超分模型的训练及人脸识别方法、装置、介质及电子设备

技术领域

本公开涉及人脸识别技术领域，具体而言，涉及超分模型的训练方法、人脸识别方法、超分模型的训练装置、人脸识别装置、计算机可读存储介质及电子设备。

背景技术

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。随着软件与硬件的发展，深度学习在人脸识别领域得到了越来越广泛的应用，人脸识别可以根据计算机在图像中检测和跟踪人脸，对特定人物快速进行身份确认，并且做出相应的反应。

现有技术中，通常采用摄像机或摄像头采集含有人脸的图像或视频流，并对图像进行跟踪，进而对检测到的人脸进行脸部识别。

然而，在一些应用场景中，例如需要对某些特定人物进行识别时，在图像经过多次传播后，导致图像的质量较差，使得现有的人脸识别技术难以对这些图片进行快速识别。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种超分模型的训练方法、超分模型的训练装置、计算机可读存储介质及电子设备，可以解决低质量人脸图像识别效率较差的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供了一种超分模型的训练方法，包括：获取第一高质量人脸图像样本以及所述第一高质量人脸图像样本对应的低质量人脸图像样本，由待训练模型对所述低质量人脸图像样本进行超分辨率重建处理以生成对应于所述低质量人脸图像样本的目标高质量人脸图像，并得到所述待训练模型的第一损失函数；获取所述第一高质量人脸图像样本对应的身份信息，并获取所述身份信息对应的一个或多个第二高质量人脸图像样本，并以所述第一高质量人脸图像样本、所述第二高质量人脸图像样本以及所述目标高质量人脸图像构建图像多元组；通过人脸特征提取模型提取所述人脸图像多元组中多个人脸图像的多个人脸特征，并根据所述多个人脸特征计算所述待训练模型的第二损失函数；通过所述第一损失函数以及所述第二损失函数对所述待训练模型的神经网络参数进行迭代更新，以训练所述超分模型。

在本公开的一种示例性实施例中，基于前述方案，所述获取第一高质量人脸图像样本以及所述第一高质量人脸图像样本对应的低质量人脸图像样本，包括：对所述第一高质量人脸图像样本进行降质操作得到所述第一高质量人脸图像样本对应的低质量人脸图像样本。

在本公开的一种示例性实施例中，基于前述方案，所述降质操作包括图像模糊或图像压缩。

在本公开的一种示例性实施例中，基于前述方案，所述得到所述待训练模型的第一损失函数，包括：计算所述第一高质量人脸图像样本与所述目标高质量人脸图像的预测差值；根据所述预测差值得到所述待训练模型的第一损失函数。

在本公开的一种示例性实施例中，基于前述方案，所述第一损失函数包括均方误差损失函数。

在本公开的一种示例性实施例中，基于前述方案，所述通过所述人脸特征提取模型提取所述人脸图像多元组中多个人脸图像的人脸特征，包括：通过所述人脸特征提取模型提取所述图像多元组中多个人脸图像的预测人脸特征；根据所述人脸图像对应的标注信息以及预测人脸特征得到预测差异，并根据所述预测差异调整所述人脸特征提取模型的神经网络参数。

在本公开的一种示例性实施例中，基于前述方案，所述通过所述第一损失函数以及所述第二损失函数对所述待训练模型中的神经网络参数进行迭代更新，以训练所述超分模型，包括：根据所述第一损失函数以及所述第二损失函数得到所述超分模型的整体损失函数；根据所述整体损失函数得到所述待训练模型中的各个神经网络参数的梯度；根据所述神经网络参数的梯度对所述神经网络参数进行迭代更新，以训练所述超分模型。

在本公开的一种示例性实施例中，基于前述方案，所述超分模型包括卷积层与反卷积层，所述卷积层与所述反卷积层一一对应且相互连接。

根据本公开的第二方面，提供了一种人脸识别方法，所述方法包括：获取待识别的人脸图像，并将所述待识别的人脸图像输入超分模型中；其中，所述超分模型是通过上述任意一项所述的超分模型的训练方法得到的；根据所述超分模型得到所述待识别的人脸图像对应的高质量人脸图像，并将所述高质量人脸图像输入人脸识别模型进行人脸识别。

在本公开的一种示例性实施例中，基于前述方案，获取待识别的低质量人脸图像，并将所述待识别的人脸图像输入超分模型中，包括：获取所述待识别的人脸图像，并确定所述待识别的人脸图像是否为低质量人脸图像；当所述待识别的人脸图像为低质量人脸图像时，将所述待识别的人脸图像输入超分模型中。

在本公开的一种示例性实施例中，基于前述方案，在所述当所述待识别的人脸图像为低质量人脸图像时之前，所述方法还包括：获取所述待识别的人脸图像的图像评价参数，并获取人脸图像质量评价阈值；在所述人脸图像的图像评价参数低于所述人脸图像质量评价阈值时，在所述人脸图像的图像评价参数低于所述人脸图像质量评价阈值时，将所述待识别的人脸图像确定为低质量人脸图像。

根据本公开的第三方面，提供了一种超分模型的训练装置，所述装置包括：第一损失函数计算模块，用于获取第一高质量人脸图像样本以及所述第一高质量人脸图像样本对应的低质量人脸图像样本，由待训练模型对所述低质量人脸图像样本进行超分辨率重建处理以生成对应于所述低质量人脸图像样本的目标高质量人脸图像，并得到所述待训练模型的第一损失函数；图像多元组构建模块，用于获取与所述第一高质量人脸图像样本对应的身份信息，并获取所述身份信息对应的一个或多个第二高质量人脸图像样本，并以所述第一高质量人脸图像样本、所述第二高质量人脸图像样本以及所述目标高质量人脸图像构建图像多元组；第二损失函数计算模块，用于通过人脸特征提取模型提取所述人脸图像多元组中多个人脸图像的多个人脸特征，并根据所述多个人脸特征计算所述待训练模型的第二损失函数；识别模型训练模块，用于通过所述第一损失函数以及所述第二损失函数对所述待训练模型的神经网络参数进行迭代更新，以训练所述超分模型。

