低分辨率人臉識別技術及其應用.pdf

1、在大型商場、游樂園等人口密集的公共場所，經常需要從監(jiān)控視頻得到的圖像中來查找一些特殊身份的人，然而由于行人與攝像頭之間的距離較遠以及攝像頭分辨率有限等原因常常會得到低分辨率的人臉圖像，而低分辨率人臉圖像包含信息量比較少，同時伴隨著姿態(tài)、表情、光照等因素使得提取有效的人臉特征較為困難，這增加了人臉識別的難度。
　　本文主要研究了低分辨率人臉圖像的人臉驗證工作，即已知一張高分辨率人臉圖像基準和一張低分辨率測試樣本圖像來比較兩者是否是同

2、一個人。論文的主要工作有以下三個方面：
　　（1）本文使用卷積神經網絡來提取人臉的特征，得益于卷積神經網絡的深度架構和強大的自主學習能力，相比于人為定義的特征，卷積神經網絡有能力從多層的非線性映射中提取出有效的人臉特征來代表此人的身份信息。
　?。?）借鑒超分辨率重建的思想，使用卷積神經網絡來處理低分辨率測試人臉圖像，使得處理后的人臉圖像有更多的有利于識別的高頻信息，之后繼續(xù)使用卷積神經網絡來提取人臉的特征，增強人臉特征的網

3、絡和提取特征的網絡同在一個卷積神經網絡之中，達到了端到端的效果，所有參數(shù)可以一起調節(jié)，避免了只過度優(yōu)化某一步驟的現(xiàn)象，有利于得到全局最優(yōu)解。
　　（3）將高分辨率人臉基準圖像和低分辨率測試樣本映射到一個統(tǒng)一的特征空間來解決兩者特征維數(shù)不匹配的問題，本文使用兩個卷積神經網絡來分別提取特征，除了兩個網絡因輸入圖像的分辨率不同而使得各層的特征映射分辨率不同之外，兩個網絡提取特征的網絡層的結構相同，使得兩個網絡提取到的特征盡量相同。另外提

4、取低分辨率測試樣本特征的網絡比提取高分辨率人臉基準特征的網絡多三層，這三層是為了增加低分辨率測試樣本的高頻信息。網絡的全連接層是提取到的人臉特征，兩個網絡輸入圖像的分辨率不同，但全連接層神經元的個數(shù)保持相同，使得兩個網絡提取到的人臉特征維數(shù)相同，統(tǒng)一了高分辨率人臉基準和低分辨率測試樣本的特征空間，卷積神經網絡基于加州伯克利大學的深度學習框架caffe實現(xiàn)。利用兩個卷積網絡分別提取到高分辨率人臉基準和低分辨率測試樣本的特征后使用聯(lián)合貝葉斯