基于深度学习的超分辨率重建在人脸识别中的应用

发布时间：2024-02-16 06:17

　　随着深度学习的兴起,计算机视觉领域的诸多技术得到了飞速发展,使得很多基于深度学习模型的应用极大的方便了我们的日常生活。其中,基于生物特征的人脸识别技术得到了广泛的应用。如今的居民社区、交通要道、安全部门等场景实现了摄像头覆盖,形成了较为完善的视频监控系统,图像数据的获取变得容易,为智能分析技术提供了充分的信息源。然而,大部分场景的图像设备成本低廉,在数据采集过程中受到自身硬件能力、光照、环境噪声以及目标距离的影响,导致最终的图像数据受损程度较大,表现为图像模糊不清、人脸区域细节信息丢失,从而降低了人脸识别的精度。为了解决这种场景下产生的问题,本文将对基于深度学习的超分辨率重建技术进行研究,并引入到传统的人脸识别流程中,尽可能多的还原低分辨率人脸区域包含的特征信息,从而改善识别准确率。主要研究内容如下:(1)对深度学习网络中的不同激活函数的性能进行探讨与比较,通过公式推导证明预激活形式的残差单元相比于经典残差单元,在深层网络中拥有更好的特征映射机制。(2)对现有的深度学习网络进行分析,结合VDSR与ResNet模型的优势,对残差单元结构进行改进,并引入到超分辨率重建网络中,使网络中的浅层...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外发展现状
    1.3 本文主要研究内容与章节安排
第2章 相关理论基础介绍
    2.1 超分辨率重建的理论基础
    2.2 经典超分辨率重建技术
        2.2.1 插值法
        2.2.2 基于重建的方法
        2.2.3 基于稀疏表示的超分辨率重建技术
    2.3 卷积神经网络
        2.3.1 卷积层
        2.3.2 激励层
        2.3.3 池化层
        2.3.4 全连接层
        2.3.5 网络训练
        2.3.6 图像质量评价标准
    2.4 基于深度学习的超分辨率重建网络
    2.5 本章小节
第3章 基于残差学习的单帧图像超分辨率重建算法
    3.1 残差学习在超分辨率重建的应用
        3.1.1 残差网络ResNet
        3.1.2 基于极深网络的超分辨率重建
    3.2 激活函数对网络性能的影响
        3.2.1 激活函数的选择
        3.2.2 改进残差块——预激活残差单元
    3.3 基于ELU预激活残差单元的超分辨率重建算法
        3.3.1 网络结构
        3.3.2 训练方法
    3.4 实验结果及分析
    3.5 本章小结
第4章 低分辨率人脸图像的超分辨率重建及识别
    4.1 基于深度学习的人脸识别算法
        4.1.1 人脸检测
        4.1.2 人脸对齐
        4.1.3 人脸对比
        4.1.4 Triplet Loss函数
        4.1.5 人脸相似度计算
    4.2 超分辨率重建对人脸特征分布的影响
        4.2.1 实验数据说明
        4.2.2 实验流程
        4.2.3 实验结果分析
    4.3 人脸超分辨率重建及识别技术
        4.3.1 低分辨率人脸识别框架搭建
        4.3.2模拟低分辨率场景下的人脸对比实验
        4.3.3 实验结果分析
    4.4实际场景低分辨人脸识别实验
        4.4.1 实验环境简述
        4.4.2 实验数据说明
        4.4.3 实验流程
        4.4.4 实验结果分析
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 未来工作展望
参考文献
附录 A(攻读硕士学位期间的学术成果)
致谢



本文编号：3900967