根据本公开的第四方面，提供了一种人脸识别装置，所述装置包括：人脸图像输入模块，用于获取待识别的人脸图像，并将所述待识别的人脸图像输入超分模型中；其中，所述超分模型是通过如上述任意一项所述的超分模型的训练方法得到的；人脸图像识别模块，用于根据所述超分模型得到所述待识别的人脸图像对应的高质量人脸图像，并将所述高质量人脸图像输入人脸识别模型进行人脸识别。

根据本公开的第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的超分模型的训练方法以及第二方面所述的人脸识别方法。

根据本公开的第六方面，提供了一种电子设备，包括：

处理器；以及

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述超分模型的训练方法以及第二方面所述人脸识别方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开的一种实施例所述提供的超分模型的训练方法中，当获取第一高质量人脸图像样本以及所述第一高质量人脸图像样本对应的低质量人脸图像样本，待训练模型将所述低质量人脸图像样本通过超分辨率重建以重新生成对应的目标高质量人脸图像，并得到所述待训练模型的第一损失函数，获取所述第一高质量人脸图像样本对应的身份信息，并获取所述身份信息对应的一个或多个第二高质量人脸图像样本，并以所述第一高质量人脸图像样本、所述第二高质量人脸图像样本以及所述目标高质量人脸图像构建图像多元组，再通过人脸特征提取模型提取所述人脸图像多元组中多个人脸图像的多个人脸特征，并根据所述多个人脸特征计算所述待训练模型的第二损失函数，然后通过所述第一损失函数以及所述第二损失函数对所述待训练模型的神经网络参数进行迭代更新，以训练所述超分模型。

本公开的实施例，可以通过低质量图像得到高质量图像，且得到的高质量图像考虑了图像多元组中多个人脸图像的人脸特征。一方面，将低质量人脸图像进行复原得到高质量人脸图像之后，其图像更加清晰，可以使得人脸识别的准确率更高；另一方面，在对超分模型进行训练时，充分考虑了图像多元组中多个人脸图像中的人脸特征，并根据多个人脸特征的特征差异对超分模型进行训练，使得重新生成的高质量人脸图像的人脸特征更加准确，进而使得人脸识别的效率更高；再一方面，由于考虑了图像层面的清晰度，还考虑了人脸特征的差异性，因此通过本公开中得到的高质量人脸图像具有较高的泛化性，可以通过一张人脸可以召回多张相同身份的人物。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。在附图中：

图1示意性示出了本公开示例性实施例中超分模型的训练方法示例性系统架构的示意图；

图2示意性示出了本公开示例性实施例中超分模型的训练方法的流程图；

图3示意性示出本公开示例性实施例中根据第一高质量人脸图像样本与目标高质量人脸图像的预测差值得到待训练模型的第一损失函数的流程图；

图4示意性示出本公开示例性实施例中根据人脸图像对应的标注信息以及预测人脸特征得到预测差异，并根据预测差异调整人脸特征提取模型的神经网络参数的流程图；

图5示意性示出本公开示例性实施例中根据神经网络参数的梯度对神经网络参数进行迭代更新，以训练超分模型的流程图；

图6示意性示出本公开示例性实施例中根据超分模型得到待识别的人脸图像对应的高质量人脸图像，并将所述高质量人脸图像输入人脸识别模型进行人脸识别的流程图；

图7示意性示出本公开示例性实施例中确定待识别的人脸图像是否为低质量人脸图像的流程图；

图8示意性示出本公开示例性实施例中在人脸图像的图像评价参数低于人脸图像质量评价阈值时，将待识别的人脸图像确定为低质量人脸图像的流程图；

图9示意性示出本公开示例性实施例中通过均方误差损失函数以及图像三元组损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型的流程图；

图10示意性示出本公开示例性实施例中将待识别的人脸图像输入人脸识别模型中的流程图；

图11示意性示出本公开示例性实施例中一种超分模型的训练装置的组成示意图；

图12示意性示出本公开示例性实施例中一种人脸识别装置的组成示意图；

图13示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参照附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出了可以应用本公开实施例的超分模型的训练方法示例性系统架构的示意图。

如图1所示，系统架构1000可以包括终端设备1001、1002、1003 中的一种或多种，网络1004和服务器1005。网络1004用以在终端设备1001、1002、1003和服务器1005之间提供通信链路的介质。网络 1004可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

应该理解，图1中的终端设备、网络和服务器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终端设备、网络和服务器。比如服务器1005可以是多个服务器组成的服务器集群等。

用户可以使用终端设备1001、1002、1003通过网络1004与服务器 1005交互，以接收或发送消息等。终端设备1001、1002、1003可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。另外，服务器1005可以是提供各种服务的服务器。

在一种实施例中，本公开的超分模型的训练方法的执行主体可以是服务器1005，服务器1005可以获取由终端设备1001、1002、1003发送的第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，由待训练模型对低质量人脸图像样本进行超分辨率重建处理以生成对应于低质量人脸图像样本的目标高质量人脸图像，并得到待训练模型的第一损失函数，并获取第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本，并以第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像构建图像多元组，然后通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的多个人脸特征，并根据多个人脸特征计算待训练模型的第二损失函数，通过第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新，训练超分模型，以完成超分模型的训练过程。此外，还可以通过终端设备1001、1002、1003等执行本公开的超分模型的训练方法，以实现根据待训练模型的第一损失函数以及第二损失函数对超分模型进行训练的过程。

