收稿日期 :2019-04-15 网络出版时间 :2019-09-10
基金项目 :国 家 自 然 科 学 基 金 (61661017 ) ;中 国 博 士 后 科 学 基 金 (2016M602923XB ) ;认 知 无 线 电 与 信 息 处 理 重 点 实 验 室 基 金
(CRKL160104 ,CRKL150103 ,2011KF11 ) ;桂 林 科 技 开 发 项 目 (20150103-6 ) ;2018 年 新 疆 维 吾 尔 自 治 区 重 点 研 发 计 划
(2018B03022-1 ,2018B03022-2) ;广西自然科学基 金 (2017GXNSFBA198212 ,2014GXNSFDA118035 ,2016GXNSFAA38014) ;
桂林电子科技大学研究生教育创新计划 (2016YJCXB02) ;广西科技创新能力与条件建设计划 (桂科能 1598025-21)
作者简介 :欧阳宁(1972 — ) ,男 ,教授 ,E-mail :
y
nou@
g
uet .edu .cn .
通信作者 :蔡晓东(1971 — ) ,男 ,教授 ,E-mail :caixiaodong@
g
uet .edu .cn .
网络出版地址 :http ://kns .cnki .net/kcms/detail/61 .1076 .T N .20190909 .2235 .006 .html .
doi :10 .19665/j .issn1001-2400 .2019 .06 .014
结 合 小 波 与 递 归 神 经 网 络 的 低 分 辨 率 人 脸 识 别
欧 阳 宁 , 王 先 傲 , 蔡 晓 东 , 林 乐 平
(桂林电子科技大学 信息与通信学院 ,广西壮族自治区 桂林 541004)
摘要 : 针对低分辨率人脸图像缺少有效信息而导致识别率较低的问题 ,提出一种结合哈尔小波与递归神
经网络的低分辨率人脸识别方法 。 首先 ,通过深层网络直接预测小波系数 ,经过小波逆变换得到高分辨率
人脸图像 ,可以有效地重建高频信息 ;其次 ,在卷积神经网络中加入递归模块 ,在增加网络深度的同时减少
参数冗余 ,提升模型的映射能力 ;最后 ,提出一种优化的重建与感知损失融合方法 ,将小波系数重建损失与
感知损失进行加权融合 ,用以生成有利于识别的人脸图像 。 基于公开数据集 ,对图像重建质量与识别性能
进行了对比 。 实验结果表明 ,即使在极低的分辨率条件下 (8 × 8 ,16 × 16) ,仍然能够重建出更加锐利的人
脸图像 。 在此基础上 ,其识别能力优于目前领先的超分辨率重建算法 。
关键词 :哈尔小波 ;递归神经网络 ;人脸识别 ;融合损失 ;超分辨率重建
中图分类号 :TP183 文献标识码 :A 文章编号 :1001-2400(2019)06-0095-07
Low resolution face recognition method based on wavelet and
recursive neural networks
OUY A NG N in
g
, W A NG X ian
ao , CA I X iaodon
g
, L I N L e
p
ing
(
School of Information and Communication Engineering , Guilin University of Electronic Technology ,
Guilin 541004 , China)
Abstract : To improve the accuracy of low-resolution face recognition with limited information , a method
based on the Haar wavelet and recurrent neural network is proposed . First , the wavelet coefficients are
directly predicted through the deep neural network . High-resolution face images with high-frequency
information can be reconstructed by the inverse wavelet transform . Second , a recursive module is added to
the convolutional neural network to increase the depth of the network , which can reduce the redundancy of
p
arameters effectively . Finally , a fusion loss method is utilized , in which the loss of wavelet coefficients
reconstruction and the perceptual are weighted and fusioned to generate images for recognition . Based on
open dataset , the image reconstruction quality and recognition performance are compared , respectively .
Experimental results show that sharper face images can be reconstructed even with extremely low
resolutions (8 × 8 , 16 × 16
)
, and that its recognition ability outperforms that of state-of-the-art face super
resolution algorithms .
Key Words : Haar wavelet ; recursive neural network ; face recognition ; fusion loss ; super resolution
针对低分辨率人脸识别 ,传统解决方法可分为两种 :一种是先进行超分辨率增强 ,然后提取特征进行识
2019 年 12 月
第 46 卷 第 6 期
西安电子科技大学学报
JOURNAL OF XIDIAN UNIVERSITY
Dec .2019
Vol .46 No .6
万方数据