Эскиз лица: D1 8d d1 81 d0 ba d0 b8 d0 b7 d0 bb d0 b8 d1 86 d0 b0 картинки, стоковые фото D1 8d d1 81 d0 ba d0 b8 d0 b7 d0 bb d0 b8 d1 86 d0 b0

Обзор предлагаемого нами метода, который состоит из трех основных моделей при обучении: генератор, генератор состоит из кодера и декодера, дискриминатор и классификатор атрибутов.Классификатор атрибутов лица обеспечивает желаемое манипулирование атрибутами лица на входном изображении. Генератор используется для сохранения деталей детализации входного изображения. Дискриминатор используется для визуально реалистичного поколения

Начиная с проекта сетевой архитектуры AttGAN, мы вносим некоторые важные изменения, чтобы улучшить качество реконструированного изображения и сгенерированного изображения с контролируемым атрибутом лица: (1) для достижения лучших реконструированных результатов, вектор a или b лицевых атрибутов вводится в начале сверточного слоя с понижающей дискретизацией (кодировщик), который отличается от AttGAN; (2) мы добавляем шесть остаточных блоков между кодером и декодером, чтобы лучше сохранить детализацию сгенерированного изображения.

Функция потерь

Наша предлагаемая сетевая архитектура в основном включает в себя три функции обучения потерям: потерю реконструкции изображения, состязательную потерю и потерю классификации атрибутов лица. Подробнее о них мы поговорим ниже.

x ^a обозначается как цветное изображение лица с атрибутами лица a = [ a 1, a 2, …, an ], соответствующее ему изображение эскиза лица обозначается как \ (\ overset {\ sim} {x} \), что дает изображение эскиза лица \ (\ overset {\ sim} {x} \) и желаемые атрибуты лица b = [ b 1, b 2,.…, млрд ]. Генератор G может синтезировать цветное изображение b с лицевым атрибутом x ^b .

Потеря реконструкции изображения

Целью обучения потерям реконструкции является сохранение лицевых атрибутов и других деталей во время реконструкции лицевого изображения. Следовательно, декодеру требуется функция потерь восстановления для восстановления входного изображения \ (\ overset {\ sim} {x} \) путем декодирования скрытого представления, обусловленного исходными атрибутами лица входного изображения a . {\ hat {b}} \) обусловлено как эскизом лица \ (\ overset {\ sim} {x} \), так и целевыми атрибутами лица b , в то время как сеть дискриминатора D пытается различить настоящие и сгенерированное изображение.

Потеря классификации атрибутов лица

Чтобы обучить классификатор атрибутов лица C правильно классифицировать теги атрибутов цветных изображений лица, мы определяем суммирование двоичных перекрестных потерь энтропии между атрибутом a _i и его лицом классификация атрибутов C _i .{\ hat {a}} \ right) \) указывает предсказание i -го атрибута. Минимизируя эту цель, C учится классифицировать необработанное изображение x ^a по соответствующим исходным атрибутам лица a .

Чтобы оптимизировать генератор для синтеза цветных изображений с целевым атрибутом лица, мы определяем сумму потерь двоичной кросс-энтропийной классификации для обучения G :

$$ {L} _ {\ mathrm {cl} {\ mathrm {s}} _ g} = {\ sum} _ {i = 1} ^ n- {b} _i \ log {C} _i \ left ( {x} ^ b \ right) — \ left (1- {b} _i \ right) \ log \ left (1- {C} _i \ left ({x} ^ b \ right) \ right) $$

(6)

здесь \ ({x} ^ {\ hat {b}} = G \ left (\ overset {\ sim} {x}, b \ right) \), C _i ( x ^b ) указывает прогноз i -го атрибута лица для цветного изображения лица x ^b . Минимизируя эту цель, генератор G учится генерировать x ^b с желаемыми атрибутами лица b .

Чтобы прояснить ситуацию, ниже перечислены конечные целевые функции для оптимизации сетей G , D и C :

$$ {L} _G = {L} _ {\ mathrm {rec}} + {\ lambda} _ {\ mathrm {ad} \ mathrm {v}} {L} _ {\ mathrm {ad} {\ mathrm {v}} _ g} + {\ lambda} _g {L} _ {\ mathrm {cl} {\ mathrm {s}} _ g} $$

(7)

$$ {L} _D = {L} _ {\ mathrm {ad} {\ mathrm {v}} _ d} $$

(8)

$$ {L} _C = {\ mathrm {L}} _ {\ mathrm {cl} {\ mathrm {s}} _ c} $$

(9) Здесь

, λ _adv и λ _г — это веса, определяющие важность различных потерь для сети генератора.

Функция тестирования

Для обучения нашей сетевой модели нам необходимо определить функции тестирования для проверки ее производительности. Генератор-кодер G _{, кодирующий} применяется для кодирования эскиза лица \ (\ overset {\ sim} {x} \) в скрытое представление z , обозначенное уравнением. (10):

$$ z = {G} _ {\ mathrm {encode}} \ left (\ overset {\ sim} {x} \ right) $$

(10)

, затем генератор декодер G _decode реализуется для достижения процесса изменения лицевых атрибутов скетча \ (\ overset {\ sim} {x} \) на другие лицевые атрибуты b путем декодирования z при условии b , обозначенного как ур.b = {G} _ {\ mathrm {decode}} \ left ({G} _ {\ mathrm {encode}} \ left (\ overset {\ sim} {x} \ right), b \ right) $$

(12)

Как нарисовать женское лицо

В этом уроке рисования мы покажем вам , как нарисовать женское лицо . Мы постараемся рассказать вам обо всех нюансах рисования женского лица.

