论文部分内容阅读
近年来,深度学习理论在计算机视觉领域广泛和深入的应用极大的推动了图像处理和人脸识别技术的发展。然而,尽管用户配合下的标准人脸识别技术发展已经趋于成熟,但是实际应用中的远距离人脸图像由于成像设备、光照等因素造成的人脸图像质量低、分辨率不足、亮度过暗等问题大大影响了人脸识别算法的准确率。因此需要对远距离人脸图像进行面向识别的增强,本文在结合传统算法与深度学习理论的基础上,对人脸识别技术以及图像增强技术进行研究,主要工作分为以下三个部分:首先,本文在调研国内外远距离人脸图像识别技术的基础上,针对图像增强理论、深度学习的基础理论进行了深入的研究。在图像增强理论方面,介绍了空域和变换域增强的传统增强算法理论。在深度学习方面,本文深入研究了卷积神经网络的基本结构:卷积层、池化层、全连接层以及常用的激活函数,为本文后续的传统算法与深度学习理论结合增强的算法方案打下基础。其次,本文在针对远距离人脸图像面临的不同问题,利用现有增强算法逐一解决的基础上,研究了参数简便的G-Log增强算法,该算法利用简单的数学变换实现了图像亮度和对比度的增强。并且在总结各算法的优劣后,研究了改进的Retinex-CNN增强算法,该算法利用卷积神经网络学习特征,并用Retinex理论作为损失函数构造的理论指导,结合BM3D和分数阶图像增强理论,取得了良好的增强效果。最后,本文利用VGG-Face对远距离人脸图像进行特征提取,然后利用SVM算法进行提取的特征分类,计算识别率。在大量实验过程中,由于深度网络训练需要大量远距离人脸图像数据,以及本文的Retinex-CNN需要成对的正常/低光照图像作为输入训练,本文通过多种数据扩充方法以及对低光照情况下的人脸图像像素分布进行统计生成模拟低光照图像等手段,对现有的远距离人脸图像进行了数据库扩充和搭建。综上所示,本文在结合多种增强算法的基础上,研究了Retinex-CNN增强算法,并结合现有的小样本数据库通过数据扩充建了一个远距离人脸图像数据库,以方便本文远距离人脸图像增强识别系统的训练。大量实验表明,本文提出的增强识别方法使得远距离人脸图像识别率大大提高。