[发明专利]用于处理图像的系统

说明书

本发明公开了一种用于处理图像(4)的系统(1)，系统(1)包括主神经网络(2)、优选基于卷积的主神经网络(CNN)，和至少一个在主神经网络(2)的上游的预处理神经网络(6)、优选基于卷积的预处理神经网络，预处理神经网络(6)用于在通过主神经网络(2)进行处理之前进行至少一种关于其参数是可微分的参数变换f，所述变换被应用于所述图像的像素的至少一部分并且具有形式p′＝f(V(p)，Θ)，式中，p为原始图像的处理后的像素或所述图像的分解的处理后的像素，p'为变换后的图像的像素或变换后的图像的分解的像素，V(p)为像素p的邻域，Θ为参数的向量，预处理神经网络(6)使其学习的至少一部分与主神经网络(2)的学习同时地进行。

技术领域

本发明涉及利用神经网络处理图像的系统，更特别地但不仅仅涉及用于生物计量学、尤其面部识别的系统。

背景技术

针对面部或其它目标的识别已提出使用所谓的卷积神经网络(convolutionneural networks，CNN)。Yann Le Cun等人的文章Deep Learning(436NATURE，第521卷，2015年5月28日)包括对这些神经网络的介绍。

另外，设法例如通过伽玛校正或局部对比度校正来进行图像的预处理以便纠正图像的缺陷(例如缺乏对比度)是司空见惯的。

面部的生物识别假定多种多样的图像采集和照明条件，这引起对待被进行的纠正的选择上的困难。而且，由于卷积神经网络的性能上的改进与完全学习到的隐藏层相关，故这引起在理解图像处理(在这种网络的上游应用该图像处理将是有用的)上的困难。

因此，受越来越强大的处理器的快速发展的支持，当前趋势是加强卷积神经网络的能力，并拓宽它们对多方面变化的图像的学习，以便独立于任何预处理来改进这些网络的性能。

然而，尽管这些系统是更加有效的，但这些系统对于伪影的存在以及对于图像质量的下降是不完全鲁棒的。而且，增加计算资源的计算能力是相当昂贵的不总是适合的解决方案。

因此，对于图像质量的问题的现有解决方案(与寻求学习的问题无关，该现有解决方案因此要么在于利用有问题的图像的示例来丰富学习库，要么在于在上游进行图像处理)不是完全令人满意的。

因此，仍需要进一步加强基于卷积神经网络的生物识别链，尤其以便使得生物识别链对于各种噪音更加鲁棒从而因此改进关于具有较低质量的图像的识别性能。

Peng Xi等人的文章“Learning face recognition from limited trainingdata using deep neural networks”(第23届图案识别国际会议，2016年12月4日，第1442-1447页)描述了利用对图像应用仿射变换的第一神经网络和用于识别由此变换的图像的第二神经网络来识别面部的方案。

Svoboda Pavel等人的文章“CNN for license plate motion deblurring”(图像处理国际会议，2016年9月25日，第3832-3836页)描述了利用CNN网络使号牌去燥的方法。

Chakrabarti Ayan的文章“A Neural Approach to Blind Motion Deblurring”(ECCV 2016，第9907卷，第221-235页)描述了在通过神经网络学习这些数据之前将图像变换到频域，以便出于去燥目的评估卷积参数。

文章Spatial Transformer Networks，Max Jaderberg,Karen Simonyan,AndrewZisserman,Koray Kavukcuoglu,NIPS 2015，描述了设计用于字符识别的处理系统，其中，卷积的预处理神经网络被用于进行空间变换，例如旋转和缩放。与生物计量学相关的问题在该文章中未被解决。应用于像素的变换被应用于整个图像。

发明内容