[发明专利]一种人脸图像复原方法、系统、装置及存储介质

权利要求书

1.一种人脸图像复原方法，其特征在于，包括以下步骤：

获取待复原的人脸图像，采用经过训练的人脸复原子网络对所述人脸图像进行复原，获得复原的人脸图像；

所述人脸复原子网络在训练过程中，引入人脸识别子网络；

所述人脸识别子网络对复原的人脸图像进行特征提取，根据提取的特征对所述人脸复原子网络进行识别监督，以优化所述人脸复原子网络的网络参数。

2.根据权利要求1所述的一种人脸图像复原方法，其特征在于，在人脸复原子网络在训练过程中，还引入了长跳跃连接；

所述长跳跃连接用于将所述人脸复原子网络和所述人脸识别子网络提取的语义特征进行融合，以加强将所述人脸复原子网络和所述人脸识别子网络对特征的学习和传播能力；

在对所述人脸复原子网络训练结束后，包括：

保留所述人脸复原子网络，去除所述人脸识别子网络。

3.根据权利要求1所述的一种人脸图像复原方法，其特征在于，所述人脸识别子网络对复原的人脸图像进行特征提取，根据提取的特征对所述人脸复原子网络进行识别监督，包括：

将复原后的人脸图像输入所述人脸识别子网络进行特征提取；

根据提取的特征预测出所述人脸图像的个体身份标签，根据预测的个体身份标签与真实标签计算损失函数；

将所述损失函数产生的梯度反向传播至所述人脸复原子网络，指导所述人脸复原子网络学习生成具有相同个体身份特征识别的能力。

4.根据权利要求1所述的一种人脸图像复原方法，其特征在于，所述人脸复原子网络包括复合残差网络，所述复合残差网络包括多个残差模块，每个残差模块提取不同深层的特征，所述人脸复原子网络对人脸图像进行复原的步骤，包括：

输入人脸图像I，对所述人脸图像I进行卷积处理，得到输出特征图X0；

将所述得到输出特征图X0输入第一个残差模块RBLK1中，得到输出特征图X1；

依次将上一个残差模块输出的特征图输入下一个残差模块，得到对应的特征图；

经过第n个残差模块后，得到输出特征图Xn，将特征图X0与特征图Xn进入融合，得到特征图Xn+1；

对所述特征图Xn+1进行上采样，得到特征图Xn+2；

对所述特征图Xn+2进行卷积处理，得到复原的人脸图像R。

5.根据权利要求4所述的一种人脸图像复原方法，其特征在于，所述人脸识别子网络对复原的人脸图像R进行特征提取的步骤，包括：

A1、将复原的人脸图像R和真实的高清人脸图像G进行卷积处理后，获得特征图Y1；

A2、对特征图Y1进行融合处理：对特征图Y1进行经过平均池化操作和最大池化操作后，获得特征图Y2和特征图Y3，将特征图Y2和特征图Y3进行融合获得特征图Y4；

A3、对特征图Y4进行分裂处理：对特征图Y4进行卷积处理，获得特征图Y5，将特征图Y5根据通道数一分为二，得到特征图Y6和特征图Y7，将特征图Y6和特征图Y7通过MAX操作函数获得特征图Y8；

A4、对特征图Y8进行分裂处理，获得特征图Y9；对特征图Y9进行分裂处理，获得特征图Y10；对特征图Y10进行分裂处理，获得特征图Y11；对特征图Y11进行分裂处理，获得特征图Y12；

A5、对特征图Y12进行融合处理，获得特征图Y13；

A6、将步骤A3-A5合并为一个MFM模块，作为第一个MFM模块，将特征图Y13与特征图X15进行融合获得特征图Y14；

A7、将特征图Y14输入第二个MFM模块，获得特征图Y15；

A8、将特征图Y15输入第三个MFM模块，获得特征图Y16，所述第三个MFM模块不包括池化层；

A9、将特征图Y16输入第三个MFM模块，获得特征图Y17；

A10、将特征图Y17输入第一个全连接层，获得特征图Y18；

A11、将特征图Y18输入第二个全连接层，获得预测个体身份标签Y19。