感知特征增强学习的低分辨率人脸识别

熊承义，邵奔，高志荣，柳霜，李雪静

(1 中南民族大学 电子信息工程学院&智能无线通信湖北省重点实验室，武汉430074；2 中南民族大学 计算机科学学院，武汉 430074)

人脸识别是一种对人脸图像身份信息进行识别的生物识别技术.近年来,随着深度学习技术的蓬勃发展，基于深度神经网络的人脸识别算法性能得到了显著提升，例如ArcFace[1]、MobileFaceNets[2]、SphereFace[3]等.其中最先进的人脸识别算法在开源人脸数据集LFW上的识别精度已经超过99%[4]. 然而，随着监控系统的普及，摄像头在实际监控环境中，受拍摄距离、角度、光照等因素的影响，采集到的图像往往都是低质量的人脸图像. 其中最常见的问题是由于距离影响，使得获取到的人脸图像尺寸较小，图像分辨率较低.研究表明，当人脸图像的分辨率小于32×24像素时，由于低分辨率人脸图像包含较少的面部信息，在主流的人脸识别模型上识别性能显著下降[5].因此，低分辨率(low-resolution,LR)人脸识别成为当前人脸识别领域关注的热点和难点问题.

目前的LR人脸识别方法主要分为两类:一种是基于公共特征子空间的方法，首先将高、低分辨率图像特征非线性映射到一个公共特征子空间，然后最小化相同身份图像特征在子空间中的距离后进行分类识别;第二种是称为基于图像超分辨率的方法，首先利用超分辨率技术对LR图像进行超分辨率重建，然后对获得的高分辨率(high-resolution, HR)人脸图像进行分类识别.基于子空间的方法主要存在对噪声扰动敏感，提取的……