[发明专利]超分辨模型训练方法、图像识别方法、装置及设备

说明书

本发明公开了超分辨模型训练方法、图像识别方法、装置及设备，属于图像处理技术领域，获取多个样本数据，样本数据包括获取同一场景成对的高分辨率图像，低分辨率图像；构建图像超分辨率模型：将含有多个卷积网络模块的深度神经网络模型分别对低分辨率图像和高分辨率图像的特征进行提取和映射，学习特征间非线性的映射关系，最终将提取到的特征进行加权融合；构建目标方程：将低分辨率图像LR(x)输入到图像超分辨率模型中，获得超分辨率图像SR(x)，SR(x)与对应的高分辨率图像HR(x)计算损失用于约束网络的训练过程。本申请能够使得重建后的高分辨率图像具有更清晰的纹理细节，进而提高图像检测的精确率。

技术领域

本发明涉及图像处理技术领域，尤其涉及超分辨模型训练方法、图像识别方法、装置及设备。

背景技术

近年来，随着高清设备的普及，用户端显示设备的分辨率已经普遍提升到了2K甚至更高的水平。在现实场景中通过手机摄像头等成像设备所获得的图像通常会存在分辨率不足，成像模糊的缺点。

图像超分辨率技术的发展为上述问题提供了解决的思路。图像超分辨率是指从低分辨率图像中恢复出自然、清晰的纹理，最终得到一张高分辨率图像，是图像增强领域中一个非常重要的问题。

在现有的方法中，图像超分辨率技术主要分为基于插值的方法、基于重建的方法和基于深度学习的方法。

其中基于插值的方法包括最近邻插值、双线性插值和双三次插值方法。最近邻近插值方法是一种简单的插值方法，缺点是图像放大时会产生明显的锯齿，造成图像比较模糊。双线性插值方法缺点是计算量偏大，而且高频分量受损使图像产生了模糊。双三次插值方法是目前用得比较多的重建方法，虽然其经过超分辨后的图像质量效果较好，但是却无法解决计算量偏大的问题。

基于重建的方法主要分为频域法和空域法。频域法通常消除频谱混叠从而提升图像分辨率，但它可用到的先验知识十分有限。空域法具有很强的先验约束能力，但是由于场景单一，导致重建的图像效果并不好，并且受先验影响很大，重建效果也不稳定。

基于深度学习方法的出现使得该问题有了显著的进展。深度学习方法的使用可以使得模型学习低分辨率图像到高分辨率图像之间的映射关系。基于深度学习的超分辨方法虽获得了不错的效果，但是这些方法都需要很大的计算量或者模型复杂，对应用于实际的应用场景不友好。

对于上述问题的解决方法有很多，陈斌等人提出的“一种SRFlow超分辨率模型的训练方法及人脸识别方法”，“CN202011411875.2”，主要包括：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。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术存在如下技术问题：计算量大。