合成同时具有清晰轮廓和特征的人脸画像的问题。其实现步骤是：1)利用引入马尔可夫随机场的神经网络学习人脸照片‑画像像素非线性关系；2)将测试照片输入到建立的非线性关系中，得到具有测试照片的特定身份信息的画像像素集合；3)将测试照片块和画像像素集合输入到基于贝叶斯理论的深度概率图模型中，得到人脸画像块；4)将人脸画像块进行拼接融合得到合成人脸画像。本发明与现有方法相比，合成的人脸画像在保留人脸的共同结构的同时捕捉到人脸特征，在定量和定性实验评估方面都取得了更好的结果，可用于数字娱乐。

主权项

1.一种基于深度概率图模型的人脸画像合成方法，其特征在于，包括如下：(1)构建人脸照片集合和人脸画像像素集合之间的映射关系：(1a)根据无向图形式的结构，用训练照片集合X学习画像像素集合Z的条件概率：其中，Ω为势函数，其由神经函数f_c和相邻函数g_c组成；设α_c和β_c分别是神经函数f_c和相邻函数g_c的参数，设θ_c是神经函数f_c中的权重向量；(1b)对于每个神经元c，建立第i个画像像素Z_i与训练照片集合X之间的映射关系，表示为神经函数f_c，即f_c(Z_i,X,θ_c)＝‑(Z_i‑h(θ_c,X_i))²；(1c)对于每个神经元c，建立第i个画像像素Z_i与第j个画像像素Z_j之间的相似关系，表示为相邻函数g_c，即g_c(Z_i,Z_j)＝‑S_i,j(Z_i‑Z_j)²；S_i,j是邻域度量，取值为：(1d)用多元高斯分布形式表示(1a)中的条件概率P(Z|X)：其中，μ是平均矩阵，2α^T/(1+exp(‑θX))是神经函数f_c对P(Z|X)的贡献值，α^T是对应于神经函数f_c的参数；Σ是协方差矩阵，其表示邻近函数g_c对P(Z|X)的贡献值；(1e)通过最大化(1d)中的P(Z|X)，估计其中参数α_c、β_c和θ_c的最优解，得到人脸照片集合X和人脸画像像素集合Z'之间的映射关系；(2)在将测试照片块集合X'放入(1)建立好的人脸照片和人脸画像像素集合之间的映射关系P(Z′|X′)中，获得具有特定身份信息的合成人脸画像像素集合Z'；(3)用测试人脸照片块集合X'和(2)中生成的人脸画像像素集合Z'的公共信息生成人脸画像块集合Y'：(3a)根据贝叶斯定理，Y'的后验概率表示为：其中P(Z′|X′)从(1)获得，P(X′)是归一化项，因此仅需要最大化联合概率P(Y′,Z′,X′)来最大化Y'的后验概率；(3b)用M个候选人脸画像块加权表示人脸画像块Y'：其中，ω_i是对应于人脸画像块Y_i的权重系数；(3c)人脸画像像素集合Z'组成初始人脸画像，对初始人脸画像进行分割，得到人脸画像块{z'₁,...,z'_M}；(3d)用权重系数集合{ω₁,...,ω_M}、人脸画像块集合{z'₁,...,z'_M}和人脸照片块集合X'＝{x'₁,...,x'_M}将联合概率P(Y′,Z′,X′)表示为：P(ω₁,...,ω_M,z′₁,...,z′_M,x′₁,...,x′_M)，(3e)将联合概率转化为三个变量乘积的形式：(3f)将(3e)中三变量的乘积进行转化为误差函数，最小化误差函数求得使Y'后验概率最大化的权重矩阵；(4)将(3)中生成的人脸画像块进行拼接融合，得到合成的人脸画像。