本文選題：監(jiān)控視頻　切入點：低分辨率　出處：《山東大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：生物識別技術(shù)利用人體固有特征進(jìn)行識別和鑒定,在安全性、保密性和便利性等方面都優(yōu)于傳統(tǒng)的身份識別方法。人臉識別因其具有非侵犯性、易于獲取和操作隱蔽等特點成為生物識別中的熱門課題,在考勤、安防、刑偵等領(lǐng)域都得到了廣泛的應(yīng)用。當(dāng)采集到的人臉處于約束狀態(tài)時,現(xiàn)有算法已經(jīng)可以取得較好的識別效果。但在監(jiān)控設(shè)備所獲取的視頻中,被采集的人臉圖像大多處于非約束狀態(tài),從而帶來的小尺寸和低質(zhì)量問題會降低系統(tǒng)的識別性能,相關(guān)人臉圖像的識別被稱為低分辨率人臉識別。本文針對監(jiān)控視頻中的低分辨率人臉識別問題,對人臉超分辨率重建、分辨率穩(wěn)健特征提取、分類器模型訓(xùn)練等步驟進(jìn)行了研究,主要工作如下:(1)典型的基于稀疏編碼的人臉幻想算法可以獲得很好的重建效果,但是在字典訓(xùn)練階段具有較高的復(fù)雜度。為了在降低訓(xùn)練復(fù)雜度的同時得到一個更有針對性的字典,本文利用K-means++算法對圖像塊進(jìn)行字典訓(xùn)練,然后通過最小角回歸(LARS)算法計算相應(yīng)的稀疏系數(shù)進(jìn)而得到"幻想人臉"。實驗證明,在監(jiān)控視頻中人臉圖像尺寸不規(guī)律的情況下,本文算法能夠有效降低字典訓(xùn)練復(fù)雜度,重建一個細(xì)節(jié)信息更加豐富的高分辨率人臉圖像。(2)傳統(tǒng)的特征提取方法在不同分辨率下的穩(wěn)健性較差,為了提高人臉特征算子在低分辨率下的描述能力,本文提出了一種多尺度分塊中心對稱局部二值模式(CS-LBP)和加權(quán)主成分分析(PCA)融合的特征提取方法。通過CS-LBP算子提取人臉圖像的局部紋理特征,通過PCA算法對高維特征進(jìn)行降維,可以得到一個分類能力更強、維數(shù)更低的特征。實驗結(jié)果證明,在人臉圖像分辨率降低時,本文算法所得的識別率沒有顯著下降,同時能夠減少存儲空間和識別時間,滿足實際應(yīng)用的要求。(3)由于最近鄰分類器容易受到人臉特征中孤立點的影響并且需要逐個匹配,因此本文對極限學(xué)習(xí)機(ELM)進(jìn)行了研究,通過改變隱含層神經(jīng)元的個數(shù)訓(xùn)練不同的分類模型,實現(xiàn)對低分辨率人臉圖像的匹配識別。在進(jìn)一步的實驗過程中,本文針對實驗室的監(jiān)控攝像頭搭建了一個系統(tǒng)平臺,通過對平臺的操作可以實現(xiàn)對實驗室人員的面部識別。
[Abstract]:Biometric recognition technology is superior to the traditional identification method in terms of security, confidentiality and convenience by using the inherent characteristics of human body. Face recognition is non-invasive because of its non-invasive nature. The characteristics of easy acquisition and operation concealment have become a hot topic in biometrics, and have been widely used in the fields of attendance, security, criminal investigation and so on. However, in the video captured by the monitoring equipment, most of the collected face images are in an unconstrained state, resulting in small size and low quality problems, which will reduce the recognition performance of the system. This paper aims at the problem of low resolution face recognition in surveillance video, reconstructs the face super-resolution and extracts the robust feature of resolution. Classifier model training and other steps are studied. The main work is as follows: 1) A typical face fantasy algorithm based on sparse coding can achieve a good reconstruction effect. In order to reduce the training complexity and get a more targeted dictionary, this paper uses K-means algorithm to train the image block dictionary. Then the minimum angle regression algorithm is used to calculate the corresponding sparse coefficients and the "fantasy face" is obtained. Experiments show that the algorithm can effectively reduce the complexity of dictionary training in the case of irregular face image size in surveillance video. Reconstruction of a high-resolution facial image with more detailed information. (2) the traditional feature extraction method is less robust at different resolution, in order to improve the description ability of the face feature operator at low resolution. In this paper, a method of feature extraction based on the fusion of CS-LBP) and weighted principal component analysis (PCA) is proposed. The local texture feature of face image is extracted by CS-LBP operator, and the dimension of high dimension feature is reduced by PCA algorithm. A feature with stronger classification ability and lower dimension can be obtained. Experimental results show that when the resolution of face image is reduced, the recognition rate of this algorithm is not significantly reduced, and the storage space and recognition time can be reduced. Because the nearest neighbor classifier is vulnerable to the influence of outliers in face features and needs to match one by one, this paper studies the extreme learning machine (ELM). By changing the number of hidden layer neurons training different classification models to achieve the low resolution face image matching recognition. In the further experiment process, this paper builds a system platform for the laboratory surveillance camera. The face recognition of laboratory personnel can be realized through the operation of the platform.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 儲久良;袁寶華;;基于完備局部相位量化的低分辨率人臉識別[J];高技術(shù)通訊;2014年11期

2 李康順;李凱;張文生;;一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的PCA人臉識別算法[J];計算機應(yīng)用與軟件;2014年01期

3 趙鑫;汪維家;曾雅云;熊才偉;任彥嘉;;改進(jìn)的模塊PCA人臉識別新算法[J];計算機工程與應(yīng)用;2015年02期

4 黃克斌;胡瑞敏;韓鎮(zhèn);盧濤;江俊君;王鋒;;基于K近鄰稀疏編碼均值約束的人臉超分辨率算法[J];計算機科學(xué);2013年05期

5 田鈞;趙雪章;;極限學(xué)習(xí)機ELM在圖像分割中的應(yīng)用研究[J];計算機光盤軟件與應(yīng)用;2013年02期

6 趙敏;朱明;;基于DTCWT和LBP的低分辨率人臉識別[J];計算機工程;2012年22期

7 向征;譚恒良;馬爭鳴;;HOG在人臉識別中的性能研究[J];計算機工程;2012年15期

8 張地;何家忠;;基于特征空間的人臉超分辨率重構(gòu)[J];自動化學(xué)報;2012年07期

9 薛翠紅;于明;于洋;賈超;閻剛;;基于MAP框架的金字塔人臉超分辨率算法[J];計算機工程;2012年10期

10 周志銘;余松煜;張瑞;楊小康;;一種基于SIFT算子的人臉識別方法[J];中國圖象圖形學(xué)報;2008年10期

相關(guān)博士學(xué)位論文 前2條

1 舒禹程;基于特征描述子的圖像匹配算法研究[D];華中科技大學(xué);2015年

2 王智飛;低分辨率人臉識別算法研究[D];北京交通大學(xué);2013年

相關(guān)碩士學(xué)位論文 前4條

1 韓旭振;可變光照下人臉檢測與識別算法研究[D];山東大學(xué);2012年

2 周毅;低分辨率人臉圖像識別關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2011年

3 王曉玲;圖像盲超分辨率重建和人臉幻想技術(shù)[D];山東大學(xué);2009年

4 趙天聞;基于機器學(xué)習(xí)方法的人臉識別研究[D];上海交通大學(xué);2008年

，

本文編號：1602729