隨著深度學(xué)習(xí)的興起,計(jì)算機(jī)視覺(jué)領(lǐng)域的諸多技術(shù)得到了飛速發(fā)展,使得很多基于深度學(xué)習(xí)模型的應(yīng)用極大的方便了我們的日常生活。其中,基于生物特征的人臉識(shí)別技術(shù)得到了廣泛的應(yīng)用。如今的居民社區(qū)、交通要道、安全部門(mén)等場(chǎng)景實(shí)現(xiàn)了攝像頭覆蓋,形成了較為完善的視頻監(jiān)控系統(tǒng),圖像數(shù)據(jù)的獲取變得容易,為智能分析技術(shù)提供了充分的信息源。然而,大部分場(chǎng)景的圖像設(shè)備成本低廉,在數(shù)據(jù)采集過(guò)程中受到自身硬件能力、光照、環(huán)境噪聲以及目標(biāo)距離的影響,導(dǎo)致最終的圖像數(shù)據(jù)受損程度較大,表現(xiàn)為圖像模糊不清、人臉區(qū)域細(xì)節(jié)信息丟失,從而降低了人臉識(shí)別的精度。為了解決這種場(chǎng)景下產(chǎn)生的問(wèn)題,本文將對(duì)基于深度學(xué)習(xí)的超分辨率重建技術(shù)進(jìn)行研究,并引入到傳統(tǒng)的人臉識(shí)別流程中,盡可能多的還原低分辨率人臉區(qū)域包含的特征信息,從而改善識(shí)別準(zhǔn)確率。主要研究?jī)?nèi)容如下:(1)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)中的不同激活函數(shù)的性能進(jìn)行探討與比較,通過(guò)公式推導(dǎo)證明預(yù)激活形式的殘差單元相比于經(jīng)典殘差單元,在深層網(wǎng)絡(luò)中擁有更好的特征映射機(jī)制。(2)對(duì)現(xiàn)有的深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行分析,結(jié)合VDSR與ResNet模型的優(yōu)勢(shì),對(duì)殘差單元結(jié)構(gòu)進(jìn)行改進(jìn),并引入到超分辨率重建網(wǎng)絡(luò)中,使網(wǎng)絡(luò)中的淺層...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外發(fā)展現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容與章節(jié)安排
第2章 相關(guān)理論基礎(chǔ)介紹
    2.1 超分辨率重建的理論基礎(chǔ)
    2.2 經(jīng)典超分辨率重建技術(shù)
        2.2.1 插值法
        2.2.2 基于重建的方法
        2.2.3 基于稀疏表示的超分辨率重建技術(shù)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積層
        2.3.2 激勵(lì)層
        2.3.3 池化層
        2.3.4 全連接層
        2.3.5 網(wǎng)絡(luò)訓(xùn)練
        2.3.6 圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)
    2.4 基于深度學(xué)習(xí)的超分辨率重建網(wǎng)絡(luò)
    2.5 本章小節(jié)
第3章 基于殘差學(xué)習(xí)的單幀圖像超分辨率重建算法
    3.1 殘差學(xué)習(xí)在超分辨率重建的應(yīng)用
        3.1.1 殘差網(wǎng)絡(luò)ResNet
        3.1.2 基于極深網(wǎng)絡(luò)的超分辨率重建
    3.2 激活函數(shù)對(duì)網(wǎng)絡(luò)性能的影響
        3.2.1 激活函數(shù)的選擇
        3.2.2 改進(jìn)殘差塊——預(yù)激活殘差單元
    3.3 基于ELU預(yù)激活殘差單元的超分辨率重建算法
        3.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 訓(xùn)練方法
    3.4 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
第4章 低分辨率人臉圖像的超分辨率重建及識(shí)別
    4.1 基于深度學(xué)習(xí)的人臉識(shí)別算法
        4.1.1 人臉檢測(cè)
        4.1.2 人臉對(duì)齊
        4.1.3 人臉對(duì)比
        4.1.4 Triplet Loss函數(shù)
        4.1.5 人臉相似度計(jì)算
    4.2 超分辨率重建對(duì)人臉特征分布的影響
        4.2.1 實(shí)驗(yàn)數(shù)據(jù)說(shuō)明
        4.2.2 實(shí)驗(yàn)流程
        4.2.3 實(shí)驗(yàn)結(jié)果分析
    4.3 人臉超分辨率重建及識(shí)別技術(shù)
        4.3.1 低分辨率人臉識(shí)別框架搭建
        4.3.2模擬低分辨率場(chǎng)景下的人臉對(duì)比實(shí)驗(yàn)
        4.3.3 實(shí)驗(yàn)結(jié)果分析
    4.4實(shí)際場(chǎng)景低分辨人臉識(shí)別實(shí)驗(yàn)
        4.4.1 實(shí)驗(yàn)環(huán)境簡(jiǎn)述
        4.4.2 實(shí)驗(yàn)數(shù)據(jù)說(shuō)明
        4.4.3 實(shí)驗(yàn)流程
        4.4.4 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來(lái)工作展望
參考文獻(xiàn)
附錄 A(攻讀碩士學(xué)位期間的學(xué)術(shù)成果)
致謝



本文編號(hào)：3900967