视频监控中低分辨率人脸识别
人脸识别在视频监控中的应用
人脸识别在视频监控中的应用【摘要】人脸识别技术在视频监控中的应用越来越广泛。
本文首先介绍了视频监控系统的基本原理，然后详细讨论了人脸识别技术在视频监控中的作用，包括提高监控效率和准确性。
接着，文章介绍了人脸检测与识别的流程，以及人脸识别技术的发展趋势，包括深度学习和人工智能的应用。
结合实际案例展示了人脸识别在视频监控中的应用，如安全防范和行为分析。
总结指出人脸识别技术在视频监控中的重要性，未来有着广阔的发展前景。
这些讨论将有助于读者更好地了解人脸识别技术在视频监控中的应用，并对未来发展趋势有更深刻的认识。
【关键词】人脸识别, 视频监控, 应用, 基本原理, 技术, 流程, 发展趋势, 应用案例, 重要性, 发展前景1. 引言1.1 人脸识别在视频监控中的应用概述人脸识别技术是一种通过对人脸图像进行采集、处理、比对和识别的技术。
在视频监控领域，人脸识别技术被广泛应用，其作用和价值不言而喻。
通过人脸识别技术，监控行业可以实现对人员身份的快速准确识别，提高监控系统的智能化水平，有效防范和打击犯罪活动，提升安全防范能力。
随着科技的不断进步和发展，人脸识别技术在视频监控中的应用也日益普及和完善。
通过不断提升算法的准确性和速度，人脸识别技术在视频监控中的应用已经取得了显著的成果。
结合人工智能和大数据技术，人脸识别技术的应用场景不断扩展，为视频监控系统的发展带来新的可能性和机遇。
在本文中，我们将深入探讨人脸识别技术在视频监控中的作用、技术原理以及发展趋势，通过详细分析人脸检测与识别的流程和应用案例，探讨人脸识别技术的重要性和未来发展前景。
人脸识别技术的不断创新和应用将为视频监控系统的智能化升级和安全防范提供更加全面和有效的保障。
2. 正文2.1 视频监控系统的基本原理视频监控系统是一种通过摄像头将监控区域的画面传输给监控中心或监控设备的安全监控系统。
其基本原理是通过摄像头采集监控区域的实时画面，将画面传输到监控中心或监控设备，然后对画面进行处理和分析，从而实现对监控区域的实时监控和录像存储。
人脸识别技术在视频监控中的使用方法
人脸识别技术在视频监控中的使用方法摘要：随着科技的快速发展，人脸识别技术在各个领域中得到了广泛应用，其中视频监控领域是其中之一。
本文将介绍人脸识别技术在视频监控中的使用方法，包括数据采集、人脸检测与定位、人脸识别、应用案例等。
引言：随着城市的扩大和犯罪的增多，视频监控系统在现代社会中的应用越来越重要。
传统的视频监控系统并不能快速准确地找到目标人物，而人脸识别技术的出现就解决了这一问题。
人脸识别技术能够通过分析摄像头所捕捉到的图像中的人脸信息，准确地识别出目标人物的身份，有助于提高视频监控的效率和准确性。
下面将详细介绍人脸识别技术在视频监控中的使用方法。
一、数据采集在使用人脸识别技术进行视频监控之前，首先需要进行数据采集工作。
这一步骤是建立人脸识别模型的关键。
数据采集可以通过现场摄像头进行实时捕捉，也可以通过已有的监控录像进行离线分析。
为了提高人脸识别的准确性，数据采集时应尽量包括不同光照条件、不同面部表情和不同角度的人脸数据。
二、人脸检测与定位人脸检测与定位是视频监控中人脸识别的第一步。
通过使用机器学习算法，可以对视频图像进行实时检测和定位，找出图像中的人脸位置。
这需要将图像数据与人脸数据库进行比对，并通过图像处理技术，识别出人脸的位置和大小。
三、人脸识别人脸识别是视频监控中最关键的环节。
通过比对摄像头捕捉到的人脸图像与已有的人脸数据库中的图像，识别出目标人物的身份。
人脸识别算法主要包括特征提取和特征匹配两个步骤。
特征提取阶段通过数学算法将人脸图像转化为数值特征向量，特征匹配则是对两个特征向量进行比对并计算相似度，确定是否为同一个人。
四、应用案例人脸识别技术在视频监控中的应用案例非常丰富。
首先，它可以用于公共场所的安全防控。
比如在机场、火车站、地铁站等交通枢纽，通过在监控系统中使用人脸识别技术，可以及时发现潜在威胁，提高安全性。
其次，人脸识别技术还可用于刑侦领域。
警方可以通过比对嫌疑人的人脸信息，迅速锁定目标并实施抓捕。
人脸识别在视频监控中的应用
