人脸识别技术具有非接触、易获取等特点,因此在诸多领域中得到了广泛的应用。其中,非受限环境下的应用更加困难,如安防监控等,非受限环境下的人脸识别面临着以下几大难点。第一,摄像头通常与人的距离较远,采集到的人脸图像分辨率较低,另外受到运动模糊和镜头畸变的影响,使得低分辨率人脸图像退化严重导致难以进行识别。第二,采集到的待识别样本的身份类别大多数都可能是注册数据集以外的陌生人类别,即仅有少数属于注册类别,因此需要解决的是开集问题。第三,在大多数情况下,注册数据集中的每个类别通常仅含单幅高分辨率图像,因此还需要解决单样本训练分类器导致的过拟合问题。第四,在特殊情况下,注册数据集仅含单个目标对象,且只有一幅高分辨率图像,因此需要解决单目标单样本无法建立不同类别样本的类间互斥关系的问题。围绕以上的难点问题,本文的研究目标是,对于低分辨率人脸图像,在精确率接近100%的前提下,提高召回率。本文的主要工作和创新点如下:(1)低分辨率开集的人脸识别,考虑同一类别的低分辨率与高分辨率图像特征存在一定差异的问题,对于注册数据集中每个高分辨率样本对象,在待识别数据集中找出与之对应的低分辨率样本,利用高、低分辨率样本共同确定待识别样本的类别。其次,依据统计获得的置信距离,在待识别数据集中判定是否存在注册类别的样本。最后,构建迭代标签传播的人脸识别算法。在每一代标签传播后,按照统计分类方法估计出接受和拒绝的自适应阈值。其中,精确率逼近100%的接受阈值用于预估目标样本,通过拒绝阈值删除确认为非目标的样本,使得陌生人类别的待识别样本减少了参与识别的次数,从而提高了人脸识别算法的精确率。在统计迭代分类过程中,采用深度卷积神经网络获取图像特征,并利用标签传播算法构建分类器。(2)单目标的人脸识别,由于单个目标的样本无法利用其与不同非目标类别样本间的互斥关系,并且待识别数据集中的目标对象与非目标对象的数量严重不均衡。针对上述问题,本文提出单样本的低分辨率单目标人脸识别算法。首先对待识别样本进行分类,然后在判别为非目标陌生人类别中分别获取非目标的种子点,并与目标对象共同构建多目标的注册数据集,从而将单目标的人脸识别问题就转化为多目标的人脸识别问题进行求解。(3)针对单目标的人脸识别计算耗时严重的问题,本文在迭代标签传播的单目标人脸识别过程中,首先进行目标初检预处理,将待识别样本分为疑似目标样本和非目标样本两个样本集。针对非目标样本集利用轮廓系数法确定聚类数,并将每类中心点距离最近的样本加入已知注册样本集中,使得本文的单目标问题转换为多目标问题进行求解。然后,进行迭代的标签传播,依据疑似样本与新增注册样本的相似性度量,不断迭代更新疑似样本集和非目标样本集。最终得到的疑似样本集即为识别结果。在迭代过程中,疑似样本集中的样本数量不断减少,进而降低了每次标签传播算法复杂度,在保证较高的识别精确率的前提下,提高了识别效率。