低分辨率人臉識別算法研究.pdf

1、經過四十多年的發(fā)展，人臉識別的各種算法層出不窮，從研究初期只針對單一簡單背景發(fā)展到目前應對各種復雜條件，如姿態(tài)、光照、表情、噪聲、遮擋、化妝、年齡、種族、性別等。盡管已有的人臉識別系統在特定約束環(huán)境下的正確識別率令人滿意，但在實際環(huán)境尤其在視頻監(jiān)控應用中，由于監(jiān)控對象的不配合及距離監(jiān)控攝像頭較遠等問題引起圖像質量較低，導致識別性能很不理想，我們把這種情形下的人臉識別統稱為低分辨率人臉識別。
　　本文針對遠距離監(jiān)控帶來的人臉小尺寸和

2、低質量問題，對低分辨率人臉識別算法進行系統研究，全面綜述低分辨率人臉識別算法的研究現狀與發(fā)展趨勢，重點對分辨率穩(wěn)健特征表達能力的局限性、高低分辨率統一特征空間表達能力的不足、人臉超分辨率增強與識別目標的不一致等三個關鍵問題進行深入研究，并提出若干新的模型和算法，為自動人臉識別系統走向實際應用提供理論依據和技術方法。本文的主要貢獻如下:
　　(1)首次對低分辨率人臉識別算法進行全面的綜述。給出低分辨率人臉識別的相關概念，并從整體上歸

3、納解決問題的系統框架和基本策略。提出超分辨率增強和分辨率穩(wěn)健特征表達等兩大類、面向視覺&面向識別的超分辨率增強、基于特征&基于結構的分辨率穩(wěn)健特征表達等四小類的分類體系，并對代表性算法對比分析和綜合評測?？偨Y已有算法存在的問題并給出將來的研究方向。
　　(2)提出一種基于特征的分辨率穩(wěn)健特征表達算法:基于分辨率級差概率準則的圖嵌入算法(FisherNPE)，致力于解決分辨率穩(wěn)健特征表達能力的局限性問題。所提算法包括兩個重要模塊:基

4、于FisherNPE算法的特征提取模塊和基于分辨率級差概率準則的特征分類模塊。所提特征提取模塊將線性鑒別分析(LDA)的全局描述能力和鄰域保持嵌入(NPE)的局部描述能力結合，按照一定的權重因子加權形成一個新的關系權重矩陣，構建FisherNPE算法的圖嵌入模型，實現分辨率穩(wěn)健特征提取。所提特征分類模塊創(chuàng)造性地引入分辨率級差的概念，構建高低分辨率樣本差值圖像的特征空間，并結合貝葉斯概率準則，將傳統“一對一”的特征分類模式拓展到“多對多”

5、模式，極大地提高了可用于分類的有效特征數量。實驗結果表明:與LDA、NPE、BayesianFace等已有算法相比，所提算法在ORL、YALE、CMU PIE三個數據庫單一分辨率和多重分辨率上的識別性能均有較大的提升，尤其在超低分辨率上如7×6、5×5、8×8等，識別率平均提高10％。
　　(3)提出一種基于結構的分辨率穩(wěn)健特征表達算法:基于核耦合交叉回歸的分辨率空間映射算法(KCCR)，致力于解決高低分辨率統一特征空間表達能力的

6、不足問題。結合核方法在描述非線性空間的強大能力和譜回歸理論帶來的低計算復雜度的優(yōu)勢，創(chuàng)造性地提出耦合交叉回歸的思想，構建高低分辨率樣本的低維嵌入與原始數據樣本之間的交叉映射關系。所提算法不僅充分利用高分辨率樣本之間的鄰近關系，也利用了低分辨率樣本之間的鄰近關系，有效地提升統一特征空間的表達能力。實驗結果表明:所提的CCR/KCCR及其改進算法ICCR/KICCR基于單一核和組合核在FERET和CMU PIE兩個數據庫上進行測試，與CLP

7、Ms、CLDMs、 KECLPMs等已有耦合映射相關算法相比，其不僅在超低分辨率如8×8的識別性能上有了較大的提升，識別率平均提高6％，更是將計算復雜度由立方級下降到平方級甚至線性級，提升了系統運行速度。
　　(4)提出一種面向識別的人臉超分辨率增強算法:基于張量特征轉換的分辨率增強算法(TET)，致力于解決人臉超分辨率增強與識別目標的不一致問題，并從系統構建上考慮高分辨率人臉的獲取問題。所提算法包括兩個重要模塊:面向分辨率增強的

8、遠距離人臉檢測模塊和基于張量特征轉換的分辨率增強模塊。所提遠距離人臉檢測模塊結合改進膚色模型如H-SV和C'bC'r在較遠距離和改進AdaBoost算法在較近距離檢測上的互補優(yōu)勢，實現在室內環(huán)境中不同距離條件下姿態(tài)和光照穩(wěn)健的人臉檢測，為分辨率增強模塊提供輸入樣本。所提分辨率增強模塊利用張量分析進行特征轉換，并引入奇異值分解特征，構建輸入樣本在高低分辨率訓練樣本中的組合權重分布，得到全局增強人臉，并引入殘余補償技術，構建高分辨率殘余信息