[发明专利]一种基于多重残差学习的人脸增强方法

说明书

本发明公开了一种基于多重残差学习的人脸增强方法，其包括如下步骤：S10，准备多组不同低质程度的低质人脸图像集和与每一低质人脸图像集对应的原始人脸图像集，分别作为多组训练集的低质样本和标签样本；S20，构造残差学习神经网络，使用多组训练集依次拟合残差学习神经网络的参数，生成多重残差模型；S30，使用所述步骤S20中生成的多重残差模型，采用迭代法对待处理的人脸图像进行增强。本发明提供的基于多重残差学习的人脸增强方法通过训练不同低质程度的残差模型，学习不同低质程度的人脸图像中所包含的噪声和细节，增强了模型的细节补充能力和抗噪能力，且具有误差小、容错性高的特点。

技术领域

本发明涉及人脸增强的技术领域，特别涉及一种基于多重残差学习的人脸增强方法。

背景技术

随着各地智慧城市的建设和发展，视频安防和视频刑侦等技术受到越来越多的关注。现在的视频成像技术，常受到如低光照等外部环境的影响，使得所采集的到视频图像质量不高。尤其是模糊、低质的人脸图像，大大提高了人脸识别的难度，也使得安防和刑侦等工作更加艰难。

现有的人脸增强方法多是基于关键点或图像局部性实现的。前者关键点的识别精确程度直接影响到增强效果。而可惜的是图像越低质，关键点越难识别。后者则因为是基于局部性的，所以需要人脸的各个结构，如眼、口、鼻等，比较准确的对齐。遗憾的是，视频中的人脸不可能都正对镜头，并且人工对齐将会花费大量的时间。这些都使得该方法的应用场景受限，结果不理想。

发明内容

针对现有技术存在的问题，本发明的主要目的是提供一种基于多重残差学习的人脸增强方法，该方法无需人脸完全对齐或者正对镜头，也无需计算人脸图像的关键点，其可以很好地学习低质人脸中的噪声和细节，增强了模型的细节补充能力和抗噪能力，且具有误差小、容错性高的特点。

为实现上述目的，本发明提出的基于多重残差学习的人脸增强方法，其包括如下步骤：

S10，准备多组不同低质程度的低质人脸图像集和与每一低质人脸图像集对应的原始人脸图像集，分别作为多组训练集的低质样本和标签样本；

S20，构造残差学习神经网络，使用多组训练集依次拟合残差学习神经网络的参数，生成多重残差模型；

S30，使用所述步骤S20中生成的多重残差模型，采用迭代法对待处理的人脸图像进行增强。

优选地，所述步骤S10中，多组不同低质程度的低质人脸图像集和与每一低质人脸图像集对应的原始人脸图像集的准备过程如下：

S11，在每一组中，对各原始人脸图像集分别进行加噪、加模糊，得到与每一原始人脸图像集一一对应不同低质程度的低质人脸图像集；

S12，将多组低质人脸图像集分别作为多组训练集的低质样本，将多组原始人脸图像集分别作为多组训练集的标签样本，将每一低质样本和该低质样本对应的标签样本按对应关系分割成若干图像块，生成多组结构化的训练集。

优选地，所述步骤S10中，多组不同低质程度的低质人脸图像集和与每一低质人脸图像集对应的原始人脸图像集的准备过程如下：

S11′，在不同的低质环境下采集不同低质程度的低质人脸图像集，将采集的低质人脸图像按低质程度的高低依次进行分类；

S12′，将分类后的低质人脸图像分别作为多组训练集的低质样本，将每一低质人脸图像相对应的原始人脸图像集作为多组训练集的标签样本，将每一低质样本和该低质样本对应的标签样本按对应关系分割成若干图像块，生成多组结构化的训练集。

优选地，所述步骤S20中，构造残差学习神经网络，该残差学习神经网络包括依次连接的输入层、若干中间层、以及残差层，其构造过程如下：

S21，在输入层使用64个3×3的卷积核对第一组低质样本进行卷积，并使用修正线性单元ReLU对卷积的结果进行非线性化；