用于提高人脸识别精度的方法、装置、电子设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于提高人脸识别精度的方法、装置、电子设备和介质。

背景技术

随着无人驾驶技术的发展，无人运货车辆正在逐步走进人们的视野。为了避免货物误取的情况出现，因此，需要对取货人的身份进行识别。目前，现有技术往往是通过车载传感器(例如，相机)，获取取货人的人脸图像，并根据上述人脸图像，确定取货人的身份。

然而，当采用上述技术时，经常会存在如下技术问题：

由于无人运货车辆周围的环境具有不确定性，例如，阴雨天的情况下，由于光线不足，可能会导致车载传感器拍摄得到的人脸图像较为模糊，从而，导致人脸识别不够精准，进而可能导致对取货人的身份识别精度较低。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于提高人脸识别精度的方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题中的一项。

第一方面，本公开的一些实施例提供了一种用于提高人脸识别精度的方法，该方法包括：获取目标人脸图像；通过预先训练的特征提取网络对上述目标人脸图像进行特征提取，以生成特征图，其中，上述特征提取网络用于表征上述目标人脸图像与上述特征图在分辨率上的映射关系；通过反卷积网络对上述特征图进行特征放大处理，以生成重构后的人脸图像。

可选地，上述特征提取网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层；以及上述通过预先训练的特征提取网络对上述目标人脸图像进行特征提取，以生成特征图，包括：将上述目标人脸图像输入上述第一卷积层，以生成第一子特征图，其中，上述第一卷积层用于逐块提取上述目标人脸图像中各块子图像对应的特征向量，并根据得到的至少一个特征向量，生成上述第一子特征图；将上述第一子特征图输入上述第二卷积层，以生成第二子特征图；将上述第二子特征图输入上述第三卷积层，以生成第三子特征图；将上述第三子特征图输入上述第四卷积层，以生成第四子特征图；将上述第四子特征图输入上述第五卷积层，以生成第五子特征图；将上述第五子特征图输入上述第六卷积层，以生成上述特征图。

可选地，上述第二卷积层通过对上述第一子特征图进行高维映射处理，以生成上述第二子特征图，上述第三卷积层通过对上述第二子特征图进行高维映射处理，以生成上述第三子特征图，上述第四卷积层通过对上述第三子特征图进行高维映射处理，以生成上述第四子特征图，上述第五卷积层通过对上述第四子特征图进行高维映射处理，以生成上述第五子特征图。

可选地，上述通过反卷积网络对上述特征图进行特征放大处理，以生成重构后的人脸图像，包括：通过目标卷积核，对上述特征图进行反卷积处理，以生成上述重构后的人脸图像。

可选地，上述特征提取网络是通过以下步骤生成的：基于训练数据集合，生成候选特征提取网络，其中，上述训练数据集合中的训练数据是目标分辨率的人脸图像；通过测试样本集合，对上述候选特征提取网络进行测试，以生成测试结果；响应于确定上述测试结果满足预设条件，将上述候选特征提取网络，确定为上述特征提取网络。

可选地，上述测试样本集合通过以下步骤得到的：对样本人脸图像集合中的每张样本人脸图像进行随机截取，以生成候选人脸图像，得到候选人脸图像集合；对上述候选人脸图像集合中的候选人脸图像进行降采样处理，以生成测试样本，得到上述测试样本集合。

第二方面，本公开的一些实施例提供了一种用于提高人脸识别精度的装置，装置包括：获取单元，被配置成获取目标人脸图像；特征提取单元，被配置成通过预先训练的特征提取网络对上述目标人脸图像进行特征提取，以生成特征图，其中，上述特征提取网络用于表征上述目标人脸图像与上述特征图在分辨率上的映射关系；特征放大处理单元，被配置成通过反卷积网络对上述特征图进行特征放大处理，以生成重构后的人脸图像。

可选地，上述特征提取网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层；以及上述特征提取单元被进一步配置成：将上述目标人脸图像输入上述第一卷积层，以生成第一子特征图，其中，上述第一卷积层用于逐块提取上述目标人脸图像中各块子图像对应的特征向量，并根据得到的至少一个特征向量，生成上述第一子特征图；将上述第一子特征图输入上述第二卷积层，以生成第二子特征图；将上述第二子特征图输入上述第三卷积层，以生成第三子特征图；将上述第三子特征图输入上述第四卷积层，以生成第四子特征图；将上述第四子特征图输入上述第五卷积层，以生成第五子特征图；将上述第五子特征图输入上述第六卷积层，以生成上述特征图。

