图像矫正模型的训练方法、图像矫正方法、设备及存储介质技术

本申请涉及图像矫正领域，具体公开了一种图像矫正模型的训练方法、图像矫正方法、计算机设备及存储介质，其中，图像矫正模型的训练方法包括：获取训练数据，训练数据包括训练图像和训练图像对应的旋转图像；将旋转图像输入至预设的矫正网络中，得到仿射变换矩阵；基于仿射变换矩阵对旋转图像进行仿射变换，并将得到的变换数据输入至采样网络进行图像采样，得到旋转图像对应的矫正图像；计算矫正图像和训练图像之间的损失函数值，并根据损失函数值对预设的矫正网络和采样网络进行迭代训练，并在训练完成时将预设的矫正网络和采样网络共同作为图像矫正模型。本申请提供的图像矫正模型的训练方法能够降低图像矫正模型的训练成本。的训练方法能够降低图像矫正模型的训练成本。的训练方法能够降低图像矫正模型的训练成本。

【技术实现步骤摘要】
图像矫正模型的训练方法、图像矫正方法、设备及存储介质


[0001]本申请涉及图像矫正领域，尤其涉及一种图像矫正模型的训练方法、图像矫正方法、计算机设备及存储介质。

技术介绍

[0002]随着科技的不断发展，人脸识别技术在社会中也得到了广泛的应用，例如安防领域。但由于采集人脸的设备的设置位置通常是固定的，而行人的行走轨迹和行人的身体方向均是不固定的，这使得采集得到人脸图像往往会存在一定的倾斜或旋转，因此，就需要先对这些存在倾斜或旋转的人脸图像进行图像矫正，以保证人脸识别的准确度。目前，现有技术中在进行图像矫正时，通常是对人脸图像中的关键点进行标注，然后利用这些有标注的图像对神经网络进行训练。但这种训练方式需要大量的标注数据，标注成本高且容易引入误差，导致最终训练得到的神经网络的准确度不高。

技术实现思路

[0003]本申请提供了一种图像矫正模型的训练方法、图像矫正方法、计算机设备及存储介质，以降低图像矫正模型的训练成本并提高得到的图像矫正模型准确度。
[0004]第一方面，本申请提供了一种图像矫正模型的训练方法，所述方法包括：
[0005]获取训练数据，所述训练数据包括训练图像和所述训练图像对应的旋转图像；
[0006]将所述旋转图像输入至预设的矫正网络中，得到所述旋转图像对应的仿射变换矩阵；
[0007]基于所述仿射变换矩阵对所述旋转图像进行仿射变换，并将得到的变换数据输入至采样网络进行图像采样，得到所述旋转图像对应的矫正图像；
[0008]计算所述矫正图像和所述训练图像之间的损失函数值，并根据所述损失函数值对所述预设的矫正网络和所述采样网络进行迭代训练，并在训练完成时将所述预设的矫正网络和所述采样网络共同作为图像矫正模型。
[0009]第二方面，本申请还提供了一种图像矫正方法，所述方法包括：
[0010]获取待矫正图像；
[0011]将所述待矫正图像输入至预先训练的图像矫正模型中，得到矫正图像，其中，所述预先训练的图像矫正模型为采用如第一方面中所述的图像矫正模型的训练方法训练得到的。
[0012]第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如第一方面所述的图像矫正模型的训练方法和/或如第二方面所述的图像矫正方法。
[0013]第四方面，本申请还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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如第一方面所述的
图像矫正模型的训练方法和/或如第二方面所述的图像矫正方法。
[0014]本申请公开了一种图像矫正模型的训练方法、图像矫正方法、计算机设备及存储介质，将训练图像和训练图像对应的旋转图像作为图像矫正模型的训练数据，在训练图像矫正模型时减少了已标注数据的数量，从而能够降低对已标注数据的依赖性，降低图像矫正模型的训练成本，也能够提高训练得到的图像矫正模型的准确率。另外，基于仿射变换矩阵和采样网络得到矫正图像，然后根据矫正图像和训练图像对预设的矫正网络和采样网络进行迭代训练，并在训练完成后将采样网络和预设的矫正网络共同作为图像矫正模型，将采样网络也作为图像矫正模型的一部分参与图像矫正模型的训练，利用矫正图像来对图像矫正模型进行无监督的训练，使得在降低标注成本的情况下也能够保证训练得到的图像矫正模型的准确率。
附图说明
[0015]为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
[0016]图1为本申请实施例提供的一种图像矫正模型的训练方法的示意流程图；
[0017]图2为本申请实施例提供的对旋转图像进行仿射变换的步骤示意图；
[0018]图3为本申请实施例提供的进行图像采样的步骤示意图；
[0019]图4为本申请实施例提供的一种图像矫正方法的示意流程图；
[0020]图5为本申请实施例提供的一种图像矫正模型的训练装置的示意性框图；
[0021]图6是本申请实施例提供的一种图像矫正装置的示意性框图；
[0022]图7为本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
[0023]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0024]附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0025]应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0026]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0027]还可以理解的是，在本申请的具体实施方式中，涉及到人脸等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0028]本申请的实施例提供了一种图像矫正模型的训练方法、图像矫正方法、计算机设备及存储介质。使用图像矫正模型的训练方法得到的图像矫正模型可用于对采集到的人脸图像进行图像矫正，并提高得到的矫正图像的准确率，以便于在后续进行人脸识别时，提高人脸识别的识别成功率和准确率。
[0029]下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
[0030]请参阅图1，图1为本申请实施例提供的一种图像矫正模型的训练方法的示意流程图。该图像矫正模型的训练方法通过模拟训练数据的方式对图像矫正模型进行迭代训练，能够降低训练成本并且提高训练得到的图像矫正模型的准确度。
[0031]如图1所示，该图像矫正模型的训练方法，具体包括：步骤S101至步骤 S105。
[0032]步骤S101、获取训练数据，所述训练数据包括训练图像和所述训练图像对应的旋转图像。
[0033]获取训练数据，训练数据用于训练图像矫正模型，训练数据中包括训练图像和训练图像对应的旋转图像。其中，旋转图像是由训练图像旋转预设角度后得到的。
[0034]在一实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像矫正模型的训练方法，其特征在于，所述方法包括：获取训练数据，所述训练数据包括训练图像和所述训练图像对应的旋转图像；将所述旋转图像输入至预设的矫正网络中，得到所述旋转图像对应的仿射变换矩阵；基于所述仿射变换矩阵对所述旋转图像进行仿射变换，并将得到的变换数据输入至采样网络进行图像采样，得到所述旋转图像对应的矫正图像；计算所述矫正图像和所述训练图像之间的损失函数值，并根据所述损失函数值对所述预设的矫正网络和所述采样网络进行迭代训练，并在训练完成时将所述预设的矫正网络和所述采样网络共同作为图像矫正模型。2.根据权利要求1所述的图像矫正模型的训练方法，其特征在于，所述预设的矫正网络为预训练的矫正网络；在将所述旋转图像输入至预设的矫正网络之前，所述方法还包括：获取样本数据，所述样本数据包括样本图像和所述样本图像对应的关键点；将所述样本图像输入至卷积神经网络，得到输出仿射矩阵；基于所述样本图像对应的关键点和预设定位点确定监督仿射矩阵；计算所述输出仿射矩阵和所述监督仿射矩阵之间的损失函数值，并根据所述损失函数值对所述卷积神经网络进行预训练，得到预训练的矫正网络。3.根据权利要求1所述的图像矫正模型的训练方法，其特征在于，所述预设的矫正网络为预训练的矫正网络；在将所述旋转图像输入至预设的矫正网络之前，所述方法还包括：获取训练样本数据，所述训练样本数据包括训练样本图像对应的旋转样本图像和所述训练样本图像对应的旋转角度；将所述旋转样本图像输入至卷积神经网络，得到所述旋转样本图像对应的输出仿射矩阵；根据所述旋转样本图像和所述旋转样本图像对应的旋转角度确定监督仿射矩阵；计算所述输出仿射矩阵和所述监督仿射矩阵之间的损失函数值，并根据所述损失函数值对所述卷积神经网络进行预训练，得到预训练的矫正网络。4.根据权利要求1所述的图像矫正模型的训练方法，其特征在于，所述基于所述仿射变换矩阵对所述旋转图像进行仿射变换，包括：获取所述旋转图像中每个像素点的像素坐标；基于所述仿射变换矩阵分别对每个所述像素点的像素坐标进行映...

【专利技术属性】
技术研发人员：叶嘉权，魏新明，王孝宇，肖嵘，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：