李萌萌， 馬 力， 賈宇峰

(西安郵電大學(xué) 計(jì)算機(jī)學(xué)院,陜西 西安 710121)

0 引 言

在日常生活中，人們不但可以通過(guò)面部表情來(lái)了解對(duì)方的情緒,還可以通過(guò)面部肌肉的相互配合來(lái)代替人語(yǔ)言上的溝通，這一方式極其獨(dú)特。人面部表情至少有21種，基本可分為8類：憤怒、蔑視、厭惡、恐懼、悲傷、快樂(lè)、驚訝和中性[1]。隨著科學(xué)技術(shù)的發(fā)展，人臉識(shí)別技術(shù)在生活中應(yīng)用廣泛。而表情識(shí)別是人臉識(shí)別技術(shù)的提升，具有更廣泛的應(yīng)用價(jià)值。例如智能駕駛方面，可根據(jù)司機(jī)旅途中表情判斷出駕駛狀態(tài)，從而減少事故發(fā)生率；在線上教學(xué)中，教師可根據(jù)學(xué)生表情及時(shí)調(diào)整教學(xué)方案，以達(dá)到最佳的授課效果；在電影制作方面，制作方根據(jù)觀影人的表情準(zhǔn)確找到影片最精彩之處制做預(yù)告片，吸引更多人前來(lái)觀影。

近年來(lái)，隨著深度學(xué)習(xí)的發(fā)展，Goodfellow I等人[2]提出的生成對(duì)抗網(wǎng)絡(luò)(generative adversarial network,GAN)以其獨(dú)特的對(duì)抗思想為面部表情生成提供了新的方式，并且在圖像到圖像的轉(zhuǎn)換[3,4]、視頻預(yù)測(cè)[5]、圖像風(fēng)格轉(zhuǎn)換[6,7]、圖像超分辨率[8]和文本到圖像的生成[9,10]等方面取得了令人矚目的成果。文獻(xiàn)[11]循環(huán)一致的對(duì)抗網(wǎng)絡(luò)(cycle consistent adversarial network，CycleGAN)不需要使用匹配的樣本也能將樣本表情特征轉(zhuǎn)換成另一類表情樣本風(fēng)格，以致其拓展性好，應(yīng)用更廣泛；文獻(xiàn)[12]提出一種基于GAN學(xué)習(xí)發(fā)現(xiàn)不同域之間關(guān)系的算法DiscoGAN，利用一對(duì)一映射正確學(xué)習(xí)圖像特征，進(jìn)而提高表情圖像質(zhì)量；文獻(xiàn)[13]星型生成對(duì)抗網(wǎng)絡(luò)(StarGAN)解決了多種表情類別之間相互轉(zhuǎn)化的問(wèn)題，模型結(jié)構(gòu)相對(duì)簡(jiǎn)易并且運(yùn)行高效。雖然現(xiàn)有的各種GAN網(wǎng)絡(luò)有著良好的性能，但這些算法存在著模式易崩塌和訓(xùn)練不穩(wěn)定的問(wèn)題。

本文提出了一種基于模式搜索StartGAN的圖像生成方法，進(jìn)一步改善了星型生成對(duì)抗網(wǎng)絡(luò)的模式崩塌現(xiàn)象。

1 面部表情圖像生成方法

1.1 GAN

GAN[2]由生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)兩部分構(gòu)成的。判別網(wǎng)絡(luò)是區(qū)分生成器生成的假樣本和真實(shí)樣本。而生成網(wǎng)絡(luò)是通過(guò)生成假樣本來(lái)混淆判別器。整個(gè)訓(xùn)練過(guò)程中生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)同時(shí)訓(xùn)練，構(gòu)成了一個(gè)動(dòng)態(tài)的“二人博弈游戲”(two-player minmax game)。GAN訓(xùn)練過(guò)程如式(1)所示

(1)

1.2 StarGAN

StarGAN[13]相比于其它GAN模型而言，解決了多種表情類別之間相互轉(zhuǎn)化的問(wèn)題。StarGAN的模型結(jié)構(gòu)相對(duì)簡(jiǎn)易并且運(yùn)行高效，其生成器接收輸入目標(biāo)域c和輸入樣本x。G輸出的假樣本一方面?zhèn)鬏斀oD，判斷真假樣本和進(jìn)行域分類；另一方面這個(gè)假樣本會(huì)再次傳輸?shù)缴善鳎⑴c輸入樣本的目標(biāo)域標(biāo)簽c′作為輸入，目的在于混淆輸出的樣本和原始輸入樣本，提高兩者之間的相似性。StarGAN的網(wǎng)絡(luò)結(jié)構(gòu)如圖1。

圖1 StarGAN網(wǎng)絡(luò)結(jié)構(gòu)

