卡通漫画是一种重要的艺术风格,它不仅具有独特的绘画效果,同时还体现了人物本身的特点,逐渐受到人们的喜爱。随着图像处理技术的发展,人们对于图像的研究不再局限于图像识别、目标检测与跟踪等领域,而同时展开了对图像转换与生成等方向的研究,其中人脸卡通漫画生成一直备受关注。然而,在现有的一些方法中,处理图像的方法比较复杂,得到的图像合成痕迹明显,效果单一。因此,本文研究使用基于深度学习的方法,对人脸特征进行学习,在保留原有内容特征的情况下对图像风格进行转换,从而自动生成自然的卡通漫画头像。本文的主要内容如下:1.本文研究一种基于特征融合的人脸卡通化生成方法。该方法主要针对数据成对的情况。在生成对抗网络的基础上,本文增加一个特征提取网络,提取更有表征性的人脸特征,从而加快网络收敛,提升生成图像的质量。同时利用人脸关键点来对生成图像的重要部位进行约束,让图像细节更加真实。2.本文研究一种基于内容不变性的人脸卡通化生成方法。在图像风格转换的任务中,基于内容信息的不变性,本文分别构建了一个内容特征提取网络和一个风格特征提取网络,将内容与不同风格特征相融合,再通过解码网络得到不同风格的图像,从而实现风格的转换。为了进一步提升生成图像的质量,本文在判别网络上进行改进,本文提出一种多尺度判别网络,对不同尺寸的图像块进行判别,综合它们的打分作为最终的判别结果,该网络不仅能够提升判别能力,还能够促使生成图像更加的真实。3.本文研究一种基于特征点偏移的人脸漫画生成方法。本文在图像风格迁移的基础上,增加人脸夸张变形模块,利用人脸的结构内容特征,来定位人脸关键点,并预测夸张变形之后的关键点坐标,最后使用样板插值的方式实现人脸的夸张变形。该模块作为整体网络的一个分支,与风格迁移任务一起训练,能够实现端到端的人脸夸张漫画生成。为了验证本文算法的有效性,本文构建了专门的卡通漫画数据库,本文方法与所有的对比实验都基于同一数据库进行训练与测试。实验结果表明,本文方法生成的卡通图像在图像质量上有所提升。