[發明專利]基于深度學習的圖像融合方法與計算機存儲介質

有效

• 申請號: 201710197808.7
• 申請日: 2017-03-29
• 公開（公告）號: CN107093163B
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 張政操;江陽生;閆澤裕;張泰泉
• 申請（專利權）人: 廣州市順潮廣告有限公司
• 主分類號: G06T3/00
• 分類號: G06T3/00;G06N3/04;G06N3/08
• 代理公司: 北京智匯東方知識產權代理事務所(普通合伙) 11391
• 代理人: 薛峰;劉長江

1.一種基于深度學習的圖像融合方法，包括：

獲取待處理圖片，所述待處理圖片中至少包括面部圖像；

利用預先深度學習得出的吸毒肖像特征對所述待處理圖片進行圖像融合處理，所述吸毒肖像特征由深度學習網絡模型通過對樣本圖像訓練得出，所述樣本圖像為吸毒人員的面部圖像；以及

輸出經過所述圖像融合處理的圖片，

其中由深度學習網絡模型通過對樣本圖像訓練得出所述吸毒肖像特征的步驟包括：選取預定數量的吸毒人員的面部圖像作為所述樣本圖像，并將所述樣本圖像傳入卷積神經網絡進行訓練，以提取所述吸毒肖像特征；

對所述待處理圖片進行圖像融合處理的步驟包括：將所述待處理圖片傳入所述卷積神經網絡進行訓練，提取出所述待處理圖片的圖像內容；

將所述待處理圖片傳入所述卷積神經網絡進行訓練的步驟包括：獲取所述卷積神經網絡中特定層從所述待處理圖片提取出來的圖像風格；用白色噪聲圖像執行梯度下降計算，找到與所述待處理圖片的內容特征相匹配的圖像；以及通過使所述待處理圖片矩陣與所述相匹配的圖像的矩陣之間的均方距離最小化，提取出所述待處理圖片的圖像內容。

2.根據權利要求1所述的方法，其中選取所述樣本圖像的步驟還包括：

對圖片庫中吸毒人員的面部圖像進行圖像質量篩選，提取出所述預定數量圖像質量滿足要求的圖像作為所述樣本圖像。

3.根據權利要求1所述的方法，其中，

所述卷積神經網絡由19層VGG網絡的16個卷積層和5個池層提供。

4.根據權利要求1所述的方法，其中將所述樣本圖像傳入卷積神經網絡進行訓練的步驟包括：

獲取所述卷積神經網絡中特定層從所述樣本圖像中提取出來的圖像內容，并用白色噪聲圖像執行梯度下降計算，以找到與所述樣本圖像的圖像內容特征相匹配的圖像；以及

使用標準誤差反向傳播來計算相對于所述相匹配的圖像的梯度，從而提取所述吸毒肖像特征。

5.根據權利要求4所述的方法，其中在提取出所述待處理圖片的圖像內容的步驟之后還包括：

將所述待處理圖片的圖像內容與所述吸毒肖像特征進行融合。

6.根據權利要求5所述的方法，其中，

將所述待處理圖片的圖像內容與所述吸毒肖像特征進行融合的步驟包括：使所述卷積神經網絡中特定層從所述待處理圖片提取出來的圖像內容和多個層處理的所述吸毒肖像特征聯合最小化，將所述圖像內容與所述吸毒肖像特征融合，按照指定的卷積網絡的迭代次數進行融合處理。

7.根據權利要求1所述的方法，其中獲取所述待處理圖片的步驟包括：

接收用戶終端通過網絡上傳的圖片，作為所述待處理圖片。

8.根據權利要求7所述的方法，其中輸出經過所述圖像融合處理的圖片的步驟包括：

保存所述圖像融合處理的圖片；以及

通過網絡將所述圖像融合處理的圖片發送至上傳所述待處理圖片的用戶終端，以供所述用戶終端展示。

9.一種計算機存儲介質，其中存儲有計算機程序，并且所述計算機程序運行時導致所述計算機存儲介質的所在設備執行根據權利要求1至8中任一項所述的基于深度學習的圖像融合方法。