CN114612990A - 一种基于超分辨率的无人机人脸识别方法 - Google Patents
一种基于超分辨率的无人机人脸识别方法 Download PDFInfo
- Publication number
- CN114612990A CN114612990A CN202210280558.4A CN202210280558A CN114612990A CN 114612990 A CN114612990 A CN 114612990A CN 202210280558 A CN202210280558 A CN 202210280558A CN 114612990 A CN114612990 A CN 114612990A
- Authority
- CN
- China
- Prior art keywords
- resolution
- unmanned aerial
- face
- aerial vehicle
- super
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 239000011521 glass Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 108020004566 Transfer RNA Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出的是一种基于超分辨率的无人机人脸识别方法,该方法包括如下步骤:步骤1,拍摄无人机视角下各种形态的人的视频,通过标注获取人脸边界框,并对目标人脸进行聚类,建立无人机人脸数据集;步骤2,构建残差密集模块,将超分辨率模型SRGAN与残差密集模块相结合,训练超分辨率模型;步骤3,实现对无人机人脸图片从低分辨率到高分辨率的处理;步骤4,通过基于注意力机制的轻量级人脸识别模型,对无人机人脸数据集进行识别,轻量级的模型参数量小,在识别准确率方面获得了再一次的提升。
Description
技术领域
本发明涉及一种无人机人脸识别方法,具体涉及一种基于超分辨率的无人机人脸识别方法,属于人工智能的识别技术领域。
背景技术
目前,无人机的应用非常普遍,影像提取是最直观有效的识别方法。针对无人机的定位和识别技术,有许多的研究计划,也涉及到了不同领域学科的研究。在开放式户外场所进行目标追踪时,固定式人脸识别模式存在监控死角、无法机动等天然不足。为此,人们采用移动式人脸识别来克服上述缺陷。然而,传统的移动人脸识别属于地面机动方式,仍存在诸如建筑物遮挡、平面机动受限、视野较窄等问题,因此,随着无人机的普及应用,近年来基于无人机实现高机动跟踪监控的技术成为研究热点。无人机有质量轻、形状小、探测精度高等特点,可以飞行在不同的高度,在飞行时可以根据实际情况调整飞行的角度。无人机人脸识别为交通监管、视频监控、军事救援等多个方面提供了重要的技术支持。因此,实现无人机视角下的人脸识别技术十分重要。
发明内容
本发明提出的是一种基于超分辨率的无人机人脸识别方法,其目的旨在对无人机视角下的图片进行扫描分析,从中识别出不同的人,以便完成对人脸的监控。
本发明的技术解决方案:一种基于超分辨率的无人机人脸识别方法,该方法包括如下步骤:
步骤1,拍摄无人机视角下各种形态的人的图片,通过标注获取人脸目标框,并进行聚类,建立无人机人脸数据集;
步骤2,构建基于残差密集模块的超分辨率模型,训练超分辨率算法;
步骤3,实现对无人机人脸图片从低分辨率到高分辨率的处理;
步骤4,构建基于注意力机制的轻量级人脸识别模型,对无人机人脸数据集进行识别,轻量级模型参数量小,在识别准确率方面获得了再一次的提升。
作为本发明的一个优选方案,所述步骤1的具体过程如下:
步骤1-1、拍摄无人机视角下各种状态的人的视频;
步骤1-2、使用标注工具对每个视频中的每一个人体进行人脸的逐帧标注;
步骤1-3、截取标注中的人脸,将标注好的文件与图片一一对应,进行统一编号处理;
步骤1-4、对获取的人脸进行聚类,最终建立一共包含67个人7407张图片的数据集,为无人机人脸的识别提供有力的样本依据。
作为本发明的一个优选方案,所述构建生成对抗网络与残差密集模块相结合的超分辨率模型,具体包括:
步骤2-1、构建一个6层的残差密集模块(残差密集);
步骤2-2、基于SRGAN网络模型,引入14个残差密集模块,构建基于残差密集的改进SRGAN超分辨率模型,并对其进行训练。
作为本发明的一个优选方案,所述构建基于注意力机制的MobileFaceNet轻量级人脸识别模型。
步骤4-1、基于注意力机制的改进MobileFaceNet轻量级人脸识别模型,以MobileFaceNet作为基础,在网络结构中加入SENet,加入的具体位置为原网络的bottleneck的depthwise conv后,得到基于注意力机制的改进MobileFaceNet模型;
