-
公开(公告)号：CN110415172B
公开(公告)日：2023-03-17
申请号：CN201910618147.X
申请日：2019-07-10
IPC: G06T3/40
Abstract: 本发明公开了一种面向混合分辨率码流中人脸区域的超分辨率重建方法，包括基于视频编码的码流信息的高分辨率参考人脸生成，根据I帧中高分辨率人脸区域生成P帧低分辨率人脸区域的高清参考图像；基于人脸特征保持约束的卷积神经网络构建；基于人脸特征保持约束的卷积神经网络训练与测试，并使用训练好的网络实现低分辨率人脸图像的超分辨率重建。本发明基于视频编码的码流信息构建高分辨率参考图像，以高分辨率参考图像与超分辨率重建高清人脸图像之间人脸特征相似性为约束，指导低分辨率人脸图像的超分辨率重建过程，充分利用高分辨率图像中人脸特征信息，人脸特征保持完好，可显著提升解码后人脸区域的可识别性。
-
公开(公告)号：CN110324626B
公开(公告)日：2021-05-18
申请号：CN201910618148.4
申请日：2019-07-10
IPC: H04N19/177 , H04N19/132 , H04N19/59 , H04N19/186 , H04N19/577 , H04N7/18 , H04N21/8547 , G06K9/00 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种面向物联网监控的双码流人脸分辨率保真的视频编解码方法，首先，提取监控视频画面中人脸要素，采用MTCNN卷积神经网络检测并跟踪人脸；然后，对原始监控视频下采样并编码得到低分辨率基本层码流；接着，将人脸原始分辨率图像填充至上采样后的图像对应区域，减去低分辨率图像上采样恢复图像，得到人脸区域的差值信息再编码差值信息，得到人脸恢复层码流。还进一步提供了对应的解码方法，采用双码流人脸恢复解码算法，解码得到人脸局部分辨率保真的监控画面。本发明融合人脸高清与背景低清的局部分辨率保真图像，保留了场景要素中关键区域丰富的细节信息，极大降低视频编码码率，提升监控视频的压缩率，具有很强的实用性。
-
公开(公告)号：CN110324626A
公开(公告)日：2019-10-11
申请号：CN201910618148.4
申请日：2019-07-10
IPC: H04N19/177 , H04N19/132 , H04N19/59 , H04N19/186 , H04N19/577 , H04N7/18 , H04N21/8547 , G06K9/00 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种面向物联网监控的双码流人脸分辨率保真的视频编解码方法，首先，提取监控视频画面中人脸要素，采用MTCNN卷积神经网络检测并跟踪人脸；然后，对原始监控视频下采样并编码得到低分辨率基本层码流；接着，将人脸原始分辨率图像填充至上采样后的图像对应区域，减去低分辨率图像上采样恢复图像，得到人脸区域的差值信息再编码差值信息，得到人脸恢复层码流。还进一步提供了对应的解码方法，采用双码流人脸恢复解码算法，解码得到人脸局部分辨率保真的监控画面。本发明融合人脸高清与背景低清的局部分辨率保真图像，保留了场景要素中关键区域丰富的细节信息，极大降低视频编码码率，提升监控视频的压缩率，具有很强的实用性。
-
公开(公告)号：CN110415172A
公开(公告)日：2019-11-05
申请号：CN201910618147.X
申请日：2019-07-10
IPC: G06T3/40
Abstract: 本发明公开了一种面向混合分辨率码流中人脸区域的超分辨率重建方法，包括基于视频编码的码流信息的高分辨率参考人脸生成，根据I帧中高分辨率人脸区域生成P帧低分辨率人脸区域的高清参考图像；基于人脸特征保持约束的卷积神经网络构建；基于人脸特征保持约束的卷积神经网络训练与测试，并使用训练好的网络实现低分辨率人脸图像的超分辨率重建。本发明基于视频编码的码流信息构建高分辨率参考图像，以高分辨率参考图像与超分辨率重建高清人脸图像之间人脸特征相似性为约束，指导低分辨率人脸图像的超分辨率重建过程，充分利用高分辨率图像中人脸特征信息，人脸特征保持完好，可显著提升解码后人脸区域的可识别性。
-
公开(公告)号：CN113343770B
公开(公告)日：2022-04-29
申请号：CN202110516608.X
申请日：2021-05-12
Applicant: 武汉大学
Abstract: 本发明提出了一种基于特征筛选的人脸防伪方法。本发明设计了一种层级特征筛选机制用于优化面部深度特征的提取，有效利用了不同层级特征模块之间的关联关系，补充了面部深度提取的部分细节信息；并且提出了一种基于视点加权的交叉熵损失用于优化网络的学习监督过程，通过视点加权之后交叉熵损失重点刻画不同视点之间的深度差异，学习面部整体的深度差异信息。
