[发明专利]基于深度残差网络的去网格方法、装置、设备及存储介质

说明书

本发明公开了一种基于深度残差网络的去网格方法、装置、设备及存储介质，该去网格方法采用基于深度残差的全卷积网络作为基础网络，其包括：采用训练图像集训练基础网络，得到训练好的基础网络；利用训练好的基础网络对待去除网格的图像进行去网格处理，得到去网格的图像。通过采用基于深度残差的全卷积网络作为基础网络，扩大了卷积的感受野，从而在去网格方法中引入多尺度信息(图像更多的高频及低频信息)来有效改善深度学习去网格算法的效果，避免了现有的去网格算法计算量大导致处理效率低或者信息尺度受限导致去网格效果有待改善的矛盾，增强了深度学习算法在图像去网格领域中的应用，具有广泛推广应用价值。

技术领域

本发明涉及人脸识别领域，特别地，涉及一种基于深度残差网络的去网格方法、装置、设备及存储介质。

背景技术

随着深度学习的发展，人脸识别在各种应用场景落地推广越来越广泛，特别是金融支付行业，人脸识别作为一种无卡化去密码化的应用，以其简单快捷，配合度小越来越得到各银行的青睐。但是在某些应用场景，为了保护用户的隐私，银行拿到的官方网络证件照加了网格水印，这会严重影响人脸识别的效果，于是各种去网格算法应运而生。其中除了传统的图像处理思路的去网格算法外，基于深度学习的去网格算法也有出现。但是这些算法一般基于之前的分类网络进行改进，如CN107424131A公开了一种基于深度学习的图像去网格方法及装置，通过网格模板在线构造网格图像，生成与网格模板相对应的多类别网格数据，并将多类别网格数据作为训练数据分别训练分类网络和全卷积网络；使用训练好的分类网络对待去除网格图像进行分类处理，并根据分类处理的结果，利用训练好的全卷积网络对分类好的待去除网格图像进行去网格处理。由于去网格算法会用到图像当前像素相隔很远的一些像素的信息冗余，现有的全卷积网络因其感受野较小，导致信息尺度受限，无法全面采样图像的低频信息，导致其去网格效果有待改善，此外，若采集更多图像信息，则会导致其计算量大，影响处理效率。

发明内容

本发明提供了一种基于深度残差网络的去网格方法、装置、设备及存储介质，以解决现有的去网格算法计算量大导致处理效率低或者信息尺度受限导致去网格效果有待改善的技术问题。

本发明采用的技术方案如下：

根据本发明的一个方面，提供一种基于深度残差网络的去网格方法，本发明去网格方法采用基于深度残差的全卷积网络作为基础网络，本发明去网格方法包括：

采用训练图像集训练基础网络，得到训练好的基础网络；

利用训练好的基础网络对待去除网格的图像进行去网格处理，得到去网格的图像。

进一步地，基础网络为在全卷积网络的基础上添加扩展卷积的元网络，基础网络包括一系列的元网络，每相邻两个元网络之间经残差做一次直连。

进一步地，元网络包括第一网络架构、第二网络架构，任一元网络为前述两种网络结构之一；

第一网络架构包括依次连接的第一卷积层、第一relu非线性层、第二卷积层、第二relu非线性层；

第二网络架构包括依次连接的混合卷积层、用于将混合卷积层的输出关联的concate层及第三relu非线性层，其中，混合卷积层由第三卷积层和第四卷积层按一定的比例组成。

进一步地，第一卷积层为I＝2的2-dilated 3x3卷积，第二卷积层为3x3卷积层，第三卷积层为I＝2的2-dilated 3x3卷积，第四卷积层为3x3卷积层，第三卷积层与第四卷积层的比例为dilate_ratio，dilate_ratio的取值范围为[0,0.5]。

进一步地，在输入待去除网格的图像之前，本发明去网格方法还包括：

对待去除网格的图像进行预处理，使得预处理后的图像尺寸符合预设尺寸要求。