Как мы неоднократно говорили в наших предыдущих статьях, все человеческие лица нарисованы примерно одинаково. Разница в деталях.

Внешность человека складывается из деталей, и именно благодаря некоторым чертам мы отличаем одних людей от других. И несомненно, природа сделала так, что женское лицо и мужское лицо имеют свои особенности. В этом уроке рисования женского лица мы подробно рассмотрим эти характеристики и нюансы.

Итак, приступим к уроку, как нарисовать женское лицо.

Шаг 1

Чтобы нарисовать женское лицо, и не ошибиться в пропорциях, сначала нужно очертить основные формы.Голова человека — это в основном перевернутое яйцо. Нарисуйте эту геометрическую фигуру, используя едва заметные линии.

Чтобы проверить пропорциональность рисунка, вы можете время от времени смотреть на него в зеркало. Зеркальное отражение вашего рисунка женского лица покажет вам сразу все ошибки.

Шаг 2

Теперь нарисуйте вертикальную линию, проходящую точно через центр лица. Эта линия поможет нам не ошибиться в пропорциях лица.Теперь нарисуйте горизонтальную линию для глаз.

Обозначьте на этой линии границы глаз. Их ширина примерно равна расстоянию между ними. Примерно посередине между линией глаз и подбородком нарисуйте линию носа. Чуть ниже нарисуйте линию рта.

Шаг 3

Теперь приступим к детализации рисунка женского лица. Начните с глаз, аккуратно рисуя их, следуя инструкциям, приведенным выше. Рисуя глаза, обязательно наметьте слезные карункулы.Это придаст рисунку женского лица большей реалистичности и убедительности.

Шаг 4

Теперь внимательно нарисуйте внутренние линии нижних век. Не забывайте, что веки имеют толщину, и, показывая эту толщину на своем рисунке, вы придаете ему более естественный вид. Чуть выше глаз нарисуйте складки. Это видимые очертания глазниц.

Шаг 5

А теперь пора нарисовать зрачки и радужную оболочку глаз.Начните с наброска контуров радужной оболочки глаза. Верхняя часть радужки должна быть слегка прикрыта верхними веками. Далее нарисуйте зрачки точно по центру радужек. Ирисы, как и зрачки, должны быть идеально круглыми.

Шаг 6

Темными линиями нарисуйте верхние ресницы. Не рисуйте нижние ресницы. Они слишком маленькие и легкие, почти незаметны на лице. Нарисуйте брови чуть выше глаз. Согласно традиции рисования, когда художники рисуют женское лицо, они делают ресницы толще, а брови выше, чем когда они рисуют мужское лицо.

Шаг 7

Теперь, ориентируясь по нарисованной ранее линии, нарисуйте нос. Начните с кончика носа, затем плавно нарисуйте крылья и переносицу. Еще одно отличие в рисовании женского лица заключается в том, что женский нос рисуется немного меньше мужского.

Шаг 8

Нарисуйте губы. Прежде всего, нарисуйте центральную линию рта, используя ранее нарисованную направляющую. Теперь плавными линиями нарисуйте очертания верхней губы, а затем нижней.Еще одно различие в рисовании женского и мужского лица заключается в том, что женские губы обычно рисуются более пухлыми, чем мужские.

Шаг 9

Плавными линиями нарисуйте ушки. Верхние кончики ушей находятся на одном уровне с бровями, а нижние кончики на одном уровне с кончиком носа. Далее нарисуйте очертания челюсти. Чтобы проверить пропорциональность вашего рисунка женского лица, вы можете не только посмотреть на него в зеркало, но и отойти от него на небольшое расстояние.

Шаг 10

Нарисуйте контуры волос на голове.Используйте множество длинных линий, чтобы нарисовать текстуру волос. Обратите особое внимание на линию роста волос. В этом месте должно быть немного больше линий, чем на остальной части волос. Расстояние от линии роста волос до переносицы равно расстоянию от переносицы до кончика носа.

Шаг 11

Теперь сотрите все ненужные указания с вашего рисунка женского лица. Чтобы придать рисунку более объемный вид, сделайте детали, которые ближе к нам, немного более контрастными, чем те, что немного дальше от нас.Это придаст рисунку женского лица ощущение объема и реалистичности.

Шаг 12

Нарисуйте видимую часть пучка за головой. Добавьте больше светлых линий в направлении роста волос, чтобы создать реалистичную текстуру волос. Здесь вы можете добавить некоторые дополнительные детали, которых нет в нашем рисунке женского лица, например, серьги, родинки и т. Д.

Шаг 13

Чтобы рисунок женского лица был более живым и объемным, нужно прорисовать тени.Используя штриховку, начните рисовать тени от самых темных участков, постепенно переходя к более светлым. Не забудьте затемнить зрачки, оставив в них круглые блики. Это оживит взгляд.

Чтобы закрепить свои знания, полученные в этом уроке рисования женского лица, попробуйте несколько упражнений по рисованию.

Сначала попробуйте нарисовать похожее лицо, но с другими чертами. Попробуйте сделать девушку моложе или старше. Попробуйте нарисовать интересные детали на ее лице.

Затем попробуйте нарисовать женское лицо под немного другим углом и при немного другом освещении.

Все эти действия помогут не только закрепить ваши знания, полученные в этом уроке рисования женского лица, но также позволят рисовать более разнообразные лица, не привязанные к нашему примеру.

наконец! Рисование черт лица стало простым

До сих пор в этой серии уроков по рисованию черт лица вы создали сферу, а затем разделили ее, чтобы обозначить линию волос, линию бровей, линию носа и линию челюсти.

