[发明专利]一种基于生成对抗网络的像素级人像抠图方法

权利要求书

1.一种基于生成对抗网络的像素级人像抠图方法，针对含有人像的真实图像，通过人工标注的方式得到真实人像与背景分离的标注图像，其特征在于，包括有如下步骤：

(1)预设网络：预先设置生成网络以及判别网络，将两个网络设置为对抗学习模式，所述生成网络以及判别网络的类型均为深度神经网络，其中，生成网络的深度神经网络为具有跳跃连接的深度神经网络，也简称为生成网络，所述具有跳跃连接的深度神经网络是用于构成生成网络的N个串接的编码器层与N个串接的解码器层之间的跳跃连接的梯度传递通路；

(2)生成分割图像：将含有人像的真实图像输入生成网络，输出人像与背景分离的分割图像，简称生成人景分割图像；

(3)计算损失函数值：将含有人像的真实图像和生成网络输出的生成人景分割图像作为第一图像对，含有人像的真实图像与标注图像作为第二图像对,分别输入判别网络，通过判别网络计算出假判别概率和真判别概率，利用判别网络的损失函数公式和生成网络的损失函数公式，得到判别网络的损失函数值和生成网络的损失函数值；

(4)更新网络参数：分别最小化判别网络的损失函数值和生成网络的损失函数值，利用深度神经网络后向传播算法，在生成网络的N个串接的解码器层中引入了随机失活机制，具体是在生成网络的每个解码器层最终输出之前随机抛掉失活参数，迭代更新生成网络和判别网络的各参数取值，完成生成网络和判别网络的训练；

(5)生成测试集人景分割图像：当生成网络训练完成后，完成训练后的生成网络接收待分割的含有人像的真实图像，在该网络中通过迭代计算，输出测试图像的生成人景分割图像；

(6)优化分割图像，完成人像抠图：将测试图像的生成人景分割图像概率化，得到测试图像的生成人景分割图像的人像概率矩阵和背景概率矩阵，将人像概率矩阵和背景概率矩阵作为条件随机场的输入，使用条件随机场对概率化后的测试图像的生成人景分割图像进行进一步细化，得到更加精确的人像与背景分离的图像，完成基于生成对抗网络的像素级人像抠图。

2.如权利要求1所述的基于生成对抗网络的像素级人像抠图方法，其特征在于，在步骤(3)和步骤(4)中提及的损失函数，其中，生成网络的损失函数越小，生成网络所输出的人像与背景分离的分割图像真实度越高，生成网络损失函数公式由两个损失通过两个系数进行加权得到，具体生成网络损失函数gen_loss，公式为：

gen_loss＝GAN_weight×GAN_loss+L1_weight×L1_loss

其中，GAN_weight表示的是对抗损失函数GAN_loss的权重，取值为0—50；L1_weight表示为生成网络输出的生成人景分割图像与标注图像的L1范数损失函数的权重，取值为0—100；GAN_loss为对抗损失函数，计算公式如下：

式中P_fake是含有人像的真实图像与生成网络输出的生成人景分割图像作为第二图像对产生的概率矩阵，判别网络认为生成网络输出图像为真的概率；EPS表示一个非常小的常数，范围为10^-13—10^-11；

L1范数损失L1_loss，描述了生成网络输出的生成人景分割图像与标注图像之间的差异程度，计算公式如下：

式中targets^ij表示的是标注图像，output^ij表示的是生成网络输出的生成人景分割图像。

3.如权利要求1所述的基于生成对抗网络的像素级人像抠图方法，其特征在于，在步骤(3)和步骤(4)中提及的损失函数，其中，判别网络的损失函数越小，所述判别网络输出的判别概率的准确度越高，其中判别网络损失函数disscrim_loss，公式为：

其中，EPS表示一个非常小的常数，范围为10^-13—10^-11；P_real是含有人像的真实图像与标注图像作为第二图像对产生的概率矩阵，判别网络认为标注图像为真的概率。

4.如权利要求1所述的基于生成对抗网络的像素级人像抠图方法，其特征在于，在步骤(6)中所述的使用条件随机场对概率化后的测试图像的生成人景分割图像进行进一步细化，是在将含有人像的真实图像输入生成网络以输出二分类语义分割处理后的人像与背景分离的分割图像之后，将测试图像的生成人景分割图像概率化，为条件随机场提供用于计算势函数的概率矩阵。