技术摘要：
本申请公开了一种基于改进多尺度循环网络的人脸图像去模糊方法，兼顾GSA方法和PSO方法各自的优点，利用二者对SRN网络进行训练，有效提升网络收敛速度和网络精度。在此基础之上，利用训练完成的SRN网络提取原始人脸图像的局部纹理信息，利用边缘检测算法提取原始人脸图  全部
背景技术：
目前，人脸识别技术是模式识别和计算机视觉领域的研究热点。然而在实际应用 中，人脸图像受光照、镜头失焦、相机抖动、物体运动、相机像素低等因素的干扰，往往较为 模糊，这导致人脸识别效率和准确率受到了很大影响。因此，如何实现人脸图像的去模糊， 成为业内公认的难题。 针对该问题，相关学者提出了基于卷积神经网络的人脸图像去模糊方法，其中基 于多尺度卷积神经网络的方法，由于其结构简单、参数更少、容易训练等优势而备受关注。 但是，多尺度卷积神经网络存在容易陷入局部最优解的问题，这不仅会导致误差下降缓慢 或下降停滞的问题，还会影响网络精度。另外，目前多尺度卷积神经网络生成的图像和真实 图像的分布存在差异，虽然肉眼看到的效果非常好，但是其数据还不够真实，存在严重的原 始信息损失，一旦应用到模型训练中，必然会出现虚假信息过度拟合，最终导致该模型在实 际应用中效果较差。 还有学者提出了基于分离低高频的多尺度人脸图像去模糊方法,其原理在于：在 去模糊过程中，使用前处理网络恢复人脸图像的低频信息以及语义分割；然后将生成的低 频信息、语义分割以及模糊图像拼接输入后续的多尺度网络恢复图片信息；最后，将去模糊 网络和高级别任务联合训练，达到提升人脸识别率的目的。 但是，该方法存在以下缺点：第一，直接利用多尺度网络进行去模糊，仍然存在容 易陷入局部最优解的问题，网络性能一般；第二，语义分割的结果比较粗糙，信息不够精确， 且只有人脸的部分结构信息；第三，低频信息与语义分割获取的信息相似，仍不能较全面的 反映图像的全局结构信息，将这两者结合起来，获取的人脸结构信息仍然比较有限，导致结 果精度低。 综上，如何提供一种人脸图像去模糊方案，避免容易陷入局部最优解的问题，提升 去模糊效果，是亟待本领域技术人员解决的问题。
技术实现要素：
本申请的目的是提供一种基于改进多尺度循环网络的人脸图像去模糊方法、装 置、设备及可读存储介质，用以解决当前的人脸图像去模糊方案容易陷入局部最优解，且去 模糊效果较差的问题。其具体方案如下： 第一方面，本申请提供了一种基于改进多尺度循环网络的人脸图像去模糊方法， 包括： 根据训练集，利用GSA方法和PSO方法对SRN网络进行训练； 利用训练完成的SRN网络，提取原始人脸图像的局部纹理信息； 5 CN 111583146 A 说　明　书 2/12 页 利用边缘检测算法，提取所述原始人脸图像的全局拓扑结构信息； 对所述原始人脸图像、所述局部纹理信息、所述全局拓扑结构信息进行融合，得到 目标人脸图像。 优选的，所述根据训练集，利用GSA方法和PSO方法对SRN网络进行训练，包括： S1、初始化粒子种群，所述粒子种群包括预设数量的粒子； S2、在当前迭代过程中，根据PSO方法计算下一迭代过程中粒子的位置，得到第一 更新结果，并根据GSA方法计算下一迭代过程中粒子的位置，得到第二更新结果； S3、根据训练集和损失度函数，从所述第一更新结果和所述第二更新结果中选取 当前迭代过程中最优的粒子位置，其中所述损失度函数用于衡量根据粒子位置确定网络参 数的SRN网络在所述训练集上的误差大小； S4、判断所述当前迭代过程中最优的粒子位置的损失值是否小于全局最优粒子位 置的损失值，若是，则更新所述全局最优粒子位置； S5、判断是否达到训练终止条件，若是，则根据所述全局最优粒子位置确定SRN网 络的网络参数，以作为训练完成的SRN网络；否则，跳转到S2进入下一迭代过程。 优选的，所述根据PSO方法计算下一迭代过程中粒子的位置，得到第一更新结果， 包括： 根据初始引力常数和当前迭代次数，确定当前迭代过程的引力常数；根据所述粒 子种群中各个粒子的位置，确定目标粒子与各个非目标粒子之间的距离，其中所述目标粒 子为所述粒子种群中的任意一个粒子； 确定当前迭代过程中所述目标粒子对应的损失值，并确定当前迭代过程中所述粒 子种群中各个粒子对应的损失值的最大值和最小值； 根据所述目标粒子对应的损失值、所述最大值和所述最小值，确定所述目标粒子 的质量； 根据所述当前迭代过程的引力常数、所述目标粒子与各个非目标粒子之间的距 离、所述目标粒子的质量，确定所述目标粒子受到的引力合力； 根据所述引力合力和所述目标粒子的质量，确定所述目标粒子在当前迭代过程中 加速度； 根据所述加速度，确定所述目标粒子在下一迭代过程中的位置和速度，作为第一 更新结果。 优选的，所述根据GSA方法计算下一迭代过程中粒子的位置，得到第二更新结果， 包括： 根据损失函数，确定目标粒子截止到当前迭代过程的原始最优位置；根据目标改 进公式对所述原始最优位置进行改进，得到所述目标粒子的改进最优位置； 根据损失函数，选取所述原始最优位置和所述改进最优位置中较优的位置，作为 所述目标粒子对应的局部最优位置； 选取所述粒子种群各个粒子对应的局部最优位置中的最优位置，作为全局最优位 置； 根据所述局部最优位置、所述全局最优位置、所述加速度，确定所述目标粒子在下 一迭代过程中的位置和速度，作为第二更新结果。 