此外，本公开超分模型的训练方法的实现过程还可以由终端设备 1001、1002、1003和服务器1005共同实现。例如，终端设备1001、 1002、1003可以获取第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，由待训练模型对低质量人脸图像样本进行超分辨率重建处理以生成对应于低质量人脸图像样本的目标高质量人脸图像，并得到待训练模型的第一损失函数，然后获取第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本，并以第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像构建图像多元组，再通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的多个人脸特征，并根据多个人脸特征计算待训练模型的第二损失函数，再将得到的第一损失函数以及第二损失函数发送给服务器1005，以使服务器1005可以通过第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型。

随着软件以及硬件的快速发展，人脸识别技术越来越普遍，人脸识别主要用于身份识别。在一些视频网站、论坛、平台等场景中，用户可以上传图片，此时，需要对用户上传的图片进行审核，在审核的过程中可能需要人脸识别。此外，由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。采用快速人脸检测技术可以从监控视频图像中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别，例如公安刑侦破案、摄像监视系统、网络支付、电子证件等应用场景。然而，在一些应用场景中，由于图像经过网络多次传播或由于图像历史久远等原因，导致图像中的人脸图像质量训练较差，现有的人脸识别技术难以对这些图片中的人脸图像进行识别。

根据本示例性实施例中所提供的超分模型的方法中，当获取第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，其中，第一高质量人脸图像样本对应有身份信息，可以获取与身份信息对应的低质量人脸图像样本。举例而言，第一高质量人脸图像样本中有人员A，其对应A身份信息，此时，可以获取与A身份信息对应的低质量人脸图像样本，即，低质量人脸图像样本中也有人员A。通过待训练模型将低质量人脸图像样本重新生成对应的目标高质量人脸图像，得到待训练模型的第一损失函数，然后获取与第一高质量人脸图像样本同身份的一个或多个第二高质量人脸图像样本，并以第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像构建图像多元组，再通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的人脸特征，并根据多个人脸特征计算待训练模型的第二损失函数，最后通过第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型。如图2所示，该超分模型的训练方法可以包括以下步骤：

步骤S210，第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，由待训练模型对低质量人脸图像样本进行超分辨率重建处理以生成对应于低质量人脸图像样本的目标高质量人脸图像，并得到待训练模型的第一损失函数；

步骤S220，获取第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本，并以第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像构建图像多元组；

步骤S230，通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的多个人脸特征，并根据多个人脸特征计算待训练模型的第二损失函数；

步骤S240，通过第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型。

在本示例实施方式所提供的超分模型的训练方法中，获取第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，待训练模型将低质量人脸图像样本通过超分辨率重建以重新生成对应的目标高质量人脸图像，并得到待训练模型的第一损失函数，然后获取第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本，并以第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像构建图像多元组，再通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的多个人脸特征，并根据多个人脸特征计算待训练模型的第二损失函数，然后通过第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新，以通过训练获得最终满足要求的超分模型。

本公开的实施例，一方面，将低质量人脸图像进行复原得到高质量人脸图像之后，其图像更加清晰，可以使得人脸识别的准确率更高；另一方面，在对超分模型进行训练时，充分考虑了图像多元组中多个人脸图像中的人脸特征，并根据多个人脸特征的特征差异对超分模型进行训练，使得重新生成的高质量人脸图像的人脸特征更加准确，进而使得人脸识别的效率更高；再一方面，由于考虑了图像层面的清晰度，还考虑了人脸特征的差异性，因此通过本公开中得到的高质量人脸图像具有较高的泛化性，可以通过一张人脸可以召回多张相同身份的人物。

下面，将结合附图及实施例对本示例性实施例中的超分模型的训练的步骤S210～S240进行更详细的说明。

步骤S210，获取第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，由待训练模型对低质量人脸图像样本进行超分辨率重建处理以生成对应于低质量人脸图像样本的目标高质量人脸图像，并得到待训练模型的第一损失函数；

在本公开的一种示例实施例中，可以通过数字描述图像上任意像素点，可以将每个像素点的强度、颜色等信息以数字化方式呈现。分辨率和灰度是影响显示的主要参数。图像适用于表现含有大量细节(如明暗变化、场景复杂、轮廓色彩丰富)的对象，如照片等，通过图像软件可进行复杂图像的处理以得到更清晰的图像或产生特殊效果。图像可以包括PNG格式、CDR格式、AI格式、DXF格式、EPS格式、BMP格式、TIFF格式、JPEG格式、GIF格式、PSD格式等。需要说明的是，本公开对图像的形式以及格式并不做特殊限定。

在本公开的一种示例实施例中，第一高质量人脸图像样本包括图像质量相对较高的人脸图像样本，图像质量指人们对一幅图像视觉感受的主观评价。第一高质量人脸图像样本是指相对于标准图像在人眼视觉系统中产生误差的程度较小，相对于原图像，人眼认为目标图像降质的程度较小。

在本公开的一种示例实施例中，低质量人脸图像样本包括图像质量相对较低的人脸图像样本。低质量人脸图像样本是指相对于标准图像 (即原图像)在人眼视觉系统中产生误差的程度较大，相对于原图像，人眼认为目标图像降质的程度较大。

进一步的，可以通过主观评价方法或客观评价方法对图像的质量进行评价。例如，在主观评价方法中，可以通过质量尺度和妨碍尺度对图像的质量进行评价；在客观评价方法中，可以通过数学模型对图像质量进行评价，例如通过均方误差、峰值信噪比等指标对图像质量进行评价。需要说明的是，在本公开的实施例中，第一高质量人脸图像样本的图像质量比低质量人脸图像样本高，且高质量图像是相对于低质量图像而言的，本公开对用于评价第一高质量人脸图像样本以及低质量人脸图像样本的评价指标的具体单位或数值以及评价图像质量的具体方式并不作特殊限定。

