摘要: 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... 展开 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，使网络中的浅层特征能流动到任意深层，并赋予网络更好的反向传播特性，防止训练时梯度消失。使用ELU替代ReLU作为激活函数，使训练时网络节点能对负的激活前值做出一定响应，权重的更新方向变为双向，抑制收敛前产生的振荡，且能避免“神经元坏死”现象。 (3)将现有人脸识别算法与本文中改进的超分辨率重建算法结合形成新的人脸识别框架，通过t-SNE特征降维可视化实验探究超分辨率重建算法对低分辨率人脸特征提取过程的影响。 (4)分别通过LFW数据集和实际场景下包含低分辨率人脸的图像对本文算法框架进行验证。实验结果表明，在低分辨率场景下，本文超分辨率重建算法的引入能提升现有人脸识别算法9.8%的识别精度。 收起