CN110991276A - 基于卷积神经网络的人脸运动模糊判断方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的人脸运动模糊判断方法，包括步骤：对x轴，y轴平移随机像素值，将该处理用于模拟人脸运动速度和角度。本发明能用于模拟人脸运动速度和角度，对人脸模糊进行定量判断，有益于提高人脸识别的准确率，提高检测人脸运动模糊的成功率，提升人脸识别系统的鲁棒性。

Description

基于卷积神经网络的人脸运动模糊判断方法

技术领域

本发明涉及图像处理及模式识别技术领域，更为具体地，涉及一种基于卷积神经网络的人脸运动模糊判断方法。

背景技术

现有人脸识别算法主要具有如下特点：

(1)选取基于Brenner梯度，基于Brenner梯度图像清晰度评价算法具有运算速度快，但是存在问题，例如易受环境亮度的影响有时无法评价出最清晰的图像，造成错误对焦，准确度低；

(2)选取基于Tenengrad梯度，Tenengrad函数式一种常用的图像清晰度评价函数，在图像处理中，一般认为对焦好的图像具有更尖锐的边缘，故具有更大的梯度函数值；Tenengrad函数使用Sobel算子提取水平和垂直方向的梯度值，经过Sobel算子处理后的图像的平均灰度值，值越大，代表图像越清晰；Tenengrad函数梯度向量平方函数具有调焦范围小、灵敏度高、稳定性好的特点，但是仅适合于小范围精确调焦，对较大范围准确度低；

(3)基于拉普拉斯边缘检测，拉普拉斯边缘检测方法检测速度快、精度相对高的特点，但是检测出的图像边缘，包含了无效颗粒边缘，还存在不完全是单像素宽度等问题，准确度低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于卷积神经网络的人脸运动模糊判断方法，能用于模拟人脸运动速度和角度，对人脸模糊进行定量判断，有益于提高人脸识别的准确率，提高检测人脸运动模糊的成功率，提升人脸识别系统的鲁棒性。

本发明的目的是通过以下技术方案来实现的：

一种基于卷积神经网络的人脸运动模糊判断方法，包括：

模拟步骤，在该步骤中，由于产生数据具有随机性的特点，故对x轴，y轴平移随机像素值，将该处理用于模拟人脸运动速度和角度。

进一步的，设图像的左上角为坐标原点(0,0)，图像的长度方向为x轴，宽度方向为y轴，整个图像落在第一象限，设无任何模糊和噪声的真实图像为f(x,y)，模糊图像为g(x,y)，由于运动模糊是由图像彼此重叠造成的，由此建立：

其中，C_x为图像在方向上的平移速度，C_y为在方向上的平移速度，T为快门打开时间即产生模糊图像的时间，n(x,y)为加性噪声。

本发明的有益效果是：

(1)本发明能用于模拟人脸运动速度和角度，能对人脸模糊进行定量判断，有益于提高人脸识别的准确率，提高检测人脸运动模糊的成功率，提升人脸识别系统的鲁棒性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的步骤流程示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。本说明书中公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。

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作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。

在对实施例进行描述之前，需要对一些必要的术语进行解释。例如：

若本申请中出现使用“第一”、“第二”等术语来描述各种元件，但是这些元件不应当由这些术语所限制。这些术语仅用来区分一个元件和另一个元件。因此，下文所讨论的“第一”元件也可以被称为“第二”元件而不偏离本发明的教导。应当理解的是，若提及一元件“连接”或者“联接”到另一元件时，其可以直接地连接或直接地联接到另一元件或者也可以存在中间元件。相反地，当提及一元件“直接地连接”或“直接地联接”到另一元件时，则不存在中间元件。

在本申请中出现的各种术语仅仅用于描述具体的实施方式的目的而无意作为对本发明的限定，除非上下文另外清楚地指出，否则单数形式意图也包括复数形式。

当在本说明书中使用术语“包括”和/或“包括有”时，这些术语指明了所述特征、整体、步骤、操作、元件和/或部件的存在，但是也不排除一个以上其他特征、整体、步骤、操作、元件、部件和/或其群组的存在和/或附加。

如图1所示，一种基于卷积神经网络的人脸运动模糊判断方法，包括：

模拟步骤，在该步骤中，由于产生数据具有随机性的特点，故对x轴，y轴平移随机像素值，将该处理用于模拟人脸运动速度和角度。

进一步的，设图像的左上角为坐标原点(0,0)，图像的长度方向为x轴，宽度方向为y轴，整个图像落在第一象限，设无任何模糊和噪声的真实图像为f(x,y)，模糊图像为g(x,y)，由于运动模糊是由图像彼此重叠造成的，由此建立：

其中，C_x为图像在方向上的平移速度，C_y为在方向上的平移速度，T为快门打开时间即产生模糊图像的时间，n(x,y)为加性噪声。

实施例一

在该实施例中，在对人脸进行模糊判断后，包括矫正处理，可采用如下姿态矫正特征提取算法：

S1，计算左眼眼角

点到右眼角

点的中心位置，即眉心坐标为：

S2，计算

点到

点的欧式距离：

S3，计算

点到

点水平距离L：

S4，计算面部旋转角度θ_face：

S5，计算未校正的68个人脸特征点和图像坐标轴x轴方向夹角：

S5，计算68个点矫正后相对眉心的位置(center_x，center_y)：

S6，计算68个点矫正后相对眉心的位置(center_x，center_y)：

基于本发明实施例提出了Face Fuzzy Detection Nat(简称：FFDNET)人脸模糊判断神经网络，通过检测试验表明，在人脸模糊检测达到98.4％的准确率，对比结果见表1，提高了人脸识别的准确率。

方法	准确率	耗时(ms)
			基于Brenner梯度	85.4％	20
基于Tenengrad梯度	87.8％	30
			基于拉普拉斯边缘检测	89.7％	10
FFDNet	98.4％	40

在本实施例中的其余技术特征，本领域技术人员均可以根据实际情况进行灵活选用和以满足不同的具体实际需求。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实现本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的算法，方法或系统等，均在本发明的权利要求书请求保护的技术方案限定技术保护范围之内。

对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请所必须的。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法实现所描述的功能，但是这种实现不应超出本发明的范围。

所揭露的系统、模块和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例，仅仅是示意性的，例如，所述单元的划分，可以仅仅是一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以说通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述分立部件说明的单元可以是或者也可以不收物理上分开的，作为单元显示的部件可以是或者可以不收物理单元，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单元来实现本实施例的方案的目的。

所述功能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存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM、RAM等。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (2)

1.一种基于卷积神经网络的人脸运动模糊判断方法，其特征在于，包括：

模拟步骤，在该步骤中，由于产生数据具有随机性的特点，故对x轴，y轴平移随机像素值，将该处理用于模拟人脸运动速度和角度。

2.根据权利要求1所述的基于卷积神经网络的人脸运动模糊判断方法，其特征在于，设图像的左上角为坐标原点(0，0)，图像的长度方向为x轴，宽度方向为y轴，整个图像落在第一象限，设无任何模糊和噪声的真实图像为f(x，y)，模糊图像为g(x，y)，由于运动模糊是由图像彼此重叠造成的，由此建立：

g(x，y)＝∫₀ ^Tf(x+C_xt，y+C_yt)dt+n(x，y)

其中，C_x为图像在方向上的平移速度，C_y为在方向上的平移速度，T为快门打开时间即产生模糊图像的时间，n(x，y)为加性噪声。

Images