一种基于光线补偿的深度学习侧脸图像处理方法及系统技术方案

本发明专利技术公开了一种基于光线补偿的深度学习侧脸图像处理方法及系统，属于图像处理技术领域，包括：S1、构建数据集；S101、对原始图像进行抠图，得到侧脸区域和背景图像区域；S102、将侧脸区域标记为1；S103、根据所述侧脸区域的大小，在背景图像区域中，随机抠取同等大小的对比图像，将对比图像标记为0；S104、重复N次S103，得到N张对比图像；S105、更换原始图像，重复S101～S104，得到侧脸识别数据集；S2、通过人工神经网络对侧脸识别数据集中的抠图进行光线补偿，得到补偿图像；S3、侧脸识别；S301、将补偿图像分割成M个区域子图；S302、对每个区域子图进行侧脸识别，获得侧脸图像。获得侧脸图像。获得侧脸图像。

【技术实现步骤摘要】
一种基于光线补偿的深度学习侧脸图像处理方法及系统


[0001]本专利技术属于图像处理
，特别是涉及一种基于光线补偿的深度学习侧脸图像处理方法及系统。

技术介绍

[0002]众所周知，人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。
[0003]目前，人脸识别系统主要包括图像摄取、人脸定位、图像预处理、以及人脸识别（身份确认或者身份查找）。其中：图像摄取质量的优劣将直接影响后期的：图像处理难易度、处理后结果的准确性；质量较好的图像（主要体现在完整性和清晰度两方面）能够极大降低图像处理的难度，并且提高识别的准确性。
[0004]在实际图像采集过程中，有时很难获取到完整的清晰图像，比如，一些违法分子在作案时，经常避开摄像头，此时的摄像头很难抓取到完整清晰的人物面部图像，经常抓取到的只是人物的侧面信息；并经常处于阴暗角落，针对这些低质量的图像，为了识别阴暗角落受遮挡的侧脸，传统技术采用的是在整个图像中识别出侧脸区域，并将侧脸纠偏为正脸，基于图像插值通常使用正脸、侧脸不同角度的完整对照图像做为数据集，这些方法没有考虑背景和应用场景，对于目标人物在阴暗角落仅露出部分侧脸的场景极难正确识别。实验发现：这种传统的人脸识别技术很难快速准确地获得识别结果；为此，设计开发一种能够快速准确地识别侧脸图像的基于光线补偿的深度学习侧脸图像处理方法及系统显得是尤为重要。

技术实现思路

[0005]技术目的本专利技术提供一种基于光线补偿的深度学习侧脸图像处理方法及系统；基于光线补偿的深度学习模型，用于对侧脸图像进行准确识别和纠偏。
[0006]技术方案本专利技术的第一目的是提供一种基于光线补偿的深度学习侧脸图像处理方法，包括如下步骤：S1、构建数据集；具体为：S101、对原始图像进行抠图，得到侧脸区域和背景图像区域；S102、将所述侧脸区域标记为1；S103、根据所述侧脸区域的大小，在所述背景图像区域中，随机抠取同等大小的对比图像，将对比图像标记为0；S104、重复N次S103，得到N张对比图像，N为大于1的自然数；S105、更换原始图像，重复S101～S104，得到侧脸识别数据集；
S2、通过人工神经网络对侧脸识别数据集中的抠图进行光线补偿，得到补偿图像；S3、侧脸识别；具体为：S301、将补偿图像分割成M个区域子图；M为大于1的自然数；S302、对每个区域子图进行侧脸识别，获得侧脸图像。
[0007]优选地，所述S2具体为：S201、通过卷积神经网络A对侧脸识别数据集中的抠图进行卷积处理，得到卷积数据集；S202、通过全连接A对卷积数据集进行处理；得到连接数据集；S203、对所述连接数据集和侧脸识别数据集进行光线补偿。
[0008]优选地，在所述S203中，光线补偿公式为：；其中，S(x,y)为抠图，D(x,y)为光线补偿后的图像，F(x,y)为人工神经网络。
[0009]优选地，S3完成后，计算损失，损失函数Loss1为：；其中，L为像素点个数的3倍，即三个通道像素点之和；i,j分别为像素点横纵坐标，1<=k<=3，k代表RGB三个通道；y
ijk
为像素的标记，若像素属于所抠侧脸区域，则y
ijk
为1，否则y
ijk
为0；y
’
ijk
为当前模型预测该像素属于侧脸区域的概率，一般为0
‑
1之间的一个小数；计算出损失后，通过梯度下降法调整由卷积神经网络A和全连接A所构成的网络的各个神经元参数的权值（卷积神经网络A和全连接A所需要的人工神经网络层次和各层神经元的个数由用户自行确定）。
[0010]优选地，所述S3之前还包括：S4、对侧脸图像进行纠偏；具体为：S401、选取同一人物的若干侧脸图像、正脸图像配对；形成纠偏数据集；S402、将所述纠偏数据集进行侧脸纠偏训练；形成侧脸纠偏模型；S403、导入侧脸图像，利用侧脸纠偏模型将侧脸图像转为正脸图像。
[0011]优选地，所述S402具体为：S4021、将侧脸图像导入卷积神经网络B进行处理，得到第一侧脸卷积图像；S4022、将第一侧脸卷积图像导入第一全连接，得到第一侧脸连接图像；S4023、对所述第一侧脸连接图像进行编码，形成隐含特征；S4024、将S4023得到的侧脸图像导入第二全连接，得到第二侧脸连接图像；S4025、将第二侧脸连接图像导入反卷积神经网络进行处理，得到第二侧脸卷积图像。
[0012]优选地，所述S403之后还包括：S404、根据正脸图像，计算两者交叉熵损失，进而调整卷积神经网络B、第一全连接、第二全连接和反卷积神经网络的权值；具体为：首先逐通道逐像素计算交叉熵损失Loss2；
；其中：L为像素点个数的3倍，即三个通道像素点之和；i,j分别为像素点横纵坐标，1<=k<=3，k代表RGB三个通道；q
ijk
即为采集正脸图像第i行第j列第k通道的颜色值分布概率，p
ijk
为预测正脸的采集正脸图像第i行第j列第k通道的颜色值分布概率；然后根据梯度下降方法，调整卷积神经网络B、第一全连接、第二全连接和反卷积神经网络的权值。
[0013]本专利技术的第二目的是提供一种基于光线补偿的深度学习侧脸图像处理系统，包括：数据集构建模块，用于构建数据集；数据集构建模块包括：抠图模块，对原始图像进行抠图，得到侧脸区域和背景图像区域；第一标记模块，将所述侧脸区域标记为1；第二标记模块，根据所述侧脸区域的大小，在所述背景图像区域中，随机抠取同等大小的对比图像，将对比图像标记为0；循环模块，重复N次第二标记模块，得到N张对比图像，N为大于1的自然数；数据集成型模块，更换原始图像，重复执行抠图模块、第一标记模块、第二标记模块和循环模块，得到侧脸识别数据集；光线补偿模块，接收数据集构建模块中的侧脸识别数据集，通过人工神经网络对侧脸识别数据集中的抠图进行光线补偿；得到补偿图像；侧脸识别模块，接收所述补偿图像，并进行侧脸识别，侧脸识别模块包括：划分模块，将补偿图像分割成M个区域子图；M为大于1的自然数；获取模块，对每个区域子图进行侧脸识别，获得侧脸图像；侧脸纠偏模块，接收侧脸图像，并进行纠偏，侧脸纠偏模块包括：纠偏数据集形成模块，选取同一人物的若干侧脸图像、正脸图像配对；形成纠偏数据集；训练模块，将所述纠偏数据集进行侧脸纠偏训练；形成侧脸纠偏模型；纠偏执行模块，导入侧脸图像，利用侧脸纠偏模型将侧脸图像转为正脸图像。
[0014]本专利的第三专利技术目的是提供一种实现上述基于光线补偿的深度学习侧脸图像处理方法的信息数据处理终端。
[0015]本专利的第四专利技术目的是提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于光线补偿的深度学习侧脸图像处理方法。...

