CN109829396B - 人脸识别运动模糊处理方法、装置、设备及存储介质 - Google Patents
人脸识别运动模糊处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109829396B CN109829396B CN201910039567.2A CN201910039567A CN109829396B CN 109829396 B CN109829396 B CN 109829396B CN 201910039567 A CN201910039567 A CN 201910039567A CN 109829396 B CN109829396 B CN 109829396B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- images corresponding
- feature points
- face feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸识别运动模糊处理方法、装置、设备及存储介质,该方法包括:分别对模糊图像、人脸图像进行识别,获取模糊图像的区域图像和人脸特征图像、人脸图像的人脸特征图像,将模糊图像的区域图像和人脸特征图像、人脸图像的人脸特征图像进行空间匹配映射;根据注意力掩码对模糊图像的区域图像和人脸特征图像中的各特征点赋权,通过模糊图像的区域图像和人脸特征图像、人脸图像的人脸特征图像对生成式对抗网络进行训练,得到具有清晰人脸的图像,通过对模糊图像的实例级别图像与人脸图像的实例级别图像进行匹配,将注意力机制整合到生成式对抗网络以学习模糊图像的人脸区域,形成具有清晰人脸的图像,提高人脸识别的精度。
Description
技术领域
本发明涉及人脸识别领域,尤其涉及一种人脸识别运动模糊处理方法、装置、设备及存储介质。
背景技术
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。随着自动化信息化时代的到来,人脸识别在现实生活中有了越来越多的应用。因为人脸信息具有独特性,难以伪造且易于采集,广泛应用于门禁系统、视频监控和身份验证技术领域。
现有的人脸识别方法一般通过获取待识别图像,采用人脸定位算法框住人脸;然后把框住的人脸与数据库中的证件照进行匹配,如果匹配成功,识别出人的身份,否则不成功。
但是在实际应用过程中,由于人不是静止的,也就是摄像机拍照人,一般都是处于运动状态,因此,拍摄所得的图像会产生运动模糊的效应,导致图像出现随机模糊的情况,导致人脸识别的精度大幅度下降。
发明内容
针对上述问题,本发明的目的在于提供一种人脸识别运动模糊处理方法、装置、设备及存储介质,其能够有效提高人脸识别的精度。
第一方面,本发明实施例提供了一种人脸识别运动模糊处理方法,包括:
对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像;
对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像;
将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射;
根据预设的注意力掩码对所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的各特征点赋权;
通过所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像,对预先建立的生成式对抗网络进行训练,得到所述模糊图像对应的具有清晰人脸的图像。
优选地,所述对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像,具体包括:
采用预先建立的第一卷积自编码器对所述模糊图像进行编码,并提取所述模糊图像的区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像。
优选地,所述对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像,具体包括:
采用预先建立的第二卷积自编码器对所述人脸图像进行编码,并提取所述人脸图像中多个人脸特征点对应的人脸特征图像。
优选地,所述将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射,具体包括:
将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像依次与所述人脸图像中多个人脸特征点对应的人脸特征图像进行相似度匹配;
当所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像中的任意一个图像的相似度大于预设相似度阈值时,建立所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像中的任意一个图像的映射关系,得到所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像的空间匹配映射结果。
优选地,所述方法包括:
利用余弦相似度算法计算所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像任意一个图像的相似度。
优选地,所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的人脸特征点的权值大于第一阈值,所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的非人脸特征点的权值不大于第二阈值。
第二方面,本发明实施例提供了一种人脸识别运动模糊处理装置,包括:
第一图像处理模块,用于对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像;
第二图像处理模块,用于对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像;
图像匹配模块,用于将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射;