人脸识别在视频监控中的应用人脸识别技术是一种通过数字化照片或视频中的人脸图像进行身份识别的技术。
随着技术的不断发展，人脸识别已经在各个领域得到广泛应用，其中之一就是在视频监控中。
在视频监控中，人脸识别技术可以帮助实现自动识别和辨认人脸，从而对特定人员进行监控、追踪和管理。
以下是人脸识别在视频监控中的几个主要应用：1. 人员识别和追踪：人脸识别技术可以实时识别视频监控中的人员，并通过比对数据库中的人脸信息，确定其身份。
这可以帮助监控人员实时监测人员进出情况，快速发现异常行为和可疑人物。
2. 人员布控和报警：通过人脸识别技术，可以将特定的人员信息输入系统，系统会自动识别监控视频中出现的这些人员，并及时报警。
这样可以帮助保安人员更加高效地进行人员管理，防止黑名单人员进入。
3. 疑似人员检索：人脸识别技术可以将视频监控中的人脸信息与数据库中的图像进行对比，快速检索出疑似人员。
这个功能在犯罪调查中具有重要意义，可以帮助警方快速找出嫌疑人，提高侦破效率。
4. 人员轨迹分析：通过对监控视频中的人脸进行追踪和识别，可以获取人员的移动轨迹。
这可以帮助企事业单位对人员活动进行统计分析和管理，例如商场可以根据人员流动情况进行布置商品和员工，以提高营销效果和服务质量。
5. 智能监控系统：结合人脸识别技术和其他监控设备，可以建立智能监控系统。
该系统可以自动识别和跟踪特定人员，实时报警和记录异常行为，大大增加了监控系统的智能化和效率。
虽然人脸识别技术在视频监控中的应用前景广阔，但也存在一些潜在问题需要解决。
比如识别准确性、隐私保护等问题。
未来随着技术的发展和应用的进一步推广，人脸识别技术在视频监控中将会发挥更加重要的作用。
人脸识别在公安视频监控中的应用与性能改进
人脸识别在公安视频监控中的应用与性能改进简介：随着科技的不断进步，人脸识别技术在公安视频监控中的应用已经不再是一个新的概念。
它已经成为公安部门的重要工具，用于检测和识别犯罪嫌疑人，维护社会治安。
人脸识别技术的性能改进对于提高公安视频监控的效率和准确率至关重要。
本文将探讨人脸识别技术在公安视频监控中的应用，以及可行的性能改进方法。
一、人脸识别技术在公安视频监控中的应用1. 犯罪嫌疑人识别：人脸识别技术可以通过对比监控视频中的人脸图像与犯罪嫌疑人的图像数据库，将嫌疑人快速锁定或排除。
这种应用能够极大地提高公安机关的破案效率，迅速找到犯罪嫌疑人。
2. 失踪人口搜索：在公安视频监控系统中，人脸识别技术可以用于快速搜索失踪人口的下落。
通过与人脸数据库中的图像进行比对，可以有效地识别出失踪人口的行踪，帮助家属和执法机关追踪和找回失踪人员。
3. 防止重复入侵：人脸识别技术还可以用于识别进出公共场所的人员，防止重复入侵。
公安部门可以将人脸信息与犯罪数据库进行对比，以及时发现潜在的安全威胁。
二、人脸识别技术的性能改进方法1. 算法优化：提高人脸识别算法的准确性和速度是改进性能的关键。
研究人员可以通过改进人脸特征提取和匹配算法，减少误识别和漏识别的情况。
此外，利用更高效的计算方法和算法优化技术，可以提高人脸识别系统的实时性和处理能力。
2. 数据优化：建立大规模的人脸图像数据库，丰富图像的样本和多样性，对于提高人脸识别系统的性能至关重要。
通过收集更多的公安视频监控图像，优化训练数据集，可以提高人脸识别模型的鲁棒性和泛化能力。
3. 硬件改进：性能改进不仅仅依赖算法和数据，还需要适配强大的硬件支持。
采用高性能的图像传感器和处理器，可以提高图像采集和处理的速度。
此外，使用更先进的深度学习加速器等硬件设备，可以在不牺牲准确性的前提下提升人脸识别系统的实时性能。
4. 多模态信息融合：除了人脸图像外，结合其他生物特征（如指纹、虹膜等）与人脸信息进行联合识别，可以进一步提高识别系统的准确性和可靠性。
人脸识别在视频监控中的应用
人脸识别在视频监控中的应用人脸识别技术是一种通过对人脸进行识别和验证的技术，广泛应用于视频监控领域。
它能够通过对摄像头捕捉到的人脸图像进行分析和识别，从而实现人员的自动辨识和跟踪。
以下是人脸识别在视频监控中的应用。
一、人脸识别技术用于视频监控的实时监测和警报系统。
通过在摄像头中设置人脸检测和人脸识别算法，可以实时监测所拍摄到的人脸图像，识别出特定的人员，并根据预设的规则生成警报信息。
