摘要: 随着视频监控技术的发展完善，众多的视频监控应用迫切的需要一种非约束、远距离下的高效人脸识别技术。对于学校、车站、街道、商场等真实场景下，采集的人脸图像受距离、光照、角度、表情姿态等原因成像质量较差，分辨率较低，识别起来具有一定的困... 展开 随着视频监控技术的发展完善，众多的视频监控应用迫切的需要一种非约束、远距离下的高效人脸识别技术。对于学校、车站、街道、商场等真实场景下，采集的人脸图像受距离、光照、角度、表情姿态等原因成像质量较差，分辨率较低，识别起来具有一定的困难。复杂场景下采集到的人脸图像，大多数包含的特征较少或是特征难以提取，本文运用深度学习的方法重点研究了低分辨率人脸识别问题，主要工作如下。 在人脸检测方面，本文使用了基于Haar特征的级联分类器方法，该方法运用AdaBoost算法，能够实现快速人脸检测，提取出定位到的人脸，进行人脸数据集的采集。图像处理方面，首先对数据集进行了扩充，主要介绍了几种常用的数据扩充方式，接着对数据集进行了图像的预处理，预处理的过程中主要使用了几何归一化、图像灰度化、高斯滤波算法以及直方图均衡化方法。 提出了一种改进的图像超分辨率重建方法，该方法基于卷积神经网络，对比原网络具有更多的非线性性和更少的参数。网络由四层卷积层组成，第一层用于图像特征提取，第二层用于特征非线性映射，最后两层完成图像重建工作，通过训练样本集自主完成重建工作，最后将该方法和传统的低分辨率重建方法进行了对比。 提出了一种基于卷积神经网络的人脸识别方法。网络结构共有六层，得益于网络的局部感知和参数共享机制技术，图像可以直接输入到网络中，轻松处理高维数据，无需人工提取特征，避免了传统人脸识别方法中特征提取及数据重建等带来的繁琐过程，且经过实验表明，识别性能优于传统识别方法。 最后本文设计了一套由图像超分辨率重建、人脸定位、图像预处理、人脸识别等模块组成的低分辨率人脸识别解决方案，并将其成功应用在了身份识别系统上，有效的改善了低分辨率人脸识别困难问题。 收起