步骤4-2、将改进的MobileFaceNet模型的识别结果与超分辨率重建后的人脸特征库进行比对,设定阈值为0.65,将阈值与人脸相似度进行对比。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明深刻考虑到无人机拍摄到的图片分辨率低、识别过程低时延、识别结果低误差、运行计算机配置低等因素或要求,打破传统的机器学习模型,在图片增强、识别模式上进行了大胆创新,以一种高效、轻量、低功耗、高可信的方式实现了无人机人脸识别功能。
附图说明
图1是本发明基于超分辨率的无人机人脸识别方法的流程框图。
图2是本发明方法中基于残差密集模块的改进SRGAN的网络结构图。
图3是本发明方法中基于注意力机制的改进MobileFaceNet网络结构图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明基于超分辨率的无人机人脸识别方法的结构框图,包括以下步骤:
1、获取无人机人脸样本:用于获取大量不重复的无人机人脸样本来支持后续工作,具体包括以下步骤:
(1)拍摄无人机视角下各种状态的人的视频;
(2)使用标注工具对每个视频中的每一个人体进行人脸的进行自动逐帧标注;
(3)截取标注中的人脸,将标注好的文件与图片一一对应,进行统一编号处理;
(4)建立一共包含7407张图片的数据集,为无人机人脸的识别提供有力的样本依据。对所有的图片通过Chinese Whisper进行聚类,总共包含67个人,其中有戴帽子和不带帽子的、戴眼镜和不戴眼镜的。
将每个人脸做为无向图中的一个节点,人脸之间的相似度,作为节点之间的边,设定阈值threshold为0.8,当相似度超过threshold,将两个节点相连形成关联边,权重为相似度,如果人脸之间的相似度小于设定的阈值,那么这两个人脸对应的节点之间就没有边。将每个人脸都赋予一个id,该id作为该人脸的类别。初始化时,每个人脸都是一个类别。随机选取某个节点,对该节点的所有邻居依次进行如下处理:就将所有邻居中权重最大的节点对应的类做为该节点的类别,完成对该节点的类别更新。如果有两个邻居属于同一个类,那么就将同一个类下的邻居权重累加。最后,比较该节点下的所有邻居节点所属的类别的累加权重,取权重最大的类别作为当前节点的类别。当所有的节点都完成后,一次迭代完成。重复迭代步骤,直到达到迭代20次。
基于图进行聚类,将图中一个节点对应一个人脸,节点之间的边对应两个节点的相似度,也就是两个人脸的相似度,通过迭代查找一个节点对应的相似权重累加和来查找类别并进行聚类,使用映射得到的特征对数据集进行聚类,经过检验,阈值threshold设为0.8时,可以达到比较好的效果。
2、构建生成对抗网络与残差密集模块相结合的超分辨率,实现对无人机人脸图片的图像增强,具体步骤如下:
(1)构建残差密集模块
使用14个残差密集模块,每个残差密集模块由6个Conv-ReLU组合而成,建立了不同层之间的连接关系,充分利用了特征,在是每个网络模块之间传递参数,并通过前一个残差密集模块提取得到的特征链接到当前残差密集模块中,如图2所示。
(2)将超分辨率模型SRGAN与残差密集模块相结合
引入残差密集模块,构造基于残差密集模块的改进SRGAN模型。将残差密集块组成的网络作为生成对抗网络的生成器,得到基于残差密集模块(残差密集)的SRGAN模型。生成器经过一个卷积层后,通过14个残差密集模块(残差密集),后半部分由Conv卷积和子像素卷积组成。鉴别器经过一个Conv-Leaky ReLU组合后,通过7个Conv-BN-Leaky ReLU组合,后半部分是由 Dense-Leaky ReLU激活函数和 Dense-Sigmoid函数组合而成。获取得到了网络层提取图像特征,并且保留图像更多的高频信息,使得超分辨率重建的图像质量在主客观评价方法上都优于以往的代表性方法。
残差密集模块主要使原先的残差块实现密集连接,形成了Residual DenseBlock。每一个残差密集包含以下三个模块,连续记忆机制(Contiguous memory):将Fd-1、Fd,1 … Fd,c、Fd,C多层的特征都在channel这一维度串接(concat)起来;局部特征融合(Local feature fusion):concat之后的1*1的卷积操作,主要用于多通道的特征融合,降维作用;局部残差(Local residual learning):将Fd-1、Fd,LF的特征进行融合。