在本公开的一种示例实施例中，可以获取第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本。具体的，可以在人脸图像样本集中获取第一高质量人脸图像样本，在人脸图像样本集中还包括第一高质量人脸图像样本对应的低质量人脸图像样本，或者，也可以获取第一高质量人脸图像样本，对第一高质量人脸图像样本进行降质操作得到第一高质量人脸图像样本对应的低质量人脸图像样本。需要说明的是，本公开对第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本的来源并不做特殊限定。

在本公开的一种示例实施例中，可以由待训练模型对低质量人脸图像样本进行超分辨率重建处理以生成对应于低质量人脸图像样本的目标高质量人脸图像。具体的，待训练模型是指本公开中的待训练的超分模型，也即超分辨率模型，通过该超分模型，可以根据低质量人脸图像进行超分辨率重建处理以生成高质量人脸图像，其中，通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建处理。进一步的，超分模型可以包括神经网络，神经网络可以包括卷积层、池化层、激活函数层、归一化层、全连接层等。可以将低质量人脸图像样本输入待训练模型，根据待训练模型中的神经网络参数对输入的低质量人脸图像样本进行调整，得到低质量人脸图像样本重新生成对应的目标高质量人脸图像。

在本公开的一种示例实施例中，可以得到待训练模型的第一损失函数，其中，损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“损失”的函数，用来评价模型的预测值(目标高质量人脸图像)和真实值(第一高质量人脸图像样本)不一样的程度，损失函数越低，通常模型的性能越好。具体的，第一损失函数包括低质量人脸图像样本重新生成对应的目标高质量人脸图像与低质量人脸图像样本对应的第一高质量人脸图像样本之间的差异，第一损失函数可以表示低质量人脸图像样本重新生成目标高质量人脸图像时，由于待训练模型中神经网络参数的不准确导致的复原差异。进一步的，第一损失函数可以包括绝对值损失函数、log对数损失函数、均方误差损失函数、指数损失函数、Hinge损失函数、感知损失函数、交叉熵损失函数等。需要说明的是，本公开对第一损失函数的具体形式并不做特殊限定。

在本公开的一种示例实施例中，在获取到上述步骤中得到的第一高质量人脸图像样本之后，可以对第一高质量人脸图像样本进行降质操作，得到与第一高质量人脸图像样本对应的低质量人脸图像样本。图像降质操作用于将高质量图像转换为低质量图像。

举例而言，可以通过图像模糊或图像压缩等方式将第一高质量人脸图像样本处理为对应的低质量人脸图像样本。图像模糊可以包括均值模糊、中值模糊、高斯模糊等。具体的，以均值模糊为例，在输入第一高质量人脸图像样本之后，可以图像进行算术平均值模糊，得到第一高质量人脸图像样本对应的低质量人脸图像样本。图像压缩可以对原始图像进行编码压缩，以降低图像的编码率，可以通过压缩比对图像压缩进行评价，压缩比表示原始图像经过转换后未经压缩的数据量与经过压缩产生的数据量之比，在进行图像压缩时，可以采用霍夫曼编码、算术编码、形成编码、频域编码等方法。需要说明的是，本公开对降质操作的具体方式并不做特殊限定，只要能够根据第一高质量人脸图像样本得到第一高质量人脸图像样本对应的低质量人脸图像样本即可。

在本公开的一种示例实施例中，可以计算第一高质量人脸图像样本与目标高质量人脸图像的预测差值，并根据预测差值得到待训练模型的第一损失函数。参照图3所示，根据第一高质量人脸图像样本与目标高质量人脸图像的预测差值得到待训练模型的第一损失函数，可以包括以下步骤S310～S320：

步骤S310，计算第一高质量人脸图像样本与目标高质量人脸图像的预测差值；

在本公开的一种示例实施例中，通过待训练模型将低质量人脸图像样本重新生成对应的目标高质量人脸图像之后，可以计算第一高质量人脸图像样本与目标高质量人脸图像的预测差值。具体的，计算第一高质量人脸图像样本与目标高质量人脸图像的预测差值可以用上述图像质量评价方法中的各种图像评价指标进行表示，可以将目标高质量人脸图像中的图像评价指标与第一高质量人脸图像样本中的图像评价指标进行比较，并计算目标高质量人脸图像中的图像评价指标与第一高质量人脸图像样本中的图像评价指标之间的差值，并将目标高质量人脸图像中的图像评价指标与第一高质量人脸图像样本中的图像评价指标之间的差值作为第一高质量人脸图像样本与目标高质量人脸图像的预测差值。需要说明的是，本公开对预测差值的具体形式以及计算预测差值的方法以及预测差值的单位并不做特殊限定，只要能够表示第一高质量人脸图像样本与目标高质量人脸图像之间的区别即可。

步骤S320，根据预测差值得到待训练模型的第一损失函数。

在本公开的一种示例实施例中，在通过上述步骤得到第一高质量人脸图像样本与目标高质量人脸图像的预测差值之后，可以根据该预测差值确定待训练模型的第一损失函数。具体的，待训练模型的第一损失函数可以包括第一高质量人脸图像样本与目标高质量人脸图像的预测差值的数学表达式，用于直观表示第一高质量人脸图像样本与目标高质量人脸图像之间的差异，可以根据实际预测差值进行归纳总结。在根据预测差值确定损失函数时，要符合损失函数的意义，即预测值(目标高质量人脸图像)和真实值(第一高质量人脸图像样本)之间的差异越大，损失函数越大，反之，损失函数越小。需要说明的是，本公开对于待训练模型的第一损失函数的确定方式并不做特殊限定，只要能够根据第一高质量人脸图像样本与目标高质量人脸图像的预测差值得到第一损失函数即可。