1.3 模式搜索GAN

GAN[2]的模式崩塌問(wèn)題可由模式搜索GAN(mode seeking generative adversarial network，MSGAN )[14]提出的量化模型崩塌的方式進(jìn)行改善。量化模型崩塌的方式即距離比，可使樣本具有更好的多樣性，如式(2)所示

(2)

式中dI為樣本之間的距離矩陣，dZ為隱向量之間的距離矩陣，c，z分別為條件和隱向量。生成圖像由隱編碼空間Z的隱向量z映射到圖像空間I中得到。在圖2中，a=1,b=2。當(dāng)發(fā)生模式崩塌時(shí)，z1,z2值越接近，距離比就會(huì)越小。隨著距離比的增大，更多隱向量能映射到圖像中。因此,可通過(guò)增大距離比改善模型崩塌現(xiàn)象。

MSGAN模型通過(guò)添加模式搜索(mode seeking)正則項(xiàng)[14]來(lái)增大距離比。公式如下

(3)

MSGAN的目標(biāo)函數(shù)如式(4)

Lnew=Lori+λmsLms

(4)

式中Loir為原始目標(biāo)函數(shù)，λms為控制正則化重要性的權(quán)重。

2 模式搜索StarGAN

在面部表情圖像生成中，表情轉(zhuǎn)換后得到的樣本質(zhì)量對(duì)表情識(shí)別有著重要的影響。MSGAN提出量化模型崩塌方式即距離比，通過(guò)增大距離比改善模式崩塌現(xiàn)象，進(jìn)而提高樣本質(zhì)量。StarGAN能夠解決多種表情類別之間相互轉(zhuǎn)化的問(wèn)題，模型結(jié)構(gòu)相對(duì)簡(jiǎn)易并且運(yùn)行高效。因此,本文結(jié)合StarGAN和MSGAN模型的特點(diǎn)，提出了一種模式搜索StarGAN(MS-StarGAN)。MS-StarGAN向生成器目標(biāo)函數(shù)中添加模式搜索正則項(xiàng)，通過(guò)增大距離比避免特征相似的輸入向量一直出現(xiàn)在同樣的映射位置，進(jìn)一步解決模式崩塌現(xiàn)象，使得表情圖像的質(zhì)量和豐富度有所提高。生成器結(jié)構(gòu)采用空間可分離卷積替代卷積層，從而減少模型的訓(xùn)練參數(shù)，有效提升模型訓(xùn)練的穩(wěn)定性。MS-StarGAN原理如圖2所示。

圖2 MS-StarGAN網(wǎng)絡(luò)原理

首先向生成器輸入目標(biāo)域c和輸入樣本x生成假樣本G(x,c)。假樣本G(x,c)傳送給判別器，判別器會(huì)判定是生成器生成的假樣本G(x,c)還是輸入樣本x，以及域分類結(jié)果；而生成器產(chǎn)生的假樣本G(x,c)會(huì)再次傳回給生成器。此時(shí)將這個(gè)假樣本G(x,c)與輸入樣本的目標(biāo)域標(biāo)簽c′作為輸入，目的在于混淆輸出的樣本和原始輸入樣本，提高兩者之間的特征相似性。在輸入樣本與生成樣本之間添加模式搜索正則項(xiàng)，進(jìn)一步改善模式崩塌現(xiàn)象，使得生成的表情樣本更加自然且平滑。

2.1 生成網(wǎng)絡(luò)

MS-StarGAN生成器結(jié)構(gòu)如圖3所示，MS-StarGAN生成器整個(gè)網(wǎng)絡(luò)深度為18，包括了3個(gè)不同卷積層，6個(gè)殘差塊[15](其中每個(gè)殘差塊包含2層普通空間卷積層)，以及2個(gè)轉(zhuǎn)置卷積。首先第一部分接收樣本和標(biāo)簽作為輸入，卷積核尺寸為7×7，步幅尺寸為1,填充尺寸為3，并且添加實(shí)例歸一化層和Relu作為激勵(lì)函數(shù)。激勵(lì)函數(shù)可以加速訓(xùn)練，提升穩(wěn)定性。第二、三層進(jìn)行下采樣，卷積核尺寸為4×4，步幅尺寸為1，填充尺寸為2，得到4×4×256的特征圖。其次在中間部分使用空間分離卷積[16]，將3×3分離為3×1和1×3,目的在于減少網(wǎng)絡(luò)訓(xùn)練的參數(shù)量。最后使用轉(zhuǎn)置卷積進(jìn)行上采樣，輸出使用反曲函數(shù)Tanh。

圖3 MS-StarGAN生成器結(jié)構(gòu)

2.2 判別網(wǎng)絡(luò)

