基于卷积神经网络和PCA的低分辨率人脸识别

针对真实场景下采集的人脸图像受环境、设备影响导致分辨率低且图像识别率较低的问题,应用深度学习技术,提出一种基于卷积神经网络(CNN)和主成分分析(PCA)的低分辨率人脸识别算法.首先利用图像超分辨率重构将低分辨率图像重建为高分辨率图像;其次利用CNN提取重建后人脸图像特征,对损失函数进行优化;再利用PCA对特征进行降维,得到更优的分类特征;最后利用支持向量机(SVM)、向量间距离等算法筛选出最优人脸分类并计算准确率.实验表明,该算法在LFW和FERET上均取得更好的识别效果,当人脸图像分辨率下降到8×8时,准确率仍能到达94.5％,优于其他算法并且降低了运算时间.     

环状全景图展开技术的研究

针对普通相机视野小,在定位、监控等过程中不能得到全局视场的问题,利用双曲面折反射全景摄像头获取360°环状全景图.为满足人们的观察习惯,将环状全景图展开为二维圆柱面矩形图.目前,针对环状全景图展开运用最多的是同心圆近似展开法,但是由于此方法计算量相对较大,且运行速度慢.因此,提出三角函数展开法,此方法可直接由环状全景图展开为二维矩形图,计算量小且运行速度快.首先,利用折反射全景摄像头获取360°环状全景图;其次,获取全景图中心点以及展开后的矩形图像的数据;最后,利用三角函数进行展开.该方法的系统结构简单、成本低,且运行速度较快,改善了图像分辨率低的问题.