进一步的，待训练模型的第一损失函数可以包括均方误差损失函数。具体的，可以将低质量人脸图像样本输入至待训练模型中，得到低质量人脸图像样本对应的目标高质量人脸图像，并将目标高质量人脸图像与第一高质量人脸图像样本进行比较得到均方误差损失函数。均方误差损失函数l

通过上述步骤S310～S320，可以计算第一高质量人脸图像样本与目标高质量人脸图像的预测差值，并根据预测差值得到待训练模型的第一损失函数。

步骤S220，获取第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本，并以第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像构建图像多元组；

在本公开的一种示例实施例中，通过上述步骤获取到低质量人脸图像样本对应的目标高质量人脸图像之后，可以获取第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本。具体的，可以获取第一高质量人脸图像样本对应的身份信息，该身份信息用于指示第一高质量人脸图像样本中的人员，再根据该身份信息查找第二高质量人脸图像样本，其中，第二高质量人脸图像样本中的人员与第一高质量人脸图像样本中的人员为同一个人员。举例而言，身份信息可以按照身份ID或身份标签的形式标注在人脸图像中。进一步的，可以从获取第一高质量人脸图像样本的人脸图像样本集中获取第二高质量人脸图像样本，也可以从人脸图像样本集之外进行获取。需要说明的是，本公开对第二高质量人脸图像样本的来源以及获取方式并不做特殊限定。

在本公开的一种示例实施例中，在获取到目标高质量人脸图像以及第一高质量人脸图像样本同身份的一个或多个第二高质量人脸图像样本之后，可以以第一高质量人脸图像样本、一个或多个第二高质量人脸图像样本、目标高质量人脸图像构建图像多元组。图像多元组可以表示多个人脸图像的集合，图像多元组可以充分考虑到同身份的人员的高质量人脸图像以及低质量人脸图像(目标高质量人脸图像为低质量人脸图像复原版本，其具有低质量人脸图像共同的特征)的人脸特征。

进一步的，可以根据实际场景调节第二高质量人脸图像样本的数量。举例而言，当第二高质量人脸图像样本的数量为一时，以第一高质量人脸图像样本、第二高质量人脸图像样本、目标高质量人脸图像构建的为图像三元组；当第二高质量人脸图像样本的数量为二时，以第一高质量人脸图像样本、第二高质量人脸图像样本、目标高质量人脸图像构建的为图像四元组。本公开优选的方案为图像三元组，在第二高质量人脸图像样本的数量为一时，待训练模型进行训练时所需要的样本较少，对硬件的需求较小，且此时能够得到较好的训练结果。需要说明的是，本公开对第二高质量人脸图像样本的数量并不做特殊限定。

步骤S230，通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的多个人脸特征，并根据多个人脸特征计算待训练模型的第二损失函数；

在本公开的一种示例实施例中，可以通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的人脸特征。具体的，人脸特征提取模型可以用于提取人脸图像中的人脸特征，在进行人脸特征提取之前，可以先在人脸图像中检测人脸，即将人脸从图像背景中检测出来，在进行人脸检测时，需要考虑图像背景、亮度变化以及人的头部姿势等。在定位到人脸之后，可以提取人脸图像的人脸特征。举例而言，可以采用残差网络结构的卷积神经网络提取人脸特征，残差网络能够通过增加一定的深度来提高准确率，且缓解了在深度神经网络中增加深度带来的梯度消失问题；也可以采用序贯结构的卷积神经网络提取人脸特征，例如 VGG网络等。需要说明的是，本公开对于人脸特征提取模型的具体形式并不做特殊限定，只要能够提取人脸图像多元组中多个人脸图像的人脸特征即可。

在本公开的一种示例实施例中，在通过上述步骤得到人脸图像多元组中的多个人脸特征之后，可以根据多个人脸特征计算待训练模型的第二损失函数。具体的，第二损失函数可以包括均方误差损失函数、相似性损失函数等。人脸图像多元组中的多个人脸图像属于同一身份的人员，但由于人脸图像之间的差异，通过人脸特征提取模型提取的人脸特征也具有一定的差异，此时，可以根据多个人脸特征之间的差异计算待训练模型的第二损失函数。需要说明的是，本公开对第二损失函数的形式并不做特殊限定。

进一步的，第二损失函数可以表示人脸图像多元中的多个人脸图像的人脸特征与真实值之间的差异。l

其中，

在本公开的一种示例实施例中，可以通过人脸特征提取模型提取图像多元组中多个人脸图像的预测人脸特征，然后根据人脸图像对应的标注信息以及预测人脸特征得到预测差异，并根据预测差异调整人脸特征提取模型的神经网络参数。参照图4所示，根据人脸图像对应的标注信息以及预测人脸特征得到预测差异，并根据预测差异调整人脸特征提取模型的神经网络参数，可以包括以下步骤S410～S420：

步骤S410，通过人脸特征提取模型提取图像多元组中多个人脸图像的预测人脸特征；

步骤S420，根据人脸图像对应的标注信息以及预测人脸特征得到预测差异，并根据预测差异调整人脸特征提取模型的神经网络参数。

在本公开的一种示例实施例中，可以通过人脸特征提取模型提取人脸图像的预测人脸特征，并获取人脸图像对应的标注信息，标注信息可以用于指示人脸图像对应的人员对象，可以将预测值(人脸图像的预测人脸特征)与真实值(人脸图像对应的人员对象)进行比较，得到预测差异，并根据预测差异调整人脸特征提取模型的神经网络参数。具体的，可以将预测差异传回卷积神经网络中，依次计算各层的差异，并调整对应的神经网络参数。

