·138· 智能系统学报 第16卷 能略有差异，因此设置ρ在区间内取值； 比上述2种方法所取得的效果，本文提出的CLPG-SS 2)面部区域：最大程度保留轮廓线条，减少 方法具有较强优势。从图4中可以看出，CLPG- 面部噪声； SS方法明显检测到了Canny和FDoG无法检测到 3)颈部区域：尽可能保持轮廓线条的连贯性： 的下巴线条，且强化了人脸五官的细节，线条更 4)眉眼区域：主要包括眉毛、眼睛，由于最为 加流畅、五官层次感更强。此外，CLPG-SS方法 传神的特征体现在眉眼中，因此在线条生成时，要 加强了头发的主轮廓，精简了头发区域的线条细 尽可能保留细节，以体现出不同人的个性化特征： 节，非常有利于提高机械臂的绘制效率。 5)其他五官区域：主要包括鼻子、上嘴唇、下 嘴唇、口腔、耳朵，考虑到机器人机械臂快速绘制 的需求，仅保留大致轮廓即可； 6)背景区域：将背景区域直接置为白色以去 除背景的影响，因此无需再对背景进行参数设置。 3实验及结果分析 (a)区域语义分割图 (b)loutline 3.1实验设计 实验设备：包括图像采集装置、四轴机械臂 和计算机(CPU:Intel Core is54590,内存：8GB) 实验数据：采用CelebAMask-HQ人脸语义分 割数据集，包含30000张人脸图像。其中，随机 (c)面部子图 (d)leal 选取27000张作为训练集，用于构建人脸语义分 割模型；剩余3000张作为测试集，用于生成简洁 图3轮廓和五官图 线条肖像画。 Fig.3 Outline and facial features details pictures 对比方法：Canny算法、FDoG方法。 3.2实验结果及分析 3.2.1线条提取结果 针对预处理后人脸图像的线条提取结果如 图3所示。针对图3(a)的头发、面部、颈部语义分 割区域，提取边缘轮廓，设置FDoG参数为σc=0.6, σm=3,p=0.99,得到边缘轮廓1uie如图3(b)所 示；针对图3(c)的面部子图，提取五官细节线条， 设置FDoG参数为σ=0.75，m=1.3,p=0.994,得 到五官细节线条Iu如图3(d)所示。由图3可 见，通过上述方法得到了人脸图像头发、面部、颈 部的边缘线条和五官细节线条。 3.2.2线条肖像画生成结果 基于CLPG-SS的线条肖像画生成结果及与 Canny算法、FDoG方法的比较，针对头发区域大 小及性别，随机选取4幅图像进行展示，如图4所 (a)原图 (b)Canny (c)FDoG (d)CLPG-SS 示，五官部分局部放大如图5所示。可以看出， 图4线条肖像画生成结果比较 Canny边缘检测算法所生成的线条宽度一致，无 Fig.4 Comparison of line portrait generation results 轻重之分，而且对人脸五官等较为重要的线条并 进一步，本文考察了FDoG中不同参数对线条 未很好地检出，不利于人脸特征的表达，缺少层 肖像画生成的影响，如图6所示。图6(a)中，可 次感，总体线条效果较为凌乱，无法辨识。FDoG 以观察到提取的线条较细，凸显了人脸中的细节 算法虽然能够很好地保持人脸局部特征，但是对 特征，但总体线条较为杂乱，且线条轮廓提取并 于一些视觉上具有明显界限而颜色对比度上没有 不完整；图6(b)所提取线条的强度得到增强，但 太大区别的边界，并不能很好地提取线条，如图4 主轮廓仍不完整；图6(c)中，线条完整性得到提 中的下巴位置，未能检测到该处的轮廓线条。