Теперь, когда вы определили эти основные маркеры, вы собираетесь разместить отдельные черты лица и действительно начнете детализировать лицо.

Рисование черт лица: размещение уха

Ухо находится под небольшим углом, и вы должны начать рисовать его сразу за средней точкой, где пересекаются поперечная линия и линия надбровных дуг на стороне лица.

На этом изображении показан только вид сбоку, но на видео вы можете увидеть все разные виды с помещенным на них ухом.

Рисование линии глаз и размещение глаз

В следующей части этого урока по рисованию черт лица нарисуйте линию, разделяющую всю высоту головы прямо от макушки до подбородка, чтобы получить линию глаз.

Эта линия пройдет примерно через середину глаз, когда вы добавите их ниже.

Когда у вас есть линия глаз, вы захотите разделить ее, чтобы получить расположение глаз. У этого гида ширина головы составляет примерно четыре глаза.

Расстояние между двумя глазами составляет одну ширину глаза, а на внешней стороне каждого глаза — половину ширины глаза.

Один из способов получить ширину глаза — взять линию глаза на правой или левой стороне лица и разделить ее на четыре части равной ширины.

Две средние части будут соответствовать ширине глаза.

Рисование глазниц

Другой альтернативой размещению глаз является размещение глазниц, как вы узнали из серии видео о том, как рисовать глаза. Глазницы больше глаз и доходят до линии бровей.

Если сначала нарисовать глазницы, это поможет вам узнать о лежащей в основе костной структуре, что очень полезно для затенения глаз и уточнения расположения и формы бровей.

Рисование пропорций носа

Ширина носа у мужчины (показанного выше) примерно равна ширине глаза. Вы можете легко получить эту ширину, проведя направляющую линию вниз от внутреннего угла каждого глаза.

Когда вы рисуете женский нос, помните, что он должен быть немного меньше стандартного мужского носа.

На следующем и последнем уроке этой серии рисования черт лица вы разместите рот, брови, а также добавите линию роста волос.

Вернуться на страницу уроков по рисованию пропорций лица

Face Drawing — Как нарисовать лицо шаг за шагом!

Человеческое лицо — это то, что мы видим каждый день, и наше собственное лицо, вероятно, первое, что мы видим каждое утро!

Даже при таком постоянном контакте с множеством лиц в течение дня, может быть на удивление сложно нарисовать человеческое лицо, когда вы пытаетесь это сделать.

Однако, как и любую сложную задачу, ее намного проще, если разбить ее на управляемые шаги.Как только вы изучите эти шаги, это может быть очень просто!

По этой причине мы создали это пошаговое руководство о том, как нарисовать лицо за 6 простых шагов, чтобы помочь вам научиться справляться с этой задачей рисования!

Как нарисовать лицо — приступим!

Шаг 1

Когда вы учитесь рисовать лицо, лучшее, что вы можете сделать для начала, — это нарисовать несколько простых фигур, которые будут направлять вас.

Для начала следует нарисовать карандашом кружок. Вы можете попробовать сделать это от руки, но если вам нужен идеальный круг, вы можете использовать инструмент для рисования, например, циркуль.

Можно также обвести вокруг чего-нибудь круглого, например, шляпки клея-карандаша.

Когда у вас получится круг, просто карандашом проведите линию посередине. Чем ближе вы попадете к точному центру, тем лучше!

Линия должна немного выходить за верхнюю часть круга и примерно такой же длины, как и окружность под ней. Вы можете использовать изображение, которое мы предоставили в качестве руководства!

Шаг 2 — Проведите еще несколько направляющих линий

На этом втором шаге мы добавим еще несколько направляющих линий к плану нашего рисования лица.

Мы добавим карандашом пять вертикальных линий, и все они должны быть одинаковой длины, поэтому использование линейки будет идеальным для этого шага.

Вы можете использовать эталонное изображение, которое мы предоставили, чтобы сказать, как далеко они должны быть разнесены друг от друга, так как интервал будет важен, когда мы начнем добавлять больше деталей лица.

Шаг 3 — Далее нарисуйте глаза и челюсть

Используя линии, которые мы нарисовали карандашом, мы можем приступить к рисованию лица. Сначала нарисуйте слегка изогнутую линию снизу круга прямо под третьей линией вниз.

Он должен изгибаться вниз и пересекаться на центральной вертикальной и последней горизонтальной линиях. Затем нарисуйте такую ​​же линию с другой стороны, чтобы закончить челюсть.

Не стесняйтесь сверяться с эталонным изображением столько, сколько вам нужно! Вы можете использовать ручку или более темный карандаш для этого и каждого следующего шага, так как эти детали будут на окончательном рисунке.

Затем вы можете нарисовать глаза прямо под третьей линией и надеть брови. Если вы боретесь с рисованием глаз, вы могли бы использовать другой урок рисования или использовать фотографию глаз под этим углом в качестве ориентира.

Шаг 4 — Теперь нарисуйте детали лица

На шаге 4 обучения рисованию лица вы начнете добавлять больше деталей лица.

Вы можете нарисовать уши, нос и рот и расположить их на направляющих линиях, как показано на контрольном изображении.

Еще раз, вы можете использовать фотографии этих деталей лица, если вам нужно больше ссылок для их рисования!

Когда у вас есть эти детали, используйте две изогнутые линии, идущие от верхней части ушей и встречающиеся вверху, как вы можете видеть на картинке.

