[发明专利]一种基于生成对抗网络的多姿态行人图像合成算法

说明书

本发明公开了一种基于生成对抗网络的多姿态行人图像合成算法，包括以下步骤：S1：通过行人重识别任务数据集Market‑1501中获取训练数据集和测试数据集；S2：根据预设方法通过训练数据集构建生成对抗网络模型；S3：采用预设方法向生成对抗网络模型输入中加入姿态信息潜码；S4：基于姿态信息潜码构建生成对抗网络模型的目标函数，并利用带有目标函数的生成对抗网络模型合成多姿态的行人图像；S5：根据合成的多姿态行人图像进行实验结果分析。有益效果：本发明有效地缩小了生成器的解空间，使得生成对抗网络训练更加平稳，从而可以生成高质量的多姿态行人图片。

技术领域

本发明涉及图像合成算法技术领域，具体来说，涉及一种基于生成对抗网络的多姿态行人图像合成算法。

背景技术

在计算机视觉领域中，可以生成看上去更为现实、自然的图片的算法变得越来越受欢迎，这得益于现实生活中对于高质量合成图像的需求变得越来越高。而人物姿态迁移又是一个在该领域中非常活跃的主题。随着深度神经网络在计算机视觉中的广泛应用，近几年来，各种新颖的生成式网络结构，例如变分自编码网络和生成对抗网络在图像生成领域都取得了一定的成就。

然而，目前大多数基于条件信息的生成对抗网络(condition GAN)更多的将精力集中于潜码的表达或者图像质量上，而忽略了行人个体信息的保留以及个体之间特征的差异性。对于Wasserstein等人提出的基于生成对抗网络的特性，其存在以下缺点：生成器远远比判别器难训练到收敛，因此判别器很容易早于生成器收敛，从而出现过于强大的判别器，导致生成器与判别器之间的对抗训练与学习无从进行，并抑制生成器对特征空间的学习和模仿。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：保证个体信息尽可能的保留、生成图片低层、高层信息真实图片尽可能的一致，以及缓和生成器与判别器之间的对抗训练，避免两者之间提前收敛，使得训练尽可能的稳定。

为解决上述技术问题，本发明采用如下技术方案：一种基于生成对抗网络的多姿态行人图像合成算法，包括以下步骤：

S1：通过行人重识别任务数据集Market-1501中获取训练数据集和测试数据集；

S2：根据预设方法通过所述训练数据集构建生成对抗网络模型；

S3：采用预设方法向所述生成对抗网络模型输入中加入姿态信息潜码；

S4：基于所述姿态信息潜码构建所述生成对抗网络模型的目标函数，并利用带有所述目标函数的生成对抗网络模型合成多姿态的行人图像；

S5：根据合成的所述多姿态行人图像进行实验结果分析。

进一步的，所述S2中根据预设方法通过所述训练数据集构建生成对抗网络模型具体包括以下步骤：

S21：生成器的构建，通过预设方法构建所述生成器；

其中，所述S21中通过预设方法构建所述生成器具体包括以下步骤：

S211：通过三层卷积核和一条跳跃连接构成残差模块，并设定m为所述残差模块的输入；

S212：编码器通过三层卷积在瓶颈处生成特征向量F(m)，并设定m+F(m)为所述残差模块的输出；

S213：在解码器的中间层抽取特征，并通过一个卷积层输出原图四分之一的图片；

S22：分类器的构建，在所述生成器的瓶颈处，添加一个基于softmax多分类的卷积神经网络，将所述特征向量F(x)针对个体进行多分类；

S23：判别器的构建，设计两组判别器，分别用于对所述残差模块输出和所述原图四分之一大小图片的判断。