對(duì)于判別器網(wǎng)絡(luò)而言，整個(gè)網(wǎng)絡(luò)深度為7。它輸入的是真樣本或者假樣本，并判斷其真假以及所屬目標(biāo)域，卷積核尺寸為4×4，步幅尺寸為2,填充尺寸為1。中間部分為隱含層，使得表情特征能夠穩(wěn)定得到獲取，卷積核個(gè)數(shù)依次為128，256，512，1 024，2 048。而它的輸出有兩部分：對(duì)抗標(biāo)簽和分類標(biāo)簽。全局平均池化層代替全連接層，減小參數(shù)量，提高訓(xùn)練速度。MS-StarGAN模型結(jié)構(gòu)圖如圖4所示。

圖4 MS-StarGAN判別器結(jié)構(gòu)

2.3 損失函數(shù)

MS-StarGAN損失函數(shù)由對(duì)抗誤差、域分類誤差和重構(gòu)誤差組成。

對(duì)抗誤差：由判別器判別真實(shí)圖像產(chǎn)生的損失和判別器判別生成圖像的損失共同組成了對(duì)抗誤差。式(5)如

Ladv=Ex[logDsrc(x)]+Ex,c[log(1-Dsrc(G(x,c)))]

(5)

式中x為輸入樣本，c為目標(biāo)域標(biāo)簽，Dsrc(x)則為判斷出輸入樣本為真實(shí)樣本的概率。

域分類誤差：該誤差的目的是給目標(biāo)域c分配到含有目標(biāo)域標(biāo)簽c′的輸入圖像x的輸出圖像y。判別器增加輔助域分類器，并在優(yōu)化判別器和生成器時(shí)使用域分類誤差。判別器的域分類誤差和生成器的域分類誤差如式(6)、式(7)

(6)

(7)

式中c′為輸入樣本的目標(biāo)域標(biāo)簽，Dcls(c′|x)為在c′下判別器計(jì)算出的概率分布。

重構(gòu)誤差：為使樣本在轉(zhuǎn)換后改變需要轉(zhuǎn)換的部分，其它部分保持不變，采用周期一致性損失，如式(8)

Lrec=Ex,c,c′[‖x-G(G(x,c),c′)‖1]

(8)

為避免特征相似的輸入向量一直出現(xiàn)在一樣的映射位置，進(jìn)一步解決模式崩塌現(xiàn)象。所以最終目標(biāo)函數(shù)如式(9)、式(10)

(9)

(10)

式中λcls,λrec和λms為具有不同權(quán)重的超參數(shù)。

3 實(shí) 驗(yàn)

為驗(yàn)證MS-StarGAN的性能，本文在CK+數(shù)據(jù)集[17]和FER2013[18]數(shù)據(jù)集上進(jìn)行驗(yàn)證，并與CycleGAN、DiscoGAN和StarGAN三個(gè)模型進(jìn)行對(duì)比。實(shí)驗(yàn)處理器使用Intel?Xeon?CPU E5—2620 v4 @ 2.10 GHz，顯卡為NVIDIA Tesla P100 GPU，環(huán)境為T(mén)ensorFlow。

3.1 參數(shù)設(shè)置

MS-SAGAN使用基于動(dòng)量算法的Adam作為優(yōu)化器，實(shí)驗(yàn)迭代訓(xùn)練80個(gè)epoch，每一個(gè)epoch的迭代次數(shù)為10 000次。初始學(xué)習(xí)率設(shè)置為0.000 2，beta為0.5，batch_size設(shè)置為32。參數(shù)λcls、λrec均設(shè)置為10，λms設(shè)置為1。

3.2 CK+數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

CK+數(shù)據(jù)集是人臉表情合成最常用的數(shù)據(jù)庫(kù)之一。該數(shù)據(jù)庫(kù)包含了面部8種表情：憤怒、蔑視、厭惡、恐懼、悲傷、高興、驚訝和自然。此次實(shí)驗(yàn)選取除蔑視與自然之外的6種表情圖像，一共1 014張圖像。其中，訓(xùn)練集選取737張圖像，測(cè)試集選取277張圖像。

圖5為MS-StarGAN模型在CK+數(shù)據(jù)集上生成的樣本。在實(shí)驗(yàn)中隨機(jī)輸入一種表情，則生成經(jīng)遷移后的6種表情。第一列到第六列的表情依次為憤怒、厭惡、恐懼、高興、悲傷和驚訝。由圖5可知，迭代次數(shù)在10次之后就能學(xué)習(xí)到面部特征，但存在圖像噪聲且表情特征學(xué)習(xí)不足的問(wèn)題。當(dāng)?shù)螖?shù)達(dá)到50次后，生成圖像的質(zhì)量效果較好，噪聲較少，圖像平滑。