同时去除了批量归一化层,BN层的加入会导致训练不稳定,影响网络输出质量,在图像超分辨网络训练的过程中,需要还原这些图像的对比度信息,加大了训练难度,所以BN层是不适用于图像超分辨任务的。当训练集和测试集的统计结果相差甚远时,BN层可能限制模型的泛化能力,删除批量标准化可提高稳定性并降低计算成本。
利用基于残差密集模块的改进的超分辨率模型SRGAN中的生成器不断训练,使模型拟合高质量图片的概率分布,鉴别器多次鉴别上述生成器生成图片的真伪,从而改善生成图像的效果。SRGAN能够推断4倍放大因子的照片般逼真的自然图像的框架。运用一种感知损失函数,它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形,该网络经过训练以区分超分辨率图像和原始照片真实图像。另外,使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。
SRGAN能够生成超分辨率图片,但它纹理往往不够自然,也常伴随着一些噪声。将密集连接模块作为生成对抗网络的生成器的一部分,代替原先简洁的残差块,获取各网络层提取的图像特征以保留图像更多的高频信息。
(2)使用基于残差密集的改进SRGAN模型,对人脸数据集进行图像增强
从原始图像重建出相应的高分辨率图像,经过超分辨率算法重建的图像增强后的图片,对比原始图片分辨率提升了四倍。使用基于深度学习的图像超分辨率重建方法,使图像的分辨率更高,更好地表达细节特征,改进图像质量。
3、通过基于注意力机制的人脸识别模型MobileFaceNet,对无人机人脸数据集进行识别,轻量级的模型参数量小,在识别准确率方面获得了再一次的提升,具体包括如下:
(1)构建基于注意力机制的MobileFaceNet模型
MobileFaceNet网络可以运行在移动设备上,单个网络模型只有4M并且有很高的准确率。通过抓取人脸关键区域特征,采用了insightface的loss函数去训练整个人脸验证模型。
模型采用MobileNetV2的bottleneck作为构建网络的主要模块,在MobileFaceNet中的bottleneck比MobileNetV2更小。此外,在网络的开始部分采用快速下采样,在最后几个卷积层采用早期降维,在线性全局深度卷积层后加入一个的线性卷积层作为特征输出。在训练中采用批量正则化。
在MobileFaceNet网络结构中加入 SENet。加入的具体位置为bottleneck的
depthwise conv3×3之后,得到基于注意力机制的MobileFaceNet模型。无人机人脸图片输
入后先经过图像预处理,将其调整成尺寸为112×112大小的图片,此后图片经过conv3×3,
以及depthwise conv3×3,在bottleneck部分,引入SENet,并且在conv1×1、Linear
GDConv7×7和Linear GDConv7×7之后输出识别结果,如图3所示。其中,bottleneck由
conv1×1、depthwise conv3×3、conv1×1组合而成,激励函数采用PReLu。在加入SENet后,经过Residual-SENet模块,得到新特征。在前层网络输出的特征通过Residual模块
后,首先使用全局平均池化对其进行压缩,特征图被压缩为的向量;接着,通过
全连接层对上述向量进行非线性变换,将其降维成原先的;并保持维度经过一个ReLU
层;其后,通过全连接层将上述向量恢复维度为;并且通过Sigmoid函数获得归
一化后的权重;最后通过Scale加权操作,将上述操作得到的通道权重通过乘法加权到每个
通道的特征上。
在MobileFaceNet网络的基础上增加注意机制,改进通道注意模块,学习不同通道的权重信息,得到注意特征图,增强特征表达能力,抑制冗余信息的影响。SENet通过学习的方式自动获得多通道特征中每个通道的特征的对当前任务的影响分数,从而增加和当前任务比较相关的特征的权重系数,减少与当前任务不相关的特征的权重系数。
在MobileFaceNet模型最后一层非全局的内嵌CNN人脸特征层中,虽然中心点的感知域和边角点的感知域是一样的,但是中心点的感知域包括了完整的图片,边角点的感知域却只有部分的图片,因此每个点的权重应该不一样,但是平均池化层却把他们当作一样的权重去考虑了,因此网络表现会下降。此处使用了可分离卷积代替平均池化层,这样可以让网络自己不同点的学习权重。
损失函数采用insighface的loss进行训练,使用角度距离,角度距离比余弦距离在对角度的影响更加直接,公式如下:
其中,N是样本的数量,i代表第i个样本,j代表第j个类别;m是批次内图片数,
是夹角,s是半径分类。正确label的值为,cos函数在(0,1)内是单调递减
的,加上m,会使该值变得更小,从而loss会变得很大。
(2)识别结果与人脸特征库比对
将改进的mobilefacenet模型的识别结果与超分辨率重建后的人脸特征库进行比
