一种人脸图像超分辨重建方法、装置及计算机设备制造方法及图纸

本申请提供一种人脸图像超分辨重建方法、装置及计算机设备，所述方法包括：获取待重建人脸图像，并对所述待重建人脸图像进行预处理，所述待重建人脸图像为低分辨率人脸图像；将预处理后的待重建人脸图像输入完成训练的对抗神经网络中，获得所述待重建人脸图像的重建人脸图像，所述重建人脸图像为高分辨率人脸图像；其中，所述对抗神经网络通过算法模拟的样本数据完成训练。本申请实施例针对特殊场景下拍摄的人脸图像的模糊问题，利用对抗神经网络中的生成网络，对输入的模糊人脸进行重建，取得了接近真实高分辨率图像的超分辨率重构效果，以达到重建的超分辨率图像更接近真实的图像的目的。

【技术实现步骤摘要】
一种人脸图像超分辨重建方法、装置及计算机设备
本申请涉及图像处理
，特别涉及一种人脸图像超分辨重建方法、装置及计算机设备。
技术介绍
智慧城市(SmartCity)是指利用各种信息技术或创新意念，集成城市的组成系统和服务，以提升资源运用的效率，优化城市管理和服务，以及改善市民生活质量。视频监控系统是智慧城市的重要组成部分，其通过遍布在大街小巷的摄像头采集海量视频数据，以实现各种应用。例如，在交/巡/刑/武警、城管、路政等领域，移动天眼(一种视频采集及预警分析系统)可实现随时随地监控、事前预防、主动出击，杜绝监控死角、出警空巡、目标漏网等现象，大幅提升执法部门的案件侦破、快速处置的效率。但是，复杂的现实环境也会给视频监控带来诸多困难。例如，采集目标离摄像头比较远导致目标图像像素低，目标物体运动所导致的运动模糊以及光线不足导致的噪音等，都会导致摄像头获得的视频图像的人脸图像模糊，进而导致无法进行人脸识别。因此，一种可以有效恢复模糊人脸图像的方法亟待出现。
技术实现思路
有鉴于此，本申请的目的在于提供一种基于移动天眼低质量人脸小图的图像超分辨重建方法、装置及计算机设备，以解决现有技术中摄像头获得的视频图像的人脸图像模糊，进而导致无法进行人脸识别的问题。其具体方案如下：第一方面，本申请实施例提供了一种人脸图像超分辨重建方法，包括：获取待重建人脸图像，并对所述待重建人脸图像进行预处理，所述待重建人脸图像为低分辨率人脸图像；将预处理后的待重建人脸图像输入完成训练的对抗神经网络中，获得所述待重建人脸图像的重建人脸图像，所述重建人脸图像为高分辨率人脸图像；其中，所述对抗神经网络通过算法模拟的样本数据完成训练。优选地，所述样本数据采用以下方式获得：获取高分辨率人脸图像样本，并对所述高分辨率人脸图像样本进行预处理；将预处理后的高分辨率人脸图像样本复制为M份，获得包含M帧图像的图像序列，其中，所述图像序列中的M帧图像经过随机变换处理；将所述图像序列转换成视频，并对所述视频进行编解码操作；在解码后的所述视频中截取任意一帧图像作为低分辨率人脸图像样本，所述低分辨率人脸图像样本和所述高分辨率人脸图像样本构成样本数据对。优选地，所述对抗神经网络包括生成网络G和判别网络D，所述对抗神经网络通过算法模拟的样本数据完成训练，包括：将样本数据对中的低分辨率人脸图像样本X输入生成网络G中，生成人脸图像G(X)；将样本数据对中的高分辨率人脸图像样本Y和所述人脸图像G(X)输入所述判别网络D中，获得判别结果D(Y)和D(G(X))；根据所述判别结果D(Y)和D(G(X))计算生成网络的损失函数G_loss和判别网络的损失函数D_loss；根据所述生成网络的损失函数G_loss和判别网络的损失函数D_loss分别更新生成网络G和判别网络D，直到完成训练。优选地，所述将预处理后的待重建人脸图像输入完成训练的对抗神经网络中，获得所述待重建人脸图像的重建人脸图像，包括：将处理后的待重建人脸图像输入完成训练的生成网络G中，生成重建人脸图像。优选地，对所述待重建人脸图像进行预处理，包括：通过人脸检测算法框选待重建人脸图像中的人脸部分，将框选出的人脸部分作为预处理后的待重建人脸图像。第二方面，本申请实施例提供了一种基于移动天眼低质量人脸小图的图像超分辨重建装置，包括：获取模块，用于获取待重建人脸图像，并对所述待重建人脸图像进行预处理，所述待重建人脸图像为低分辨率人脸图像；对抗神经网络，用于对预处理后的待重建人脸图像进行训练，获得所述待重建人脸图像的重建人脸图像，所述重建人脸图像为高分辨率人脸图像；其中，所述对抗神经网络通过算法模拟的样本数据完成训练。优选地，所述样本数据采用以下方式获得：获取高分辨率人脸图像样本，并对所述高分辨率人脸图像样本进行预处理；将预处理后的高分辨率人脸图像样本复制为M份，获得包含M帧图像的图像序列，其中，所述图像序列中的M帧图像经过随机变换处理；将所述图像序列转换成视频，并对所述视频进行编解码操作；在解码后的所述视频中截取任意一帧图像作为低分辨率人脸图像样本，所述低分辨率人脸图像样本和所述高分辨率人脸图像样本构成样本数据对。优选地，所述对抗神经网络包括生成网络G和判别网络D，所述对抗神经网络通过算法模拟的样本数据完成训练，包括：将样本数据对中的低分辨率人脸图像样本X输入生成网络G中，生成人脸图像G(X)；将样本数据对中的高分辨率人脸图像样本Y和所述人脸图像G(X)输入所述判别网络D中，获得判别结果D(Y)和D(G(X))；根据所述判别结果D(Y)和D(G(X))计算生成网络的损失函数G_loss和判别网络的损失函数D_loss；根据所述生成网络的损失函数G_loss和判别网络的损失函数D_loss分别更新生成网络G和判别网络D，直到完成训练。优选地，所述对抗神经网络，具体用于：通过生成网络G对处理后的待重建人脸图像进行训练，生成重建人脸图像。第三方面，本申请实施例提供了一种计算机设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述第一方面任一项所述的步骤。本申请实施例针对特殊场景下拍摄的人脸图像的模糊问题，利用对抗神经网络中的生成网络，对输入的模糊人脸进行重建，取得了接近真实高分辨率图像的超分辨率重构效果，以达到重建的超分辨率图像更接近真实的图像的目的。另外，本申请实施例通过算法模拟样本数据，所有的变量皆为可控变量，有效增加了训练中的可控因素，为研究和训练提供了便利，有效减少了后期数据处理的工作量，极大的减少了数据收集成本。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例提供的一种人脸图像超分辨重建方法流程示意图；图2为本申请实施例提供的一种样本数据生成方法流程示意图；图3为本申请实施例提供的一种对抗神经网络训练方法流程示意图；图4为本申请实施例提供的一种人脸图像超分辨重建装置结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请实施例依托于人工智能中的深度学习技术，在视频采集端与目标物均处于运动的复杂多变的环境下，进行目标物的抓取、清晰化处理、结构化特征提取等一系列操作，实现超低码流传输，并将结构化特征与海量目标数据库进行比对，实现实时预警的移动天眼系统。本申请实施例涉及的双动态是指图像采集设备和目标均处于运动状态(例如警用巡逻车、执法仪、无人机等)，在该状态下，由于图像采集设备和目标均处于运动状态，以及复杂的现实环境如摄像头分辨率低或者光线不足等问题，都会使拍摄的图像失真甚至扭曲变形。特别是，当目标物处于在10-15米时，所采集的目标物(人脸)，大小往往会低于60x60像素且存在运动模拟。在该情况下，需要进行目标物清晰化处理操作本文档来自技高网...

