论文部分内容阅读
伴随着深度学习技术的快速发展,限制场景下的高分辨率人脸识别准确率已经超过了人类水平,在门禁、安检等领域均得到了广泛应用。但是在非限制场景下,当距离摄像机过远,识别准确率明显降低。低分辨率人脸由于尺寸较小,如何提取鉴别性特征是目前需要解决的难点,且其缺少的高频信息对于识别十分重要。本文针对低分辨率人脸识别率较低的问题,基于深度卷积神经网络,提出了结合人脸重建的识别方法和一种新的图像重建算法,主要研究成果如下。
1、针对低分辨率人脸图像由于缺少有效信息而导致识别准确率较低的问题,提出一种有效的超分辨率融合特征映射的人脸识别方法。该方法通过一种双分支卷积神经网络分别对高、低分辨率图像提取特征;对于低分辨率图像,使用超分辨率增强网络级联一个特征提取网络进行特征映射,可以重建图像高频信息,提取有效特征;模型通过一种融合损失方法进行优化,使得身份相同的图像特征之间的余弦相似度更大。基于FERET数据集,对20×20以上的低分辨率图像进行测试,实验表明,该方法的识别准确率和效率较其他低分辨率人脸识别方法得到一定提高。
2、为了提高极低分辨率人脸图像(20×20 以下)的识别准确率,提出一种结合哈尔小波与递归神经网络的低分辨率人脸识别方法。该方法通过深层网络直接预测低分辨率图像对应的小波系数,然后经过小波逆变换得到高分辨率人脸图像,可以有效重建高频信息;同时在卷积神经网络中加入递归模块,增加网络深度的同时,减少参数冗余,提升模型的映射能力;模型通过联合优化小波系数重建损失与感知损失,用以生成有利于识别的人脸图像。基于LFW数据集,对图像重建质量与识别性能进行了对比。实验结果表明,即使在极低分辨率条件下(8×8,16×16),仍然能够重建出清晰的人脸图像,在此基础上其识别能力优于目前领先的人脸重建算法。
3、针对因距离成像设备较远,容易造成人脸区域分辨率不足的问题,提出一种结合自注意力与对抗网络的低分辨率人脸重建方法(FSRGAN)。该方法分为两个阶段,由两个自注意力对抗网络组成。为了模拟高分辨率图像退化过程,设计一种退化模型作为预处理模块进行下采样;结合深度残差网络与自注意力模块作为生成器,通过重建模型对低分辨率图像进行重建,最终可以重建出判别器难以区分的清晰图像。实验结果表明,所提出的方法能够生成自然真实的超分辨率图像,并且FID分数高于目前领先的人脸重建算法。
1、针对低分辨率人脸图像由于缺少有效信息而导致识别准确率较低的问题,提出一种有效的超分辨率融合特征映射的人脸识别方法。该方法通过一种双分支卷积神经网络分别对高、低分辨率图像提取特征;对于低分辨率图像,使用超分辨率增强网络级联一个特征提取网络进行特征映射,可以重建图像高频信息,提取有效特征;模型通过一种融合损失方法进行优化,使得身份相同的图像特征之间的余弦相似度更大。基于FERET数据集,对20×20以上的低分辨率图像进行测试,实验表明,该方法的识别准确率和效率较其他低分辨率人脸识别方法得到一定提高。
2、为了提高极低分辨率人脸图像(20×20 以下)的识别准确率,提出一种结合哈尔小波与递归神经网络的低分辨率人脸识别方法。该方法通过深层网络直接预测低分辨率图像对应的小波系数,然后经过小波逆变换得到高分辨率人脸图像,可以有效重建高频信息;同时在卷积神经网络中加入递归模块,增加网络深度的同时,减少参数冗余,提升模型的映射能力;模型通过联合优化小波系数重建损失与感知损失,用以生成有利于识别的人脸图像。基于LFW数据集,对图像重建质量与识别性能进行了对比。实验结果表明,即使在极低分辨率条件下(8×8,16×16),仍然能够重建出清晰的人脸图像,在此基础上其识别能力优于目前领先的人脸重建算法。
3、针对因距离成像设备较远,容易造成人脸区域分辨率不足的问题,提出一种结合自注意力与对抗网络的低分辨率人脸重建方法(FSRGAN)。该方法分为两个阶段,由两个自注意力对抗网络组成。为了模拟高分辨率图像退化过程,设计一种退化模型作为预处理模块进行下采样;结合深度残差网络与自注意力模块作为生成器,通过重建模型对低分辨率图像进行重建,最终可以重建出判别器难以区分的清晰图像。实验结果表明,所提出的方法能够生成自然真实的超分辨率图像,并且FID分数高于目前领先的人脸重建算法。