可选地，上述特征放大处理单元被进一步配置成：通过目标卷积核，对上述特征图进行反卷积处理，以生成上述重构后的人脸图像。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的用于提高人脸识别精度的方法，提高了人脸图像的分辨率，从而保证了对取货人身份识别的精度。具体来说，造成对取货人的身份识别精度不高的原因在于：由于天气等环境因素的影响，导致拍摄的人脸图像分辨率较低。例如，在阴雨天的情况下，由于光线不足，可能导致拍摄得到的人脸图像分辨率较低。又如，在黑夜或无人运货车辆处于光线不足的室内的情况下，也可能导致拍摄得到的人脸图像分辨率较低。基于此，本公开的一些实施例的用于提高人脸识别精度的方法，首先，获取目标人脸图像。其次，通过预先训练的特征提取网络对上述目标人脸图像进行特征提取，以生成特征图。由于特征提取网络可以表征目标人脸图像与特征图在分辨率上的映射关系，因此，特征图包含的人脸特征信息与目标人脸图像中的人脸特征信息在分辨率上具有映射关系。最后，通过反卷积网络对上述特征图进行特征放大处理，生成重构后的人脸图像。从而实现了将低分辨率的图像映射到高分辨率图像。同时，保证了重构的人脸图像与目标人脸图像的图像尺寸一致。通过此种方式，提高了人脸图像的分辨率，从而提高了人脸识别的准确度，进而保证了对取货人的身份识别的精度。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的用于提高人脸识别精度的方法的一个应用场景的示意图；

图2是根据本公开的用于提高人脸识别精度的方法的一些实施例的流程图；

图3是目标无人车的示意图；

图4是特征提取网络的网络结构示意图；

图5是候选特征提取网络的网络结构示意图；

图6是生成的重构后的人脸图像的对比结果示意图；

图7是反卷积网络的网络结构示意图；

图8是根据本公开的用于提高人脸识别精度的方法的另一些实施例的流程图；

图9是通过目标卷积核，对特征图进行反卷积处理的示意图；

图10是根据本公开的用于提高人脸识别精度的装置的一些实施例的结构示意图；

图11是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例的用于提高人脸识别精度的方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以获取目标人脸图像102。其次，计算设备101可以通过预先训练的特征提取网络103对上述目标人脸图像102进行特征提取，以生成特征图104，其中，上述特征提取网络103用于表征上述目标人脸图像102与上述特征图104在分辨率上的映射关系。最后，计算设备101可以通过反卷积网络105对上述特征图104进行特征放大处理，以生成重构后的人脸图像106。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的用于提高人脸识别精度的方法的一些实施例的流程200。该用于提高人脸识别精度的方法，包括以下步骤：

步骤201，获取目标人脸图像。

在一些实施例中，用于提高人脸识别精度的方法的执行主体(例如图1所示的计算设备101)可以通过有线连接或无线连接的方式获取上述目标人脸图像。其中，上述目标人脸图像可以是由目标无人车辆上安装的摄像机拍摄得到的。上述目标无人车可以是用于运送物品的无人运输车辆。

作为示例，上述目标无人车可以如图3所示。其中，上述目标无人车可以包括环境感知装置301和存货装置302。环境感知装置301可以用于感知上述目标无人车周围的环境(例如，障碍物等)。上述存货装置302可以用于放置物品(例如，快递)。上述环境感知装置301可以是摄像机。

步骤202，通过预先训练的特征提取网络对目标人脸图像进行特征提取，以生成特征图。

在一些实施例中，上述执行主体可以通过预先训练的特征提取网络对目标人脸图像进行特征提取，以生成特征图。其中，上述特征提取网络用于对上述目标人脸图像进行特征提取。上述特征提取网络用于表征上述目标人脸图像与上述特征图在分辨率上的映射关系。上述特征提取网络可以是但不限于以下任意一项：CNN(Convolutional NeuralNetworks，卷积神经网络)模型，RNN(Recurrent Neural Network，循环神经网络)模型，LSTM(Long Short-Term Memory，长短期记忆网络)模型。

可选地，上述特征提取网络可以包括：第一卷积处理层，第二卷积处理层，第一池化层，第三卷积处理层，第四卷积处理层，第二池化层，第五卷积处理层，第六卷积处理层和第七卷积处理层。上述第七卷积处理层的卷积核数量可以是256。

