[发明专利]基于自注意力网络的人脸图像增强方法、系统及介质

说明书

本发明公开了一种基于自注意力网络的人脸图像增强方法、系统及介质，方法包括：基于自注意力网络构建初始生成对抗模型；通过人脸数据库获取第一人脸图像，根据所述第一人脸图像对所述初始生成对抗模型进行训练，得到第一生成对抗模型；获取实际场景的第二人脸图像，根据所述第二人脸图像对所述第一生成对抗模型进行训练，得到第二生成对抗模型；获取待增强的第三人脸图像，将所述第三人脸图像输入到所述第二生成对抗模型，得到增强后的第四人脸图像。本发明使得输出的增强图像更能体现人脸图像数据的整体细节，保障了人脸图像的完整性和准确性，提高了人脸图像增强的效率。本发明可广泛应用于图像处理技术领域。

技术领域

本发明涉及图像处理技术领域，尤其是一种基于自注意力网络的人脸图像增强方法、系统及介质。

背景技术

在建设智慧校园的过程中，平安校园是很重要的一环，这其中包括了人脸检测识别，人员在校园内的布控以及他们在校园内所经过的节点的绘制，所有这些需求点都需要摄像机进行抓拍后由后台人工智能来进行分析与鉴别。但在实际工程项目中，很多时候由于物体的运动或遮挡，亦或是抓拍角度不佳或光线昏暗，亦或是纯粹的样本太少，往往抓拍不到足够高质量的图像来完成识别模型的高效训练，这就需要一种能基于现有的图像数据进行数据增强的方法。

现有的常见数据增强方案：在需要进行数据增强的业务场景下，一般都会使用生成对抗网络来进行图像数据的增强，具体流程是将真实数据图片输入模型后，模型会自动生成增强后的数据图像，达到增强原识别模型能力的目的。生成对抗网络模型内部核心分为两个部分，分别是生成器和判别器，在训练生成对抗模型的时候，通常是交替训练这两个子模型，也就是利用它们之间的博弈对抗，最后寻求到一个纳什平衡来进行数据增强。具体来说生成器负责生成尽可能真实的数据图片来让判别器误以为真，它的输入是噪声向量，而它的输出是尽可能逼真的图像数据，判别器负责尽量分辨出哪些输入是真实数据而哪些数据是生成器生成的，它的输入是图像数据，而它的输出是真或假。

现有技术中，通常基于卷积神经网络搭建的生成对抗网络模型中的生成器与判别器，通过数次上采样、全连接层、卷积层、正则化处理之后输出生成的图像数据。然而基于卷积神经网络搭建的生成对抗模型只有局部的感受野，图像的深层的细节会随着模型的训练而丢失，影响了图像的完整性和准确性。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例的一个目的在于提供一种基于自注意力网络的人脸图像增强方法，该方法本发明实施例采用自注意力网络作为生成对抗模型的基本单元，代替了原有的神经网络底层架构，使得生成对抗模型会更关注于图像各部分的联系，从而使得输出的增强图像更能体现人脸图像数据的整体细节，保障了人脸图像的完整性和准确性；通过人脸数据库和实际场景的人脸数据对生成对抗模型进行两次训练，使得生成对抗模型具备更强的人脸图像数据增强能力，并具有一定的后续泛化能力，从而提高了人脸图像增强的效率。

本发明实施例的另一个目的在于提供一种基于自注意力网络的人脸图像增强系统。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

第一方面，本发明实施例提供了一种基于自注意力网络的人脸图像增强方法，包括以下步骤：

基于自注意力网络构建初始生成对抗模型；

通过人脸数据库获取第一人脸图像，根据所述第一人脸图像对所述初始生成对抗模型进行训练，得到第一生成对抗模型；

获取实际场景的第二人脸图像，根据所述第二人脸图像对所述第一生成对抗模型进行训练，得到第二生成对抗模型；

获取待增强的第三人脸图像，将所述第三人脸图像输入到所述第二生成对抗模型，得到增强后的第四人脸图像。

进一步地，在本发明的一个实施例中，所述基于自注意力网络构建初始生成对抗模型这一步骤，其具体包括：