王鹤铭, 沈文忠

(上海电力大学 电子与信息工程学院, 上海 200090)

虹膜识别是一种可靠的身份认证方式,虹膜纹理具有高度的稳定性、唯一性和鉴别能力[1]。在不可控的应用场景中,如监控和移动生物识别中,由于设备或采集距离的限制,采集的虹膜图像缺失像素分辨率,导致虹膜定位错误甚至无法定位,严重影响了虹膜识别性能。图像超分辨率(Super Resolution,SR)重建技术为解决这一问题提供了方法。

超分辨率重建技术[2-3]是指根据一幅或多幅低分辨率(Low Resolution,LR)图像,重建一幅高分辨率(High Resolution,HR)图像,可大致分为基于插值、基于重构和基于学习3种方法。基于插值的方法,如最近邻插值和双三次插值法,具有算法简单、计算速度快等特点,但重建图像精度不高。基于重构的方法,如邻域嵌入和锚点邻域回归,是利用图像先验信息作为约束条件生成锐利的纹理细节,但当缩放因子较大时,重建效果迅速退化。近几年,随着机器学习和计算机视觉的迅猛发展,基于卷积神经网络(Convolutional Neural Network,CNN)的超分辨技术成为研究热点。SRCNN[4]是最早的3层CNN网络,将SR任务分为特征提取、非线性映射和图像重建3部分,具有优于插值法和重构法的重建效果。但由于网络结构简单,所以重建图像存在模糊现象。深度超分辨率(Very Deep Super Resolution,VDSR)[5]拓展了SRCNN的非线性映射部分,改用20层卷积层的VGG-Net为基本架构,并采用小尺寸卷积核,取得了良好的重建效果。深度递归卷积网络(Deeply Recarsive Convolution Network,DRCN)[6]为减少网络参数量,堆叠16层递归卷积层,并采用递归监督和跳跃连接加速网络收敛,稳定训练过程,提升网络性能。……