低分辨率人臉識(shí)別算法研究.pdf

1、經(jīng)過四十多年的發(fā)展，人臉識(shí)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(yīng)對各種復(fù)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(shí)別系統(tǒng)在特定約束環(huán)境下的正確識(shí)別率令人滿意，但在實(shí)際環(huán)境尤其在視頻監(jiān)控應(yīng)用中，由于監(jiān)控對象的不配合及距離監(jiān)控?cái)z像頭較遠(yuǎn)等問題引起圖像質(zhì)量較低，導(dǎo)致識(shí)別性能很不理想，我們把這種情形下的人臉識(shí)別統(tǒng)稱為低分辨率人臉識(shí)別。
　　本文針對遠(yuǎn)距離監(jiān)控帶來的人臉小尺寸和

2、低質(zhì)量問題，對低分辨率人臉識(shí)別算法進(jìn)行系統(tǒng)研究，全面綜述低分辨率人臉識(shí)別算法的研究現(xiàn)狀與發(fā)展趨勢，重點(diǎn)對分辨率穩(wěn)健特征表達(dá)能力的局限性、高低分辨率統(tǒng)一特征空間表達(dá)能力的不足、人臉超分辨率增強(qiáng)與識(shí)別目標(biāo)的不一致等三個(gè)關(guān)鍵問題進(jìn)行深入研究，并提出若干新的模型和算法，為自動(dòng)人臉識(shí)別系統(tǒng)走向?qū)嶋H應(yīng)用提供理論依據(jù)和技術(shù)方法。本文的主要貢獻(xiàn)如下:
　　(1)首次對低分辨率人臉識(shí)別算法進(jìn)行全面的綜述。給出低分辨率人臉識(shí)別的相關(guān)概念，并從整體上歸

3、納解決問題的系統(tǒng)框架和基本策略。提出超分辨率增強(qiáng)和分辨率穩(wěn)健特征表達(dá)等兩大類、面向視覺&面向識(shí)別的超分辨率增強(qiáng)、基于特征&基于結(jié)構(gòu)的分辨率穩(wěn)健特征表達(dá)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。總結(jié)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(dá)算法:基于分辨率級差概率準(zhǔn)則的圖嵌入算法(FisherNPE)，致力于解決分辨率穩(wěn)健特征表達(dá)能力的局限性問題。所提算法包括兩個(gè)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(zhǔn)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(jié)合，按照一定的權(quán)重因子加權(quán)形成一個(gè)新的關(guān)系權(quán)重矩陣，構(gòu)建FisherNPE算法的圖嵌入模型，實(shí)現(xiàn)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(gòu)建高低分辨率樣本差值圖像的特征空間，并結(jié)合貝葉斯概率準(zhǔn)則，將傳統(tǒng)“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(shù)量。實(shí)驗(yàn)結(jié)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(gè)數(shù)據(jù)庫單一分辨率和多重分辨率上的識(shí)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(shí)別率平均提高10％。
　　(3)提出一種基于結(jié)構(gòu)的分辨率穩(wěn)健特征表達(dá)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(tǒng)一特征空間表達(dá)能力的

6、不足問題。結(jié)合核方法在描述非線性空間的強(qiáng)大能力和譜回歸理論帶來的低計(jì)算復(fù)雜度的優(yōu)勢，創(chuàng)造性地提出耦合交叉回歸的思想，構(gòu)建高低分辨率樣本的低維嵌入與原始數(shù)據(jù)樣本之間的交叉映射關(guān)系。所提算法不僅充分利用高分辨率樣本之間的鄰近關(guān)系，也利用了低分辨率樣本之間的鄰近關(guān)系，有效地提升統(tǒng)一特征空間的表達(dá)能力。實(shí)驗(yàn)結(jié)果表明:所提的CCR/KCCR及其改進(jìn)算法ICCR/KICCR基于單一核和組合核在FERET和CMU PIE兩個(gè)數(shù)據(jù)庫上進(jìn)行測試，與CLP

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

8、遠(yuǎn)距離人臉檢測模塊和基于張量特征轉(zhuǎn)換的分辨率增強(qiáng)模塊。所提遠(yuǎn)距離人臉檢測模塊結(jié)合改進(jìn)膚色模型如H-SV和C'bC'r在較遠(yuǎn)距離和改進(jìn)AdaBoost算法在較近距離檢測上的互補(bǔ)優(yōu)勢，實(shí)現(xiàn)在室內(nèi)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(qiáng)模塊提供輸入樣本。所提分辨率增強(qiáng)模塊利用張量分析進(jìn)行特征轉(zhuǎn)換，并引入奇異值分解特征，構(gòu)建輸入樣本在高低分辨率訓(xùn)練樣本中的組合權(quán)重分布，得到全局增強(qiáng)人臉，并引入殘余補(bǔ)償技術(shù)，構(gòu)建高分辨率殘余信息