[發明專利]用于證卡激光簽注的數字人像處理方法、存儲介質和系統

有效

• 申請號: 201911030215.7
• 申請日: 2019-10-28
• 公開（公告）號: CN110796618B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 錢彬;黃金;王軍華;虞力英;倪鳴
• 申請（專利權）人: 公安部交通管理科學研究所
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T3/40;G06T7/00
• 代理公司: 無錫市大為專利商標事務所(普通合伙) 32104
• 代理人: 曹祖良;屠志力

1.一種用于證卡激光簽注的數字人像處理方法，其特征在于，包括以下步驟：

步驟S10，對用戶上傳的人像照片進行初步判定，排除非人像照片；

步驟S20，對人像照片進行人臉識別、人像定位和自適應裁剪；

步驟S30，對人像照片進行自動評估，保留質量評估合格的人像照片，剔除不合格的人像照片；

步驟S50，對人像照片圖像進行灰度優化；

步驟S60，將人像照片圖像進行編碼安全傳輸；

步驟S30與S50之間，還包括：

步驟S40，對低分辨率的人像照片圖像進行超分辨率增強；

步驟S40具體包括：

首先采用深度殘差卷積神經網絡進行建模和訓練，得到超分辨率增強模型；具體包括：

采集人像照片樣本，對于高分辨率的人像照片通過下采樣得到低分辨率的人像照片，然后將高、低分辨率成對人像照片圖像存入訓練集；

采用深度殘差卷積神經網絡進行建模：將低分辨率人像照片圖像丟失細節信息的過程看作是一種額外的噪聲干擾v混入的過程；設原始的高分辨率人像照片圖像為x，相應低分辨率人像照片圖像通過上采樣后得到的圖像為y，三者關系滿足y＝x+v；

將y作為深度殘差卷積神經網絡模型的輸入，y與原始的高分辨率人像照片圖像x的差作為模型的期望輸出，即以的形式作為訓練數據點對；N是訓練數據點對數量；將平均均方誤差作為目標函數：

其中Θ表示期望學習得到的模型參數，F表示F范式，R()表示映射；

利用訓練數據點對，完成深度殘差卷積神經網絡模型的訓練學習；即當目標函數最小時，停止訓練學習過程，得到超分辨率增強模型；

然后，將用戶上傳的低分辨率人像照片圖像輸入得到的超分辨率增強模型，進行超分辨率增強。

2.如權利要求1所述的用于證卡激光簽注的數字人像處理方法，其特征在于，

步驟S10中，具體將人像照片輸入一個預先訓練好的級聯卷積神經網絡進行識別，以排除人像照片。

3.如權利要求2所述的用于證卡激光簽注的數字人像處理方法，其特征在于，

步驟S20中，具體利用所述級聯卷積神經網絡得到人像照片中人臉區域、人像輪廓；然后依據人像的對稱性進行人像照片的自適應裁剪，使得人像在人像照片中居中，且裁剪后人像照片的圖像長寬比符合長寬比規定。

4.如權利要求3所述的用于證卡激光簽注的數字人像處理方法，其特征在于，

步驟S30中，人像照片質量評估的指標包括：頭部姿勢、背景、光線均勻性、清晰度、衣服顏色；

在人臉識別和人像定位的基礎上，進行以下處理：

頭部姿勢的評估：計算頭部旋轉角度、頭部歪斜角度；這兩個角度均需要在設定范圍內則頭部姿勢評估合格；

背景的評估：利用人像邊界反向處理得到背景區域，再扣除人像照片中脖子以下部分的背景干擾區，即可得到需要的背景區域；計算背景區域的對比度和平均灰度，背景區域的對比度小于設定閾值，且平均灰度大于設定閾值，則背景評估合格；

光線均勻性的評估：光線均勻性依賴人臉的對稱特性進行計算，人臉區域左半部和右半部的平均灰度的差在設定閾值以內，則光線均勻性評估合格；

清晰度的評估：對經過步驟S10和S20處理后的人像照片圖像采用兩次高斯模糊的方法，在人臉區域進行計算，人臉區域的局部灰度方差大于設定閾值則清晰度評估合格；

衣服顏色的評估：對經過步驟S10和S20處理后的人像照片圖像進行衣服區域摳取，然后計算衣服區域的平均灰度，需要小于設定閾值，則衣服顏色評估合格。

5.如權利要求4所述的用于證卡激光簽注的數字人像處理方法，其特征在于，

頭部姿勢的評估中，采用開源工具Opencv進行計算得到頭部旋轉角度；利用人臉的對稱特性進行計算頭部歪斜角度。

6.如權利要求1～5中任一項所述的用于證卡激光簽注的數字人像處理方法，其特征在于，

步驟S50具體包括：調整圖像的灰度曲線，使得背景灰度接近白色，且采用高通濾波算法進行清晰度增強銳化處理。