赋权模块,用于根据预设的注意力掩码对所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的各特征点赋权;
人脸重建模块,用于通过所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像,对预先建立的生成式对抗网络进行训练,得到所述模糊图像对应的具有清晰人脸的图像。
优选地,所述第一图像处理模块,用于采用预先建立的第一卷积自编码器对所述模糊图像进行编码,并提取所述模糊图像的区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像。
第三方面,本发明实施例提供了一种人脸识别运动模糊处理设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的人脸识别运动模糊处理方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面所述的人脸识别运动模糊处理方法。
相对于现有技术,本发明实施例的有益效果在于:
通过对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像,对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像,实现将待处理的模糊图像以及预先采集的人脸图像从集合级别分解成实例级别;将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射,根据预设的注意力掩码对所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的各特征点赋权,通过所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像,对预先建立的生成式对抗网络进行训练,得到所述模糊图像对应的具有清晰人脸的图像,通过对模糊图像对应的实例级别图像集与人脸图像对应的实例级别图像进行匹配,并通过赋权的方式,将模糊图像中的人脸特征点标识出来,通过学习训练,让生成式对抗网络学习模糊图像的人脸区域,形成具有清晰人脸的图像,提高人脸识别的精度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的人脸识别运动模糊处理方法的流程示意图;
图2是本发明第二实施例提供的人脸识别运动模糊处理装置的示意框图;
图3是本发明第三实施例提供的人脸识别运动模糊处理设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参照图1,本发明第一实施例提供了一种人脸识别运动模糊处理方法,该方法由人脸识别运动模糊处理设备执行,具体包括以下步骤:
S11:对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像;
本发明实施例通过识别模糊图像的特征点,并提取模糊图像中不同部位的图块,例如衣服区域图像、手臂区域图像、腿部区域图像、场景区域图像、人脸区域图像、眼睛特征图像、嘴巴特征图像、鼻子特征图像、额头特征图像、眉毛特征图像等,模糊图像实现从集合级别到实例级别的转换。
S12:对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像;
需要说明的是,所述人脸图像可以是清晰的证件照片。本发明实施例通过识别人脸图像的人脸特征点,并提取模糊图像中不同器官的图块,例如眼睛特征图像、嘴巴特征图像、鼻子特征图像、额头特征图像、眉毛特征图像等,人脸图像实现从集合级别到实例级别的转换。
S13:将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射;
空间匹配映射的目的在于比较针对同一或不同对象在不同条件下获取的图像,例如步骤11中在运动状态下拍摄的模糊图像、步骤12中静态下拍摄的证件照片。具体地说,对于实例级别的区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像,通过寻找一种空间变换把一人脸图像中的人脸特征映射到模糊图像,使得两图中对应于空间同一位置的点一一对应起来,实现图像融合。
S14:根据预设的注意力掩码对所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的各特征点赋权;
进一步地,所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的人脸特征点的权值大于第一阈值,所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的非人脸特征点的权值不大于第二阈值。
例如,所述第一阈值为0.1;所述第二阈值为0.001。注意力掩码的原理在于通过另一层新的权值,将中关键的特征标识出来,通过学习训练,让深度神经网络学到每一张图像中需要关注的区域,形成了注意力。在本发明实施例中,将眼角特征点的权值设为0.5,嘴角特征点的权值0.1,鼻子特征点的权值0.4,其他位置特征点的权值设为0.001,通过在图像增加一层权值,使得所述模糊图像中权值较大的关注区域在生成式对抗网络的神经元激活,权值较小的不关注区域在生成式对抗网络的神经元很可能一直处于不激活状态的,从而实现模糊图像的人脸重建,提高人脸识别精度。进一步,由于不需要提供与所述模糊图像一一对应的清晰图像,只需证件照片即可实现模糊图像的人脸识别,降低人脸识别的难度,同时,生成式对抗网络只需对模糊图像中的人脸区域重建,能有效提高人脸识别的效率。
S15:通过所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像,对预先建立的生成式对抗网络进行训练,得到所述模糊图像对应的具有清晰人脸的图像。
所述生成式对抗网络融合了注意力网络和卷积神经网络。所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像作为生成式对抗网络的输入,通过学习训练,关注并重建模糊图像的人脸区域。