作为示例，上述特征提取网络的网络结构可以如图4所示。其中，上述特征提取网络可以包括：第一卷积处理层401，第二卷积处理层402，第一池化层403，第三卷积处理层404，第四卷积处理层405，第二池化层406，第五卷积处理层407，第六卷积处理层408和第七卷积处理层409。其中，上述第一卷积处理层401的卷积核尺寸可以是3×3。上述第二卷积处理层402的卷积核尺寸可以是3×3。上述第三卷积处理层404的卷积核尺寸可以是3×3。上述第四卷积处理层405的卷积核尺寸可以是3×3。上述第五卷积处理层407的卷积核尺寸可以是3×3。上述第六卷积处理层408的卷积核尺寸可以是3×3。上述第七卷积处理层409的卷积核尺寸可以是3×3。上述第一卷积处理层的401卷积核数量可以是64。上述第二卷积处理层402的卷积核数量可以是64。上述第三卷积处理层404的卷积核数量可以是128。上述第四卷积处理层405的卷积核数量可以是128。上述第五卷积处理层407的卷积核数量可以是256。上述第六卷积处理层408的卷积核数量可以是256。上述第七卷积处理层409的卷积核数量可以是256。

可选地，上述特征提取网络可以包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层。其中，上述第一卷积层可以用于逐块提取上述目标人脸图像中各块子图像对应的特征向量，并根据得到的至少一个特征向量，生成上述第一子特征图。上述第二卷积层可以通过对上述第一子特征图进行高维映射处理，以生成上述第二子特征图。上述第三卷积层可以通过对上述第二子特征图进行高维映射处理，以生成上述第三子特征图。上述第四卷积层通过对上述第三子特征图进行高维映射处理，以生成上述第四子特征图。上述第五卷积层可以通过对上述第四子特征图进行高维映射处理，以生成上述第五子特征图。

可选地，上述特征提取网络可以是通过以下步骤生成：

第一步，基于训练数据集合，生成候选特征提取网络。

其中，上述训练数据集合中的训练数据是目标分辨率的人脸图像。

作为示例，上述目标分辨率可以是100×100。

作为又一示例，上述候选特征提取网络的网络结构可以如图5所示。其中，上述候选特征提取网络可以包括：第一候选卷积层501、第二候选卷积层502、第三候选卷积层503、第四候选卷积层504、第五候选卷积层505和第六候选卷积层506。

第二步，通过测试样本集合，对上述候选特征提取网络进行测试，以生成测试结果。

可选地，上述测试结果可以表征候选特征提取网络的准确度。上述测试样本可以通过以下子步骤得到：

第一子步骤，对样本人脸图像集合中的每张样本人脸图像进行随机截取，以生成候选人脸图像，得到候选人脸图像集合。

其中，上述样本人脸图像集合可以是从LFW Faces DataBase和ORLFacesDataBase中的人脸图像。

作为示例，上述样本人脸图像集合的中样本人脸图像的分辨率可以是250×250。上述候选人脸图像集合中的候选人脸图像的分辨率可以是100×100。

第二子步骤，对上述候选人脸图像集合中的候选人脸图像进行降采样处理，以生成测试样本，得到上述测试样本集合。

作为示例，上述测试样本集合中的测试样本可以是分辨率为50×50的图像。

第三步，响应于确定上述测试结果满足预设条件，将上述候选特征提取网络确定为上述特征提取网络。

其中，上述预设条件可以是测试结果大于预设数值。

作为示例，上述预设数值可以是99％。

作为又一示例，如图6所示。其中，图像集601中的图像为低分辨率图像。图像集602中的图像可以是SRCNN(Super-resolution convolution neural network，超分辨率神经网络)模型对图像集601中的图像复原后得到的图像。图像集603中的图像可以是通过特征提取网络和反卷积网络对图像集601中的图像复原后得到的图像。

步骤203，通过反卷积网络对特征图进行特征放大处理，以生成重构后的人脸图像。

在一些实施例中，上述执行主体可以通过上述反卷积网络对上述特征图进行特征放大处理，以生成重构后的人脸图像。其中，上述重构的人脸图像可以是通过对上述目标人脸图像的分辨率提高后得到的图像。

