郑冬冬,张凯兵

(西安工程大学 电子信息学院,陕西 西安 710048)

0 引 言

人脸识别是计算机视觉领域最重要的研究课题之一[1-2]。目前,在受控条件下的高分辨 (HR,high-resolution)人脸识别方法已趋于成熟,在很多生产实践中开始大范围推广应用。然而,在实际的非受控条件下,受姿态、光照、表情、遮挡和分辨率等不利因素的影响, 人脸识别系统的性能急剧下降, 无法满足实际应用要求。因此,研究低分辨率(LR,low-resolution)人脸的识别技术受到研究者的广泛关注。

在过去几十年,人们提出了许多不同的低分辨人脸识别方法。根据识别原理的不同,大体可以分为3种类型:基于重构超分辨(SR,super-resolution)图像的LR人脸识别方法、基于公共特征子空间的LR人脸识别方法和基于深度学习的LR人脸识别方法。

基于重构SR图像的LR人脸识别方法[3-5]发展迅速,该类方法主要利用图像SR重建技术,获得视觉效果较好的HR人脸图像实现人脸的相似性匹配。尽管基于图像SR的方法能够获得视觉效果较好的HR人脸图像,但容易在人脸关键特征点处引入伪像,严重影响识别性能,而且,随着监控网络的大面积覆盖,该类方法的计算复杂度较高,难以满足实际应用要求。

近年来,基于公共特征子空间的LR人脸识别方法由于其算法相对简单,耗时少等优点,成为一条解决HR-LR人脸图像特征维度不匹配问题的有效途径。此类方法通过学习HR-LR人脸的耦合映射,将不同维数的HR-LR人脸图像先映射到一个公共特征子空间,然后在维数相同的特征子空间中完成HR-LR人脸图像的相似性匹配。……