本发明实施例中,分别对模糊图像和人脸图像进行识别,对不同部位提取的特征图,例如模糊图像的区域图像包括:衣服区域图像、手臂区域图像、腿部区域图像、场景区域图像、人脸区域图像等;所述模糊图像中多个人脸特征点对应的人脸特征图像包括:眼睛特征图像、嘴巴特征图像、鼻子特征图像、额头特征图像、眉毛特征图像等;所述人脸图像中多个人脸特征点对应的人脸特征图像包括:眼睛特征图像、嘴巴特征图像、鼻子特征图像、额头特征图像、眉毛特征图像等,并对模糊图像和人脸图像的图像集合进行空间匹配映射,然后通过在模糊图像增加一层权值,使得所述模糊图像中权值较大的关注区域在生成式对抗网络的神经元激活,权值较小的不关注区域在生成式对抗网络的神经元很可能一直处于不激活状态的,从而实现模糊图像的人脸重建,将注意力机制整合在生成式对抗网络中,提升训练的速度,降低设备的数据处理量,提高人脸识别精度。
在一种可选的实施例中,S11:对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像,具体包括:
采用预先建立的第一卷积自编码器对所述模糊图像进行编码,并提取所述模糊图像的区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像。
需要说明的是,卷积自编码器利用卷积神经网络的卷积和池化操作,实现特征不变性提取(invariant feature)的无监督特征提取。本发明实施例对第一卷积自编码器对所述模糊图像编码的方式不做具体的限定,例如,可以通过对模糊图像按照不同部位的特征(例如眼睛、鼻子、头的轮廓)设置像素值进行卷积,得到每一个图块就是针对某个部位提取的特征图,得到S集合。进一步地,所述模糊图像的区域图像包括:衣服区域图像、手臂区域图像、腿部区域图像、场景区域图像、人脸区域图像等;所述模糊图像中多个人脸特征点对应的人脸特征图像包括:眼睛特征图像、嘴巴特征图像、鼻子特征图像、额头特征图像、眉毛特征图像等。
在一种可选的实施例中,S12:对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像,具体包括:
采用预先建立的第二卷积自编码器对所述人脸图像进行编码,并提取所述人脸图像中多个人脸特征点对应的人脸特征图像。
本发明实施例对第二卷积自编码器对所述模糊图像编码的方式不做具体的限定,例如,可以通过对人脸图像按照不同部位的特征(例如眼睛、鼻子、头的轮廓)设置像素值进行卷积,得到每一个图块就是针对某个部位提取的特征图,得到T集合。进一步地,所述人脸图像中多个人脸特征点对应的人脸特征图像包括:眼睛特征图像、嘴巴特征图像、鼻子特征图像、额头特征图像、眉毛特征图像等。
在一种可选的实施例中,S13:将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射,具体包括:
将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像依次与所述人脸图像中多个人脸特征点对应的人脸特征图像进行相似度匹配;
当所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像中的任意一个图像的相似度大于预设相似度阈值时,建立所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像中的任意一个图像的映射关系,得到所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像的空间匹配映射结果。
在本发明实施例中,将上述步骤S11和S12得到的S集合和T集合投影到一个共享的潜在空间进行空间匹配映射,需要说明的是,本发明实施例对空间匹配的算法不做具体的限定,例如可以是余弦相似度算法、距离算法、哈希算法、SIFT算法等。当S集合中一个图像与T集合中一个图像的相似度大于预设相似度阈值(例如0.8)时,建立这两个匹配图像之间的映射关系,例如,将S集合中一个鼻子特征图像与T集合中一个耳朵特征图像进行相似度匹配,相似度低于预设的相似度阈值,那么就说明这两个特征图像不能匹配;将S集合中一个鼻子特征图像与T集合中一个鼻子特征图像进行相似度匹配,相似度高于预设的相似度阈值,那么就说明这两个特征图像匹配;历遍S集合和T集合中的图像,得到所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像的空间匹配映射结果。
本发明实施例对通过步骤S11和S12得到的实例级别的图像进行映射,避免了集合级别的训练库一一强制对应的关系,提升了生成式对抗网络的泛化性和制作速度、提升生成式对抗网络的训练库标注数据的速度。
在一种可选的实施例中,所述方法包括:
利用余弦相似度算法计算所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像任意一个图像的相似度。
相对于现有技术,本发明实施例的有益效果在于:
分别对模糊图像和人脸图像进行识别,对不同部位提取的特征图,例如模糊图像的区域图像包括:衣服区域图像、手臂区域图像、腿部区域图像、场景区域图像、人脸区域图像等;所述模糊图像中多个人脸特征点对应的人脸特征图像包括:眼睛特征图像、嘴巴特征图像、鼻子特征图像、额头特征图像、眉毛特征图像等;所述人脸图像中多个人脸特征点对应的人脸特征图像包括:眼睛特征图像、嘴巴特征图像、鼻子特征图像、额头特征图像、眉毛特征图像等,并对模糊图像和人脸图像的图像集合进行空间匹配映射,然后通过在模糊图像增加一层权值,使得所述模糊图像中权值较大的关注区域在生成式对抗网络的神经元激活,权值较小的不关注区域在生成式对抗网络的神经元很可能一直处于不激活状态的,从而实现模糊图像的人脸重建,将注意力机制整合在生成式对抗网络中,提升训练的速度,降低设备的数据处理量,提高人脸识别精度。
请参阅图2,本发明第二实施例提供了一种人脸识别运动模糊处理装置,包括:
第一图像处理模1,用于对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像;
第二图像处理模块2,用于对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像;
图像匹配模块3,用于将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射;