圖5 CK+生成樣本

為進(jìn)一步驗(yàn)證MS-StarGAN生成圖像的效果，使用不同用于風(fēng)格遷移的生成對(duì)抗網(wǎng)絡(luò)，包括StarGAN、CycleGAN、DiscoGAN。這些模型與MS-StarGAN在同一數(shù)據(jù)集上生成的圖像加以對(duì)比，生成效果如圖6所示。第一列到第六列為經(jīng)遷移后得到的6種表情，依次為憤怒、厭惡、恐懼、高興、悲傷和驚訝。由對(duì)比圖可知，CycleGAN與DiscoGAN生成的樣本雖然學(xué)習(xí)到較準(zhǔn)確的面部特征，但是存在模式崩潰且圖像不平滑；StarGAN生成樣本的面部表情特征相比于CycleGAN與DiscoGAN更清晰，圖像較平滑。而MS-StarGAN將模式搜索正則項(xiàng)與星型生成對(duì)抗網(wǎng)絡(luò)的生成器損失相結(jié)合則，其結(jié)果相比其它生成對(duì)抗網(wǎng)絡(luò)生成的圖像更加清晰，模式崩潰有所改善，圖像表情更加自然。

圖6 不同模型生成圖像對(duì)比

3.3 FER2013數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

FER2013數(shù)據(jù)集是一個(gè)由28 709張圖像的訓(xùn)練集、3 589張圖像的驗(yàn)證集和3 589張圖像的測(cè)試集組成，共35 887張圖像的數(shù)據(jù)集。該數(shù)據(jù)集中表情共分為7類即憤怒、厭惡、恐懼、悲傷、高興、驚訝和自然，且每一張圖像均為48×48的灰度圖像。為了與CK+數(shù)據(jù)集表情的種類相一致，此次實(shí)驗(yàn)選取了除自然表情以外的6類表情進(jìn)行表情生成。

圖7為模型MS-StarGAN生成的效果圖。在實(shí)驗(yàn)中同樣隨機(jī)輸入一類表情，總共迭代80次得到樣本，依次得到的樣本表情圖像為憤怒、厭惡、恐懼、高興、悲傷和驚訝。由圖7可知，在前10次迭代中圖像存在大量噪聲，特征并不清晰，但當(dāng)?shù)螖?shù)達(dá)到50以后，尤其迭代次數(shù)到達(dá)80次時(shí)圖像的表情特征已經(jīng)逐漸清晰，噪聲也在慢慢消失，圖像趨于平滑。

圖7 Fer2013生成樣本

圖8是相同實(shí)驗(yàn)條件下不同模型使用FER2013數(shù)據(jù)集生成圖像的對(duì)比圖。由于FER2013數(shù)據(jù)集存在部分標(biāo)簽錯(cuò)誤以及肉眼識(shí)別率僅在65 %上下的問(wèn)題，因此，從圖8看出無(wú)論是MS-StarGAN還是其它模型，經(jīng)轉(zhuǎn)換后的表情圖像效果表現(xiàn)都不如CK+數(shù)據(jù)集，尤其是厭惡表情。因?yàn)閳D像數(shù)量相比其它表情較少，反之高興以及驚訝表情轉(zhuǎn)換后效果較為突出。盡管如此，從生成圖像中仍然可以清楚的看到，MS-StarGAN模型最終生成的樣本相比于其它模型噪聲少且平滑，表情特征更加明顯。

圖8 不同模型生成圖像對(duì)比

4 性能評(píng)估

為了定量的評(píng)價(jià)生成圖像質(zhì)量的好壞，本文采用弗雷歇距離(Fréchet inception distance，F(xiàn)ID)評(píng)估指標(biāo)，其結(jié)果更具有原則性和綜合性，能夠更好地捕獲真假樣本圖像的相似性，符合人類的區(qū)分準(zhǔn)則。FID值較低代表生成圖片的質(zhì)量噪聲小，具有更好的豐度。FID的公式如下

FID=‖μr-μg‖2+Tr(Σr+Σg-2(ΣrΣg)1/2)

(11)

MS-StarGAN與StarGAN的最佳弗雷歇距離值如表1所示。

表1 不同模型的FID值對(duì)比

5 結(jié) 論

本文提出了MS-StarGAN模型，在StarGAN的基礎(chǔ)上結(jié)合MSGAN中提出的模式搜索距離比，進(jìn)一步改善了StarGAN模式崩塌現(xiàn)象。與其它用于圖像遷移的對(duì)抗生成網(wǎng)絡(luò)方法，如CycleGAN、StarGAN等。本方法在CK+和FER2013數(shù)據(jù)集上具有良好的生成效果，驗(yàn)證了該方法比其它的面部表情圖像風(fēng)格遷移生成模型可以更有效地改善模式崩塌問(wèn)題，進(jìn)而提高表情圖像的質(zhì)量和豐富度以及模型訓(xùn)練的穩(wěn)定性。其弗雷歇距離相比較于StarGAN分別提高了1.64和0.68。但是本文所提方法對(duì)于圖像局部特征的改善較不明顯，有待進(jìn)一步改進(jìn)。