相 高，如提取到了下巴处的轮廓，但同时噪声也得到能略有差异，因此设置 ρ 在区间内取值； 2) 面部区域：最大程度保留轮廓线条，减少 面部噪声； 3) 颈部区域：尽可能保持轮廓线条的连贯性； 4) 眉眼区域：主要包括眉毛、眼睛，由于最为 传神的特征体现在眉眼中，因此在线条生成时，要 尽可能保留细节，以体现出不同人的个性化特征； 5) 其他五官区域：主要包括鼻子、上嘴唇、下 嘴唇、口腔、耳朵，考虑到机器人机械臂快速绘制 的需求，仅保留大致轮廓即可； 6) 背景区域：将背景区域直接置为白色以去 除背景的影响，因此无需再对背景进行参数设置。 3 实验及结果分析 3.1 实验设计 实验设备：包括图像采集装置、四轴机械臂 和计算机 (CPU：Intel Core i5 4 590，内存：8 GB)。 实验数据：采用 CelebAMask-HQ 人脸语义分 割数据集，包含 30 000 张人脸图像。其中，随机 选取 27 000 张作为训练集，用于构建人脸语义分 割模型；剩余 3 000 张作为测试集，用于生成简洁 线条肖像画。 对比方法：Canny 算法、FDoG 方法。 3.2 实验结果及分析 3.2.1 线条提取结果 σc = 0.6 σm = 3 ρ = 0.99 Ioutline σc = 0.75 σm = 1.3 ρ = 0.994 Idetail 针对预处理后人脸图像的线条提取结果如 图 3 所示。针对图 3(a) 的头发、面部、颈部语义分 割区域，提取边缘轮廓，设置 FDoG 参数为 ， ， ，得到边缘轮廓 如图 3(b) 所 示；针对图 3(c) 的面部子图，提取五官细节线条， 设置 FDoG 参数为 ， ， ，得 到五官细节线条 如图 3(d) 所示。由图 3 可 见，通过上述方法得到了人脸图像头发、面部、颈 部的边缘线条和五官细节线条。 3.2.2 线条肖像画生成结果 基于 CLPG-SS 的线条肖像画生成结果及与 Canny 算法、FDoG 方法的比较，针对头发区域大 小及性别，随机选取 4 幅图像进行展示，如图 4 所 示，五官部分局部放大如图 5 所示。可以看出， Canny 边缘检测算法所生成的线条宽度一致，无 轻重之分，而且对人脸五官等较为重要的线条并 未很好地检出，不利于人脸特征的表达，缺少层 次感，总体线条效果较为凌乱，无法辨识。FDoG 算法虽然能够很好地保持人脸局部特征，但是对 于一些视觉上具有明显界限而颜色对比度上没有 太大区别的边界，并不能很好地提取线条，如图 4 中的下巴位置，未能检测到该处的轮廓线条。相 比上述 2 种方法所取得的效果，本文提出的 CLPG-SS 方法具有较强优势。从图 4 中可以看出，CLPG￾SS 方法明显检测到了 Canny 和 FDoG 无法检测到 的下巴线条，且强化了人脸五官的细节，线条更 加流畅、五官层次感更强。此外，CLPG-SS 方法 加强了头发的主轮廓，精简了头发区域的线条细 节，非常有利于提高机械臂的绘制效率。 (a) 区域语义分割图 (b) Ioutline (c) 面部子图 (d) Idetail 图 3 轮廓和五官图 Fig. 3 Outline and facial features details pictures (a) 原图 (b) Canny (c) FDoG (d) CLPG-SS 图 4 线条肖像画生成结果比较 Fig. 4 Comparison of line portrait generation results 进一步，本文考察了 FDoG 中不同参数对线条 肖像画生成的影响，如图 6 所示。图 6(a) 中， 可 以观察到提取的线条较细，凸显了人脸中的细节 特征，但总体线条较为杂乱，且线条轮廓提取并 不完整；图 6(b) 所提取线条的强度得到增强，但 主轮廓仍不完整；图 6(c) 中，线条完整性得到提 高，如提取到了下巴处的轮廓，但同时噪声也得到 ·138· 智 能 系 统 学 报 第 16 卷