对,通过欧氏距离计算人脸X与Y的特征相似度。设定阈值为
0.65,将阈值与人脸相似度进行对比,若人脸相似度大于0.65,则返回人脸信息。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围。
Claims (6)
1.一种基于超分辨率的无人机人脸识别方法,其特征在于,包括如下步骤:
步骤1,拍摄无人机视角下各种形态的人的图片,通过标注获取人脸目标框,并对目标人脸进行聚类,建立无人机人脸数据集;
步骤2,构建基于残差密集模块,将超分辨率模型SRGAN与残差密集模块相结合,训练超分辨率算法;
步骤3,对无人机人脸图片从低分辨率到高分辨率的处理;
步骤4,构建基于注意力机制的轻量级人脸识别模型,对无人机人脸数据集进行识别。
2.根据权利要求1所述的一种基于超分辨率的无人机人脸识别方法,其特征是:所述步骤1具体包括以下步骤:
步骤1-1、拍摄无人机视角下各种状态的人的视频;
步骤1-2、使用标注工具对每个视频中的每一个人体进行人脸的逐帧标注;
步骤1-3、截取标注中的人脸,将标注好的文件与图片一一对应,进行统一编号处理;
步骤1-4、对获取的人脸进行聚类,建立人脸识别数据集。
3.根据权利要求1所述的一种基于超分辨率的无人机人脸识别方法,其特征在于,所述步骤2构建基于残差密集模块的超分辨率模型,具体包括以下步骤:
步骤2-1、构建一个6层的残差密集模块;
步骤2-2、基于SRGAN网络模型,引入14个残差密集模块,构建基于残差密集的改进SRGAN超分辨率模型,并对其进行训练。
4.根据权利要求1所述的一种基于超分辨率的无人机人脸识别方法,其特征在于,所述步骤4构建的人脸识别模型为基于注意力机制的MobileFaceNet模型,具体包括以下步骤:
步骤4-1、基于注意力机制的改进MobileFaceNet轻量级人脸识别模型,以MobileFaceNet作为基础,在网络结构中加入SENet,加入的具体位置为原网络的bottleneck的depthwise conv之后,得到基于注意力机制的改进MobileFaceNet模型;
步骤4-2、将改进的MobileFaceNet模型的识别结果与超分辨率重建后的人脸特征库进行比对,设定阈值为0.65,将阈值与人脸相似度进行对比。
5.根据权利要求2所述的一种基于超分辨率的无人机人脸识别方法,其特征在于:步骤1-4中建立数据集包括如下步骤:
步骤1-4-1、对照片中的人脸进行粗分类,包括有戴帽子、不带帽子的、戴眼镜和不戴眼镜的四类;
步骤1-4-2、将每个人脸做为无向图中的一个节点,人脸之间的相似度作为节点之间的边,设定阈值threshold为0.8,当人脸之间的相似度超过threshold,将两个节点相连形成关联边,权重为相似度;如果人脸之间的相似度小于设定的阈值,那么这两个人脸对应的节点之间就没有边;
步骤1-4-3、将每个人脸都赋予一个id,该id作为该人脸的类别,初始化时,每个人脸都是一个类别;
步骤1-4-4、随机选取某个节点,对该节点的所有邻居依次进行如下处理:就将所有邻居中权重最大的节点对应的类作为该节点的类别,完成对该节点的类别更新。
6.根据权利要求5所述的一种基于超分辨率的无人机人脸识别方法,其特征在于:步骤1-4-4中如果有两个邻居属于同一个类,那么就将同一个类下的邻居权重累加,最后,比较该节点下的所有邻居节点所属的类别的累加权重,取权重最大的类别作为当前节点的类别,当所有的节点都完成后,一次迭代完成,重复迭代步骤,直到达到迭代20次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280558.4A CN114612990A (zh) | 2022-03-22 | 2022-03-22 | 一种基于超分辨率的无人机人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280558.4A CN114612990A (zh) | 2022-03-22 | 2022-03-22 | 一种基于超分辨率的无人机人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612990A true CN114612990A (zh) | 2022-06-10 |
Family
