【技术实现步骤摘要】
人脸图像的超分辨率重建模型的训练及重建方法
本专利技术涉及图像处理
,具体涉及人脸图像的超分辨率重建模型的训练及重建方法。
技术介绍
在一些人员复杂的场所中,比如游乐场、大型商场等,容易发生违法事件,因此经常需要从监控图像中查找一些可能具有特殊身份的人。但由于环境光照不稳定、行人姿态表情多样、与摄像头之间的距离比较远、摄像头成像分辨率的局限性等客观原因,会导致图像中的行人无法被准确识别。人脸作为人身份特征的最敏感区域,成为对特定身份识别的最关键部位,因此,如何将低分辨率、低清晰度、带有噪声和光污染后的人脸重建出高分辨率、高清晰度的图像,以辅助进一步的人脸识别和分析任务,成为监控领域中人脸图像的超分辨率(FaceSuper-resolution,简称为FaceSR)重建的目标。现有图像的超分辨率重建方法一般是使用插值算法对原始图像进行上采样,从而获得分辨率放大后的图像。这样操作之后得到的图像的分辨率虽然被放大了,但是原始图像上存在的噪声也被放大了,反而不利于后续的任务。另外,目前部分方案可以做到既能提升图像的分辨率,也能去除原始图像中的噪声,但是大部分是针对通用场景的图像,比如自然风景图像。然而由于人脸区域带有很明显的类别特征,若将用于通用场景图像的超分辨率重建方法直接应用到人脸图像中其重建效果甚微。
技术实现思路
有鉴于此,本专利技术实施例提供了一种人脸图像的超分辨率重建模型的训练及重建方法,以解决将通用场景下的超分辨率重建方法直接应用到人脸图像中重建效率甚微的问题。根据第一 ...
【技术保护点】
1.一种人脸图像的超分辨率重建模型的训练方法,其特征在于,包括:/n获取第一样本图像以及所述第一样本图像对应的第二样本图像,所述第一样本图像的分辨率高于所述第二样本图像的分辨率;/n将所述第二样本图像输入超分辨率重建模型中,得到第一重建图像;/n计算所述第一重建图像以及所述第一样本图像的先验信息,并确定人脸先验信息损失;/n根据所述人脸先验信息损失,对所述超分辨率重建模型的参数进行更新,以确定目标超分辨率重建模型。/n
【技术特征摘要】
1.一种人脸图像的超分辨率重建模型的训练方法,其特征在于,包括:
获取第一样本图像以及所述第一样本图像对应的第二样本图像,所述第一样本图像的分辨率高于所述第二样本图像的分辨率;
将所述第二样本图像输入超分辨率重建模型中,得到第一重建图像;
计算所述第一重建图像以及所述第一样本图像的先验信息,并确定人脸先验信息损失;
根据所述人脸先验信息损失,对所述超分辨率重建模型的参数进行更新,以确定目标超分辨率重建模型。
2.根据权利要求1所述的训练方法,其特征在于,所述根据所述人脸先验信息损失,对所述超分辨率重建模型的参数进行更新,以确定目标超分辨率重建模型,包括:
获取所述第二样本图像的亮度重建数据,所述亮度重建数据为所述超分辨重建模型对所述第二样本图像的亮度数据进行重建得到的;
基于所述第二样本图像的亮度重建数据以及所述第一样本图像的亮度数据,确定像素损失;
利用所述像素损失以及所述人脸先验信息损失,确定联合损失;
基于所述联合损失,对所述超分辨率重建模型的参数进行更新,以确定目标超分辨率重建模型。
3.根据权利要求2所述的训练方法,其特征在于,所述联合损失采用如下公式计算得到:
lsr=β1l1+β2l2,
其中,l1为所述像素损失,l2为所述人脸先验信息损失,β1、β2为对应的权重,W′、H′分别为所述第一样本图像的宽度以及高度,Ihr为第一样本图像,为所述第一样本图像的亮度数据,Ilr为所述第二样本图像,为所述第二样本图像的亮度重建数据,Isr为所述第一重建图像,为所述第一样本图像的人脸先验信息,为所述第一重建图像的人脸先验信息。
4.根据权利要求1所述的训练方法,其特征在于,所述根据所述人脸先验信息损失,对所述超分辨率重建模型的参数进行更新,以确定目标超分辨率重建模型,还包括:
基于所述人脸先验信息损失,对所述超分辨率重建模型的参数进行更新,以确定目标教师超分辨率重建模型;
对所述目标教师超分辨率重建模型的网络参数进行压缩,确定初始学生超分辨率重建模型;
对所述初始学生超分辨率重建模型进行训练,以调整所述初始学生超分辨率重建模型的参数,确定目标学生超分辨率重建模型。
5.根据权利要求4所述的训练方法,其特征在于,所述对所述目标教师超分辨率重建模型的网络参数进行压缩,确定初始学生超分辨率重建模型,包括:
利用所述目标教师超分辨率重建模型,确定所述初始学生超声分辨率重建模型的网络结构;
确定所述初始学生超分辨率重建模型中各个卷积层的卷积核通道数;
基于确定出的卷积核通道数,从所述目标教师超分辨率重建模型对应卷积层中提取相应卷积核通道数的参数,以对所述确定出的卷积核通道数的参数进行初始化;
初始化所述初始学生超分辨率重建模型中其他层的参数,以确定所述初始学生超分辨率重建模型。
6.根据权利要求5所述的训练方法,其特征在于,所述对所述初始学生超分辨率重建模型进行训练,以调整所述初始学生超分辨率重...
【专利技术属性】
技术研发人员:姚佳丽,胡旭阳,李瑮,
申请(专利权)人:苏州科达科技股份有限公司,
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。