作为示例，上述反卷积网络可以如图7所示，其中，上述反卷积网络可以包括：第一反卷积层701，第二反卷积层702，第三反卷积层703，第一反池化层704，第四反卷积层705，第五反卷积层706，第二反池化层707，第六反卷积层708和第七反卷积层709。其中，上述第一反卷积层701的卷积核尺寸可以是3×3。第二反卷积层702的卷积核尺寸可以是3×3。第三反卷积层703的卷积核尺寸可以是3×3。第四反卷积层705的卷积核尺寸可以是3×3。第五反卷积层706的卷积核尺寸可以是3×3。第六反卷积层708和第七反卷积层709的卷积核尺寸可以是3×3。上述第一反卷积层701的卷积核数量可以是256，第二反卷积层702的卷积核数量可以是256。第三反卷积层703的卷积核数量可以是256。第四反卷积层705的卷积核数量可以是128。第五反卷积层706的卷积核数量可以是128。第六反卷积层708的卷积核数量可以是64。第七反卷积层709的卷积核数量可以是64。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的用于提高人脸识别精度的方法，提高了人脸图像的分辨率，从而保证了对取货人身份识别的精度。具体来说，造成对取货人的身份识别精度不高的原因在于：由于天气等环境因素的影响，导致拍摄的人脸图像分辨率较低。例如，在阴雨天的情况下，由于光线不足，可能导致拍摄得到的人脸图像分辨率较低。又如，在黑夜或无人运货车辆处于光线不足的室内的情况下，也可能导致拍摄得到的人脸图像分辨率较低。基于此，本公开的一些实施例的用于提高人脸识别精度的方法，首先，获取目标人脸图像。其次，通过预先训练的特征提取网络对上述目标人脸图像进行特征提取，以生成特征图。由于特征提取网络可以表征目标人脸图像与特征图在分辨率上的映射关系，因此，特征图包含的人脸特征信息与目标人脸图像中的人脸特征信息在分辨率上具有映射关系。最后，通过反卷积网络对上述特征图进行特征放大处理，生成重构后的人脸图像。从而实现了将低分辨率映射到高分辨率。同时，保证了重构的人脸图像与目标人脸图像的图像尺寸一致。通过此种方式，提高了人脸图像的分辨率，从而提高了人脸识别的准确度，进而保证了对取货人的身份识别的精度。

进一步参考图8，其示出了用于提高人脸识别精度的方法的另一些实施例的流程800。该用于提高人脸识别精度的方法的流程800，包括以下步骤：

步骤801，获取目标人脸图像。

在一些实施例中，步骤801的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例中的步骤201，在此不再赘述。

步骤802，将目标人脸图像输入第一卷积层，以生成第一子特征图。

在一些实施例中，上述执行主体可以将上述目标人脸图像输入上述第一卷积层，以生成上述第一子特征图。从而实现对上述目标人脸图的第一次特征提取。

作为示例，上述第一卷积层的卷积核尺寸可以是3×3。上述第一卷积层的卷积核数量可以是16。

步骤803，将第一子特征图输入第二卷积层，以生成第二子特征图。

在一些实施例中，上述执行主体可以将上述第一子特征图输入上述第二卷积层，以生成上述第二子特征图。以实现对上述目标人脸图像的进一步特征提取。

作为示例，上述第二卷积层的卷积核尺寸可以是3×3。上述第二卷积层的卷积核数量可以是32。

步骤804，将第二子特征图输入第三卷积层，以生成第三子特征图。

在一些实施例中，上述执行主体可以将上述第二子特征图输入上述第三卷积层，以生成上述第三子特征图。以实现对上述目标人脸图像的进一步特征提取。

作为示例，上述第三卷积层的卷积核尺寸可以是3×3。上述第三卷积层的卷积核数量可以是64。

步骤805，将第三子特征图输入第四卷积层，以生成第四子特征图。

在一些实施例中，上述执行主体可以将上述第三子特征图输入上述第四卷积层，以生成上述第四子特征图。以实现对上述目标人脸图像的进一步特征提取。

作为示例，上述第四卷积层的卷积核尺寸可以是3×3。上述第四卷积层的卷积核数量可以是128。

步骤806，将第四子特征图输入第五卷积层，以生成第五子特征图。

在一些实施例中，上述执行主体可以将上述第四子特征图输入上述第五卷积层，以生成上述第五子特征图。以实现对上述目标人脸图像的进一步特征提取。

作为示例，上述第五层的卷积核尺寸可以是3×3。上述第五积层的卷积核数量可以是128。

步骤807，将第五子特征图输入第六卷积层，以生成特征图。

在一些实施例中，上述执行主体可以将上述第五子特征图输入上述第六卷积层，以生成上述特征图。以实现对上述目标人脸图像的进一步特征提取。

作为示例，上述第六卷积层的卷积核尺寸可以是3×3。上述第六卷积层的卷积核数量可以是256。

步骤808，通过目标卷积核，对特征图进行反卷积处理，以生成重构后的人脸图像。

在一些实施例中，上述执行主体可以通过目标卷积核，对特征图进行反卷积处理，以生成重构后的人脸图像。

作为示例，如图9所示。上述目标卷积核901的大小可以是4×4。上述执行主体可以以2为步长，对上述特征图104进行反卷积处理，以生成上述重构后的人脸图像106。

从图8可以看出，与图2对应的一些实施例的描述相比，本公开的用于提高人脸识别精度的方法。首先，考虑到特征提取网络仅用于提取目标人脸图像中的特征，因此通过对上述特征提取网络的网络结构进行优化，实现了模型结构的精简。通过此种方式，在精简了模型结构的前提下，同时还能提高了生成的重构后的人脸图像的分辨率。

