网纹人脸识别方法及装置制造方法及图纸

本发明专利技术公开了一种网纹人脸识别方法及装置，涉及人工智能技术领域，其中该方法包括：收集网纹人脸图像和干净的人脸图像；将网纹人脸图像和干净的人脸图像作为CycleGan网络训练集，训练得到修复模型；其中，在CycleGan网络中增加SENet网络结构且CycleGan网络的损失函数中加入了一个辅助损失函数L2；把网纹人脸图像输入到修复模型中，输出得到干净的人脸图像。本发明专利技术可以使用新型cyclegan网络，解决现有的技术中需要收集大量的清晰人脸和对应的网纹人脸的缺陷。人脸的缺陷。人脸的缺陷。

【技术实现步骤摘要】
网纹人脸识别方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及网纹人脸识别方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]随着大数据时代的到来和深度学习的发展，人脸识别技术得到重大突破。人脸识别已经被广泛地应用于公共安防、银行金融、公安侦察、社交媒体等领域。由于人脸图像包含个人的身份证信息且容易获取，不发分子极易利用人脸图像冒充或者盗取用户的身份信息。因此现有使用一种简单而且廉价的方式保护人脸信息，它是在清晰的人脸图像上加随机的网纹条纹，这些网纹条纹的位置、波形、深浅都是随机的。这些随机的网纹会破坏人脸图像信息、从而达到保护人脸身份的目的。
[0004]虽然网纹人脸图像对人脸身份的保护具有重要作用，但是它也极大地影响了人脸识别的性能，因此，提升网纹人脸图像的识别性能具有巨大的实际价值。
[0005]网纹人脸图像可以被看成一种遮挡物，但是相比于一般的遮挡物，网纹人脸图像的遮挡位置是位置的且随机，算法需要检测并修复被遮挡的区域。现在很多的研究人员提出的算法大多需要收集大量的清晰人脸和对应的网纹人脸进行训练，但是在实际场景种收集清晰人脸和对应的网纹人脸是费时费力的。

技术实现思路

[0006]本专利技术实施例提供一种网纹人脸识别方法，用以解决现在的技术中需要收集大量的清晰人脸和对应的网纹人脸，恢复的网纹人脸图像效率低下且恢复的信息不全的问题，该方法包括：r/>[0007]收集网纹人脸图像和干净的人脸图像；
[0008]将网纹人脸图像和干净的人脸图像作为CycleGan网络训练集，训练得到修复模型；其中，在CycleGan网络中增加SENet网络结构且CycleGan网络的损失函数中加入了一个辅助损失函数L2；
[0009]把网纹人脸图像输入到修复模型中，输出得到干净的人脸图像。
[0010]本专利技术实施例还提供一种网纹人脸识别装置，用以解决现在的技术中需要收集大量的清晰人脸和对应的网纹人脸，恢复的网纹人脸图像效率低下且恢复的信息不全的问题，该装置包括：
[0011]图像收集模块，用于收集网纹人脸图像和干净的人脸图像；
[0012]训练模块，用于将网纹人脸图像和干净的人脸图像作为CycleGan网络训练集，训练得到修复模型；其中，在CycleGan网络中增加SENet网络结构且CycleGan网络的损失函数中加入了一个辅助损失函数L2；
[0013]识别模块，用于把网纹人脸图像输入到修复模型中，输出得到干净的人脸图像。
[0014]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述网纹人脸识别方法。
[0015]本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述网纹人脸识别方法的步骤。
[0016]本专利技术实施例中，与现有技术中需要收集大量的清晰人脸和对应的网纹人脸，恢复的网纹人脸图像效率低下且恢复的信息不全的技术方案相比，通过收集网纹人脸图像和干净的人脸图像，将网纹人脸图像和干净的人脸图像作为CycleGan网络训练集，训练得到修复模型；其中，在CycleGan网络中增加SENet网络结构且CycleGan网络的损失函数中加入了一个辅助损失函数L2，把网纹人脸图像输入到修复模型中，输出得到干净的人脸图像。使用新型cyclegan网络，解决现有的技术中需要收集大量的清晰人脸和对应的网纹人脸的缺陷。
附图说明
[0017]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0018]图1为本专利技术实施例中网纹人脸识别方法流程图(一)；
[0019]图2为本专利技术实施例中网纹人脸识别方法流程图(二)；
[0020]图3为本专利技术实施例中网纹人脸识别方法流程图(三)；
[0021]图4为本专利技术实施例中网纹人脸识别方法流程图(四)；
[0022]图5为本专利技术实施例中网纹人脸识别装置结构框图。
具体实施方式
[0023]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0024]本文专利技术的目的是在于提供一种网纹人脸识别方法，可以解决现在的技术中需要收集大量的清晰人脸和对应的网纹人脸，恢复的网纹人脸图像效率低下且恢复的信息不全的问题。
[0025]图1为本专利技术实施例中网纹人脸识别方法流程图(一)，如图1所示，该方法包括：
[0026]步骤102：收集网纹人脸图像和干净的人脸图像；
[0027]步骤104：将网纹人脸图像和干净的人脸图像作为CycleGan网络训练集，训练得到修复模型；其中，在CycleGan网络中增加SENet网络结构且CycleGan网络的损失函数中加入了一个辅助损失函数L2；
[0028]步骤106：把网纹人脸图像输入到修复模型中，输出得到干净的人脸图像。
[0029]具体的，干净的人脸图像不需要与网纹人脸图像是相同的人脸。
[0030]网纹人脸图像和干净的人脸图像的数据量不需要特别大，数据方面对于有网纹的
图片和干净的人脸图片要正常的证件照一样，不能有多余的其它杂质，比如水印等。
[0031]L2范数损失函数，也被称为最小平方误差(LSE)。总的来说，它是把目标值Y
i
与估计值f(x
i
)的差值的平方和S最小化：
[0032][0033]在本专利技术实施例中，如图2所示，步骤104将网纹人脸图像和干净的人脸图像作为CycleGan网络训练集，训练得到修复模型，包括：
[0034]在CycleGan网络的中正向生成器和反向生成器的网络结构中使用SENet网络结构进行训练，得到正向生成器和反向生成器；其中，正向生成器把网纹人脸图像恢复为干净的人脸图像；反向生成器把干净的人脸图像变成网纹人脸图像。
[0035]在本专利技术实施例中，如图3所示，步骤104在CycleGan网络的中正向生成器和反向生成器的网络结构中使用SENet网络结构进行训练，包括：
[0036]在正向生成器和反向生成器的u
‑
net网络结构中，在降采样的Feature Map上采用setnet网络。
[0037]对正向生成器G1和反向生成器G2进行说明，生成器的网络结构是以u
‑
net网络，首先u
‑
net网络有4个block用做降采样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网纹人脸识别方法，其特征在于，包括：收集网纹人脸图像和干净的人脸图像；将网纹人脸图像和干净的人脸图像作为CycleGan网络训练集，训练得到修复模型；其中，在CycleGan网络中增加SENet网络结构且CycleGan网络的损失函数中加入了一个辅助损失函数L2；把网纹人脸图像输入到修复模型中，输出得到干净的人脸图像。2.如权利要求1所述的网纹人脸识别方法，其特征在于，将网纹人脸图像和干净的人脸图像作为CycleGan网络训练集，训练得到修复模型，包括：在CycleGan网络的中正向生成器和反向生成器的网络结构中使用SENet网络结构进行训练，得到正向生成器和反向生成器；其中，正向生成器把网纹人脸图像恢复为干净的人脸图像；反向生成器把干净的人脸图像变成网纹人脸图像。3.如权利要求2所述的网纹人脸识别方法，其特征在于，在CycleGan网络的中正向生成器和反向生成器的网络结构中使用SENet网络结构进行训练，包括：在正向生成器和反向生成器的u
‑
net网络结构中，在降采样的Feature Map上采用setnet网络。4.如权利要求2所述的网纹人脸识别方法，其特征在于，将网纹人脸图像和干净的人脸图像作为CycleGan网络训练集，训练得到修复模型，还包括：将干净的人脸图像传入反向生成器得到网纹人脸图像，利用CycleGan网络中的反向判别器对得到的网纹人脸图像进行判断，将得到的网纹人脸图像传入正向生成器得到干净的人脸图像；将网纹人脸图像传入正向生成器得到干净的人脸图像，利用CycleGan网络中的正向判别器对得到的干净的人脸图像进行判断，将得到的干净的人脸图像传入...

【专利技术属性】
技术研发人员：唐月标，黄镜澄，王泽洋，孙才婵，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：