赋权模块4,用于根据预设的注意力掩码对所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的各特征点赋权;
人脸重建模块5,用于通过所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像,对预先建立的生成式对抗网络进行训练,得到所述模糊图像对应的具有清晰人脸的图像。
在一种可选的实施例中,所述第一图像处理模块1,用于采用预先建立的第一卷积自编码器对所述模糊图像进行编码,并提取所述模糊图像的区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像。
在一种可选的实施例中,所述第二图像处理模块2,用于采用预先建立的第二卷积自编码器对所述人脸图像进行编码,并提取所述人脸图像中多个人脸特征点对应的人脸特征图像。
在一种可选的实施例中,所述图像匹配模块3包括:
相似度匹配单元,用于将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像依次与所述人脸图像中多个人脸特征点对应的人脸特征图像进行相似度匹配;
图像映射单元,用于当所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像中的任意一个图像的相似度大于预设相似度阈值时,建立所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像中的任意一个图像的映射关系,得到所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像的空间匹配映射结果。
在一种可选的实施例中,所述相似度匹配单元包括:
相似度计算单元,用于利用余弦相似度算法计算所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像任意一个图像的相似度。
在一种可选的实施例中,所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的人脸特征点的权值大于第一阈值,所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的非人脸特征点的权值不大于第二阈值。
本实施中的人脸识别运动模糊处理装置与第一实施例中的人脸识别运动模糊处理方法的原理和过程相同,在此不在重复说明。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
参见图3,是本发明第三实施例提供的人脸识别运动模糊处理设备的示意图。如图3所示,该人脸识别运动模糊处理设备包括:至少一个处理器11,例如CPU,至少一个网络接口14或者其他用户接口13,存储器15,至少一个通信总线12,通信总线12用于实现这些组件之间的连接通信。其中,用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器,也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中,存储器15存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:
操作系统151,包含各种系统程序,用于实现各种基础业务以及处理基于硬件的任务;
程序152。
具体地,处理器11用于调用存储器15中存储的程序152,执行上述实施例所述的人脸识别运动模糊处理方法,例如图1所示的步骤S11。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如第一图像处理模块。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述人脸识别运动模糊处理设备中的执行过程。
所述人脸识别运动模糊处理设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述人脸识别运动模糊处理设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是人脸识别运动模糊处理设备的示例,并不构成对人脸识别运动模糊处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
所称处理器11可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器11是所述人脸识别运动模糊处理设备的控制中心,利用各种接口和线路连接整个人脸识别运动模糊处理设备的各个部分。
所述存储器15可用于存储所述计算机程序和/或模块,所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述人脸识别运动模糊处理设备的各种功能。所述存储器15可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器15可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述人脸识别运动模糊处理设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明第四实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例中任意一项所述的人脸识别运动模糊处理方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种人脸识别运动模糊处理方法,其特征在于,包括:
对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像;
对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像;
将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射;
根据预设的注意力掩码对所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的各特征点赋权;
通过所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像,对预先建立的生成式对抗网络进行训练,得到所述模糊图像对应的具有清晰人脸的图像。
