A face reconstruction method based on supervised learning depth self-encoder is proposed. For face images with information missing or partially occluded, the advantages of supervised learning and the efficient feature learning ability of self-encoder are utilized to learn the features of face images, and then a deep face image is constructed by extracting the feature weights with perfect learning. Finally, a face reconstruction network based on depth self-coding is constructed to reconstruct the complete face information. The invention fully combines the advantages of supervised learning and the feature learning ability of depth self-encoder, uses prior knowledge to extract features from face images with information missing or partially occluded, and reconstructs the extracted features by means of encoding and decoding, effectively repairing the missing or occluded face information, and It can achieve better results than traditional methods.
【技术实现步骤摘要】
一种基于监督学习深度自编码器的人脸重构方法
本专利技术属于计算机视觉领域,涉及到针对人脸识别、图像修复等技术方法,具体为一种基于监督学习深度自编码器的人脸重构方法。
技术介绍
目前许多基于人脸识别的应用都以完整的人脸图像为基础进行识别的,例如安防监控、火车站的自动门禁系统等,但在现实使用中,人脸图像存在缺失与遮挡的情况是非常普遍的,这时,利用人脸重构技术实现对人脸图像的补全或去除遮挡,人脸识别系统能够更好地识别人脸图像。传统的图像修复方法可以分为两个类:基于偏微分方程和基于纹理合成的方法。两种方法在数学分析上虽然是比较完备的,但其存在各种假设的前提与模型的简化,因此在实际应用中效果并不理想。深度学习理论方法在计算机视觉领域的成功,为图像修复提供了新的思路与方法。本专利技术所涉及的方法属于图像修复。自编码器本身是是一种浅层网络结构(输入-编码-输出,共3层),深层的自编码器是通过多个浅层自编码器以堆叠的方式构成的,但在监督学习的方式下,原来的堆叠的方式已经不再成立,本专利技术中提出了一种新的针对监督学习自编码器的堆叠方式,使监督学习的自编码器可以成为一种深度模型。实现基于自编码器对存在缺损或遮挡人脸图像进行重构的关键问题在于从不完整的图像信息中学习有效特征,以及如何完善和利用学习的特征。近年来,图像修复方法的研究取得了较大的进展,许多研究者提出了效果优秀的图像修复方法,这些方法往往利用了图像受损区域的边缘信息和图像的先验知识。随着人脸识别技术的出现和广泛应用,针对存在部分信息缺损或遮挡的人脸重构方法也有了很大的应用价值,然而将传统的方法直接应用于受到噪声干扰 ...
【技术保护点】
1.一种基于监督学习深度自编码器的人脸重构方法,其特征是先利用多级监督学习浅层自编码器通过多对一的学习策略对人脸特征进行学习,提取在多级监督学习自编码器中学习完毕的特征编解码表达,然后按照先编码后解码的顺序构建一个基于深度自编码器的人脸重构网络,对存在缺损或遮挡的人脸图像进行人脸重构,最终获得补全或去除遮挡的人脸图像结果,包括以下步骤:1)训练第一级监督学习浅层自编码器,将存在缺损或遮挡的人脸灰度图像作为输入,利用监督学习浅层自编码器学习人脸图像的特征表达,特征表达包括特征编码表达和特征解码表达:
【技术特征摘要】
1.一种基于监督学习深度自编码器的人脸重构方法,其特征是先利用多级监督学习浅层自编码器通过多对一的学习策略对人脸特征进行学习,提取在多级监督学习自编码器中学习完毕的特征编解码表达,然后按照先编码后解码的顺序构建一个基于深度自编码器的人脸重构网络,对存在缺损或遮挡的人脸图像进行人脸重构,最终获得补全或去除遮挡的人脸图像结果,包括以下步骤:1)训练第一级监督学习浅层自编码器,将存在缺损或遮挡的人脸灰度图像作为输入,利用监督学习浅层自编码器学习人脸图像的特征表达,特征表达包括特征编码表达和特征解码表达:其中,W为特征表达,α是调节特征表达变化的参数,表示特征权值更新量,b为特征偏置,为一个常数;2)将第一级监督学习浅层自编码器输出的人脸输出结果作为输入,在浅层特征重构的基础上,对获得的人脸输出结果用第二级监督学习浅层自编码器进行训练,进一步对人脸的特征、特征表达进行学习和优化;3)将第一级监督学习浅层自编码器输出的人脸特征表达作为第三级监督学习浅层自编码器的输入,将第二级监督学习浅层自编码器优化输出的人脸特征作为监督,利用第三级监督学习浅层自编码器对上述步骤1)中学习的人脸特征表达进行抽象化的描述,学习能够描述人脸抽象特征的特征表...
【专利技术属性】
技术研发人员:周遊,芮挺,张赛,杨成松,唐建,王东,李宏伟,宋小娜,费建超,邹军华,
申请(专利权)人:江苏经贸职业技术学院,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。