Как только вы будете довольны этими деталями, вы можете стереть карандашные направляющие линии и обвести. Если вы используете ручку для лица, дайте чернилам высохнуть, прежде чем стирать карандаш!

Шаг 5 — Далее вы добавите линию роста волос и шею

Чтобы закончить это руководство по рисованию лица, мы добавим последние детали вашего рисунка лица.

Просто добавьте линию роста волос, как вы видите на эталонном изображении, с несколькими волнистыми линиями. Наконец, добавьте две слегка изогнутые в нижней части челюсти для шеи.

И вот на этих последних деталях рисунок вашего лица готов! Используя пространственные направляющие линии и окружность из первых нескольких шагов, вы можете изменить детали, чтобы сделать это на лице любого!

Вы можете использовать фотографию своего лица или члена семьи, чтобы сделать это лицо похожим на настоящего человека, используя шаги, которые вы узнали в этом руководстве.

Шаг 6 — Завершите это каким-нибудь цветом

Когда это будет завершено, все, что останется, — это раскраска! Вы можете использовать некоторые действительно забавные художественные средства, такие как акриловые краски, акварель или цветные ручки, чтобы придать вашим рисункам лица удивительные цвета.

На этом этапе вы действительно должны дать волю своему творчеству. Вы можете использовать реалистичные цвета лица или свои любимые яркие цвета, чтобы лицо выглядело красочно и стилистически.

Когда вы добавили цвета, ваш рисунок лица закончен, и теперь вы научились рисовать лицо!

Ваш рисунок лица готов!

Мы очень надеемся, что это руководство, которое мы создали, о том, как рисовать лицо, было забавным и полезным для вас, когда вы научились рисовать лица.

Ключ к рисованию лица — узнать о расстоянии между каждой чертой лица, и если вы выполните шаги, описанные в этом руководстве, вы узнаете это в кратчайшие сроки!

Не забывайте, что лицо, которое мы нарисовали в этом руководстве, является всего лишь примером, но вы можете использовать те же шаги и направляющие формы, чтобы нарисовать любое лицо, которое вам нравится.

Использование фронтальной фотографии действительно может помочь, если вы собираетесь попробовать это. Вы можете получить больше удовольствия, используя различные художественные инструменты, средства и цветовые вариации для потрясающих рисунков лиц!

Мы собираемся выпустить много забавных и информативных руководств по рисованию в будущем, так что не забывайте заходить почаще, чтобы получить более интересные уроки рисования!

Наконец, как только вы нарисуете несколько удивительных лиц, мы надеемся, что вы поделитесь своими работами на наших страницах в Facebook и Pinterest, чтобы мы могли ими восхищаться.

Мы всегда рады видеть ваше художественное творчество и с нетерпением ждем ваших рисунков лиц!

Перенос глубокого изучения функций для распознавания эскизов лиц

2.

Ван Н., Гао X, Сан Дж., Ли Дж. (2017) Индекс привязанной окрестности для синтеза эскиза лица.IEEE Trans Circuits Syst Video Technol 28: 2154–2163

Статья Google Scholar

24.

Huo J, Gao Y, Shi Y, Wang Y, Yin H (2018) Гетерогенное распознавание лиц с помощью кросс-модального метрического обучения на основе маржи. IEEE Trans Cybern 48: 1814–1826

Статья Google Scholar

33.

King DE (2009) Dlib-ml: набор инструментов для машинного обучения.J Mach Learn Res 10: 1755–1758

Google Scholar

38.

Ян С., Ло П, Лой С.К., Тан Х (2015) От реакции частей лица до обнаружения лиц: подход глубокого обучения. В: Международная конференция IEEE по компьютерному зрению, стр. 3676–3684

Простая структура для синтеза фото-эскизов лица

В этой статье предлагается простая структура для синтеза фото-эскизов лица. Сначала мы описываем детали теней на лицах и выделяем характерные черты лица путем двухуровневой декомпозиции с использованием двусторонней фильтрации. Затем мы улучшаем волосы и некоторые невидимые участки лица, комбинируя карту краев и карту сходства цвета волос.Наконец, мы получаем эскиз фотографии лица, складывая результаты двух процессов. По сравнению с существующими методами, предлагаемая структура не требует локализации признаков, процесса обучения или итераций, создания ярких волос при синтезе эскизов и обработки произвольных условий освещения входных изображений, особенно для сложных самозатененных изображений. И что еще более важно, его можно легко расширить до естественной сцены. Эффективность представленного фреймворка оценивается на множестве баз данных.

1.Введение

Набросок лиц — это простое, но выразительное изображение лиц. Он представляет собой краткий набросок лица, который фиксирует наиболее важную информацию о восприятии с помощью ряда штрихов [1]. У него есть полезные приложения как для цифровых развлечений, так и для правоохранительных органов.