通过上述步骤S410～S420，可以通过人脸特征提取模型提取图像多元组中多个人脸图像的预测人脸特征，然后根据人脸图像对应的标注信息以及预测人脸特征得到预测差异，并根据预测差异调整人脸特征提取模型的神经网络参数。

步骤S240，通过第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型。

在本公开的一种示例实施例中，在通过上述步骤得到第一损失函数以及第二损失函数之后，可以根据第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新。可以先根据第一损失函数以及第二损失函数计算待训练模型的整体损失函数，再根据训练模型的整体损失函数对待训练模型的神经网络参数进行迭代更新。

具体的，可以先将待训练模型的卷积神经网络的神经网络参数进行初始化，经过卷积神经网络中多个层级(如卷积层、反卷积层、全连接层等)得到输出值，根据整体损失函数调整神经网络参数，对神经网络参数进行迭代更新，当整体损失函数收敛时，训练结束。具体的，卷积层可以对人脸图像进行上采样，反卷积层可以对人脸图像进行下采样，其中，卷积层与反卷积层可以一一对应且相互连接，便于信号在卷积层与反卷积层之间传导，在对待训练模型进行训练时，可以从卷积层将信号传导至反卷积层，或者可以从反卷积层将信号传导至卷积层，能够加快待训练模型的训练过程。

进一步的，根据上述内容，可以根据第一损失函数l

l

在本公开的一种示例实施例中，可以根据第一损失函数以及第二损失函数得到超分模型的整体损失函数，并根据整体损失函数得到待训练模型中的各个神经网络参数的梯度，然后根据神经网络参数的梯度对神经网络参数进行迭代更新，以训练超分模型。参照图5所示，根据神经网络参数的梯度对神经网络参数进行迭代更新，以训练超分模型，可以包括以下步骤S510～S530：

步骤S510，根据第一损失函数以及第二损失函数得到超分模型的整体损失函数；

步骤S520，根据整体损失函数得到待训练模型中的各个神经网络参数的梯度；

在本公开的一种示例实施例中，在获取到第一损失函数以及第二损失函数之后，可以根据第一损失函数以及第二损失函数计算超分模型的整体损失函数，在得到超分模型的整体损失函数之后，可以通过整体损失函数对整个模型进行反向传播的计算，得到超分模型中每个神经网络参数的梯度。

步骤S530，根据神经网络参数的梯度对神经网络参数进行迭代更新，以训练超分模型。

在本公开的一种示例实施例中，在通过上述步骤获取到待训练模型中的各个神经网络参数的梯度之后，可以根据各个神经网络参数的梯度，在迭代过程中进行所有神经网络参数的更新，对待训练模型进行优化，以使得整体损失函数的值越来越小，以使超分模型的训练达到最好的效果。

通过上述步骤S510～S530，可以根据第一损失函数以及第二损失函数得到超分模型的整体损失函数，并根据整体损失函数得到待训练模型中的各个神经网络参数的梯度，然后根据神经网络参数的梯度对神经网络参数进行迭代更新，以训练获得最终满足要求的超分模型。

在本公开的一种示例实施例中，可以获取待识别的人脸图像，并将待识别的人脸图像输入超分模型中；其中，超分模型是通过上述超分模型的训练方法得到的，并根据超分模型得到待识别的人脸图像对应的高质量人脸图像，并将高质量人脸图像输入人脸识别模型进行人脸识别。参照图6所示，根据超分模型得到待识别的人脸图像对应的高质量人脸图像，并将高质量人脸图像输入人脸识别模型进行人脸识别，可以包括以下步骤S610～S620：

步骤S610，获取待识别的低质量人脸图像，并将待识别的人脸图像输入超分模型中；其中，超分模型是通过上述超分模型的训练方法得到的；

步骤S620，根据超分模型得到待识别的低质量人脸图像对应的高质量人脸图像，并将高质量人脸图像输入人脸识别模型进行人脸识别。

在本公开的一种示例实施例中，在得到待识别的低质量人脸图像时，可以将该低质量人脸图像输入超分模型中，超分模型可以根据这个低质量人脸图像重新生成对应的高质量人脸图像。

通过上述步骤S610～S620，可以获取待识别的人脸图像，并将待识别的人脸图像输入超分模型中，并根据超分模型得到待识别的人脸图像对应的高质量人脸图像。通过超分模型可以将人脸图像变清晰，在此基础上，高质量人脸图像充分考虑了图像多元组中的多个人脸特征，并将高质量人脸图像输入人脸识别模型进行人脸识别，因此根据本公开的方案进行人脸识别的准确率较高。

在本公开的一种示例实施例中，可以获取待识别的低质量人脸图像，并确定待识别的人脸图像是否为低质量人脸图像，当待识别的人脸图像为低质量人脸图像时，将待识别的人脸图像输入超分模型中。参照图7所示，确定待识别的人脸图像是否为低质量人脸图像，可以包括以下步骤S710～S720：

步骤S710，获取待识别的人脸图像，并确定待识别的人脸图像是否为低质量人脸图像；

步骤S720，当待识别的人脸图像为低质量人脸图像时，将待识别的人脸图像输入超分模型中。

在本公开的一种示例实施例中，在获取待识别的人脸图像之后，可以判断待识别的人脸图像是否为低质量人脸图像，可以通过主观评价方法或客观评价方法对图像的质量进行评，并以此确定待识别的人脸图像是否为低质量人脸图像。当确定待识别的人脸图像为低质量人脸图像时，表明待识别的人脸图像可以应用于本公开的超分模型中，此时可以将待识别的人脸图像输入超分模型中。