6 CN 111583146 A 说　明　书 3/12 页 优选的，所述根据目标改进公式对所述原始最优位置进行改进，得到所述目标粒 子的改进最优位置，包括： 根据目标改进公式对所述原始最优位置进行改进，得到所述目标粒子的改进最优 位置，所述目标改进公式为： 其中， 是粒子i的原始最优位置，N是所述粒子种群的大小，rand表示[0,1] 之间的随机数， 是粒子i在第t次迭代过程中在d维空间的速度。 优选的，所述根据训练集和损失度函数，从所述第一更新结果和所述第二更新结 果中选取当前迭代过程中最优的粒子位置，包括： 根据训练集和损失度函数，从所述第一更新结果和所述第二更新结果中选取当前 迭代过程中最优的粒子位置，所述损失度函数为： 其中，q表示所述训练集的样本数量，m表示输出节点数量，gi表示SRN网络输出的 第i个输出节点的预测结果，σ为实际结果。 优选的，所述利用边缘检测算法，提取所述原始人脸图像的全局拓扑结构信息，包 括： 利用Canny算子，提取所述原始人脸图像的全局拓扑结构信息。 第二方面，本申请提供了一种基于改进多尺度循环网络的人脸图像去模糊装置， 包括： 训练模块：用于根据训练集，利用GSA方法和PSO方法对SRN网络进行训练； 纹理信息提取模块：用于利用训练完成的SRN网络，提取原始人脸图像的局部纹理 信息； 拓扑信息提取模块：用于利用边缘检测算法，提取所述原始人脸图像的全局拓扑 结构信息； 融合模块：用于对所述原始人脸图像、所述局部纹理信息、所述全局拓扑结构信息 进行融合，得到目标人脸图像。 第三方面，本申请提供了一种基于改进多尺度循环网络的人脸图像去模糊设备， 包括： 存储器：用于存储计算机程序； 处理器：用于执行所述计算机程序，以实现如上所述的基于改进多尺度循环网络 的人脸图像去模糊方法的步骤。 第四方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机 程序，所述计算机程序被处理器执行时用于实现如上所述的基于改进多尺度循环网络的人 脸图像去模糊方法的步骤。 7 CN 111583146 A 说　明　书 4/12 页 本申请所提供的一种基于改进多尺度循环网络的人脸图像去模糊方法，包括：根 据训练集，利用GSA方法和PSO方法对SRN网络进行训练；利用训练完成的SRN网络，提取原始 人脸图像的局部纹理信息；利用边缘检测算法，提取原始人脸图像的全局拓扑结构信息；对 原始人脸图像、局部纹理信息、全局拓扑结构信息进行融合，得到目标人脸图像。 已知GSA方法易陷入局部最优，但全局优化能力强；PSO方法局部搜索能力强，但全 局优化能力较弱；SRN网络易陷入局部最优解，影响收敛速度和网络精度。针对上述问题，本 申请通过PSO方法优化GSA方法的局部搜索能力，形成一套兼顾GSA和PSO优点的方法，并将 其应用到SRN网络的训练过程中，从而有效提升SRN网络的收敛速度和网络精度。在此基础 之上，利用训练完成的SRN网络提取原始人脸图像的局部纹理信息，利用边缘检测算法提取 原始人脸图像的全局拓扑结构信息，最终对局部纹理信息、全局拓扑结构信息、原始人脸图 像进行融合，得到去模糊的目标人脸图像，最大程度恢复模糊人脸图像的信息，显著提升基 于人脸图像的人脸识别效率。 此外，本申请还提供了一种基于改进多尺度循环网络的人脸图像去模糊装置、设 备及可读存储介质，其技术效果与上述方法的技术效果相对应，这里不再赘述。 附图说明 为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有 技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申 请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根 据这些附图获得其他的附图。 图1为本申请所提供的一种基于改进多尺度循环网络的人脸图像去模糊方法实施 例一的实现流程图； 图2为本申请所提供的一种基于改进多尺度循环网络的人脸图像去模糊方法实施 例一中SRN网络训练过程的流程图； 图3为本申请所提供的一种基于改进多尺度循环网络的人脸图像去模糊方法实施 例一中基于训练完成的SRN网络实现去模糊的流程图； 图4为本申请所提供的一种基于改进多尺度循环网络的人脸图像去模糊方法实施 例二的实现流程图； 图5为本申请所提供的一种基于改进多尺度循环网络的人脸图像去模糊方法实施 例二中第一更新结果计算过程示意图； 图6为本申请所提供的一种基于改进多尺度循环网络的人脸图像去模糊方法实施 例二中第二更新结果计算过程示意图； 图7为本申请所提供的一种基于改进多尺度循环网络的人脸图像去模糊方法实施 例二中S404的细化流程图； 图8为本申请提供了普通SRN网络和根据本申请训练的SRN网络的收敛速度对比示 意图； 图9为本申请所提供的一种基于改进多尺度循环网络的人脸图像去模糊装置实施 例的功能框图。 8 CN 111583146 A 说　明　书 5/12 页