·140· 智能系统学报 第16卷 的影响，从测试集中按照头发长短、头发区域面 京：中国科学院大学，2018 积大小等因素随机选择了10张图像，利用CLPG- DONG Xiaoli.Research on technologies of machine artist- SS方法、Canny算法、FDoG方法分别生成线条肖 ic portrait based on facial images[D].Beijing:University 像画，由机械臂进行绘制，并统计机械臂的绘图 of Chinese Academy of Sciences,2018. 时间，结果如表3所示。从表3中可见，Canny算 [3]CANNY J.A computational approach to edge detection[J] 法的平均时间最少，分析其原因主要是由于 IEEE transactions on pattern analysis and machine intelli- Canny算法检测的线条为单像素宽度线条，总体 gence,,1986,8(6):679-698. [4]GOOCH B,REINHARD E,GOOCH A.Human facial il- 绘图矢量点较少，所以平均时间最短，但其效果 lustrations:creation and psychophysical evaluation[J]. 最差，绘制出的效果图可辨识效果最差。而 ACM transactions on graphics,2004,23(1):27-44. FDoG方法和本文所提出的CLPG-SS方法，绘图 [5]MARR D,HILDRETH E.Theory of edge detection[J]. 时间虽然较Canny方法长，但效果较Canny方法 Proceedings of the royal society B:biological sciences, 有了很大程度的提高。与FDoG方法相比， 1980,207(1167):187-217. CLPG-SS方法生成的线条肖像画人脸五官清晰可 [6]KANG H,LEE S,CHUI C K.Coherent line drawing[Cl// 辨识，平均绘制时间更少，且最长绘制时间几乎 Proceedings of the 5th International Symposium on Non- 是FDoG的一半，这得益于对细节无关区域的线 photorealistic Animation and Rendering.San Diego,CA. 条简化，很大程度上降低了机械臂的绘图时间。 USA,2007:43-50. [7]WANG Shandong,MA Ziyang,LIU Xuehui,et al.Coher- 表3不同方法生成的线条肖像画机械臂绘制时间的对比 ence-enhancing line drawing for color images[J].Science Table 3 Comparison of the drawing time of the line por- China information sciences,2013,56(11):1-11 trait manipulator generated by different methods [8]王山东，刘学慧，陈彦云，等.基于特征流的抽象线条画 绘制[).计算机学报，2014,373)：611-620 算法 最长时间 最短时间 平均时间 WANG Shandong,LIU Xuehui,CHEN Yanyun,et al.Ab- Canny 603 47 230 stract line drawings from photographs using flow-based fil- ters[J].Chinese journal of computers,2014,37(3): FDoG 644 210 365 611-620. CLPG-SS 347 209 287 [9]WANG Shandong,WU Enhua,LIU Youquan,et al.Ab- stract line drawings from photographs using flow-based fil- 4结束语 ters[J].Computers and graphics,2012,36(4):224-231. [10]柳有权，吴宗胜，王山东，等.建筑物图像的线条画生成 本文提出了一种基于语义分割的简洁线条肖 算法.软件学报，2012,23(S2:34-41 LIU Youquan,WU Zongsheng,WANG Shandong,et al. 像画生成方法CLPG-SS。该方法通过人脸语义分 Line drawing technique for building images[J].Journal of 割将人脸图像划分为头发、面部、颈部、五官等 software,.2012,23(S2):34-41. 11个区域，利用FDoG方法提取得到区域边缘轮 [11]KYPRIANIDIS J E,KANG H,DOLLNER J.Image and 廓及五官细节线条，并建立ET℉优化方法以加强 video abstraction by anisotropic Kuwahara filtering[J]. 轮廓线条和五官细节对应位置的方向，采用不同 Computer graphics forum,2009,28(7):1955-1963. [12]Winnemoller H,Kyprianidis J E,Olsen S C.XDoG:an 分割区域设置不同FDoG参数的策略，最终得到 extended difference-of-Gaussians compendium including 既保留了人脸的关键特征又适合机械臂快速绘制 advanced image stylization[J].Computers and graphics, 的简洁线条肖像画。实验结果验证了CLPG- 2012,36(6):740-753. SS对轮廓以及五官细节有更准确的提取，更加突 [13]ZHANG Liliang,LIN Liang,WU Xian,et al.End-to-end 出了人脸线条的特点，该算法实现简单可靠。 photo-sketch generation via fully convolutional represent- ation learning[C]//Proceedings of the 5th ACM on Inter- 参考文献： national Conference on Multimedia Retrieval.Shanghai, China.2015:627-634. [1]孟盼盼.肖像绘制机器人技术研究D].合肥：中国科学 [14]ZHU Junyan,PARK T,ISOLA P,et al.Unpaired image- 技术大学，2011. to-image translation using cycle-consistent adversarial MENG Panpan.Research on auto-portrait robot techno- networks[C]//Proceedings of 2017 IEEE International logy[D].Hefei:University of Science and Technology of Conference on Computer Vision.Venice,Italy,2017: China,2011. 2223-2232. [2]董肖莉.基于人脸图像的机器肖像艺术技术研究D]北 [15]TAIGMAN Y,POLYAK A,WOLF L.Unsupervised的影响，从测试集中按照头发长短、头发区域面 积大小等因素随机选择了 10 张图像，利用 CLPG￾SS 方法、Canny 算法、FDoG 方法分别生成线条肖 像画，由机械臂进行绘制，并统计机械臂的绘图 时间，结果如表 3 所示。