[发明专利]基于深度学习的低分辨率人脸图像识别方法

说明书

本发明公开了一种基于深度学习的低分辨率人脸图像识别方法，包括以下步骤：S1：获取高分辨率人脸图像，与下采样得到对应的低分辨率人脸图像生成训练集；S2：建立人脸识别网络，构建一个生成对抗网络，并嵌入所述人脸识别网络中实现超分辨；S3：利用预处理后的训练集训练所述人脸识别网络，优化参数得到能够对低分辨率图像准确识别的深度神经网络模型；S4：将低分辨率人脸图像输入所述深度神经网络模型进行分类，得到识别结果。本发明提出一种端到端的低分辨率人脸识别模型，结合高层图像识别的任务在特征层进行特征的超分辨，只需输入低分辨率图像即可得到图像识别结果，能够有效地提高对低分辨率人脸图像的识别精度。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种基于深度学习的低分辨率人脸图像识别方法。

背景技术

超分辨率是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。超分辨率可分为两类：从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的超分辨率(SR)，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution(SISR)，神经网络直接学习分辨率图像到高分辨率图像的端到端的映射函数。几个较新的基于深度学习的SR方法，包括SRCN、DRCN、ESPCN、VESPCN和SRGAN。

对抗生成网络GAN是Generative Adversarial Network的缩写。Goodfellow等人提出使用生成对抗网络生成逼真的图像。GAN包括生成器和判别器，生成器获取数据分布。生成器D估计样本来自训练数据而不是生成器生成的概率，最先提出的GAN不稳定，Arjovsky提出WGAN，使得GAN的稳定性得到提升，GAN在很多领域得到应用，例如图像超分辨，无监督的表示学习，机器翻译，生成对话等。

图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中的基本问题，也是图像检测、图像分割、物体跟踪、等高层视觉任务的基础。基于深度学习的人脸识别方法是图像分类的一个方面，在大量研究人员的研究下取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功的应用。

目前的人脸识别系统对于高分辨率的人脸识别准确率很高，使用最新的VGG，RESNET等CNN模型，能达到令人满意的效果，但是当面对低分辨率人脸的时候，识别准确率显著下降。目前比较普遍的方法是采取先对低分辨率图像进行超分辨，再对超分辨过的图片进行图像分类。但这仍然未能达到很好的效果，因为图像超分辨是针对人类的视觉感受，一张低分辨率图片可能在图像超分辨后达到视觉效果的提升，但是对于图像分类而言，其有用的特征信息并没有增加，相反还有可能把原有的特征信息破坏，以至于人脸识别效果不佳。

因此亟需提供一种新型的低分辨率人脸图像识别系统来解决上述问题。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的低分辨率人脸图像识别系统，能够提高低分辨率人脸图像的识别精度。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于深度学习的低分辨率人脸图像识别方法，包括以下步骤：

S1：获取高分辨率人脸图像，与下采样得到对应的低分辨率人脸图像生成训练集；

S2：建立人脸识别网络，构建一个生成对抗网络，并嵌入所述人脸识别网络中，实现超分辨；

S3：对所述训练集进行预处理，利用预处理后的训练集训练所述人脸识别网络，优化参数，得到能够对低分辨率图像准确识别的深度神经网络模型；

S4：将低分辨率人脸图像输入步骤S3得到的所述深度神经网络模型进行分类，得到识别结果。

在本发明一个较佳实施例中，步骤S1的具体步骤包括：