В последние годы были представлены два вида репрезентативных методов компьютерного рисования лиц: (1) рисование линий [1–5] и (2) основанное на преобразовании собственных значений [6, 7]. Методы, основанные на рисовании линий, выразительны для передачи информации о трехмерном затенении за счет потери текстуры эскиза.Эффективность этих подходов во многом зависит от алгоритмов извлечения форм и анализа черт лица, таких как активная модель внешнего вида [5]. Другие методы рисования линий используют композиционное и / или графическое представление [8, 9] или прямую комбинированную модель [10] для создания мультфильмов с фотографиями лиц. Подходы, основанные на собственных преобразованиях, используют сложные математические модели для синтеза эскизов лиц, такие как PCA, LDA, E-HMM и MRF. Gao et al. [6] используют встроенную скрытую марковскую модель и стратегию выборочного ансамбля для синтеза зарисовок из фотографий.Однако область волос исключена в методах на основе PCA / LDA / E-HMM [11]. Ван и Танг [2] используют многомасштабную модель марковских случайных полей (MRF), чтобы синтезировать фото-эскиз лица и распознать его. Область лица сначала делится на перекрывающиеся участки для обучения, и размер участков определяет масштаб локальных структур лица, которые необходимо изучить. Затем из обучающего набора изучается совместная модель фото-эскиза в нескольких масштабах с использованием многомасштабной модели MRF. Этот метод требует моделирования формы и текстуры лица и может предоставить больше информации о текстуре.Однако существующие подходы имеют три недостатка: (1) как рисование линий, так и методы, основанные на преобразовании собственных значений, требуют сложных вычислений; (2) набросок человеческого лица излишне преувеличен, на котором черты лица изображены с искажениями; (3) большинство существующих методов могут только рисовать человеческое лицо, но не применимы к естественным изображениям сцены.

В этой статье мы представляем новый и простой фреймворк для синтеза фото-скетчей лица. Волосы синтезируются с использованием двухуровневого разложения и карты цветового сходства.Предлагаемая структура очень проста, без каких-либо итераций или извлечения черт лица. В частности, предложенный метод может быть легко применен к естественной сцене для зарисовки.

Схематический обзор нашей структуры показан на рисунке 1. Во-первых, для входного изображения лица используется двухуровневая декомпозиция изображения с помощью двусторонней фильтрации для описания текстуры затенения и формы заметного элемента, в то время как карта цветового сходства — создание волос на основе может генерировать текстуру волос и неявные черты лица.Затем карта краев вычисляется детектором краев из карты сходства цвета кожи. В результате волосы, глаза и, следовательно, области рта улучшаются путем умножения карты краев и карты сходства цвета волос. Наконец, эскиз фотографии лица синтезируется путем объединения результатов двух предыдущих процессов с использованием операции сложения.

2. Двусторонний фильтр

2.1. Двусторонний фильтр

Двусторонний фильтр — это фильтр, сохраняющий края, разработанный Томази и Мандучи [12].Это нормализованная свертка, в которой взвешивание для каждого пикселя определяется пространственным расстоянием от центрального пикселя , , а также его относительной разницей в интенсивности. Пространственные весовые функции и весовые функции интенсивности и обычно являются гауссовыми [13, 14]. Пространственное ядро ​​увеличивает вес пикселей, которые пространственно близки, а вес в области интенсивности уменьшает вес пикселей с большими различиями в интенсивности. Таким образом, двусторонний фильтр эффективно размывает изображение, сохраняя при этом резкие края.Для входного изображения, выходного изображения , и соседнего с ним окна двусторонняя фильтрация определяется следующим образом: где и — размер пространственного ядра и ядра диапазона, соответствующие функциям Гаусса и. При увеличении более крупные детали изображения будут сглажены; при увеличении двусторонний фильтр станет ближе к размытию по Гауссу.

2.2. Обнаружение деталей лица с помощью двухуровневой декомпозиции изображения

Мультимасштабная декомпозиция изображения (или многомасштабная ретинекс, MSR) разработана Джобсоном и др.[15–17], в попытке преодолеть разрыв между изображениями и человеческим наблюдением за сценами. Он широко используется при рендеринге изображений HDR для воспроизведения цвета и уменьшения контрастности [18, 19], улучшения цвета и обработки постоянства цвета. При воспроизведении HDR-изображения наименьший масштаб сильно влияет на детализацию и сжатие динамического диапазона, но слабый на тональную и цветовую передачу. Обратное верно для самого большого пространственного масштаба. Multiscale retinex объединяет сильные стороны каждой шкалы и смягчает слабые стороны каждой [15].

Дюран и Дорси [19] используют только двухуровневую декомпозицию для разложения входного изображения на «базовое» и «детальное» изображение. Базовый слой имеет пониженный контраст и содержит только крупномасштабные вариации интенсивности, что достигается двусторонней фильтрацией. Слой деталей — это разделение входной интенсивности на базовый слой, при этом величина не изменяется, таким образом сохраняются детали.

Затем мы опишем, как двухуровневую декомпозицию можно использовать для условий освещения и обнаружения деталей лица при синтезе фото-эскиза лица.В соответствии с разложением изображения мы можем получить подробное изображение, вычтя базовый слой из входного изображения. Детальное изображение может сохранять важные детали входного изображения, такие как края, текстура и тени, в зависимости от степени сглаживания. Теоретически входное изображение сглаживается сильнее; детали будут сохранены больше. Рисунки 2 и 3 иллюстрируют это явление.

С другой стороны, черты лица и детали теней очень важны для фото эскиза лица.Разница между эскизами и фотографиями в основном заключается в двух аспектах: фактуре и форме, которые художник часто преувеличивает в эскизе. Текстура содержит текстуру волос и текстуру тени [2]. В этой статье мы добиваемся хороших эффектов затенения рядом с интересующими элементами из детальных изображений с помощью двухуровневой декомпозиции изображения, предложенной Дюраном и Дорси [19]. Форма очевидных черт лица также получается из детальных изображений.