2.如权利要求1所述的人脸识别运动模糊处理方法,其特征在于,所述对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像,具体包括:
采用预先建立的第一卷积自编码器对所述模糊图像进行编码,并提取所述模糊图像的区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像。
3.如权利要求1所述的人脸识别运动模糊处理方法,其特征在于,所述对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像,具体包括:
采用预先建立的第二卷积自编码器对所述人脸图像进行编码,并提取所述人脸图像中多个人脸特征点对应的人脸特征图像。
4.如权利要求1所述的人脸识别运动模糊处理方法,其特征在于,所述将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射,具体包括:
将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像依次与所述人脸图像中多个人脸特征点对应的人脸特征图像进行相似度匹配;
当所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像中的任意一个图像的相似度大于预设相似度阈值时,建立所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像中的任意一个图像的映射关系,得到所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像的空间匹配映射结果。
5.如权利要求4所述的人脸识别运动模糊处理方法,其特征在于,所述方法包括:
利用余弦相似度算法计算所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的任意一个图像与所述人脸图像中多个人脸特征点对应的人脸特征图像任意一个图像的相似度。
6.如权利要求1所述的人脸识别运动模糊处理方法,其特征在于,所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的人脸特征点的权值大于第一阈值,所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的非人脸特征点的权值不大于第二阈值。
7.一种人脸识别运动模糊处理装置,其特征在于,包括:
第一图像处理模块,用于对待处理的模糊图像进行识别,获取区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像;
第二图像处理模块,用于对人脸图像进行识别,获取所述人脸图像中多个人脸特征点对应的人脸特征图像;
图像匹配模块,用于将所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像进行空间匹配映射;
赋权模块,用于根据预设的注意力掩码对所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像中的各特征点赋权;
人脸重建模块,用于通过所述区域图像、所述模糊图像中多个人脸特征点对应的人脸特征图像与所述人脸图像中多个人脸特征点对应的人脸特征图像,对预先建立的生成式对抗网络进行训练,得到所述模糊图像对应的具有清晰人脸的图像。
8.如权利要求7所述的人脸识别运动模糊处理装置,其特征在于,所述第一图像处理模块,用于采用预先建立的第一卷积自编码器对所述模糊图像进行编码,并提取所述模糊图像的区域图像以及所述模糊图像中多个人脸特征点对应的人脸特征图像。
9.一种人脸识别运动模糊处理设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的人脸识别运动模糊处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的人脸识别运动模糊处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910039567.2A CN109829396B (zh) | 2019-01-16 | 2019-01-16 | 人脸识别运动模糊处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910039567.2A CN109829396B (zh) | 2019-01-16 | 2019-01-16 | 人脸识别运动模糊处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829396A CN109829396A (zh) | 2019-05-31 |
CN109829396B true CN109829396B (zh) | 2020-11-13 |
Family
ID=66860549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910039567.2A Active CN109829396B (zh) | 2019-01-16 | 2019-01-16 | 人脸识别运动模糊处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829396B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321801B (zh) * | 2019-06-10 | 2021-08-03 | 浙江大学 | 一种基于自编码网络的换衣行人重识别方法及系统 |
CN110347192B (zh) * | 2019-06-17 | 2020-11-03 | 武汉理工大学 | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 |
CN110378235B (zh) * | 2019-06-20 | 2024-05-28 | 平安科技(深圳)有限公司 | 一种模糊人脸图像识别方法、装置及终端设备 |