通过上述步骤S710～S720，可以获取待识别的低质量人脸图像，并确定待识别的人脸图像是否为低质量人脸图像，当待识别的人脸图像为低质量人脸图像时，将待识别的人脸图像输入超分模型中，可以使得输入超分模型中的人脸图像符合超分模型的前置条件。

在本公开的一种示例实施例中，可以获取待识别的人脸图像的图像评价参数，并获取人脸图像质量评价阈值，在人脸图像的图像评价参数低于人脸图像质量评价阈值时，待识别的人脸图像为低质量人脸图像。参照图8所示，在人脸图像的图像评价参数低于人脸图像质量评价阈值时，将待识别的人脸图像确定为低质量人脸图像，可以包括以下步骤S810～S820：

步骤S810，获取待识别的人脸图像的图像评价参数，并获取人脸图像质量评价阈值；

在本公开的一种示例实施例中，可以获取待识别的人脸图像的图像评价参数。具体的，待识别的人脸图像对应有图像评价参数，图像评价参数可以包括上述客观评价方法中的指标，例如可以将均方误差、峰值信噪比等指标作为图像评价参数。在获取到待识别的人脸图像的图像评价参数之后，可以获取用于评价人脸图像质量的人脸图像质量评价阈值，以人脸图像质量评价阈值与待识别的人脸图像的图像评价参数确定待识别的人脸图像是否为低质量人脸图像。需要说明的是，本公开对于图像评价参数的具体形式以及人脸图像质量评价阈值的具体数值并不做特殊限定。

步骤S820，在人脸图像的图像评价参数低于人脸图像质量评价阈值时，将待识别的人脸图像确定为低质量人脸图像。

在本公开的一种示例实施例中，在获取到待识别的人脸图像的图像评价参数以及人脸图像质量评价阈值后，可以比较待识别的人脸图像的图像评价参数与人脸图像质量评价阈值的大小关系，当待识别的人脸图像的图像评价参数低于人脸图像质量评价阈值时，可以将待识别的人脸图像确定为低质量人脸图像。

通过步骤S810～S820，可以获取待识别的人脸图像的图像评价参数，并获取人脸图像质量评价阈值，在人脸图像的图像评价参数低于人脸图像质量评价阈值时，将待识别的人脸图像确定为低质量人脸图像。

在本公开的一种示例实施例中，获取第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，通过待训练模型将低质量人脸图像样本重新生成对应的目标高质量人脸图像，得到待训练模型的第一损失函数，然后获取与第一高质量人脸图像样本同身份的一个或多个第二高质量人脸图像样本，并以第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像构建图像多元组，再通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的人脸特征，并根据多个人脸特征计算待训练模型的第二损失函数，最后通过第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型。

在本公开的一种示例实施例中，可以获取第一高质量人脸图像样本，再获取第一高质量人脸图像样本对应的低质量人脸图像样本，获取第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本，将低质量人脸图像样本输入超分模型，得到目标高质量人脸图像，根据目标高质量人脸图像与第一高质量人脸图像样本计算均方误差损失函数，将第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像输入人脸特征提取模型，得到人脸特征f1、人脸特征f2、人脸特征f3，根据人脸特征f1、人脸特征f2、人脸特征f3计算图像三元组损失函数，通过均方误差损失函数以及图像三元组损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型。参照图9所示，通过均方误差损失函数以及图像三元组损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型，可以包括以下步骤：

步骤S900，获取第一高质量人脸图像样本；步骤S910，获取第一高质量人脸图像样本对应的低质量人脸图像样本；步骤S920，获取第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本；步骤S930，将低质量人脸图像样本输入超分模型；步骤S940，通过超分模型将低质量人脸图像样本重新生成对应的目标高质量人脸图像；步骤S950，根据目标高质量人脸图像与第一高质量人脸图像样本计算均方误差损失函数；步骤S960，将第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像输入人脸特征提取模型；步骤S970，得到人脸特征f1、人脸特征 f2、人脸特征f3；步骤S980，根据人脸特征f1、人脸特征f2、人脸特征f3计算图像三元组损失函数；步骤S990，通过均方误差损失函数以及图像三元组损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型。

在本公开的一种示例实施例中，在获取到待识别的人脸图像之后，可以对待识别的人脸图像进行检测，若待识别的人脸图像为低质量人脸图像，则将待识别的人脸图像输入超分模型，若待识别的人脸图像为高质量人脸图像，则将待识别的人脸图像输入人脸识别模型。参照图10 所示，将待识别的人脸图像输入人脸识别模型中，可以包括以下步骤S1010～S1040：

步骤S1010，获取到待识别的人脸图像；步骤S1020，检测待识别的人脸图像的图像质量；步骤S1030，若待识别的人脸图像为低质量人脸图像，则将待识别的人脸图像输入超分模型，得到重新生成的目标高质量人脸图像，并将目标高质量人脸图像输入人脸识别模型；步骤 S1040，若待识别的人脸图像为高质量人脸图像，则将待识别的人脸图像输入人脸识别模型。

本公开的方案，可以通过低质量图像得到高质量图像，且得到的高质量图像考虑了图像多元组中多个人脸图像的人脸特征。一方面，将低质量人脸图像进行复原得到高质量人脸图像之后，其图像更加清晰，可以使得人脸识别的准确率更高；另一方面，在对超分模型进行训练时，充分考虑了图像多元组中多个人脸图像中的人脸特征，并根据多个人脸特征的特征差异对超分模型进行训练，使得重新生成的高质量人脸图像的人脸特征更加准确，进而使得人脸识别的效率更高；再一方面，由于考虑了图像层面的清晰度，还考虑了人脸特征的差异性，因此通过本公开中得到的高质量人脸图像具有较高的泛化性，可以通过一张人脸可以召回多张相同身份的人物。