Двухуровневое разложение выполняется на журналах интенсивности пикселей с использованием кусочно-линейной двусторонней фильтрации и субдискретизации.С одной стороны, использование журналов интенсивности связано с тем, что изображение можно рассматривать как продукт отражения и составляющей освещения. Таким образом, разложение можно рассматривать как изображение, разделенное на внутренние слои отражательной способности и освещения [20–22], в то время как базовый слой соответствует компоненту освещения, а детализация соответствует коэффициенту отражения [23]. Следовательно, мы можем получить черту лица из слоя деталей из-за явной разницы в отражательной способности черт лица и области кожи.Фактически, человеческое зрение в большей степени чувствительно к отражательной способности, чем к условиям освещения. Более того, функция логарифма гораздо лучше справляется с низкой интенсивностью пикселей, чем пиксели с высокой интенсивностью, из-за ее функционального характера. С другой стороны, кусочно-двусторонняя линейная фильтрация в области интенсивности и субдискретизация в пространственной области могут эффективно ускорить двустороннюю фильтрацию.

Как описано в (2.1), когда масштаб пространственного ядра или / и масштаб области интенсивности увеличивается, входное изображение будет более сглаженным.Хотя масштаб пространственного ядра мало влияет на результат, он играет важную роль в обнаружении черт лица. Можно сделать несколько выводов. (1) Для того же малого масштаба области интенсивности увеличение масштаба пространственной области приведет к сглаживанию большего количества пикселей по краям лицевого элемента, в то время как это приведет к более тяжелой тени в слое деталей без изменения краев. Результаты показаны на рисунке 2 с использованием различных пространственных масштабов. (2) Для того же масштаба пространственной области увеличение масштаба области интенсивности будет непосредственно сглаживать входное изображение больше, чем (1), потому что большая шкала интенсивности будет сглаживать больше пикселей по краям [24, 25]. На рисунке 3 показаны различные результаты с изменением шкалы интенсивности.

Дальнейшие исследования демонстрируют, что черты лица, такие как волосы, брови, глаза, рот и нос, которые имеют более низкую интенсивность, чем кожа, могут быть получены детализированным изображением путем двухуровневого разложения с использованием кусочно-двусторонней фильтрации. С малым масштабом в области интенсивности и большим масштабом в пространственной области мы можем получить больше откликов компонентов отражения в области с низким контрастом, таких как тень возле носа и подбородка, как показано на рисунке 2.При использовании малого масштаба в пространственной области и большего масштаба области интенсивности пиксель с меньшей интенсивностью в областях небольшой площади может отображаться в детальном изображении, включая глаза и брови, как показано на рисунке 3. Когда установлены масштабы как в области интенсивности, так и в пространственной области. чтобы быть наибольшими значениями, мы можем получить область с наименьшей интенсивностью, такую ​​как черные волосы, как показано на рисунке 4. Однако заметно, что это работает только для темных волос с плавным цветом. Чтобы создать хорошие волосы любого цвета, мы предлагаем новый метод в Разделе 3.Кроме того, из-за выделения на ротовой полости некоторых людей, особенно если их цвет и интенсивность аналогичны цвету и интенсивности кожи на человеческом лице, на этом этапе удаление рта не производится, а неявное извлечение рта рассматривается в Разделе 3.

В этой статье мы определяем двухуровневую декомпозицию входного изображения следующим образом [16]: — это й компонент цвета выходного MSR, — количество шкал, — весовой коэффициент для й шкалы, — изображение распределения в th цветной полосе, «» обозначает операцию свертки и является весовой функцией в th двусторонней фильтрации, то есть определяется как, Таким образом, базовое изображение является результатом двусторонней фильтрации, а подробное изображение — В заключение, для обеспечения скорости и эффекта, мы задаем относительный масштаб в двухуровневой декомпозиции следующим образом. (1) Для создания теней около черт лица для шкалы малой интенсивности установлено постоянное значение 0,05 ~ 0,08, а для соответствующего пространственного масштаба установлено постоянное значение 5% от размера столбца изображения. (2) Для создания четких черт лица, включая глаза, брови и иногда рот, для большой шкалы интенсивности установлено постоянное значение 0,35, а для пространственной шкалы установлено постоянное значение 2% от размера столбца изображения. . Экспериментальные результаты демонстрируют, что указанные выше значения фиксированной шкалы стабильно хорошо работают для всех изображений наших лиц.Результаты и процесс анализа показаны на Рисунке 5.

3. Создание волос и черт лица

3.1. Карта цветового сходства

В этом разделе мы обсуждаем две проблемы: (1) вычисление карты цветового сходства для входного изображения, которая используется для выбора области кожи и области волос отдельно, и (2) создание волос и невидимых черт лица.

Для определения области цвета кожи мы предлагаем метод классификации кожи / волос на основе сходства цвета. Функция измерения сходства по Гауссу определяется для сравнения сходства между двумя цветами.Свертка по Гауссу действует непосредственно для каждого пикселя изображения таким же образом, что позволяет добиться сходства всех пикселей с конкретным цветом кожи с помощью концепции цветового различия для его вычисления. Если разница между цветом текущего пикселя и конкретным цветом больше, вероятность появления этого пикселя кожи / волос ниже. Пусть обозначает гауссовские маски, и представляет собой указанный цвет (известный цвет), сходство цветов, функция может быть определена как цвет пикселя в цветовом пространстве CIE Lab, а также разница в цвете между заданным цветом и пикселем во входном изображении. , значение которого определяется уравнением разности цветов CIELAB.- порог цветового различия, который определяет, принадлежит ли текущий пиксель к тому же типу, что и известный цвет. Как правило, мы сохраняем постоянным значение 30.