-
Patent Agency Ranking
公开(公告)号：CN113343771A
公开(公告)日：2021-09-03
申请号：CN202110516619.8
申请日：2021-05-12
Applicant: 武汉大学
Abstract: 本发明提出了一种基于自适应元学习的人脸防伪方法。本发明提出将支持集上首次计算得到的损失加入至元学习器的优化目标中，可以使得元学习器在梯度更新过程找到最佳的收敛方向，使训练过程更加趋于稳定。本发明采用了自适应权重调节方法，将支持集的初步计算损失引入到元学习器的优化目标中，并为支持集损失和查询集损失分别设定了可变的权重因子，在训练的过程中可以随任务采样随机变化，特别地，在(0，1)的区间范围内初始化两个权重因子。该自适应调节机制使得元学习器在训练的过程中能够自动的调节两种损失函数对于模型优化影响的权重比例，有助于元学习器寻找最佳的梯度下降方向，找到局部最优解，获得更优质的初始化模型参数。
-
公开(公告)号：CN110348320B
公开(公告)日：2021-08-17
申请号：CN201910526316.7
申请日：2019-06-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于多损失深度联合的人脸防伪方法，通过采用多个局部的并行网络来学习局部特征和微纹理特征，同时为了进一步较少对噪声的学习，提升对多样数据源的鲁棒性能，采用基于分组LASSO正则来加强局部特征稀疏性约束，对学习到的特征进行稀疏处理，达到对特征进行选择的作用；另外，采用ASPP多尺度全局信息模块的特征进行融合以加强模型契合度。与现有技术相比，本发明从数据集差异出发，考虑算法的泛化能力，在保证分类精度的同时提升了算法模型在不同数据集之间的测试精度。
-
公开(公告)号：CN110348319B
公开(公告)日：2021-05-04
申请号：CN201910525961.7
申请日：2019-06-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于人脸深度信息和边缘图像融合的人脸防伪方法，通过双流网络分别提取人脸图像的边缘信息和深度图信息，将两类特征进行融合后通过特征融合分类网络学习并分类。其中，Sobel算子用于人脸图像的边缘信息提取，PRNe被用于获取预处理后的活体对象的人脸的三维结构信息，随后采用Z‑Buffer算法投影得到对应的活体人脸深度标签。双流网络中的深度信息提取网络分支提取活体与非活体人脸的区分性深度信息，并采用加权矩阵和熵损失监督方式加强人脸区域与背景区域之间的深度区分性。与现有技术相比，本发明受图像质量、光照等因素影响小，改善了硬件提取深度信息成本高的问题，扩大了背景信息的特征并减弱了冗余噪声的学习。
-
公开(公告)号：CN110348320A
公开(公告)日：2019-10-18
申请号：CN201910526316.7
申请日：2019-06-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于多损失深度联合的人脸防伪方法，通过采用多个局部的并行网络来学习局部特征和微纹理特征，同时为了进一步较少对噪声的学习，提升对多样数据源的鲁棒性能，采用基于分组LASSO正则来加强局部特征稀疏性约束，对学习到的特征进行稀疏处理，达到对特征进行选择的作用；另外，采用ASPP多尺度全局信息模块的特征进行融合以加强模型契合度。与现有技术相比，本发明从数据集差异出发，考虑算法的泛化能力，在保证分类精度的同时提升了算法模型在不同数据集之间的测试精度。
-
公开(公告)号：CN110348319A
公开(公告)日：2019-10-18
申请号：CN201910525961.7
申请日：2019-06-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于人脸深度信息和边缘图像融合的人脸防伪方法，通过双流网络分别提取人脸图像的边缘信息和深度图信息，将两类特征进行融合后通过特征融合分类网络学习并分类。其中，Sobel算子用于人脸图像的边缘信息提取，PRNe被用于获取预处理后的活体对象的人脸的三维结构信息，随后采用Z-Buffer算法投影得到对应的活体人脸深度标签。双流网络中的深度信息提取网络分支提取活体与非活体人脸的区分性深度信息，并采用加权矩阵和熵损失监督方式加强人脸区域与背景区域之间的深度区分性。与现有技术相比，本发明受图像质量、光照等因素影响小，改善了硬件提取深度信息成本高的问题，扩大了背景信息的特征并减弱了冗余噪声的学习。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.024 seconds)