ID=81864216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210280558.4A Pending CN114612990A (zh) | 2022-03-22 | 2022-03-22 | 一种基于超分辨率的无人机人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612990A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002286B1 (en) * | 2015-04-28 | 2018-06-19 | Carnegie Mellon University | System and method for face recognition robust to multiple degradations |
CN109543548A (zh) * | 2018-10-26 | 2019-03-29 | 桂林电子科技大学 | 一种人脸识别方法、装置及存储介质 |
CN109886135A (zh) * | 2019-01-25 | 2019-06-14 | 桂林远望智能通信科技有限公司 | 一种低分辨率人脸识别方法、装置及存储介质 |
CN110647820A (zh) * | 2019-08-28 | 2020-01-03 | 电子科技大学 | 基于特征空间超分辨映射的低分辨率人脸识别方法 |
CN110705498A (zh) * | 2019-10-12 | 2020-01-17 | 北京泰豪信息科技有限公司 | 一种低分辨率人脸识别方法 |
CN111160077A (zh) * | 2018-11-08 | 2020-05-15 | 北京航天长峰科技工业集团有限公司 | 一种大规模人脸动态聚类方法 |
CN111414888A (zh) * | 2020-03-31 | 2020-07-14 | 杭州博雅鸿图视频技术有限公司 | 低分辨率人脸识别方法、系统、装置及存储介质 |
CN111814697A (zh) * | 2020-07-13 | 2020-10-23 | 伊沃人工智能技术(江苏)有限公司 | 一种实时人脸识别方法、系统及电子设备 |
CN111985547A (zh) * | 2020-08-11 | 2020-11-24 | 华侨大学 | 一种基于注意力引导生成学习的跨分辨率车辆再辨识方法 |
CN112580502A (zh) * | 2020-12-17 | 2021-03-30 | 南京航空航天大学 | 基于sicnn的低质量视频人脸识别方法 |
CN114119361A (zh) * | 2021-08-05 | 2022-03-01 | 合肥工业大学智能制造技术研究院 | 基于tesrgan网络的超分辨率重构井下图像方法、系统、设备、介质 |
-
2022
- 2022-03-22 CN CN202210280558.4A patent/CN114612990A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002286B1 (en) * | 2015-04-28 | 2018-06-19 | Carnegie Mellon University | System and method for face recognition robust to multiple degradations |
CN109543548A (zh) * | 2018-10-26 | 2019-03-29 | 桂林电子科技大学 | 一种人脸识别方法、装置及存储介质 |
CN111160077A (zh) * | 2018-11-08 | 2020-05-15 | 北京航天长峰科技工业集团有限公司 | 一种大规模人脸动态聚类方法 |
CN109886135A (zh) * | 2019-01-25 | 2019-06-14 | 桂林远望智能通信科技有限公司 | 一种低分辨率人脸识别方法、装置及存储介质 |
CN110647820A (zh) * | 2019-08-28 | 2020-01-03 | 电子科技大学 | 基于特征空间超分辨映射的低分辨率人脸识别方法 |
CN110705498A (zh) * | 2019-10-12 | 2020-01-17 | 北京泰豪信息科技有限公司 | 一种低分辨率人脸识别方法 |
CN111414888A (zh) * | 2020-03-31 | 2020-07-14 | 杭州博雅鸿图视频技术有限公司 | 低分辨率人脸识别方法、系统、装置及存储介质 |
CN111814697A (zh) * | 2020-07-13 | 2020-10-23 | 伊沃人工智能技术(江苏)有限公司 | 一种实时人脸识别方法、系统及电子设备 |
CN111985547A (zh) * | 2020-08-11 | 2020-11-24 | 华侨大学 | 一种基于注意力引导生成学习的跨分辨率车辆再辨识方法 |
