[发明专利]一种基于生成对抗网络的像素级人像抠图方法

摘要

本发明公开了一种基于生成对抗网络的像素级人像抠图方法，解决了机器抠图领域需要海量制作成本巨大的数据集训练优化网络的问题。本发明预先设置对抗学习模式的生成网络和判别网络，生成网络为具有跳跃连接的深度神经网络；将含有人像的真实图像输入生成网络输出人景分割图像；将第一和第二图像对分别输入到判别网络输出判别概率，确定生成网络和判别网络的损失函数；根据最小化两个网络损失函数值调整两个网络的配置参数，完成生成网络的训练；测试图像输入到训练完成后的生成网络以生成人景分割图像，将生成图像概率化，最后将概率矩阵送入条件随机场进一步优化。本发明批量性地减少了训练用图数量，提高了效率和分割精度。

主权项

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；(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，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。