基于残差学习的人脸增强方法技术

本发明专利技术公开了一种基于残差学习的人脸增强方法，包括如下步骤：S10，准备带噪声的人脸图像集和与其对应的原始人脸图像集，分别作为训练集的低质样本和标签样本；S20，构造残差学习神经网络，使用训练集来拟合参数，生成人脸增强模型；S30，通过人脸增强模型计算待处理人脸的残差图像，根据人脸的残差图像进行人脸增强。本发明专利技术提供的基于残差学习的人脸增强方法，通过学习残差来处理人脸图像中的噪声、增加人脸细节，甚至能应对一些未知噪声，其抗噪能力好、细节恢复能力强。

【技术实现步骤摘要】
基于残差学习的人脸增强方法
本专利技术涉及图像增强和深度学习的
，特别涉及一种基于残差学习的人脸增强方法。
技术介绍
随着各地智慧城市的建设和发展，视频安防和视频刑侦等技术受到越来越多的关注。现在的视频成像技术，常受到如低光照等外部环境的影响，使得所采集的到视频图像质量不高。尤其是模糊、低质的人脸图像，大大提高了人脸识别的难度，也使得安防和刑侦等工作更加艰难。现有的人脸增强方法多是基于关键点或图像局部性实现的。前者关键点的识别精确程度直接影响到增强效果。而可惜的是图像越低质，关键点越难识别。后者则是基于局部性的，所以需要人脸的各个结构，如眼、口、鼻等，比较准确的对齐。遗憾的是，视频中的人脸不可能都正对镜头，并且人工对齐将会花费大量的时间。这些都使得该方法的应用场景受限，结果不理想。
技术实现思路
针对现在技术所存在的问题，本专利技术提出一种基于残差学习的人脸增强方法，该方法无需人脸完全对齐，也无需人脸正对镜头，甚至无需计算关键点，其可自动学习低质人脸中的噪声和细节，人脸增强效果好，且应用场景更加广泛。为了实现上述目的，本专利技术提出的人脸增强方法，包括如下步骤：S10，准备带噪声的本文档来自技高网...

【技术保护点】
一种基于残差学习的人脸增强方法，其特征在于，包括如下步骤：S10，准备带噪声的人脸图像集和与其对应的原始人脸图像集，分别作为训练集的低质样本和标签样本；S20，构造残差学习神经网络，使用所述步骤S10中的训练集来拟合参数，生成人脸增强模型：f(x)‑y＝r；其中，f(x)为标签样本，y为低质样本，r为残差图像；S30，通过人脸增强模型计算待处理人脸的残差图像，根据人脸的残差图像进行人脸增强。

【技术特征摘要】
1.一种基于残差学习的人脸增强方法，其特征在于，包括如下步骤：S10，准备带噪声的人脸图像集和与其对应的原始人脸图像集，分别作为训练集的低质样本和标签样本；S20，构造残差学习神经网络，使用所述步骤S10中的训练集来拟合参数，生成人脸增强模型：f(x)-y＝r；其中，f(x)为标签样本，y为低质样本，r为残差图像；S30，通过人脸增强模型计算待处理人脸的残差图像，根据人脸的残差图像进行人脸增强。2.如权利要求1所述的基于残差学习的人脸增强方法，其特征在于，所述步骤S10中，准备带噪声的人脸图像集和与其对应的原始人脸图像集包括：S11，对原始人脸图像集进行加噪、加模糊，得到低质的人脸图像集，即带噪声的人脸图像集，并将该带噪声的人脸图像集作为低质样本；S12，将原始人脸图像集作为标签样本，将所述步骤S11中的低质样本和该低质样本对应的标签样本按对应关系分隔成若干图像块，生成结构化的训练集。3.如权利要求1所述的基于残差学习的人脸增强方法，其特征在于，所述步骤S10中，准备带噪声的人脸图像集和对应的原始图像集包括：S11′，在低质环境下采集低质的人脸图像集，即带噪声的人脸图像集，并将该带噪声的人脸图像集作为低质样本；S12′，将原始人脸图像集的人脸图像作为标签样本，将步骤S11′中的低质样本和该低质样本对应的标签样...

【专利技术属性】
技术研发人员：张力元，胡金晖，
申请(专利权)人：中电科新型智慧城市研究院有限公司，
类型：发明
国别省市：广东,44