CN112580502A (zh) * | 2020-12-17 | 2021-03-30 | 南京航空航天大学 | 基于sicnn的低质量视频人脸识别方法 |
CN114119361A (zh) * | 2021-08-05 | 2022-03-01 | 合肥工业大学智能制造技术研究院 | 基于tesrgan网络的超分辨率重构井下图像方法、系统、设备、介质 |
Non-Patent Citations (3)
Title |
---|
JIANYU XIAO 等,: "A Lightweight Face Recognition Model based on MobileFaceNet for Limited Computation Environment", 《EAI ENDORSED TRANSACTIONS ON INTERNET OF THINGS》 * |
张子昊 等,: "基于MobileFaceNet网络改进的人脸识别方法", 《北京航空航天大学学报》 * |
曾凡智 等,: "轻量化 GAN 超分辨率图像重构算法在实时人脸识别中的应用", 《小型微型计算机系统》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11195051B2 (en) | Method for person re-identification based on deep model with multi-loss fusion training strategy | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN112861720B (zh) | 基于原型卷积神经网络的遥感图像小样本目标检测方法 | |
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
CN106096561B (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN111259786B (zh) | 一种基于视频的外观和运动信息同步增强的行人重识别方法 | |
CN112101430B (zh) | 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法 | |
CN110516095B (zh) | 基于语义迁移的弱监督深度哈希社交图像检索方法和系统 | |
CN111881714A (zh) | 一种无监督跨域行人再识别方法 | |
CN111507217A (zh) | 一种基于局部分辨特征融合的行人重识别方法 | |
CN110852152B (zh) | 一种基于数据增强的深度哈希行人重识别方法 | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN112150493A (zh) | 一种基于语义指导的自然场景下屏幕区域检测方法 | |
CN112884742A (zh) | 一种基于多算法融合的多目标实时检测、识别及跟踪方法 | |
CN106407978B (zh) | 一种结合似物度的无约束视频中显著物体检测方法 | |
CN111723660A (zh) | 一种用于长形地面目标检测网络的检测方法 | |
Liu et al. | Building footprint extraction from unmanned aerial vehicle images via PRU-Net: Application to change detection | |
CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
CN116580322A (zh) | 一种地面背景下无人机红外小目标检测方法 | |
Alsanad et al. | Real-time fuel truck detection algorithm based on deep convolutional neural network | |
CN111507416A (zh) | 一种基于深度学习的吸烟行为实时检测方法 | |
CN114329031A (zh) | 一种基于图神经网络和深度哈希的细粒度鸟类图像检索方法 | |
CN112446305A (zh) | 一种基于分类权重等距分布损失模型的行人重识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220610 |
|
RJ01 | Rejection of invention patent application after publication |