[发明专利]一种基于深度学习的人脸重建矫正方法及装置

权利要求书

1.一种基于深度学习的人脸重建矫正方法，其特征在于，包括：

获得初始人脸图像；

对所述初始人脸图像进行预处理，获得所述初始人脸图像的精定位人脸图像；

将所述精定位人脸图像输入到基于深度学习预先训练的卷积神经网络中，进行前向传播，获得所述精定位人脸图像对应的正脸图像；

对所述正脸图像进行人脸识别。

2.根据权利要求1所述的基于深度学习的人脸重建矫正方法，其特征在于，所述对所述初始人脸图像进行预处理，获得所述初始人脸图像的精定位人脸图像，包括：

检测所述初始人脸图像中人脸的粗定位区域；

对所述粗定位区域进行灰度化处理，获得人脸灰度图像；

提取所述人脸灰度图像中预设数量的关键点；

根据所述关键点，确定所述初始人脸图像对应的精定位人脸图像。

3.根据权利要求2所述的基于深度学习的人脸重建矫正方法，其特征在于，所述根据所述关键点，确定所述初始人脸图像对应的精定位人脸图像，包括：

基于所述卷积神经网络，扩大提取到的关键点区域，并调整扩大后的所述关键点区域的大小，获得所述初始人脸图像对应的精定位人脸图像。

4.根据权利要求1至3任一项所述的基于深度学习的人脸重建矫正方法，其特征在于，通过以下步骤预先训练所述卷积神经网络：

获得多个人的样本图像集，每个人的样本图像集中包含该人的多个不同角度的人脸的样本图像；

针对每个人的样本图像集，从该样本图像集中选择一个正脸图像，将该正脸图像分别与该样本图像集中每个样本图像组成一个图像对，获得多个图像对；

针对第1个图像对，将该图像对中样本图像输入到预先建立的初始卷积神经网络中，进行前向传播，获得该样本图像对应的输出图像；

将该图像对中正脸图像和该输出图像进行对比，确定所述初始卷积神经网络最后一层的输出损失；

将所述初始卷积神经网络最后一层的输出损失进行反向传播，调整所述初始卷积神经网络中每层的网络参数；

针对第j个图像对，重复执行所述将该图像对中样本图像输入到预先建立的初始卷积神经网络中，进行前向传播，获得该样本图像对应的输出图像的步骤，直至该图像对对应的输出图像与该图像对中正脸图像具有相同的拟合能力，获得训练后的所述卷积神经网络，其中，j≥2。

5.根据权利要求4所述的基于深度学习的人脸重建矫正方法，其特征在于，所述将该图像对中正脸图像和该输出图像进行对比，确定所述初始卷积神经网络最后一层的输出损失，包括：

将该图像对中正脸图像和该输出图像的相应像素点相减；

根据相减结果，确定该图像对中正脸图像与该输出图像的欧氏距离；

根据所述欧氏距离，确定所述初始卷积神经网络最后一层的输出损失。

6.一种基于深度学习的人脸重建矫正装置，其特征在于，包括：

初始人脸图像获得模块，用于获得初始人脸图像；

精定位人脸图像获得模块，用于对所述初始人脸图像进行预处理，获得所述初始人脸图像的精定位人脸图像；

正脸图像获得模块，用于将所述精定位人脸图像输入到基于深度学习预先训练的卷积神经网络中，进行前向传播，获得所述精定位人脸图像对应的正脸图像；

人脸识别模块，用于对所述正脸图像进行人脸识别。

7.根据权利要求6所述的基于深度学习的人脸重建矫正装置，其特征在于，所述精定位人脸图像获得模块，具体用于：

检测所述初始人脸图像中人脸的粗定位区域；

对所述粗定位区域进行灰度化处理，获得人脸灰度图像；

提取所述人脸灰度图像中预设数量的关键点；

根据所述关键点，确定所述初始人脸图像对应的精定位人脸图像。

8.根据权利要求7所述的基于深度学习的人脸重建矫正装置，其特征在于，所述精定位人脸图像获得模块，具体用于：

基于所述卷积神经网络，扩大提取到的关键点区域，并调整扩大后的所述关键点区域的大小，获得所述初始人脸图像对应的精定位人脸图像。