[發明專利]基于深度殘差網絡的去網格方法、裝置、設備及存儲介質

有效

• 申請號: 201711458971.0
• 申請日: 2017-12-28
• 公開（公告）號: CN108230269B
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 楊東;王棟
• 申請（專利權）人: 智慧眼科技股份有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/00
• 代理公司: 長沙智嶸專利代理事務所(普通合伙) 43211
• 代理人: 劉宏

本發明公開了一種基于深度殘差網絡的去網格方法、裝置、設備及存儲介質，該去網格方法采用基于深度殘差的全卷積網絡作為基礎網絡，其包括：采用訓練圖像集訓練基礎網絡，得到訓練好的基礎網絡；利用訓練好的基礎網絡對待去除網格的圖像進行去網格處理，得到去網格的圖像。通過采用基于深度殘差的全卷積網絡作為基礎網絡，擴大了卷積的感受野，從而在去網格方法中引入多尺度信息(圖像更多的高頻及低頻信息)來有效改善深度學習去網格算法的效果，避免了現有的去網格算法計算量大導致處理效率低或者信息尺度受限導致去網格效果有待改善的矛盾，增強了深度學習算法在圖像去網格領域中的應用，具有廣泛推廣應用價值。

技術領域

本發明涉及人臉識別領域，特別地，涉及一種基于深度殘差網絡的去網格方法、裝置、設備及存儲介質。

背景技術

隨著深度學習的發展，人臉識別在各種應用場景落地推廣越來越廣泛，特別是金融支付行業，人臉識別作為一種無卡化去密碼化的應用，以其簡單快捷，配合度小越來越得到各銀行的青睞。但是在某些應用場景，為了保護用戶的隱私，銀行拿到的官方網絡證件照加了網格水印，這會嚴重影響人臉識別的效果，于是各種去網格算法應運而生。其中除了傳統的圖像處理思路的去網格算法外，基于深度學習的去網格算法也有出現。但是這些算法一般基于之前的分類網絡進行改進，如CN107424131A公開了一種基于深度學習的圖像去網格方法及裝置，通過網格模板在線構造網格圖像，生成與網格模板相對應的多類別網格數據，并將多類別網格數據作為訓練數據分別訓練分類網絡和全卷積網絡；使用訓練好的分類網絡對待去除網格圖像進行分類處理，并根據分類處理的結果，利用訓練好的全卷積網絡對分類好的待去除網格圖像進行去網格處理。由于去網格算法會用到圖像當前像素相隔很遠的一些像素的信息冗余，現有的全卷積網絡因其感受野較小，導致信息尺度受限，無法全面采樣圖像的低頻信息，導致其去網格效果有待改善，此外，若采集更多圖像信息，則會導致其計算量大，影響處理效率。

發明內容

本發明提供了一種基于深度殘差網絡的去網格方法、裝置、設備及存儲介質，以解決現有的去網格算法計算量大導致處理效率低或者信息尺度受限導致去網格效果有待改善的技術問題。

本發明采用的技術方案如下：

根據本發明的一個方面，提供一種基于深度殘差網絡的去網格方法，本發明去網格方法采用基于深度殘差的全卷積網絡作為基礎網絡，本發明去網格方法包括：

采用訓練圖像集訓練基礎網絡，得到訓練好的基礎網絡；

利用訓練好的基礎網絡對待去除網格的圖像進行去網格處理，得到去網格的圖像。

進一步地，基礎網絡為在全卷積網絡的基礎上添加擴展卷積的元網絡，基礎網絡包括一系列的元網絡，每相鄰兩個元網絡之間經殘差做一次直連。

進一步地，元網絡包括第一網絡架構、第二網絡架構，任一元網絡為前述兩種網絡結構之一；

第一網絡架構包括依次連接的第一卷積層、第一relu非線性層、第二卷積層、第二relu非線性層；

第二網絡架構包括依次連接的混合卷積層、用于將混合卷積層的輸出關聯的concate層及第三relu非線性層，其中，混合卷積層由第三卷積層和第四卷積層按一定的比例組成。

進一步地，第一卷積層為I＝2的2-dilated 3x3卷積，第二卷積層為3x3卷積層，第三卷積層為I＝2的2-dilated 3x3卷積，第四卷積層為3x3卷積層，第三卷積層與第四卷積層的比例為dilate_ratio，dilate_ratio的取值范圍為[0,0.5]。

進一步地，在輸入待去除網格的圖像之前，本發明去網格方法還包括：

對待去除網格的圖像進行預處理，使得預處理后的圖像尺寸符合預設尺寸要求。