[发明专利]一种人脸图像中眼镜去除方法及装置

说明书

一种人脸图像中眼镜去除的方法及装置，用以解决现有技术中存在的戴眼镜的人脸图像在眼镜去除后，眼镜所在的点的像素值为0，人脸信息丢失的问题。所述人脸图像中眼镜去除方法包括：获取待检测图像(S101)；通过第一卷积层提取所述待检测图像中的人脸面部特征(S102)；通过第二卷积层确定所述人脸面部特征中的眼睛区域特征，并过滤所述眼睛区域特征中的眼镜区域特征(S103)；通过第一反卷积层修正经过过滤的人脸面部特征(S104)；通过第二反卷积层生成修正后的所述人脸面部特征中的眼镜区域对应的人脸面部特征，得到去除眼镜的人脸图像(S105)。

技术领域

本发明涉及人脸识别技术领域，特别涉及一种人脸图像中眼镜去除方法及装置。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。但是人脸识别过程中受很多因素的干扰，主要包括光照，姿态和遮挡。眼镜是人脸图像中最为常见的遮挡物，对识别率有着很大的影响。为了降低眼镜对识别率的影响，目前针对带眼镜遮挡的人脸识别系统主要采用去除眼镜的方法。

现有技术中对人脸图像中的眼镜提取和摘除最常用的方法为基于主成分分析法(英文：Principle Component Analysis，简称：PCA)重构的眼镜摘除技术。，基于PCA重构的眼镜摘除技术是使用不戴眼镜的人脸图像来训练出变换矩阵U，变换矩阵U的行向量张成的特征空间是无噪声的空间。对于一张戴眼镜的测试人脸图像K，首先将人脸图像K变换到由变换矩阵U的行向量张成的特征空间上得到人脸图像K′，最后利用PCA重构技术把K′变换到不戴眼镜的图像所在空间从而得到人脸图像K″，人脸图像K″即为K经过眼镜摘除技术后的人脸图像。

眼镜被摘除的人脸图像K″相比于戴眼镜的测试人脸图像K，眼镜所在的点的像素值为0，造成信息丢失，因此为进一步的人脸识别过程带来很大的困难。

发明内容

本发明实施例提供一种人脸图像中眼镜去除的方法及装置，用以解决现有技术中存在的戴眼镜的人脸图像在眼镜去除后，眼镜所在的点的像素值为0，人脸信息丢失的问题。

第一方面，本发明实施例提供了一种人脸图像中眼镜去除的方法，该方法可以应用于电子设备，包括：

电子设备获取待检测图像后，即获取到佩戴眼镜的人脸图像后，通过深度卷积神经网络模型的第一卷积层提取所述待检测图像中的人脸面部特征；然后通过所述深度卷积神经网络模型的第二卷积层确定所述人脸面部特征中的眼睛区域特征，并过滤所述眼睛区域特征中的眼镜区域特征；之后通过所述深度卷积神经网络模型的第一反卷积层修正经过过滤的人脸面部特征；最后通过所述深度卷积神经网络模型的第二反卷积层生成修正后的所述人脸面部特征中的眼镜区域对应的人脸面部特征，得到去除眼镜的人脸图像。

本发明实施例基于深度卷积神经网络的方式，通过设计包含反卷积神经网络的结构，从大量的训练样本中学习出有效的特征表达，训练出能够有效去除人脸照片中眼镜部分的网络模型，实现配戴眼镜的人脸图像中的眼镜去除。相比于现有技术中基于主成分分析法(英文：Principle Component Analysis，简称：PCA)重构的眼镜摘除技术，深度卷积神经网络模型在移除眼镜的同时能够使人脸信息完整。

在一种可能的设计中，所述第一反卷积层的卷积核尺寸与所述第二卷积层的卷积核尺寸相等，所述第二反卷积层的卷积核尺寸与所述第一卷积层的卷积核尺寸相等。

优选的，卷积层与反卷积层所用的卷积核尺寸模型为r×r模型，为了减少深度神经卷积网络模型的计算量，所述r可以设置为大于等于3且小于30的奇数。

需要说明的是，所述第一卷积层的滤波通道数量为a，所述第二卷积层的滤波通道数量为b，所述第一反卷积层的滤波通道数量为c，所述第二反卷积层的滤波通道数量为d，所述a，b，c均为大于等于1且小于等于100的正整数，所述d取值为3。

在一种可能的设计中，所述深度卷积神经网络模型通过如下方式训练得到：