CN112766028B (zh) * | 2019-11-06 | 2024-05-03 | 深圳云天励飞技术有限公司 | 人脸模糊处理方法、装置、电子设备及存储介质 |
CN111710008B (zh) * | 2020-05-29 | 2023-07-11 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
CN112989904B (zh) * | 2020-09-30 | 2022-03-25 | 北京字节跳动网络技术有限公司 | 风格图像生成方法、模型训练方法、装置、设备和介质 |
CN112308091B (zh) * | 2020-10-27 | 2024-04-26 | 深圳市你好时代网络有限公司 | 一种多聚焦序列图像的特征提取方法及设备 |
CN112800937B (zh) * | 2021-01-26 | 2023-09-05 | 华南理工大学 | 一种智能人脸识别方法 |
CN116486464B (zh) * | 2023-06-20 | 2023-09-01 | 齐鲁工业大学(山东省科学院) | 一种基于注意力机制的卷积对抗网络的人脸伪造检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839033A (zh) * | 2012-11-20 | 2014-06-04 | 广东工业大学 | 一种基于模糊规则的人脸识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839233B (zh) * | 2014-01-20 | 2017-05-10 | 左旺孟 | 一种相机抖动造成的模糊图像复原方法 |
CN107870666B (zh) * | 2016-09-28 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 一种终端控制方法及终端 |
CN108416752B (zh) * | 2018-03-12 | 2021-09-07 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
CN108846820A (zh) * | 2018-07-10 | 2018-11-20 | 深圳市唯特视科技有限公司 | 一种基于尺度递归网络的深度图像去模糊方法 |
-
2019
- 2019-01-16 CN CN201910039567.2A patent/CN109829396B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839033A (zh) * | 2012-11-20 | 2014-06-04 | 广东工业大学 | 一种基于模糊规则的人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109829396A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829396B (zh) | 人脸识别运动模糊处理方法、装置、设备及存储介质 | |
CN109359538B (zh) | 卷积神经网络的训练方法、手势识别方法、装置及设备 | |
CN110363091B (zh) | 侧脸情况下的人脸识别方法、装置、设备及存储介质 | |
CN109416727B (zh) | 一种人脸图像中眼镜去除方法及装置 | |
US20220172518A1 (en) | Image recognition method and apparatus, computer-readable storage medium, and electronic device | |
WO2022078041A1 (zh) | 遮挡检测模型的训练方法及人脸图像的美化处理方法 | |
CN110659589B (zh) | 基于姿态和注意力机制的行人再识别方法、系统、装置 | |
CN110852310B (zh) | 三维人脸识别方法、装置、终端设备及计算机可读介质 | |
WO2022179401A1 (zh) | 图像处理方法、装置、计算机设备、存储介质和程序产品 | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN110781770B (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
CN111695462A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN111814194A (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
CN113570684A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
KR20220076398A (ko) | Ar장치를 위한 객체 인식 처리 장치 및 방법 | |
CN113298158A (zh) | 数据检测方法、装置、设备及存储介质 | |
CN110610131B (zh) | 人脸运动单元的检测方法、装置、电子设备及存储介质 | |
CN111160251A (zh) | 一种活体识别方法及装置 | |
CN111126250A (zh) | 一种基于ptgan的行人重识别方法及装置 | |
CN110008922A (zh) | 用于终端设备的图像处理方法、设备、装置、介质 | |
KR102160955B1 (ko) | 딥 러닝 기반 3d 데이터 생성 방법 및 장치 | |
Lahasan et al. | Recognizing faces prone to occlusions and common variations using optimal face subgraphs | |
CN112001285A (zh) | 一种美颜图像的处理方法、装置、终端和介质 | |
CN112580395A (zh) | 基于深度信息的3d人脸活体识别方法、系统、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |