CN110909578A - 一种低分辨率图像识别方法、装置和存储介质 - Google Patents

一种低分辨率图像识别方法、装置和存储介质 Download PDF

Info

Publication number
CN110909578A
CN110909578A CN201811087182.5A CN201811087182A CN110909578A CN 110909578 A CN110909578 A CN 110909578A CN 201811087182 A CN201811087182 A CN 201811087182A CN 110909578 A CN110909578 A CN 110909578A
Authority
CN
China
Prior art keywords
image
resolution
low
resolution image
network
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.)
Pending
Application number
CN201811087182.5A
Other languages
English (en)
Inventor
李�杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Communications Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN201811087182.5A priority Critical patent/CN110909578A/zh
Publication of CN110909578A publication Critical patent/CN110909578A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明公开了一种低分辨率图像识别方法、装置和存储介质，用以针对低分辨率的图像进行识别，降低低分辨率图像识别的复杂度，并提高识别结果的准确性。低分辨率图像识别方法，包括：获取待识别的图像；将所述待识别的图像输入到图像识别模型中得到识别结果，其中，所述图像识别模型为利用主干网络、低分辨率图像分支网络以及高分辨率图像分支网络对样本图像进行训练得到的，所述样本图像中包括高分辨率的图像和利用所述高分辨率图像得到的低分辨率图像。

Description

一种低分辨率图像识别方法、装置和存储介质
技术领域
本发明涉及领域图像处理技术领域，尤其涉及一种低分辨率图像识别方法、装置和存储介质。
背景技术
在监控应用场景中，由于监控摄像头与被拍摄者之间距离较远，造成拍摄到的人脸图像分辨率低。在这样的场景下进行人脸识别面临着巨大的挑战。低分辨率人脸识别作为一项重要的课题受到广泛关注。解决低分辨率人脸识别的关键在于能够有效匹配人脸库中的高分辨率人脸图像和视频监控场景拍摄到的低分辨率人脸图像。
现有的低分辨率人脸识别技术中，将低分辨率图像重构成高分辨率图像，然后再进行高分辨率人脸图像之间的识别。但是该方法计算复杂度很高，非常耗时，而且普适性效果不佳。因此，如何针对低分辨率的人脸图像进行识别成为现有技术中亟待解决的技术问题之一。
发明内容
本发明实施例提供一种低分辨率图像识别方法、装置和存储介质，用以针对低分辨率的图像进行识别，降低低分辨率图像识别的复杂度，并提高识别结果的准确性。
第一方面，提供一种低分辨率图像识别方法，包括：
获取待识别的图像；
将所述待识别的图像输入到图像识别模型中得到识别结果，其中，所述图像识别模型为利用主干网络、低分辨率图像分支网络以及高分辨率图像分支网络对样本图像进行训练得到的，所述样本图像中包括高分辨率的图像和利用所述高分辨率图像得到的低分辨率图像。
可选地，利用主干网络、低分辨率图像分支网络以及高分辨率图像分支网络按照以下方法对样本图像进行训练得到所述图像识别模型：
将所述样本图像输入所述主干网络中进行训练以提取所述样本图像的图像特征值，直至所述主干网络的第一损失函数低于第一阈值；
根据样本图像的分辨率，将高分辨率的样本图像对应的图像特征值输入到所述高分辨率图像分支网络中继续训练，将低分辨率的样本图像对应的图像特征值输入到所述低分辨率图像分支网络中继续训练，直至高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数低于第二阈值。
可选地，按照以下公式确定所述主干网络的第一损失函数：
Figure BDA0001803447740000021
其中：
Ltrunck表示主干网络的第一损失函数；
m表示同一分辨率图像的数量；
n表示样本图像中的类别数；
vi表示第i个样本图像在所述主干网络中提取到的图像特征值；
Wj表示主干网络的券连接层中的权重矩阵W的第j列；
d表示预设的第一偏置项；
yi表示第i个样本图像对应的标签；
Figure BDA0001803447740000022
表示提取的特征值矩阵中第yi类特征值的中心；
λ表示预设的缩放比例因子。
可选地，按照以下公式确定所述高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数：Lbranch＝Lb+αLc+βLe，其中：
Figure BDA0001803447740000023
Figure BDA0001803447740000031
Figure BDA0001803447740000032
xi表示高分辨率分支网络从第i张高分辨率图像中提取到的特征值；
zi表示低分辨率分支网络从第i张低分辨率图像中提取到的特征值；
Hj表示高分辨率分支网络最后一层全连接的权值矩阵的第j列；
Lj表示低分辨率分支网络最后一层全连接的权值矩阵的第j列；
a表示预设的第二偏置项；
b表示预设的第三偏置项；
Figure BDA0001803447740000033
表示特征x中第j类特征值的中心；
Figure BDA0001803447740000034
表示特征z中第j类特征值的中心；
α和β为预设值。
可选地，利用所述高分辨率图像按照以下方法得到所述低分辨率图像：
将所述高分辨率图像下采样得到中间图像；
利用插值算法对所述中间图像进行处理得到所述低分辨率图像。
第二方面，提供一种低分辨率图像识别装置，包括：
获取单元，用于获取待识别的图像；
识别单元，用于将所述待识别的图像输入到图像识别模型中得到识别结果，其中，所述图像识别模型为利用主干网络、低分辨率图像分支网络以及高分辨率图像分支网络对样本图像进行训练得到的，所述样本图像中包括高分辨率的图像和利用所述高分辨率图像得到的低分辨率图像。
可选地，本发明实施例提供的低分辨率图像识别装置，还包括：
第一训练单元，用于将所述样本图像输入所述主干网络中进行训练以提取所述样本图像的图像特征值，直至所述主干网络的第一损失函数低于第一阈值；
第二训练单元，用于根据样本图像的分辨率，将高分辨率的样本图像对应的图像特征值输入到所述高分辨率图像分支网络中继续训练，将低分辨率的样本图像对应的图像特征值输入到所述低分辨率图像分支网络中继续训练，直至高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数低于第二阈值。
可选地，所述第一训练单元，用于按照以下公式确定所述主干网络的第一损失函数：
Figure BDA0001803447740000041
其中：
Ltrunck表示主干网络的第一损失函数；
m表示同一分辨率图像的数量；
n表示样本图像中的类别数；
vi表示第i个样本图像在所述主干网络中提取到的图像特征值；
Wj表示主干网络的券连接层中的权重矩阵W的第j列；
d表示预设的第一偏置项；
yi表示第i个样本图像对应的标签；
Figure BDA0001803447740000042
表示提取的特征值矩阵中第yi类特征值的中心；
λ表示预设的缩放比例因子。
可选地，所述第二训练单元，用于按照以下公式确定所述高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数：Lbranch＝Lb+αLcβLe，其中：
Figure BDA0001803447740000043
Figure BDA0001803447740000044
Figure BDA0001803447740000045
xi表示高分辨率分支网络从第i张高分辨率图像中提取到的特征值；
zi表示低分辨率分支网络从第i张低分辨率图像中提取到的特征值；
Hj表示高分辨率分支网络最后一层全连接的权值矩阵的第j列；
Lj表示低分辨率分支网络最后一层全连接的权值矩阵的第j列；
a表示预设的第二偏置项；
b表示预设的第三偏置项；
Figure BDA0001803447740000051
表示特征x中第j类特征值的中心；
Figure BDA0001803447740000052
表示特征z中第j类特征值的中心；
α和β为预设值。
可选地，本发明实施例提供的低分辨率图像识别装置，还包括：
下采样单元，用于将所述高分辨率图像下采样得到中间图像；
插值单元，用于利用插值算法对所述中间图像进行处理得到所述低分辨率图像。
第三方面，提供一种计算装置，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述任一低分辨率图像识别方法所述的步骤。
第四方面，提供一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行上述任一低分辨率图像识别方法所述的步骤。
本发明实施例提供的低分辨率图像识别方法、装置和存储介质，在图像识别模型训练阶段，采用主干网络和高分辨率分支网络以及低分辨率分支网络的网络结构，在主干网络提取到的特征基础之上进一步分别学习高分辨率和低分辨率图像的映射方法，以缩小对同一个人高、低分辨率图像特征表达之间的差异性，增大不同人之间图像特征表达的差异性，从而提高了识别结果的准确性，而且利用训练得到的图像识别模型可以快速识别出待识别的图像，从而降低低分辨率图像识别的复杂度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为根据本发明实施方式的卷积神经网络的网络结构示意图；
图2为根据本发明实施方式的图像识别模型训练的流程示意图；
图3为根据本发明实施方式的低分辨率图像识别方法的实施流程示意图；
图4为根据本发明实施方式的低分辨率图像识别装置的结构示意图；
图5为根据本发明实施方式的计算装置的结构示意图。
具体实施方式
为了降低低分辨率图像识别的复杂度，提高识别结果的准确性，本发明实施例提供了一种低分辨率图像识别方法、装置和存储介质。
本发明实施例提供的低分辨率图像识别方法可以应用于低分辨率图像的识别特别是低分辨率的人脸图像识别场景中。
需要说明的是，本发明中的终端设备可以是个人电脑(英文全称：PersonalComputer，PC)、平板电脑、个人数字助理(Personal Digita l Assistant，PDA)、个人通信业务(英文全称：Personal Communication Service，PCS)电话、笔记本和手机等终端设备，也可以是具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们能够向用户提供语音和/或数据连通性的设备，以及与无线接入网交换语言和/或数据。
另外，本发明实施例中的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
低分辨率图像识别的关键问题在于提取对分辨率变化鲁棒的特征，并且能衡量同一个人的高分辨率图像和低分辨率图像之间相似度。有鉴于此，本发明实施例提供了一种主干网络+分枝网络的卷积神经网络结构，采用深度学习的方法，利用高分辨率图像和与之对应的低分辨率图像学习针对特定分辨率的映射方法，将不同分辨率图像通过各自映射方法映射到公共子空间进行分类，使得高、低分辨率之间的差异最小化。其中主干网络采用了深度残差网络模型利用各种不同分辨率的图像进行训练，用于提取对分辨率的变化鲁棒性强的特征；分支网络采用特定分辨率的图像训练，即不同的分辨率图像在不同的分支网络上面进行训练，最终不同分辨率的图像得到不同的映射方法，在主干网络提取到的对分辨率变化鲁棒的特征基础之上进一步分别学习高分辨率和低分辨率图像的映射方法，以缩小对同一个人高、低分辨率图像特征表达之间的差异性，增大对不同人之间图像特征表达的差异性。如图1所示，为本发明实施例提供的卷积神经网络的网络结构示意图。
具体实施时，主干网络可以采用的34-ResNet深度残差网络的结构，其中卷积层的卷积核大小可以设为3×3，步长为1，Pooling(池化)层采用的最大值池化函数，因为最大化池化可以更多地保留图像的纹理信息，即反映类别的特征数据。核大小可以设为2×2，步长为2，每个卷积层的激活函数可以采用的是Relu函数。而每个分支网络是由2个全连接层组成的，即完成了两个非线性映射计算。
以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
如图2所示，其为本发明实施例中基于样本图像利用图1所示的卷积神经网络对图像识别模型进行训练的流程示意图，包括以下步骤：
S21、将样本图像输入主干网络中进行训练以提取样本图像的图像特征值，直至主干网络的第一损失函数低于第一阈值。
本发明实施例中，可以使用开源的CASIA-WebFace作为训练集，在训练开始之前，可以对训练集中包含的每一样本图像进行预处理，将每一样本图像处理为符合要求的图像。例如，可以利用开源工具MTCNN将训练集中的样本图像校正为112×112大小的图像，之后将图像下采样到20*20的中间图像，之后再利用插值算法对得到的中间图像进行处理得到训练所需的尺寸，本例中，即插值为112*112的图像，这样，可以利用训练集中包含的高分辨率图像得到模糊的大尺寸的低分辨率图像。本发明实施例中，以利用训练集中包含的高分辨率图像校正得到的特定尺寸大小的图像和根据该特定尺寸大小的图像得到的低分辨率图像作为样本图像对图像识别模型进行训练。
首先利用样本图像对主干网络进行训练，主干网络训练的目标是主干网络的第一损失函数低于第一阈值，第一损失函数低于第一阈值之前，每训练完一轮，需要调整主干网络的网络参数利用样本图像重新进行训练。或者，具体实施时，在训练次数达到预设的训练次数时，也可以停止训练。
本发明实施例中，可以按照以下公式确定所述主干网络的第一损失函数：
Figure BDA0001803447740000081
其中：
Ltrunck表示主干网络的第一损失函数；
m表示同一分辨率图像的数量；
n表示样本图像中的类别数，例如，在人脸图像识别场景中其可以为训练样本中包含的人数；
vi表示第i个样本图像在所述主干网络中提取到的图像特征值；
Wj表示主干网络的券连接层中的权重矩阵W的第j列；
d表示预设的第一偏置项；
yi表示第i个样本图像对应的标签；
Figure BDA0001803447740000091
表示提取的特征值矩阵中第yi类特征值的中心；
λ表示预设的缩放比例因子。
S22、根据样本图像的分辨率，将高分辨率的样本图像对应的图像特征值输入到所述高分辨率图像分支网络中继续训练，将低分辨率的样本图像对应的图像特征值输入到所述低分辨率图像分支网络中继续训练，直至高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数低于第二阈值。
具体实施时，分支网络的训练能够最大化不同类之间样本图像(包括高分辨率和低分辨率)的差异。本发明实施例中，利用如下公式标识类间的差异：
Figure BDA0001803447740000092
其中：
xi表示高分辨率分支网络从第i张高分辨率图像中提取到的特征值；
zi表示低分辨率分支网络从第i张低分辨率图像中提取到的特征值；
Hj表示高分辨率分支网络最后一层全连接的权值矩阵的第j列；
Lj表示低分辨率分支网络最后一层全连接的权值矩阵的第j列；
a表示预设的第二偏置项；
b表示预设的第三偏置项。
为了保持类内图像的紧凑型，需要最小化同类样本图像(包括高分辨率和低分辨率)间的差异，基于此，具体实施时，可以利用如下公式标识同类样本图像间的差异值：
Figure BDA0001803447740000093
其中：
Figure BDA0001803447740000094
表示特征x中第j类特征值的中心；
Figure BDA0001803447740000095
表示特征z中第j类特征值的中心。
具体实施时，在低分辨率图像识别和高分辨率图像识别算法中，还有很重要的一点是要保证低分辨率图像与高分辨率图像特征值之间的一致性，两者之间尽量保持一致，两者的一致性可以用欧式距离loss(损失)来表示，具体地，可以采用如下公式进行表示：
Figure BDA0001803447740000096
综上，本发明实施例中，可以采用以下公式确定高分辨率图像分支网络和低分辨率图像分支网络的第二损失函数：Lbranch＝Lb+αLc+βLe，其中：α和β为预设值，用于调整三个loss值之间的均衡性。
两个分支网络训练的目标是使得第二损失函数低于预设的第二阈值，在第二损失函数低于第二阈值之前，每训练完一轮，需要分别调整两个分支网络的网络参数利用样本图像重新进行训练。或者，具体实施时，在训练次数达到预设的训练次数时，也可以停止训练。
在主干网络和低分辨率图像分支网络以及高分辨率图像分支网络均满足设定的条件时停止训练得到图像识别模型。基于训练得到的图像识别模型，本发明实施例中，可以按照图3所示的流程对低分辨率图像进行识别：
S31、获取待识别的图像。
S32、将待识别的图像输入到图像识别模型中得到识别结果。
其中，图像识别模型为利用主干网络、低分辨率图像分支网络以及高分辨率图像分支网络对样本图像进行训练得到的，样本图像中包括高分辨率的图像和利用高分辨率图像得到的低分辨率图像。
其中，步骤S32中输出的是待识别的图像对应的类别。
本发明实施例提供的低分辨率图像识别方法，在图像识别模型训练阶段，采用主干网络和高分辨率分支网络以及低分辨率分支网络的网络结构，在主干网络提取到的特征基础之上进一步分别学习高分辨率和低分辨率图像的映射方法，以缩小对同一个人高、低分辨率图像特征表达之间的差异性，增大不同人之间图像特征表达的差异性，从而提高了识别结果的准确性，而且利用训练得到的图像识别模型可以快速识别出待识别的图像，从而降低低分辨率图像识别的复杂度。
基于同一发明构思，本发明实施例中还提供了一种低分辨率图像识别装置，由于上述装置解决问题的原理与低分辨率图像识别方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，其为本发明实施例提供的低分辨率图像识别装置的结构示意图，包括：
获取单元41，用于获取待识别的图像；
识别单元42，用于将所述待识别的图像输入到图像识别模型中得到识别结果，其中，所述图像识别模型为利用主干网络、低分辨率图像分支网络以及高分辨率图像分支网络对样本图像进行训练得到的，所述样本图像中包括高分辨率的图像和利用所述高分辨率图像得到的低分辨率图像。
可选地，本发明实施例提供的低分辨率图像识别装置，还包括：
第一训练单元，用于将所述样本图像输入所述主干网络中进行训练以提取所述样本图像的图像特征值，直至所述主干网络的第一损失函数低于第一阈值；
第二训练单元，用于根据样本图像的分辨率，将高分辨率的样本图像对应的图像特征值输入到所述高分辨率图像分支网络中继续训练，将低分辨率的样本图像对应的图像特征值输入到所述低分辨率图像分支网络中继续训练，直至高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数低于第二阈值。
可选地，所述第一训练单元，用于按照以下公式确定所述主干网络的第一损失函数：
Figure BDA0001803447740000111
其中：
Ltrunck表示主干网络的第一损失函数；
m表示同一分辨率图像的数量；
n表示样本图像中的类别数；
vi表示第i个样本图像在所述主干网络中提取到的图像特征值；
Wj表示主干网络的券连接层中的权重矩阵W的第j列；
d表示预设的第一偏置项；
yi表示第i个样本图像对应的标签；
Figure BDA0001803447740000121
表示提取的特征值矩阵中第yi类特征值的中心；
λ表示预设的缩放比例因子。
可选地，所述第二训练单元，用于按照以下公式确定所述高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数：Lbranch＝Lb+αLc+βLe，其中：
Figure BDA0001803447740000122
Figure BDA0001803447740000123
Figure BDA0001803447740000124
xi表示高分辨率分支网络从第i张高分辨率图像中提取到的特征值；
zi表示低分辨率分支网络从第i张低分辨率图像中提取到的特征值；
Hj表示高分辨率分支网络最后一层全连接的权值矩阵的第j列；
Lj表示低分辨率分支网络最后一层全连接的权值矩阵的第j列；
a表示预设的第二偏置项；
b表示预设的第三偏置项；
Figure BDA0001803447740000125
表示特征x中第j类特征值的中心；
Figure BDA0001803447740000126
表示特征z中第j类特征值的中心；
α和β为预设值。
可选地，本发明实施例提供的低分辨率图像识别装置，还包括：
下采样单元，用于将所述高分辨率图像下采样得到中间图像；
插值单元，用于利用插值算法对所述中间图像进行处理得到所述低分辨率图像。
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
在介绍了本发明示例性实施方式的低分辨率图像识别方法和装置之后，接下来，介绍根据本发明的另一示例性实施方式的计算装置。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明的计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行本说明书上述描述的根据本发明各种示例性实施方式的低分辨率图像识别方法中的步骤。例如，所述处理器可以执行如图3中所示的步骤S31、获取待识别的图像，和步骤S32、将待识别的图像输入到图像识别模型中得到识别结果。
下面参照图5来描述根据本发明的这种实施方式的计算装置50。图5显示的计算装置50仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算装置50以通用计算设备的形式表现。计算装置50的组件可以包括但不限于：上述至少一个处理器51、上述至少一个存储器52、连接不同系统组件(包括存储器52和处理器51)的总线53。
总线53表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器52可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)521和/或高速缓存存储器522，还可以进一步包括只读存储器(ROM)523。
存储器52还可以包括具有一组(至少一个)程序模块524的程序/实用工具525，这样的程序模块524包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置50也可以与一个或多个外部设备54(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置50交互的设备通信，和/或与使得该计算装置50能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口55进行。并且，计算装置50还可以通过网络适配器56与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器56通过总线53与用于计算装置50的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本发明提供的低分辨率图像识别方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的低分辨率图像识别方法中的步骤，例如，所述计算机设备可以执行如图3中所示的步骤S31、获取待识别的图像，和步骤S32、将待识别的图像输入到图像识别模型中得到识别结果。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本发明的实施方式的用于低分辨率图像识别的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种低分辨率图像识别方法，其特征在于，包括：
获取待识别的图像；
将所述待识别的图像输入到图像识别模型中得到识别结果，其中，所述图像识别模型为利用主干网络、低分辨率图像分支网络以及高分辨率图像分支网络对样本图像进行训练得到的，所述样本图像中包括高分辨率的图像和利用所述高分辨率图像得到的低分辨率图像。
2.如权利要求1所述的方法，其特征在于，利用主干网络、低分辨率图像分支网络以及高分辨率图像分支网络按照以下方法对样本图像进行训练得到所述图像识别模型：
将所述样本图像输入所述主干网络中进行训练以提取所述样本图像的图像特征值，直至所述主干网络的第一损失函数低于第一阈值；
根据样本图像的分辨率，将高分辨率的样本图像对应的图像特征值输入到所述高分辨率图像分支网络中继续训练，将低分辨率的样本图像对应的图像特征值输入到所述低分辨率图像分支网络中继续训练，直至高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数低于第二阈值。
3.如权利要求2所述的方法，其特征在于，按照以下公式确定所述主干网络的第一损失函数：
Figure FDA0001803447730000011
其中：
Ltrunck表示主干网络的第一损失函数；
m表示同一分辨率图像的数量；
n表示样本图像中的类别数；
vi表示第i个样本图像在所述主干网络中提取到的图像特征值；
Wj表示主干网络的券连接层中的权重矩阵W的第j列；
d表示预设的第一偏置项；
yi表示第i个样本图像对应的标签；
Figure FDA0001803447730000021
表示提取的特征值矩阵中第yi类特征值的中心；
λ表示预设的缩放比例因子。
4.如权利要求3所述的方法，其特征在于，按照以下公式确定所述高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数：Lbranch＝Lb+αLc+βLe，其中：
Figure FDA0001803447730000022
Figure FDA0001803447730000023
Figure FDA0001803447730000024
xi表示高分辨率分支网络从第i张高分辨率图像中提取到的特征值；
zi表示低分辨率分支网络从第i张低分辨率图像中提取到的特征值；
Hj表示高分辨率分支网络最后一层全连接的权值矩阵的第j列；
Lj表示低分辨率分支网络最后一层全连接的权值矩阵的第j列；
a表示预设的第二偏置项；
b表示预设的第三偏置项；
Figure FDA0001803447730000025
表示特征x中第j类特征值的中心；
Figure FDA0001803447730000026
表示特征z中第j类特征值的中心；
α和β为预设值。
5.如权利要求1～4任一权利要求所述的方法，其特征在于，利用所述高分辨率图像按照以下方法得到所述低分辨率图像：
将所述高分辨率图像下采样得到中间图像；
利用插值算法对所述中间图像进行处理得到所述低分辨率图像。
6.一种低分辨率图像识别装置，其特征在于，包括：
获取单元，用于获取待识别的图像；
识别单元，用于将所述待识别的图像输入到图像识别模型中得到识别结果，其中，所述图像识别模型为利用主干网络、低分辨率图像分支网络以及高分辨率图像分支网络对样本图像进行训练得到的，所述样本图像中包括高分辨率的图像和利用所述高分辨率图像得到的低分辨率图像。
7.如权利要求6所述的装置，其特征在于，还包括：
第一训练单元，用于将所述样本图像输入所述主干网络中进行训练以提取所述样本图像的图像特征值，直至所述主干网络的第一损失函数低于第一阈值；
第二训练单元，用于根据样本图像的分辨率，将高分辨率的样本图像对应的图像特征值输入到所述高分辨率图像分支网络中继续训练，将低分辨率的样本图像对应的图像特征值输入到所述低分辨率图像分支网络中继续训练，直至高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数低于第二阈值。
8.如权利要求7所述的装置，其特征在于，
所述第一训练单元，用于按照以下公式确定所述主干网络的第一损失函数：
Figure FDA0001803447730000031
其中：
Ltrunck表示主干网络的第一损失函数；
m表示同一分辨率图像的数量；
n表示样本图像中的类别数；
vi表示第i个样本图像在所述主干网络中提取到的图像特征值；
Wj表示主干网络的券连接层中的权重矩阵W的第j列；
d表示预设的第一偏置项；
yi表示第i个样本图像对应的标签；
Figure FDA0001803447730000032
表示提取的特征值矩阵中第yi类特征值的中心；
λ表示预设的缩放比例因子。
9.如权利要求8所述的装置，其特征在于，
所述第二训练单元，用于按照以下公式确定所述高分辨率图像分支网络和所述低分辨率图像分支网络的第二损失函数：Lbranch＝Lb+αLc+βLe，其中：
Figure FDA0001803447730000041
Figure FDA0001803447730000042
Figure FDA0001803447730000043
xi表示高分辨率分支网络从第i张高分辨率图像中提取到的特征值；
zi表示低分辨率分支网络从第i张低分辨率图像中提取到的特征值；
Hj表示高分辨率分支网络最后一层全连接的权值矩阵的第j列；
Lj表示低分辨率分支网络最后一层全连接的权值矩阵的第j列；
a表示预设的第二偏置项；
b表示预设的第三偏置项；
Figure FDA0001803447730000044
表示特征x中第j类特征值的中心；
Figure FDA0001803447730000045
表示特征z中第j类特征值的中心；
α和β为预设值。
10.如权利要求6～9任一权利要求所述的装置，其特征在于，还包括：
下采样单元，用于将所述高分辨率图像下采样得到中间图像；
插值单元，用于利用插值算法对所述中间图像进行处理得到所述低分辨率图像。
11.一种计算装置，其特征在于，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行权利要求1～5任一权利要求所述方法的步骤。
12.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～5任一所述方法的步骤。
CN201811087182.5A 2018-09-18 2018-09-18 一种低分辨率图像识别方法、装置和存储介质 Pending CN110909578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811087182.5A CN110909578A (zh) 2018-09-18 2018-09-18 一种低分辨率图像识别方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811087182.5A CN110909578A (zh) 2018-09-18 2018-09-18 一种低分辨率图像识别方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN110909578A true CN110909578A (zh) 2020-03-24

Family

ID=69813574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811087182.5A Pending CN110909578A (zh) 2018-09-18 2018-09-18 一种低分辨率图像识别方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN110909578A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149756A (zh) * 2020-10-14 2020-12-29 深圳前海微众银行股份有限公司 模型训练方法、图像识别方法、装置、设备及存储介质
CN112784857A (zh) * 2021-01-29 2021-05-11 北京三快在线科技有限公司 一种模型训练以及图像处理方法及装置
WO2022052445A1 (zh) * 2020-09-09 2022-03-17 苏州科达科技股份有限公司 基于深度学习的图像增强方法、系统、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537393A (zh) * 2015-01-04 2015-04-22 大连理工大学 一种基于多分辨率卷积神经网络的交通标志识别方法
CN105654070A (zh) * 2016-02-04 2016-06-08 山东理工大学 一种低分辨率人脸识别方法
CN107784296A (zh) * 2017-11-21 2018-03-09 中山大学 一种低分辨率图像的人脸识别方法
US20180204051A1 (en) * 2016-05-19 2018-07-19 Boe Technology Group Co., Ltd. Facial image processing apparatus, facial image processing method, and non-transitory computer-readable storage medium

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537393A (zh) * 2015-01-04 2015-04-22 大连理工大学 一种基于多分辨率卷积神经网络的交通标志识别方法
CN105654070A (zh) * 2016-02-04 2016-06-08 山东理工大学 一种低分辨率人脸识别方法
US20180204051A1 (en) * 2016-05-19 2018-07-19 Boe Technology Group Co., Ltd. Facial image processing apparatus, facial image processing method, and non-transitory computer-readable storage medium
CN107784296A (zh) * 2017-11-21 2018-03-09 中山大学 一种低分辨率图像的人脸识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZE LU等: "Deep Coupled ResNet for Low-Resolution Face Recognition", 《IEEE SIGNAL PROCESSING LETTERS》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022052445A1 (zh) * 2020-09-09 2022-03-17 苏州科达科技股份有限公司 基于深度学习的图像增强方法、系统、设备及存储介质
CN112149756A (zh) * 2020-10-14 2020-12-29 深圳前海微众银行股份有限公司 模型训练方法、图像识别方法、装置、设备及存储介质
CN112784857A (zh) * 2021-01-29 2021-05-11 北京三快在线科技有限公司 一种模型训练以及图像处理方法及装置

Similar Documents

Publication Publication Date Title
CN112685565B (zh) 基于多模态信息融合的文本分类方法、及其相关设备
US11538286B2 (en) Method and apparatus for vehicle damage assessment, electronic device, and computer storage medium
US11436863B2 (en) Method and apparatus for outputting data
CN110866471A (zh) 人脸图像质量评价方法及装置、计算机可读介质、通信终端
CN109871800B (zh) 一种人体姿态估计方法、装置和存储介质
CN109034206A (zh) 图像分类识别方法、装置、电子设备及计算机可读介质
US11893773B2 (en) Finger vein comparison method, computer equipment, and storage medium
CN110909578A (zh) 一种低分辨率图像识别方法、装置和存储介质
CN109784243B (zh) 身份确定方法及装置、神经网络训练方法及装置、介质
CN112632244A (zh) 一种人机通话的优化方法、装置、计算机设备及存储介质
CN115512005A (zh) 一种数据处理方法及其装置
CN114429566A (zh) 一种图像语义理解方法、装置、设备及存储介质
CN116050496A (zh) 图片描述信息生成模型的确定方法及装置、介质、设备
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
CN114241459B (zh) 一种驾驶员身份验证方法、装置、计算机设备及存储介质
CN114943937A (zh) 行人重识别方法、装置、存储介质及电子设备
CN115312033A (zh) 基于人工智能的语音情感识别方法、装置、设备及介质
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN113781462A (zh) 一种人体伤残检测方法、装置、设备及存储介质
CN111753736A (zh) 基于分组卷积的人体姿态识别方法、装置、设备和介质
CN115909357A (zh) 基于人工智能的目标识别方法、模型训练方法和装置
CN114913871A (zh) 目标对象分类方法、系统、电子设备及存储介质
CN114549904A (zh) 视觉处理及模型训练方法、设备、存储介质及程序产品
CN113657364A (zh) 用于识别文字标志的方法、装置、设备以及存储介质
CN114241411B (zh) 基于目标检测的计数模型处理方法、装置及计算机设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200324