基于生成对抗网络的人脸超分辨率技术

发布时间：2020-12-20 03:48

　　人脸这一固有特征对于辨识个人身份有着重要作用。近年来,人脸识别、图像检测等相关技术的研究达到了前所未有的高度,并成功应用在了智能交通、身份鉴定、安防、刑侦、智能家居等各个领域。然而,受到软、硬件条件的限制,以及例如距离远、成像畸变、下采样等各种因素的影响,摄像头获取到的人脸图像可能存在模糊、分辨率较低且面部细节丢失等问题,从而影响检测与识别的精度。为了解决这一问题,本文利用深度学习相关技术展开研究工作,提出了基于改进生成对抗网络的人脸超分辨率技术,并构建了相关网络模型,具体研究内容如下:1、本文在介绍了典型的生成对抗网络相关技术的基础上,分析了其基本模型和训练方法,选取了合适的训练参数,从理论上证实了生成对抗网络在人脸超分辨率上的应用相比于其余传统超分辨率算法以及SRCNN、DRCN、ESPCN等深度学习方法具有很大的优势,其生成的超分辨率人脸图像在提高了放大倍数的同时,还获得了更好的人脸高频细节。2、本文对于典型生成对抗网络做了相应的改进。首先对于网络结构做了一定的改进,包括在生成网络部分去除了其BN层并提出了基于全新卷积的残差密集块(OctRRDB);在判别网络部分将原始判别网络替... 

【文章来源】：江西理工大学江西省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

“天网工程”应用示例

智慧支付

第二章基础理论及相关技术8图像观测模型描述了低分辨率图像与高分辨率图像之间的关系。一定场景的N幅高分辨率图像经过一系列降质过程产生低分辨率图像。如果用kH表示所求的高分辨率图像，kL表示低分辨率图像，那么这个典型的观测模型可以表示为：k,1,2,3,kkkkkLDBFHnkK（2.1）2.1式中，kF为几何运动矩阵；kB为模糊矩阵，kD为亚采样矩阵，kn为附加噪声[21]。整个降质过程可由图2.1所示。图2.1图像降质过程图像观测模型是从高分辨率图像到低分辨率图像的过程。而超分辨率重建是相反的，如图2.2所示。图2.2图像重建2.2人脸超分辨率技术常用方法2.2.1基于插值的人脸超分辨率技术在图像处理系统中得到广泛应用的一种超分辨率方法是图像插值法，该方法也常被用于人脸超分辨率技术中。如图2.3所示，图像插值简单来讲就是根据已知像素点的像素值来估计未知像素点的像素值。本节主要介绍了最近邻域插值算法、双线性插值算法、双三次插值算法以及三次样条插值算法。

【参考文献】：
期刊论文
[1]自适应图像组的稀疏正则化图像复原[J]. 王宗跃,夏启明,蔡国榕,苏锦河,张杰敏.  光学精密工程. 2019(12)
[2]基于生成对抗网络的单帧红外图像超分辨算法[J]. 邵保泰,汤心溢,金璐,李争.  红外与毫米波学报. 2018(04)
[3]基于改进残差网络的人脸识别算法[J]. 曹川,张红英.  传感器与微系统. 2018(08)
[4]人脸检测方法综述[J]. 李娥.  信息技术与信息化. 2018(04)
[5]基于互联网视频的人脸检测综述[J]. 宁毅,陈金龙.  电脑知识与技术. 2018(03)
[6]基于深度卷积神经网络的人脸识别技术综述[J]. 景晨凯,宋涛,庄雷,刘刚,王乐,刘凯伦.  计算机应用与软件. 2018(01)
[7]图像缩放算法中常见插值方法比较[J]. 陈高琳.  福建电脑. 2017(09)
[8]CCD与CMOS图像传感器的现状及发展趋势[J]. 马精格.  电子技术与软件工程. 2017(13)
[9]基于深度学习的图像超分辨率复原研究进展[J]. 孙旭,李晓光,李嘉锋,卓力.  自动化学报. 2017(05)
[10]人脸识别技术综述[J]. 左腾.  软件导刊. 2017(02)

博士论文
[1]红外成像系统超分辨率重建技术研究[D]. 李方彪.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2018

硕士论文
[1]基于生成对抗网络的人脸超分辨率重建及识别[D]. 贾洁.电子科技大学 2018
[2]基于插值和邻域嵌入的图像超分辨率算法研究[D]. 赵頔.浙江师范大学 2017
[3]基于方向梯度直方图的高效人头检测及其在智能监控系统中的应用[D]. 党路.浙江大学 2013



本文编号：2927150