从表 3 中可见，Canny 算 法的平均时间最少，分析其原因主要是由 于 Canny 算法检测的线条为单像素宽度线条，总体 绘图矢量点较少，所以平均时间最短，但其效果 最差，绘制出的效果图可辨识效果最差。 而 FDoG 方法和本文所提出的 CLPG-SS 方法，绘图 时间虽然较 Canny 方法长，但效果较 Canny 方法 有了很大程度的提高。 与 FDo G 方法相比， CLPG-SS 方法生成的线条肖像画人脸五官清晰可 辨识，平均绘制时间更少，且最长绘制时间几乎 是 FDoG 的一半，这得益于对细节无关区域的线 条简化，很大程度上降低了机械臂的绘图时间。 表 3 不同方法生成的线条肖像画机械臂绘制时间的对比 Table 3 Comparison of the drawing time of the line por￾trait manipulator generated by different methods s 算法 最长时间 最短时间 平均时间 Canny 603 47 230 FDoG 644 210 365 CLPG-SS 347 209 287 4 结束语 本文提出了一种基于语义分割的简洁线条肖 像画生成方法 CLPG-SS。该方法通过人脸语义分 割将人脸图像划分为头发、面部、颈部、五官等 11 个区域，利用 FDoG 方法提取得到区域边缘轮 廓及五官细节线条，并建立 ETF 优化方法以加强 轮廓线条和五官细节对应位置的方向，采用不同 分割区域设置不同 FDoG 参数的策略，最终得到 既保留了人脸的关键特征又适合机械臂快速绘制 的简洁线条肖像画。实验结果验证了 CLPG￾SS 对轮廓以及五官细节有更准确的提取，更加突 出了人脸线条的特点，该算法实现简单可靠。 参考文献： 孟盼盼. 肖像绘制机器人技术研究 [D]. 合肥: 中国科学 技术大学, 2011. MENG Panpan. Research on auto-portrait robot techno￾logy[D]. Hefei: University of Science and Technology of China, 2011. [1] [2] 董肖莉. 基于人脸图像的机器肖像艺术技术研究 [D]. 北 京: 中国科学院大学, 2018. DONG Xiaoli. Research on technologies of machine artist￾ic portrait based on facial images[D]. Beijing: University of Chinese Academy of Sciences, 2018. CANNY J. A computational approach to edge detection[J]. IEEE transactions on pattern analysis and machine intelli￾gence, 1986, 8(6): 679–698. [3] GOOCH B, REINHARD E, GOOCH A. Human facial il￾lustrations: creation and psychophysical evaluation[J]. ACM transactions on graphics, 2004, 23(1): 27–44. [4] MARR D, HILDRETH E. Theory of edge detection[J]. Proceedings of the royal society B: biological sciences, 1980, 207(1167): 187–217. [5] KANG H, LEE S, CHUI C K. Coherent line drawing[C]// Proceedings of the 5th International Symposium on Non￾photorealistic Animation and Rendering. San Diego, CA, USA, 2007: 43–50. [6] WANG Shandong, MA Ziyang, LIU Xuehui, et al. Coher￾ence-enhancing line drawing for color images[J]. Science China information sciences, 2013, 56(11): 1–11. [7] 王山东, 刘学慧, 陈彦云, 等. 基于特征流的抽象线条画 绘制 [J]. 计算机学报, 2014, 37(3): 611–620. WANG Shandong, LIU Xuehui, CHEN Yanyun, et al. Ab￾stract line drawings from photographs using flow-based fil￾ters[J]. Chinese journal of computers, 2014, 37(3): 611–620. [8] WANG Shandong, WU Enhua, LIU Youquan, et al. Ab￾stract line drawings from photographs using flow-based fil￾ters[J]. Computers and graphics, 2012, 36(4): 224–231. [9] 柳有权, 吴宗胜, 王山东, 等. 建筑物图像的线条画生成 算法 [J]. 软件学报, 2012, 23(S2): 34–41. LIU Youquan, WU Zongsheng, WANG Shandong, et al. Line drawing technique for building images[J]. Journal of software, 2012, 23(S2): 34–41. [10] KYPRIANIDIS J E, KANG H, DÖLLNER J. Image and video abstraction by anisotropic Kuwahara filtering[J]. Computer graphics forum, 2009, 28(7): 1955–1963. [11] Winnemöller H, Kyprianidis J E, Olsen S C. XDoG: an extended difference-of-Gaussians compendium including advanced image stylization[J]. Computers and graphics, 2012, 36(6): 740–753. [12] ZHANG Liliang, LIN Liang, WU Xian, et al. End-to-end photo-sketch generation via fully convolutional represent￾ation learning[C]//Proceedings of the 5th ACM on Inter￾national Conference on Multimedia Retrieval. Shanghai, China, 2015: 627-634. [13] ZHU Junyan, PARK T, ISOLA P, et al. Unpaired image￾to-image translation using cycle-consistent adversarial networks[C]//Proceedings of 2017 IEEE International Conference on Computer Vision. Venice, Italy, 2017: 2223–2232. [14] [15] TAIGMAN Y, POLYAK A, WOLF L. Unsupervised ·140· 智 能 系 统 学 报 第 16 卷