[发明专利]一种SRFlow超分辨率模型的训练方法及人脸识别方法

说明书

本发明涉及一种SRFlow超分辨率模型的训练方法，包括：一、建立原始高清人脸图像库；二、提取若干原始高清人脸图像，作为第一高清人脸图像，并输入人脸识别模型，以获得第一人脸特征值；三、将第一高清人脸图像进行模糊处理；四、将模糊后的人脸图像输入SRFlow超分辨率模型，得到第二高清人脸图像；五、将第二高清人脸图像输入人脸识别模型，以获得第二人脸特征值；六、至少将第一人脸特征值与第二人脸特征值进行对比，并将对比结果添加到SRFlow超分辨率模型的负对数似然损失函数中，然后训练SRFlow超分辨率模型；七、重复执行上述二至六步，直至训练结果收敛后完成训练。本发明还涉及利用上述训练好的SRFlow超分辨率模型的人脸识别方法，特别适合对小人脸进行识别。

技术领域

本发明涉及人脸识别技术，尤其是一种SRFlow超分辨率模型的训练方法及人脸识别方法。

背景技术

人脸识别作为一项比较成熟的技术，目前已经广泛应用在了人们生活的各个领域，如智能门锁、智能门禁、视频监控以及用于手机解锁等领域，目前人脸识别算法开源的有ArcFace、SubCenter-ArcFace、sphereface，上述算法在图像清晰时，均能达到较好的识别率，但在小人脸识别时，由于小人脸图像清晰度低，导致人脸识别的准确率也很低。

近日，来自苏黎世联邦理工学院计算机视觉实验室的研究者提出了一种超分辨率模型SRFlow，其标准流程架构图可以参考图1所示。该模型可以基于模糊的人脸图像生成高清的人脸图像，这样便有利于人脸识别模型进行识别，关于该模型的详细介绍可以参考苏黎世联邦理工学院计算机视觉实验室收录在ECCV2020里的论文，论文题目《SRFlow:Learning the Super-Resolution Space with Normalizing Flow》，该论文详细介绍了SRFlow超分辨率模型的功能特点、使用效果以及训练方法，并公布了相应的源代码。

超分任务本质上就是一个通过添加高频特征来对低分辨率的x的分辨率进行放大预测，生成一个更高分辨率的y的过程。大多数的方法都是通过生成映射的方法x-y，而SRFlow则想通过捕获一个完全条件分布(py|x(y|x),θ)。SRFlow超分辨率模型具备比GAN更强的脑补能力，与基于GAN的方法相比，SRFlow实现了明显更好的PSNR、LPIPS和LR-PSNR结果，并在PIQUE和BRISQUE方面也得到了出色的结果，因此将SRFlow超分辨率模型与人脸识别模型相结合，为解决小人脸识别提供了一种新思路。

鉴于此提出本发明。

发明内容

本发明的一个目的在于克服现有技术的不足，提供一种SRFlow超分辨率模型的训练方法。

本发明的第二目的在于提供一种利用上述训练后的SRFlow超分辨率模型的人脸识别算法。

为了实现第一发明目的，本发明采用如下技术方案：

一种SRFlow超分辨率模型的训练方法，包括以下步骤：

步骤一、建立原始高清人脸图像库；

步骤二、从原始高清人脸图像库中提取若干原始高清人脸图像，作为第一高清人脸图像，并将第一高清人脸图像输入人脸识别模型，以获得第一人脸特征值；

步骤三、将第一高清人脸图像进行模糊处理，得到低分辨率人脸图像；

步骤四、将低分辨率人脸图像输入SRFlow超分辨率模型，得到第二高清人脸图像；

步骤五、将第二高清人脸图像输入人脸识别模型，以获得第二人脸特征值；

步骤六、至少将第一人脸特征值与第二人脸特征值进行对比，并将对比结果添加到SRFlow超分辨率模型的负对数似然损失函数中，然后利用修改后的损失函数训练SRFlow超分辨率模型；

步骤七、重复执行上述步骤二至步骤六，直至训练结果收敛后完成训练。