基于超分辨率和三倍损失的低分辨率驾驶员面部识别
Zhi Zhang1,2, Bingyu Sun3, Jiuzhen Liang4
1Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, 230031, Anhui, China.
Scientific reports
|November 27, 2025
概括
这项研究引入了一种新的驾驶员面部识别模型 (SPFL-DC),用于具有挑战性的交通场景. 它自动创建数据集,并使用超分辨率来改进低分辨率的面部识别.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度神经网络在人脸识别方面表现出色,但在不受约束的,低分辨率的场景中扎,例如交通监控.
- 基于车辆的面部识别因图像变化和有限的计算资源而面临挑战.
研究的目的:
- 为复杂的交通环境开发一个强大的低分辨率驾驶员面部检测和识别模型 (SPFL-DC).
- 提高数据集构建效率和模型预测稳定性,以实现不受约束的面部识别.
主要方法:
- 使用三重损失的自动化数据集构建,以车牌信息和公共数据集的预训练为指导.
- 一种超高分辨率的技术,用于处理和融合低分辨率图像,保存关键的身份信息.
- 在AR和LFW数据集上的实验验证.
主要成果:
- 该SPFL-DC框架展示了有效的低分辨率驾驶员面部检测和识别.
- 自动化数据集构建显著提高了效率和模型稳定性.
- 超分辨率融合提高了图像质量,同时保留了基本的身份特征.
结论:
- 该SPFL-DC框架为面部识别在具有挑战性的,资源有限的交通监控系统中提供了具有竞争力的解决方案.
- 新型数据集构建和超分辨率方法提高了深度学习模型在现实场景中的性能和适用性.