【技术保护点】

【技术特征摘要】
1.一种基于光线补偿的深度学习侧脸图像处理方法，其特征在于，包括如下步骤：S1、构建数据集；具体为：S101、对原始图像进行抠图，得到侧脸区域和背景图像区域；S102、将所述侧脸区域标记为1；S103、根据所述侧脸区域的大小，在所述背景图像区域中，随机抠取同等大小的对比图像，将对比图像标记为0；S104、重复N次S103，得到N张对比图像，N为大于1的自然数；S105、更换原始图像，重复S101～S104，得到侧脸识别数据集；S2、通过人工神经网络对侧脸识别数据集中的抠图进行光线补偿，得到补偿图像；S3、侧脸识别；具体为：S301、将补偿图像分割成M个区域子图；M为大于1的自然数；S302、对每个区域子图进行侧脸识别，获得侧脸图像。2.根据权利要求1所述的基于光线补偿的深度学习侧脸图像处理方法，其特征在于，所述S2具体为：S201、通过卷积神经网络A对侧脸识别数据集中的抠图进行卷积处理，得到卷积数据集；S202、通过全连接A对卷积数据集进行处理；得到连接数据集；S203、对所述连接数据集和侧脸识别数据集进行光线补偿。3.根据权利要求2所述的基于光线补偿的深度学习侧脸图像处理方法，其特征在于，在所述S203中，光线补偿公式为：；其中，S(x,y)为抠图，D(x,y)为光线补偿后的图像，F(x,y)为人工神经网络。4.根据权利要求1所述的基于光线补偿的深度学习侧脸图像处理方法，其特征在于，S3完成后，计算损失，损失函数Loss1为：；其中，L为像素点个数的3倍；i,j分别为像素点横坐标和纵坐标，1<=k<=3，k代表RGB三个通道；y
ijk
为像素的标记，若像素属于抠侧脸区域，则y
ijk
为1，否则y
ijk
为0；y
’
ijk
为当前模型预测该像素属于侧脸区域的概率，y
’
ijk
为0
‑
1之间的小数；计算出损失后，通过梯度下降法调整由卷积神经网络A和全连接A所构成的网络的各个神经元参数的权值。5.根据权利要求1所述的基于光线补偿的深度学习侧脸图像处理方法，其特征在于，所述S3之前还包括：S4、对侧脸图像进行纠偏；具体为：S401、选取同一人物的若干侧脸图像、正脸图像配对；形成纠偏数据集；S402、将所述纠偏数据集进行侧脸纠偏训练；形成侧脸纠偏模型；S403、导入侧脸图像，利用侧脸纠偏模型将侧脸图像转为正脸图像。6.根据权利要求5所述的基于光线补偿的深度学习侧脸图像处理方法，其特征在于，所
述S402具体为：S4021、将侧脸图像导入卷积神经网络B进行处理，得到...

【专利技术属性】
技术研发人员：戴亦斌，
申请(专利权)人：武汉博特智能科技有限公司，
类型：发明
国别省市：