[发明专利]网纹人脸图像识别装置

说明书

本发明涉及图像处理技术领域，具体提供了一种网纹人脸图像识别装置，旨在解决如何提高包含网纹的人脸图像的识别准确性的技术问题。为此目的，本发明中图像识别装置的循环生成对抗网络模型包括正向生成器、反向生成器和优化训练模块。正向生成器可以依据网纹人脸图像预测清晰人脸图像。反向生成器可以依据预测的清晰人脸图像，重建新的网纹人脸图像；以及，依据清晰人脸图像预测网纹人脸图像。基于此，正向生成器还可以依据预测的网纹人脸图像，重建新的清晰人脸图像。通过上述正反生成器构成的循环对抗网络，能够得到清晰的人脸图像，进而提高网纹人脸图像的识别准确性。

技术领域

本发明涉及图像处理技术领域，具体涉及一种网纹人脸图像识别装置。

背景技术

人脸识别技术是指利用分析比较的计算机技术识别人脸，其已被广泛应用于安检和考勤等应用场景中。但是，当前人脸识别技术主要针对位于同一应用场景下的人脸图像，并不适用于不同场景的人脸图像识别，尤其是在基于身份证照与生活照比对进行人脸识别时，身份证照通常还加入了随机的网纹图案，这将极大地影响人脸识别的准确性。

发明内容

为了解决现有技术中的上述问题，即为了解决如何提高包含网纹的人脸图像的识别准确性的技术问题，本发明提供了一种网纹人脸图像识别装置。

本发明中的网纹人脸图像识别装置包括循环生成对抗网络模型，其配置为获取网纹人脸图像，并对获取的网纹人脸图像进行人脸识别；所述循环生成对抗网络模型包括正向生成器、反向生成器和优化训练模块；

所述正向生成器，配置为依据所述循环生成对抗网络模型所获取的网纹人脸图像，预测清晰人脸图像；

所述反向生成器，配置为依据所述正向生成器所预测的清晰人脸图像，重建新的网纹人脸图像；以及，依据所述循环生成对抗网络模型所获取的清晰人脸图像，预测网纹人脸图像；所述正向生成器，进一步配置为依据所述反向生成器所预测的网纹人脸图像，重建新的清晰人脸图像；

所述优化训练模块，配置为依据预设训练集，并按照下式所示的损失函数L_HRCycleGAN对所述循环生成对抗网络模型进行网络训练，得到优化后的循环生成对抗网络模型：

L_HRCycleGAN＝L_gan+λL_cyc+λ₁L_hr+λ₂L_ip

其中，所述L_gan为对抗损失函数，所述L_cyc为循环一致性损失函数，所述L_hr为高阶关系损失函数，所述L_ip为身份特征损失函数，所述λ、λ₁和λ₂均为预设的权重参数；