进一步参考图10，作为对上述各图所示方法的实现，本公开提供了一种用于提高人脸识别精度的装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图10所示，一些实施例的用于提高人脸识别精度的装置1000包括：获取单元1001，被配置成获取目标人脸图像；特征提取单元1002，被配置成通过预先训练的特征提取网络对上述目标人脸图像进行特征提取，以生成特征图，其中，上述特征提取网络用于表征上述目标人脸图像与上述特征图在分辨率上的映射关系；特征放大处理单元1003，被配置成通过反卷积网络对上述特征图进行特征放大处理，以生成重构后的人脸图像。

在一些实施例的一些可选地实现方式中，上述特征提取网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层；以及上述特征提取单元1002被进一步配置成：将上述目标人脸图像输入上述第一卷积层，以生成第一子特征图，其中，上述第一卷积层用于逐块提取上述目标人脸图像中各块子图像对应的特征向量，并根据得到的至少一个特征向量，生成上述第一子特征图；将上述第一子特征图输入上述第二卷积层，以生成第二子特征图；将上述第二子特征图输入上述第三卷积层，以生成第三子特征图；将上述第三子特征图输入上述第四卷积层，以生成第四子特征图；将上述第四子特征图输入上述第五卷积层，以生成第五子特征图；将上述第五子特征图输入上述第六卷积层，以生成上述特征图。

在一些实施例的一些可选地实现方式中，上述第二卷积层通过对上述第一子特征图进行高维映射处理，以生成上述第二子特征图，上述第三卷积层通过对上述第二子特征图进行高维映射处理，以生成上述第三子特征图，上述第四卷积层通过对上述第三子特征图进行高维映射处理，以生成上述第四子特征图，上述第五卷积层通过对上述第四子特征图进行高维映射处理，以生成上述第五子特征图。

在一些实施例的一些可选地实现方式中，上述特征放大处理单元1003被进一步配置成：通过目标卷积核，对上述特征图进行反卷积处理，以生成上述重构后的人脸图像。

在一些实施例的一些可选地实现方式中，上述特征提取网络是通过以下步骤生成的：基于训练数据集合，生成候选特征提取网络，其中，上述训练数据集合中的训练数据是目标分辨率的人脸图像；通过测试样本集合，对上述候选特征提取网络进行测试，以生成测试结果；响应于确定上述测试结果满足预设条件，将上述候选特征提取网络，确定为上述特征提取网络。

在一些实施例的一些可选地实现方式中，上述测试样本集合通过以下步骤得到的：对样本人脸图像集合中的每张样本人脸图像进行随机截取，以生成候选人脸图像，得到候选人脸图像集合；对上述候选人脸图像集合中的候选人脸图像进行降采样处理，以生成测试样本，得到上述测试样本集合。

可以理解的是，该装置1000中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置1000及其中包含的单元，在此不再赘述。

下面参考图11，其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)1100的结构示意图。图11示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图11所示，电子设备1100可以包括处理装置(例如中央处理器、图形处理器等)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储装置1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有电子设备1100操作所需的各种程序和数据。处理装置1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

通常，以下装置可以连接至I/O接口1105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1107；包括例如磁带、硬盘等的存储装置1108；以及通信装置1109。通信装置1109可以允许电子设备1100与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备1100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图11中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置1109从网络上被下载和安装，或者从存储装置1108被安装，或者从ROM 1102被安装。在该计算机程序被处理装置1101执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标人脸图像；通过预先训练的特征提取网络对上述目标人脸图像进行特征提取，以生成特征图，其中，上述特征提取网络用于表征上述目标人脸图像与上述特征图在分辨率上的映射关系；通过反卷积网络对上述特征图进行特征放大处理，以生成重构后的人脸图像。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、特征提取单元和特征放大处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，特征提取单元还可以被描述为“通过将目标人脸图像输入预先训练的特征提取网络，以生成特征图的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。