需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

此外，在本公开的示例性实施方式中，还提供了一种超分模型的训练装置。参照图11所示，一种超分模型的训练装置1100包括：第一损失函数计算模块1110，图像多元组构建模块1120、第二损失函数计算模块1130、超分模型训练模块1140。

其中，第一损失函数计算模块，用于获取第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，待训练模型将低质量人脸图像样本通过超分辨率重建以重新生成对应的目标高质量人脸图像，得到待训练模型的第一损失函数；图像多元组构建模块，用于获取与第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本，并以第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像构建图像多元组；第二损失函数计算模块，用于通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的多个人脸特征，并根据多个人脸特征计算待训练模型的第二损失函数；识别模型训练模块，用于通过第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型。

在本公开的一种示例性实施例中，基于前述方案，获取第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，包括：对第一高质量人脸图像样本进行降质操作得到第一高质量人脸图像样本对应的低质量人脸图像样本。

在本公开的一种示例性实施例中，基于前述方案，降质操作包括图像模糊或图像压缩。

在本公开的一种示例性实施例中，基于前述方案，得到待训练模型的第一损失函数，包括：计算第一高质量人脸图像样本与目标高质量人脸图像的预测差值；根据预测差值得到待训练模型的第一损失函数。

在本公开的一种示例性实施例中，基于前述方案，第一损失函数包括均方误差损失函数。

在本公开的一种示例性实施例中，基于前述方案，通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的人脸特征，包括：通过人脸特征提取模型提取图像多元组中多个人脸图像的预测人脸特征；根据人脸图像对应的标注信息以及预测人脸特征得到预测差异，并根据预测差异调整人脸特征提取模型的神经网络参数。

在本公开的一种示例性实施例中，基于前述方案，通过第一损失函数以及第二损失函数对待训练模型中的神经网络参数进行迭代更新，以训练超分模型，包括：根据第一损失函数以及第二损失函数得到超分模型的整体损失函数；根据整体损失函数得到待训练模型中的各个神经网络参数的梯度；根据神经网络参数的梯度对神经网络参数进行迭代更新，以训练超分模型。

在本公开的一种示例性实施例中，基于前述方案，超分模型包括卷积层与反卷积层，卷积层与反卷积层一一对应且相互连接。

由于本公开的示例实施例的超分模型的训练装置的各个功能模块与上述超分模型的训练方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的超分模型的训练方法的实施例。

在本公开的示例性实施方式中，还提供了一种人脸识别装置。参照图12所示，一种人脸识别装置1200包括：人脸图像输入模块1210，人脸图像识别模块1220。

其中，人脸图像输入模块，用于获取待识别的人脸图像，并将待识别的人脸图像输入超分模型中；其中，超分模型是通过上述任意一项的超分模型的训练方法得到的；人脸图像识别模块，用于根据超分模型得到待识别的人脸图像对应的高质量人脸图像，并将高质量人脸图像输入人脸识别模型进行人脸识别。

在本公开的一种示例性实施例中，基于前述方案，获取待识别的低质量人脸图像，并将待识别的人脸图像输入超分模型中，包括：获取待识别的人脸图像，并确定待识别的人脸图像是否为低质量人脸图像；当待识别的人脸图像为低质量人脸图像时，将待识别的人脸图像输入超分模型中。

在本公开的一种示例性实施例中，基于前述方案，在当待识别的人脸图像为低质量人脸图像时之前，方法还包括：获取待识别的人脸图像的图像评价参数，并获取人脸图像质量评价阈值；在人脸图像的图像评价参数低于人脸图像质量评价阈值时，将待识别的人脸图像确定为低质量人脸图像。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述超分模型的训练方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图13来描述根据本公开的这种实施例的电子设备1300。图13显示的电子设备1300仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图13所示，电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于：上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330、显示单元1340。

其中，存储单元存储有程序代码，程序代码可以被处理单元1310 执行，使得处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，处理单元1310可以执行如图2中所示的步骤S210，获取第一高质量人脸图像样本以及第一高质量人脸图像样本对应的低质量人脸图像样本，由待训练模型对低质量人脸图像样本进行超分辨率重建处理以生成对应于低质量人脸图像样本的目标高质量人脸图像，并得到待训练模型的第一损失函数；步骤 S220，获取第一高质量人脸图像样本对应的身份信息，并获取身份信息对应的一个或多个第二高质量人脸图像样本，并以第一高质量人脸图像样本、第二高质量人脸图像样本以及目标高质量人脸图像构建图像多元组；步骤S230，通过人脸特征提取模型提取人脸图像多元组中多个人脸图像的多个人脸特征，并根据多个人脸特征计算待训练模型的第二损失函数；步骤S240，通过第一损失函数以及第二损失函数对待训练模型的神经网络参数进行迭代更新，以训练超分模型；或者，还可以执行如图6中所示的步骤S610，获取待识别的低质量人脸图像，并将待识别的人脸图像输入超分模型中；其中，超分模型是通过上述超分模型的训练方法得到的；步骤S620，根据超分模型得到待识别的低质量人脸图像对应的高质量人脸图像，并将高质量人脸图像输入人脸识别模型进行人脸识别。

又如，电子设备可以实现如图2与图6所示的各个步骤。

存储单元1320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1321和/或高速缓存存储单元1322，还可以进一步包括只读存储单元(ROM)1323。

存储单元1320还可以包括具有一组(至少一个)程序模块1325的程序/实用工具1324，这样的程序模块1325包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1300也可以与一个或多个外部设备1370(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1300交互的设备通信，和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且，电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD- ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。

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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如 Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。