毛雅棋，朴燕，孟竹，崔炜

（长春理工大学 电子信息工程学院，长春 130022）

人脸识别（FR）由于其巨大的应用价值，一直是被广泛研究的领域［1-2］。尽管FR模型在受约束的高质量图像上取得了令人满意的准确率，但在例如视频监控之类的实际应用中，由于相机与对象之间的距离较大，捕获的人脸图像通常是低分辨率（LR）。这极大地降低了那些针对高质量图像开发的人脸识别系统的准确性［3］。同时数据库中的图像通常具有高分辨率（HR），因此，面临的主要挑战是解决分辨率不匹配问题和提高低分辨率人脸识别的准确率。

本文针对实际应用中人脸小尺寸和低质量问题，对低分辨率人脸识别算法进行系统研究，大致分为两种方法［4］。（1）基于超分辨率（SR）的人脸识别算法。基于SR的算法通过分辨率重构提升原图像分辨率，将LR图像转换为HR图像。但是大多数SR技术目的是产生视觉性能高的HR人脸图像，并不是针对LR识别目的提供更好的识别精度。（2）基于子空间的方法，通常从LR和HR图像提取特征向量并映射至同一空间中，再基于向量间距离预识别出分辨率图像对应类别。

本文对已有的方法做出改进，并提出了一种全新的低分辨率人脸识别（LRFR）算法。首先训练SRCNN模型重建LR图像；再训练卷积神经网络模型提取低分辨率和高分辨率人脸图像的特征，投影到一个公共空间中。并使用PCA，对提取后的特征进行筛选，去除特征向量中的噪声和冗余，提高了该空间中的分类精度；最后使用SVM、向量间距离来预测图像所属类别。……