[发明专利]一种基于改进多尺度循环网络的人脸图像去模糊方法

说明书

本申请公开了一种基于改进多尺度循环网络的人脸图像去模糊方法，兼顾GSA方法和PSO方法各自的优点，利用二者对SRN网络进行训练，有效提升网络收敛速度和网络精度。在此基础之上，利用训练完成的SRN网络提取原始人脸图像的局部纹理信息，利用边缘检测算法提取原始人脸图像的全局拓扑结构信息，最终对局部纹理信息、全局拓扑结构信息、原始人脸图像进行融合，得到去模糊的目标人脸图像，最大程度恢复模糊人脸图像的信息，显著提升基于人脸图像的人脸识别效率。此外，本申请还提供了一种基于改进多尺度循环网络的人脸图像去模糊装置、设备及可读存储介质，其技术效果与上述方法的技术效果相对应。

技术领域

本申请涉及图像处理技术领域，特别涉及一种基于改进多尺度循环网络的人脸图像去模糊方法、装置、设备及可读存储介质。

背景技术

目前，人脸识别技术是模式识别和计算机视觉领域的研究热点。然而在实际应用中，人脸图像受光照、镜头失焦、相机抖动、物体运动、相机像素低等因素的干扰，往往较为模糊，这导致人脸识别效率和准确率受到了很大影响。因此，如何实现人脸图像的去模糊，成为业内公认的难题。

针对该问题，相关学者提出了基于卷积神经网络的人脸图像去模糊方法，其中基于多尺度卷积神经网络的方法，由于其结构简单、参数更少、容易训练等优势而备受关注。但是，多尺度卷积神经网络存在容易陷入局部最优解的问题，这不仅会导致误差下降缓慢或下降停滞的问题，还会影响网络精度。另外，目前多尺度卷积神经网络生成的图像和真实图像的分布存在差异，虽然肉眼看到的效果非常好，但是其数据还不够真实，存在严重的原始信息损失，一旦应用到模型训练中，必然会出现虚假信息过度拟合，最终导致该模型在实际应用中效果较差。

还有学者提出了基于分离低高频的多尺度人脸图像去模糊方法,其原理在于：在去模糊过程中，使用前处理网络恢复人脸图像的低频信息以及语义分割；然后将生成的低频信息、语义分割以及模糊图像拼接输入后续的多尺度网络恢复图片信息；最后，将去模糊网络和高级别任务联合训练，达到提升人脸识别率的目的。

但是，该方法存在以下缺点：第一，直接利用多尺度网络进行去模糊，仍然存在容易陷入局部最优解的问题，网络性能一般；第二，语义分割的结果比较粗糙，信息不够精确，且只有人脸的部分结构信息；第三，低频信息与语义分割获取的信息相似，仍不能较全面的反映图像的全局结构信息，将这两者结合起来，获取的人脸结构信息仍然比较有限，导致结果精度低。

综上，如何提供一种人脸图像去模糊方案，避免容易陷入局部最优解的问题，提升去模糊效果，是亟待本领域技术人员解决的问题。

发明内容

本申请的目的是提供一种基于改进多尺度循环网络的人脸图像去模糊方法、装置、设备及可读存储介质，用以解决当前的人脸图像去模糊方案容易陷入局部最优解，且去模糊效果较差的问题。其具体方案如下：

第一方面，本申请提供了一种基于改进多尺度循环网络的人脸图像去模糊方法，包括：

根据训练集，利用GSA方法和PSO方法对SRN网络进行训练；

利用训练完成的SRN网络，提取原始人脸图像的局部纹理信息；

利用边缘检测算法，提取所述原始人脸图像的全局拓扑结构信息；

对所述原始人脸图像、所述局部纹理信息、所述全局拓扑结构信息进行融合，得到目标人脸图像。

优选的，所述根据训练集，利用GSA方法和PSO方法对SRN网络进行训练，包括：

S1、初始化粒子种群，所述粒子种群包括预设数量的粒子；

S2、在当前迭代过程中，根据PSO方法计算下一迭代过程中粒子的位置，得到第一更新结果，并根据GSA方法计算下一迭代过程中粒子的位置，得到第二更新结果；