本发明涉及计算机视觉技术领域,更具体地,涉及一种低分辨率图像的人脸识别方法。
背景技术:
目前最常用的人脸识别算法是基于卷积神经网络(Convolutional Neural Network,CNN)的,CNN由一系列的卷积操作组成,如图1所示,CNN输入一张人脸图片,最终输出用于识别的特征向量;特征向量接近的图片则认为来自于同一个体。
卷积操作定义为:
Conv(K,x)=K*x
其中K是卷积操作的参数矩阵,尺寸为(d*d)(d根据经验设定),x是输入,*是标准的2-D矩阵卷积。每一个卷积操作的输出,会作为下一个卷积操作的输入;第一个卷积操作的输入是原始的人脸图像。
神经网络在使用之前,需要一个过程,称为训练;神经网络有一系列卷积操作的K参数,通过随机初始化确定,然后通过反向传播算法来优化。训练需要一个损失参数,反映参数的优劣。参数优,损失小;反之亦然。
现有技术提供了一种基于PCN的低分辨率图像的人脸识别方法,该方法提出了一个4层的浅层神经网络,其以超分辨率重建为目标预训练浅层神经网络,之后调整训练目标为低分辨率图像分类识别,重新训练网络,通过利用预训练过程中获得的先验知识使得图像识别取得更高的准确率。
但是PCN方法局限于简单浅层神经网络,未对具体问题提出充分优化的网络结构,且PCN方法使用预训练需要更多的计算资源。
技术实现要素:
本发明为解决以上现有技术的缺陷,提供了一种低分辨率图像的人脸识别方法。
为实现以上发明目的