[发明专利]基于循环生成对抗网络的彩色人脸图像光照域归一化的方法

权利要求书

1.基于循环生成对抗网络的彩色人脸图像光照域归一化的方法，其特征在于，包括以下步骤：

S1：建立用于彩色人脸图像光照归一化的循环生成对抗网络模型，该循环生成对抗网络模型包括生成网络和鉴别网络，所述生成网络通过构建生成器生成转换成指定光照域的人脸图片和人脸特征重构图片，所述鉴别网络通过构建鉴别器来鉴别光照域；具体为：

S11：构建生成网络，构建两个生成器G_A和G_B；其中，G_A生成器以多光照域集合A中的人脸图片A_real作为输入，生成与目标光照域B具有相同光照特征的图片A_fake，以G_B生成器生成的图片B_fake作为输入，生成与B_real具有相同光照特征与人脸特征的重构图片A_rec；G_B生成器以G_A生成器生成的图片A_fake作为输入，生成与A_real具有相同光照特征和人脸特征的重构图片B_rec，并且以光照域B之中的图像B_real作为输入生成与光照域集合A光照特征相同的图片B_fake；

S12：构建鉴别网络，构建两个鉴别器D_A和D_B，D_A鉴别器用以鉴别人脸光照域集合A中图片A_real与生成器G_B生成的图片B_fake的光照域类别；D_B鉴别器用以鉴别人脸光照域B中图片B_real与生成器G_A生成图片A_fake的光照域间类别，鉴别器用以鉴别光照域时候，均采用多尺度特征图来进行鉴别；

所述生成器G_A和生成器G_B具有相同的网络结构，其网络共有四个卷积层、六个残差模块和两个转置卷积层，其中第一个卷积层为输入层，两个用作下采样的卷积层与两个用做上采样的转置卷积层中间嵌入六个残差模块，保证输出图像与输入图像的大小一致；

S2：建立模型的损失函数，使生成对抗网络训练稳定，并且使得生成器在学习目标光照域光照信息时能够比较好保留输入图像的脸部特征；具体为：

S21：对于判别器D_A，其损失函数是对多光照域集合A中的人脸图片A_real和将光照域B之中的图像B_real输入G_B生成器生成的图像B_fake的光照域类别的鉴别损失，使用了多尺度特征图进行鉴别，当鉴别为真实时输出接近1，鉴别为假时输出接近0；

S22：对于判别器D_B，其损失函数是对目标光照域集合B中的人脸图片B_real和将集合A之中的图像A_real输入G_A生成器生成的图像A_fake的光照域类别的鉴别损失，使用了多尺度特征图进行鉴别，当鉴别为真实时输出接近1，鉴别为假时输出接近0；

S23：对于判别器G_A和G_B的损失函数，均结合了WGAN梯度惩罚策略，判别器G_A和G_B以最小化损失函数为优化目标；

S24：生成器的重构损失L_rec构建，结合三种距离衡量方法计算重构图像与原始图像之间的距离误差，分别为L₁范数误差，MS-SSIM误差，PSNR误差；

S25：生成器G_A的整体损失函数其结合了鉴别器D_B损失函数的相反数和对集合A之中的图像A_real与G_B生成器生成的重构图片B_rec的重构误差；

S26：生成器G_B的整体损失函数其结合了鉴别器D_A损失函数的相反数和对集合B之中的图像B_real与G_A生成器生成的重构图片A_rec的重构误差；

α₁为重构误差权重参数；

S26：生成器总的损失函数为：以最小化该损失函数同时优化更新生成器G_A和G_B的参数；

S3：进行模型的训练，将不同光照类别的图像分成不均匀光照域和目标均匀光照域，进行在生成对抗网络中循环训练，并在测试集上测试，并查看生成的人脸图像效果图。