Чтобы точно вычислить сходство любого цвета с указанным цветом, первым шагом является подтверждение эталонного цвета. Его можно установить двумя способами: задаваемым при взаимодействии с пользователем, или программа автоматически выдает средний цвет в качестве эталона, используя известный цвет для выбора определенного процента наиболее похожих пикселей.Временная сложность этого метода подтверждения цвета кожи ниже, чем у любого алгоритма, основанного на обнаружении лиц. Следовательно, карту сходства волос и карту сходства кожи можно получить с помощью различных эталонных цветов.

3.2. Волосы и невидимые черты лица Создание

После вычисления сходства цвета кожи мы можем получить карту цветового сходства, как показано на рисунке 6. Поскольку цвет и интенсивность кожи распределяются равномерно, градиент очень мал в области кожи, в то время как градиент большой в области волос из-за нерегулярного цвета волос.На карте сходства цвета волос значение области волос является наибольшим. Тогда изображение продукта карты сходства градиентного цвета кожи и негатив карты сходства цвета волос усилит область волос путем минимизации значения волос.

Улучшение области волос реализуется путем умножения карты краев градиента сходства цвета кожи и карты сходства цвета волос, что предлагается в разделе 3.1. Поскольку области черт лица, такие как области носа и рта, имеют очевидную разницу в цвете, они также будут улучшены за счет умножения.С другой стороны, цвет глаз и бровей либо похож на цвет волос, либо отличается от цвета кожи. Оба случая будут улучшены с помощью вышеуказанной операции. На рисунке 6 показан процесс создания волос и черт лица. Предлагаемый метод позволяет извлекать волосы хорошей текстуры при различных условиях освещения. Примечательно, что метод создания волос может быть применен к другим сценам, например, к абстракции изображения, созданию мультфильмов и ношению парика, в которых требуется область волос.

4. Результаты экспериментов

Мы протестировали двухуровневую структуру синтеза скетчей лица на основе декомпозиции в базе данных фото скетчей лиц CUHK, которая содержит всего 606 лиц. Размер всех входных изображений составляет 1024 × 768 пикселей. В среднем для неотрезанного изображения лица студента CUHK одно разложение входного изображения для компонента RGB заняло около 15,5 секунд (24 с с большим пространственным масштабом и 6,9 с с малым пространственным масштабом) с использованием двухуровневого разложения изображения на основе кусочно-двусторонней фильтрации.А время на создание волос и неявных признаков на основе вычисления цветового сходства заняло около 3 секунд. Таким образом, общее время синтеза составляет менее 35 секунд. Фактически, если декомпозиция предназначена для серого изображения, соответствующее потребление времени будет снижено примерно до 30 процентов. Все описанные выше эксперименты были выполнены на компьютере с 2.66 G памяти. Если реализовано на обрезанном изображении CUHK (URL: http://mmlab.ie.cuhk.edu.hk/facesketch.html), размер которого равен, временные затраты составляют 2,4 секунды для двухуровневой декомпозиции и 0.45 секунд на создание волос и незаметных черт. Сравнение скорости показано в таблице 1. На рисунке 7 показаны экспериментальные результаты для изображений, обрезанных CUHK.

Метод Ван и Тан [2] Zhang et al. [3] Предлагаемое Скорость > 3 минуты > 2 минуты <35 с

1 90.Расширенные приложения

5.1. Набросок естественной сцены и выделение линий

Предложенный нами метод может быть применен к эскизу естественной сцены и выделению линий с небольшими изменениями. Модифицированная структура показана на рисунке 8. Хотя детализация иллюстрируется двухуровневой двусторонней фильтрацией, которая аналогична предлагаемой структуре, усиленная фильтрация [29] на рисунке 8 используется для усиления светлых участков и теней на изображении. Детектор Собеля может выделить четкие края.Затраты на вычисление высокоэффективной фильтрации и детектора Собеля невелики, поэтому набросок естественной сцены выполняется очень быстро.

При умножении края Собеля на два слоя деталей мы можем получить начальный набросок естественной сцены, который выглядит как линия, как показано на Рисунке 9 (b). Затем мы можем извлечь линии, используя Разность Гаусса (DoG). Без вычисления сходства человеческой кожи и извлечения человеческих волос процесс рисования линий ускоряется. Результаты показаны на Рисунке 9.Наш метод хорошо работает с толстыми тонкими краями входных изображений. Хотя метод Канга изображает края гладкими и когерентными линиями [26, 27], его скорость очень мала из-за LIC. Кроме того, трудно обнаружить плотные края в некоторых областях, например, края здания на втором изображении. С другой стороны, оператор DoG на входном изображении не справляется с краями в тенях и деталях.

Наш подход к выделению линий занимает менее 0,7 секунды, чтобы изображение синтезировало эскиз. Мы реализуем наш метод с помощью MATLAB и запускаем коды на компьютере с процессором 2,20 ГГц. Сравнение скорости показано в таблице 2.

