论文部分内容阅读
在生物特征识别中,人脸识别因其自然性及不被被测个体察觉的特点成为主要的技术之一。但在用于远距离识别的步态图像中,因摄像头距离监控人较远,视频场景通常比较复杂,导致所采集侧面人脸图像区域面积较小,分辨率低且光照变化,难于进行有效的人脸检测与识别。针对这个问题,本文提出一种对视频采集的原始低分辨率人脸图像进行超分辨率恢复的方法,得到可用于人脸识别的高分辨率人脸图像。研究中首先分析了远距离条件下人脸图象退化的建模问题,建立了对应的图像退化模型,将人脸图像超分辨率恢复放在离散余弦变换(DCT)域中解决,其中对原始远距离低分辨率图像应用三次样条插值算法获得过渡高分辨率图像,并从中提取直流分量(DC)系数,用于重建最终的目标高分辨率图像。对目标高分辨率图像的交流分量(AC)系数估计采用一种简化推断模型,主要包括以下工作:1)对低分辨率人脸图像做DCT变换,取DC系数与不同数量的AC系数,并将其做逆变换。对于11个人脸图像,选取不同个数的AC系数时的峰值信噪比,得到结论为AC系数为15时其恢复效果最优。2)简化Markov网络模型,即简化AC系数推断模型,在对系数使用局部线性插值算法做降维运算后对其能量函数求解最小值得到目标高分辨率图像的AC系数。基于上述DC与AC系数,利用图像相加得到目标高分辨率图像的分块图像并对其进行后置滤波,得到最终的目标高分辨率图像。然后对远距离采集的步态视频中截取的人脸图像进行相关测试,首先采用Adaboost算法做人脸识别,对比超分辨率恢复前后人脸识别效果,结果表明超分辨率恢复对识别错检率及漏检率均有一定程度的改善,识别效果有相应的提高。其次将本文中采用方法与C.Liu的恢复方法在最终的目标高分辨率图像效果方面进行对比,结果表明本文方法在图像细节恢复上具有优势。以上研究结果将对远距离人脸识别中由于视频场景复杂而形成的识别率降低有一定的改善作用,同时,也为将人脸识别与步态识别相结合进行身份验证提供技术支持。