[发明专利]人脸关键属性识别方法、系统、存储介质及计算机设备

说明书

本发明提供一种人脸关键属性识别方法、系统、存储介质及计算机设备，该方法包括：获取模糊图像数据集，并将模糊图像数据集输入至已训练的生成式对抗神经网络模型中进行超分辨率重建，以得到重建后的超分辨率图像；对重建后的超分辨率图像进行数据预处理，以得到对应的人脸图像；将人脸图像分别输入至多个卷积神经网络中，以使各卷积神经网络分别预测出人脸图像中的多个关键属性，并将各关键属性进行统一输出。本发明能够还原出清晰真实的人脸图像，缓解因人脸图像模糊带来的影响，从而保障人脸属性识别的正确性，极大程度上降低了模型对设备配置的要求，节约了不必要的成本开支，同时提高了检测识别的鲁棒性和准确率。

技术领域

本发明涉及图像处理技术领域，特别涉及一种人脸关键属性识别方法、系统、存储介质及计算机设备。

背景技术

在过去的几十年里，随着大数据应用的发展，已拥有众多的联网监控设备，手机电脑等智能设备产生的海量图像数据，数据呈现井喷式增长。其中，数据的主要来源就是非结构化图像数据和视频数据。由于丰富的图像数据资源，扩展了人脸属性识别的应用前景：如公安部门通过监控设备在海口、机场等地方验证人的身份以实现自动化管理；对某些安全场所进行异常预警以避免不明人员闯入等。

目前，针对清晰的人脸图像数据，人脸识别算法已经有了很高的识别准确率，然而在许多现实应用中，由于环境复杂多变，例如图像数据会因为人的运动，光线不足，摄像设备的配置等诸多因素导致图像模糊不清，导致很难获取清晰的人脸图像数据，这使得人脸识别算法的预测效果不理想，在分辨率过低的情况下某些识别算法由于无法提取人脸属性信息甚至失去效果。但这个问题又是在实际应用过程中不可避免的难题，因为实际生活中大多数图像都会有不同程度的出现模糊现象，而放弃这些图像必然会造成数据资源的浪费和无法完成识别任务。为此，利用深度学习技术来增强图像的分辨率以提高人脸属性识别的准确率极为有必要的。一方面，在公安部门验证人员身份时，因为人员的运动导致摄影图像模糊不清时，利用这种深度学习技术可以快速的还原出人员的清晰人脸图像，以便于迅速进行身份信息的比对识别和锁定人员。另一方面，在很多自动化管理的身份验证过程中，常常会因为图像的不清晰而导致信息验证的失效，会使得人工介入而加重工作人员的负担，有时候甚至会因为识别的错判导致很严重的经济损失和安全隐患，这时候如果能保证每次识别的图像是清晰的，那么准确率将会显著的提升，从而很大程度上降低这种风险和负担。

深度学习中的生成对抗网络（GAN）作为一种生成式网络模型，它的优势是生成的图像更锐利、清晰，其中SRGAN中的对抗损失函数通过训练判别器区分真实图片和由生成器进行超分辨重构的图片，从而能够学习自然图片的流形结构，通过峰值信噪比和结构相似性等指标对重建图像进行评估和分析，当前的实验结果表明 SRGAN 的效果比最先进的采用深度残差网络优化均方差更接近高分辨率原图，这无疑证明了用GAN来还原的人脸模糊图像的价值和潜力。ESRGAN能够实现更好的视觉质量，具有更逼真和自然的纹理。

因此，利用ESRGAN特有的优势来对模糊图像进行超分辨率重建以保障多任务的人脸属性识别的鲁棒性具有巨大的潜力以及其重要的实际应用价值。

发明内容

基于此，本发明的目的是提供一种人脸关键属性识别方法、系统、存储介质及计算机设备，以至少解决上述相关技术中的不足。

本发明提出一种人脸关键属性识别方法，所述方法包括以下步骤：

步骤一：获取模糊图像数据集，并将所述模糊图像数据集输入至已训练的生成式对抗神经网络模型中进行超分辨率重建，以得到重建后的超分辨率图像；

步骤二：对所述重建后的超分辨率图像进行数据预处理，以得到对应的人脸图像；

步骤三：将所述人脸图像分别输入至多个卷积神经网络中，以使各所述卷积神经网络分别预测出所述人脸图像中的多个关键属性，并将各所述关键属性进行统一输出。

进一步的，所述步骤一中获取模糊图像数据集的步骤包括：

获取若干开源实验的开源数据集、传感器所采集的实际数据集以及利用网络爬虫爬取网络数据集；