[发明专利]目标对象识别方法、装置、系统和计算机可读介质

说明书

本发明提供了一种目标对象识别方法、装置、系统和计算机可读介质，所述目标对象识别方法包括：获取待识别图像；利用训练好的去模糊神经网络对所述待识别图像进行去模糊操作以生成去模糊图像；以及基于所述去模糊图像进行目标对象的特征提取和识别。根据本发明实施例的目标对象识别方法、装置、系统和计算机可读介质基于训练好的去模糊神经网络对待识别图像进行去模糊处理，使得特征提取在更加清晰的目标对象上进行，从而能够解决模糊图像对识别的干扰问题，提高目标对象识别的准确率和效率。

技术领域

本发明涉及对象识别技术领域，更具体地涉及一种目标对象识别方法、装置、系统和计算机可读介质。

背景技术

对于图像中某对象的识别(例如人脸识别)，现有的方法常常是从输入图像上提取识别特征，然后进行匹配和识别。然而，在各种对象识别(例如人脸识别)的真实场景中，大量存在图像模糊现象，现有的方法缺乏图像去模糊的针对性预处理，而图像模糊现象可能严重干扰对目标对象的识别，严重降低了识别精度。

发明内容

为了解决上述问题，本发明提出了一种关于目标对象识别的方案，其不仅可以用于人脸识别，也可以用于任何目标对象的识别。下面简要描述本发明提出的关于目标对象识别的方案，更多细节将在后续结合附图在具体实施方式中加以描述。

根据本发明一方面，提供了一种目标对象识别方法，所述目标对象识别方法包括：获取待识别图像；利用训练好的去模糊神经网络对所述待识别图像进行去模糊操作以生成去模糊图像；以及基于所述去模糊图像进行目标对象的特征提取和识别。

在本发明的一个实施例中，所述利用训练好的去模糊神经网络对所述待识别图像进行去模糊操作以生成去模糊图像包括：利用所述去模糊神经网络得到所述待识别图像的重建残差，并将所述重建残差与所述待识别图像相加以得到所述去模糊图像。

在本发明的一个实施例中，所述去模糊神经网络包括依次连接的输入层、第一卷积层、至少一层卷积池化层、至少一层反池化卷积层以及第四卷积层，其中：所述第一卷积层输出与原始输入图像尺寸相同的第一特征层；所述卷积池化层包括依次连接的反池化层和第三卷积层，所述卷积池化层输出与所述原始输入图像相比尺寸按比例缩小的第二特征层；所述反池化卷积层包括依次连接的反池化层和第三卷积层，所述反池化卷积层输出按比例增大的第三特征层，所述至少一层反池化卷积层中的最后一层反池化卷积层输出的第三特征层的尺寸与所述原始输入图像的尺寸相同；以及所述第四卷积层输出重建残差，所述重建残差与原始输入图像相加的结果为重建的去模糊图像。

在本发明的一个实施例中，所述卷积池化层与所述反池化卷积层的数目相等。

在本发明的一个实施例中，所述去模糊神经网络还包括跳跃连接，所述跳跃连接用于将相同尺寸的特征层拼接在一起。

在本发明的一个实施例中，所述去模糊神经网络还包括第五卷积层，所述第五卷积层与所述反池化卷积层连接，用于减少因所述特征层的拼接而导致增加的通道数。

在本发明的一个实施例中，所述去模糊神经网络的训练所基于的样本是模糊图像集，所述模糊图像集中的模糊图像是通过对包括目标对象的清晰图像实施图像模糊算法而得到的。

在本发明的一个实施例中，所述基于所述去模糊图像进行目标对象的特征提取和识别，包括：基于所述去模糊图像和特征提取网络进行所述目标对象的特征提取和识别。

在本发明的一个实施例中，所述训练好的去模糊神经网络与所述特征提取网络连在一起，所述去模糊神经网络与所述特征提取网络被进行共同调优训练，以用于所述目标对象的识别。

在本发明的一个实施例中，所述目标对象为人脸。