[发明专利]一种人脸图像的复原方法

说明书

本发明提供了一种人脸图像的复原方法，包括以下步骤：S1、获取一组人脸图像对；S2、将模糊图像作为初始输入图像，输入一策略网络中；S3、通过所述策略网络，从输入图像中选取一块区域；S4、通过一增强网络，对输入图像中S3选取的区域进行复原；S5、重复迭代执行S3至S4若干次；S6、对策略网络和增强网络进行训练；S7、对策略网络和增强网络进行初始化；S8、将待复原的人脸图像作为初始输入图像，输入策略网络中，重复S3至S5，得到复原的人脸图像。本发明提供的人脸图像的复原方法，能自主优先的选择模糊人脸图像中失真较少的区域，对这些区域进行恢复，并利用这些区域复原之后的额外信息帮助其余失真区域的恢复，达到比现有技术更好的复原效果。

技术领域

本发明涉及图像处理领域，更具体地，涉及一种人脸图像的复原方法。

背景技术

低分辨率人脸图像复原，指的是利用一副或者多幅低分辨率的人脸图像恢复出清晰并且高分辨的人脸图像。在许多图像或者视频中，清晰度高的人脸往往带着重要的信息和价值。特别是近年来，随着道路监控，行车记录仪和安防监控的大规模普及，清晰的人脸在监控视频与图像中越来越受到重视。许多应用，比如身份认证，人群分析，人体追踪等，人脸图像都扮演着极其重要的角色。在实际应用中，对人脸图像的高分辨率需求往往和监控视频的低分辨率形成矛盾。所以，人脸图像在监控视频中的模糊与清晰度不足给视频监控的实际应用带来了许多阻碍与不便。在技术条件的限制下，高分辨率的光学传感器并不是随处可见。虽然可以通过升级光学传感器等设备解决视频中人脸模糊等问题，但这往往会导致购买成本与维护成本增加，并且也无法解决已录制视频的清晰度。同时，在使用过程中，也会存在诸多干扰，例如移动，距离远等影响录制视频质量等情况。因此，通过技术手段从复原高分辨率的图像来得到想要的信息，在实际应用中有着巨大的需求。

在当前阶段，对视频进行分析时，人们往往是反复查看监控视频中的信息，并对重点部分进行反复观察，而人脸图像往往是视频中的重点信息之一。因为监控视频中的人脸往往比较远，占比小。所以当摄像头位置较远时，人脸图像的分辨率往往比较低。针对视频清晰度不够的人脸，采用的方法往往是首先进行直接进行插值放大，然后再进行分析。插值法速度快，并且有着广泛的应用。但是因为其放大质量较差，会导致图像高频信息受损造成图像模糊，会对视频中的人脸图像的识别，复原带来许多的困难。

随着计算机视觉技术的发展，许多计算机视觉技术已经应用到低分辨率人脸图像复原上。目前，较为成熟的技术包括插值法，字典学习法，深度卷积神经网络等。字典学习的方法是建立低分辨图像与高分辨图像两个字典，通过学习不同的映射关系，来达到从低分辩到高分辨的映射；插值法则是通过建立更优化的上采样函数模型，在保证高频信息保持的完整的条件下，来放大图像；深度学习法通过神经网络建立从低分辨率到高分辨率的“稀疏表示-映射-重构”过程，来得到高分辨率图像。虽然存在许多针对低分辨率人脸图像复原的方法，但大多数的方法都针对受控环境下的人脸图像，即人脸必须在严格的角度，光照，表情条件下。

发明内容

本发明的目的在于，针对现有技术中存在的问题，提供一种人脸图像的复原方法，以实现在非受控环境下将模糊人脸图像恢复成清晰图像。

为实现上述目的，本发明采用以下技术方案：

一种人脸图像的复原方法，包括以下步骤：

S1、获取一组人脸图像对，所述人脸图像对包括同一个人脸图像的一张清晰图像和一张模糊图像；

S2、将模糊图像作为初始输入图像，输入一策略网络中；

S3、通过所述策略网络，从输入图像中选取一块区域；

S4、通过一增强网络，对输入图像中S3选取的区域进行复原；

S5、将S4进行区域复原后得到的图像整体作为S3的输入图像，重复迭代执行S3至S4若干次，最后一次重复S4得到的图像即为复原图像；