【技术实现步骤摘要】
一种由模糊监控视频重建高分辨率人脸图像的方法与系统
本专利技术涉及利用常规监控摄像头采集视频数据，利用图像处理及深度学习技术，实现监控视频图像中模糊人脸重建。
技术介绍
当前，采用深度学习技术重建模糊人脸图像具有较高的实用价值，因此是当前研究的热点和难点。大量监控设备的敷设是维护社会稳定的有力措施，但是监控设备录制视频容易受到物体运动、天气、距离及光照等因素的影响，导致监控捕捉得到人脸图像存在模糊难辨的问题，一定程度上增加了识别的难度。目前，基于生成式深度学习模型，以高精度重建监控视频模糊人脸图像为目标的研究少，缺乏具有较高实用价值的研究成果。为此，本专利技术基于生成式对抗网络在生成高清人脸方面的技术优势，采用级联式网络结构模型，在确保最大程度保留原始模糊人脸图像五官、面部轮廓等重要特征的基础上，实现人脸图像增强、细节特征填充、放大及优化功能，从而实现了高精度重建监控视频中模糊人脸图像。
技术实现思路
为了提高人脸识别性能，本专利技术提出一种由模糊监控视频重建高分辨率人脸图像的方法与系统，该方法基...
【技术保护点】
1.一种由模糊监控视频重建高分辨率人脸图像的方法，其特征在于，包括以下步骤：/n1)检测视频帧图像中人面部区域，得到模糊人脸图像；/n2)对模糊人脸图像进行预处理，包括尺寸调整及直方图均衡；/n3)利用由图像增强模块、一级图像放大模块、二级图像放大模块和图像优化模块构建的级联模糊人脸重建模型，得到高分辨率人脸图像；具体为：/n3.1)图像增强模块：首先对预处理后的模糊人脸图像进行人脸蒙板层处理，然后采用第一编解码网络和图像优化层输出人脸增强图像；/n3.2)一级图像放大模块：将人脸增强图像作为输入，采用第二编解码网络、图像优化层和人脸分割层输出一级人脸放大图像和人脸分割图像...
【技术特征摘要】
1.一种由模糊监控视频重建高分辨率人脸图像的方法，其特征在于，包括以下步骤：
1)检测视频帧图像中人面部区域，得到模糊人脸图像；
2)对模糊人脸图像进行预处理，包括尺寸调整及直方图均衡；
3)利用由图像增强模块、一级图像放大模块、二级图像放大模块和图像优化模块构建的级联模糊人脸重建模型，得到高分辨率人脸图像；具体为：
3.1)图像增强模块：首先对预处理后的模糊人脸图像进行人脸蒙板层处理，然后采用第一编解码网络和图像优化层输出人脸增强图像；
3.2)一级图像放大模块：将人脸增强图像作为输入，采用第二编解码网络、图像优化层和人脸分割层输出一级人脸放大图像和人脸分割图像；
3.3)二级图像放大模块：将一级人脸放大图像和人脸分割图像作为输入，采用第三编解码网络和图像优化层输出二级人脸放大图像；
3.4)图像优化模块：将二级人脸放大图像作为输入，引入随机噪声，采用第四编解码网络和图像优化层输出高分辨率人脸图像。
2.根据权利要求1所述的由模糊监控视频重建高分辨率人脸图像的方法，其特征在于，所述的级联模糊人脸重建模型在训练时，通过判别网络模型，与所述的级联模糊人脸重建模型构成生成式对抗网络，对级联模糊人脸重建模型进行训练。
3.根据权利要求2所述的由模糊监控视频重建高分辨率人脸图像的方法，其特征在于，将级联模糊人脸重建模型输出的结果作为判别网络模型的输入，计算人脸是否准确的置信度；所述的判别网络模型由特征降采样网络和激活函数层构成，计算公式为：
res＝sigmoid(featDis)(24)
其中，表示级联模糊人脸重建模型输出的结果，featDis表示判别网络模型中的特征采样网络的输出结果，downsample()表示特征降采样，ResNet()表示残差网络结构，sigmoid()表示激活函数，res表示置信度。
4.根据权利要求1所述的由模糊监控视频重建高分辨率人脸图像的方法，其特征在于，所述的第一编解码网络和第四编码网络由3个编码器和3个解码器级联构成，计算公式为：
其中，encoder()、decoder()分别表示编码器和解码器，feat表示输入特征，feati，i∈[1,6]，括号内的feati作为输入特征，括号外的feati作为输出特征；noise表示在编解码过程中注入的随机噪声，feat6作为第一或第四编解码网络的输出。
5.根据权利要求1所述的由模糊监控视频重建高分辨率人脸图像的方法，其特征在于，所述的图像增强模块中的人脸蒙板层采用低通滤波器实现，公式为：
式中，LPF表示低通滤波器，m1、m2表示滤波器尺度，pic表示目标图像，Facemask表示人脸蒙版结果。
...
【专利技术属性】
技术研发人员：鲍虎军，王小龙，徐晓刚，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33
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。