Если мы хотим получить лучший набросок любых входных изображений, предпочтительна усиленная фильтрация.Наш подход хорошо работает с любыми видами изображений, такими как природные пейзажи на открытом воздухе, животные, растения, здания и человеческие лица. Некоторые результаты эскиза показаны на рисунке 10. На рисунке 11 показаны результаты эскиза человеческого лица из базы данных CUHK, которая представлена ​​в разделе 4. И все параметры двусторонней фильтрации такие же, как и в разделе 2.2. Наш подход работает хорошо, когда он используется в человеческом лице. Он может работать с серыми изображениями и цветными изображениями разных рас и разных условий освещения.Дополнительные результаты по другим типам изображений приведены в приложении. 5.2. Стилизация изображения Основываясь на начальном линейном эскизе, мы можем легко выделить края с помощью оператора DoG. В сочетании с базовым слоем в двухуровневой декомпозиции после цветового квантования мы можем получить простую абстракцию изображения, как предложено в [27, 28]. Результаты показаны на Рисунке 12. 6. Обсуждение и заключение Мы представили новую структуру для синтеза фото-набросков человеческого лица, которая очень проста, быстра и не требует настройки параметров.Во-первых, путем объединения результатов двукратной двухуровневой декомпозиции изображения получаются детали, отражающие состояние черт лица и характерные черты лица. Во-вторых, на основе карты цветового сходства мы извлекли невидимые черты лица и создали яркую область волос. Наконец, мы использовали эту структуру с помощью простой операции сложения первых результатов, которые могут быть применены к другим расам, например к белой расе. Кроме того, фреймворк также может быть расширен для других приложений, таких как набросок естественной сцены и выделение линий.В заключение, предлагаемая структура очень проста в том, что не требуется ни алгоритма локализации признаков, ни сложной математической модели, ни итераций. Кроме того, результат синтеза эскиза более яркий, чем при использовании других методов, особенно при создании текстуры волос. Что наиболее важно, этот метод легко использовать для других приложений, таких как выделение линий, наброски естественных сцен и абстракция изображений. Распознавание эскизов все более широко используется в пользовательских интерфейсах на основе Sketch [31]. Поскольку преобладающие силы в извлечении линий нашего метода эскиза, мы попытаемся реализовать распознавание эскиза фотографии лица или другого эскиза изображения. Приложение См. Рисунки 13, 14, 15, 16 и 17. Благодарность Эта работа была поддержана Национальным научным фондом Китая в рамках гранта № 61003200 и Программой для выдающихся талантов нового века в университете, Объединенной лабораторией инновационных интернет-технологий Tsinghua-Tencent, SKL PMTI, SKL CG & CAD и Программой открытых проектов NLPR. База данных эскизов лиц CUHK (CUFS) CUHK База данных эскизов лиц (CUFS) Номер Посещений этого сайта: База данных CUHK Face Sketch (CUFS) предназначен для исследований по синтезу эскиза лица и распознаванию эскиза лица.Это включает 188 лиц от студентов Китайского университета Гонконга (CUHK) база данных, 123 лица из базы данных AR [1] и 295 лиц из базы данных XM2VTS [2]. Всего 606 лиц. Для каждого лица есть это эскиз, нарисованный художником на основе фотографии, сделанной в фронтальной позе, под нормальное освещение и с нейтральным выражением лица. 1. А. М. Мартинес, Р. Бенавенте, База данных лиц AR, CVC Технический отчет № 24 , июнь 1998 г. 2.К. Мессер, Дж. Мэйтас, Дж. Киттлер, Дж. Люттин и Г. Мэтр, XM2VTSDB: расширенная база данных M2VTS, в Proceedings of International Конференция по аудио- и видео-аутентификации человека , стр. 72-77, 1999. Новый : мы выпустили базу данных CUHK Face Sketch FERET (CUFSF) в марте 2011 года. [Ссылка] Набор данных студентов CUHK Набор данных AR Набор данных XM2GTS 1. Набор данных студентов CUHK (188 лица) а. Тренинг (88 лиц) я. Эскизы , обрезанные эскизы , реперных знаков точки эскизов II. Фото , кадрировано фотографии , реперные точек фото г. Тестирование (100 лиц) я. Эскизы , обрезанные эскизы , реперных знаков точки эскизов II. Фото , кадрировано фотографии , реперные точек фото 2. Набор данных AR (123 лица) а. Эскизы , обрезанные эскизы , реперных знаков точки эскизов г. Пожалуйста, загрузите фотографии с http: // cobweb.ecn.purdue.edu/~aleix/aleix_face_DB.html. Найдите имена файлов с фотографиями, использованными для рисования эскизов , здесь . г. Опорная точка точек фото 3. Набор данных XM2VTS (295 лиц) а. Эскизы , обрезанные эскизы , реперных знаков точки эскизов г. Загрузите фотографии с http://www.ee.surrey.ac.uk/CVSSP/xm2vtsdb/ (CDS001). Найдите имена файлов с фотографиями, использованными для рисования эскизов , здесь . г. Опорная точка точек фото Укажите как: X. Ван и X. Тан, Синтез и распознавание фото-эскизов лиц, IEEE Transactions on Анализ шаблонов и машинный интеллект (PAMI), Vol. 31, 2009. Статьи, содержащие экспериментальные результаты на эта база 1. X. Wang и X. Tang, Face Синтез и распознавание фото-эскизов, IEEE Транзакции по анализу шаблонов и машинному анализу (PAMI) , Vol.31, 2009. 2. Циншань Лю, Сяоу Тан, Хунлян Цзинь, Ханьцин Лу и Сонгде Ма, Нелинейный подход к лицу Синтез и распознавание эскизов, Междунар. Конф. по компьютерному зрению и распознаванию образов (CVPR) , 2005. 3. X. Тан и X. Ван, Распознавание эскизов лиц, IEEE Транзакции по схемам и системам для видеотехнологий (CSVT), специальный выпуск по биометрии на основе изображений и видео , Vol. 14, No. 1, pp. 50-57, январь, г. 2004 г. 4. X. Тан и X. Ван, Синтез и распознавание эскизов лица, дюймов Труды Международной конференции IEEE по компьютерному зрению (ICCV) , 2003. No related posts. alexxlab Автор записи Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт Размер изображения Наш метод извлечения линии Канг и др. [26] 512 * 512 3,8 с 13,4 с 256 * 256 0,64 с 3,3 с