【技术保护点】
1.一种人脸图像超分辨重建方法，其特征在于，包括：获取待重建人脸图像，并对所述待重建人脸图像进行预处理，所述待重建人脸图像为低分辨率人脸图像；将预处理后的待重建人脸图像输入完成训练的对抗神经网络中，获得所述待重建人脸图像的重建人脸图像，所述重建人脸图像为高分辨率人脸图像；其中，所述对抗神经网络通过算法模拟的样本数据完成训练。

【技术特征摘要】
1.一种人脸图像超分辨重建方法，其特征在于，包括：获取待重建人脸图像，并对所述待重建人脸图像进行预处理，所述待重建人脸图像为低分辨率人脸图像；将预处理后的待重建人脸图像输入完成训练的对抗神经网络中，获得所述待重建人脸图像的重建人脸图像，所述重建人脸图像为高分辨率人脸图像；其中，所述对抗神经网络通过算法模拟的样本数据完成训练。2.根据权利要求1所述的方法，其特征在于，所述样本数据采用以下方式获得：获取高分辨率人脸图像样本，并对所述高分辨率人脸图像样本进行预处理；将预处理后的高分辨率人脸图像样本复制为M份，获得包含M帧图像的图像序列，其中，所述图像序列中的M帧图像经过随机变换处理；将所述图像序列转换成视频，并对所述视频进行编解码操作；在解码后的所述视频中截取任意一帧图像作为低分辨率人脸图像样本，所述低分辨率人脸图像样本和所述高分辨率人脸图像样本构成样本数据对。3.根据权利要求2所述的方法，其特征在于，所述对抗神经网络包括生成网络G和判别网络D，所述对抗神经网络通过算法模拟的样本数据完成训练，包括：将样本数据对中的低分辨率人脸图像样本X输入生成网络G中，生成人脸图像G(X)；将样本数据对中的高分辨率人脸图像样本Y和所述人脸图像G(X)输入所述判别网络D中，获得判别结果D(Y)和D(G(X))；根据所述判别结果D(Y)和D(G(X))计算生成网络的损失函数G_loss和判别网络的损失函数D_loss；根据所述生成网络的损失函数G_loss和判别网络的损失函数D_loss分别更新生成网络G和判别网络D，直到完成训练。4.根据权利要求3所述的方法，其特征在于，所述将预处理后的待重建人脸图像输入完成训练的对抗神经网络中，获得所述待重建人脸图像的重建人脸图像，包括：将处理后的待重建人脸图像输入完成训练的生成网络G中，生成重建人脸图像。5.根据权利要求1所述的方法，其特征在于，对所述待重建人脸图像进行预处理，包括：通过人脸检测算法框选待重建人脸图像中的人脸...

【专利技术属性】
技术研发人员：史方，王标，樊强，黄梓琪，
申请(专利权)人：成都视观天下科技有限公司，
类型：发明
国别省市：四川,51