当系统检测到特定人员进入监控区域时，可以及时向监控中心或相关负责人发送警报信息，提醒其注意。
二、人脸识别技术用于视频监控的实时人员追踪和位置监测。
通过对连续的视频图像进行处理和分析，系统可以实时追踪和识别特定人员的运动轨迹，并将其位置信息与地图等其他信息进行关联。
这样可以在发生紧急情况时，快速确定人员的位置，并进行定向救援或追踪。
三、人脸识别技术用于视频监控的人员统计和轨迹分析。
通过对大量的视频图像进行处理和分析，系统可以统计不同区域人员的出入情况，并根据不同的时间段和日期等条件，对人员的活动轨迹进行分析。
这样可以帮助监控人员了解人群分布情况，及时进行人员调度和资源配置。
四、人脸识别技术用于视频监控的异常行为检测和预警。
通过对人脸图像进行分析，系统可以识别和分析人员的行为举止，对异常行为进行监测并生成预警信息。
当系统检测到有人员在夜间闯入禁止区域时，可以自动触发报警器，以便及时采取措施。
五、人脸识别技术用于视频监控的人员身份验证和门禁管理。
通过在监控摄像头前设置人脸识别系统，可以实现对人员身份的快速验证和识别。
当人员通过门禁系统时，只需在摄像头前进行人脸扫描，系统即可自动与数据库中的人脸信息进行对比，从而实现自动开门或报警。
人脸识别技术在视频监控中有着广泛的应用。
通过对人脸图像的识别、跟踪和分析，可以实现实时监测、人员追踪、人员统计、异常行为检测和身份验证等功能，提高视频监控的智能化水平，为安全管理和应急响应提供了有力的支持。
人脸识别算法在视频监控中的使用方法
人脸识别算法在视频监控中的使用方法随着科技的不断进步，人脸识别技术在各个领域得到了广泛的应用，其中视频监控领域也是人脸识别技术的主要应用之一。
人脸识别算法在视频监控中的使用方法可以极大地提高监控系统的安全性和效率。
本文将介绍人脸识别算法的基本原理、技术要点以及在视频监控中的具体应用方法。
一、人脸识别算法的基本原理人脸识别算法是一种通过对人脸图像进行分析、特征提取以及匹配比对的技术。
其基本原理是通过图像处理和模式识别的方法，将人脸图像转换成计算机可以处理的数据，然后对这些数据进行特征提取，最后根据这些特征与数据库中存储的特征进行比对，从而实现对人脸的识别。
人脸识别算法的主要步骤包括图像获取、人脸定位、人脸特征提取和特征匹配。
首先，通过视频监控摄像头获取人脸图像，然后利用图像处理算法对图像进行分析，找出图像中的人脸位置。
接下来，对人脸图像进行特征提取，通常采用的方法是将图像转换为数学模型，并从中提取出人脸的特征信息，例如脸部的轮廓、眼睛的位置、嘴巴的形状等。
最后，将提取的特征与数据库中已存储的特征进行比对，从而实现对人脸的识别。
二、人脸识别算法的技术要点1. 人脸定位：人脸定位是人脸识别算法中的关键步骤之一。
通过图像处理的方法，将图像中的人脸从背景中分离出来。
常用的人脸定位方法包括基于特征的方法、基于模型的方法以及基于机器学习的方法。
这些方法通过分析图像中的颜色、纹理、形状等特征，确定人脸的位置。
2. 人脸特征提取：人脸特征提取是人脸识别算法的核心步骤。
通过提取人脸图像中的关键特征，例如眼睛、嘴巴、鼻子的位置、轮廓等，将人脸图像转换为计算机可处理的数字数据。
常用的特征提取算法包括主成分分析、线性判别分析、小波变换等。
3. 特征匹配：特征匹配是将提取出的人脸特征与数据库中已存储的特征进行比对，以实现人脸识别的过程。
常用的特征匹配算法包括欧氏距离、余弦相似度等。
根据不同算法的选取，可以实现不同的识别精度和速度。
人脸识别技术如何应对视频监控中的模糊问题
人脸识别技术如何应对视频监控中的模糊问题现代社会随着科技的快速发展，视频监控技术在维持公共秩序和安全方面起到了至关重要的作用。
然而，在实际应用中，由于视频监控中的模糊问题，人脸识别技术可能面临一定的挑战。
本文将探讨人脸识别技术如何应对视频监控中的模糊问题，并提出相应的解决方案。
首先，人脸识别技术如何应对视频监控中的模糊问题？在视频监控中，模糊问题主要来自于摄像头的像素质量、光线条件以及行人移动速度等因素。
由于这些因素的不确定性，可能会导致人脸识别系统无法准确识别模糊的人脸图像。
为了解决这个问题，人脸识别技术可以采用以下几种方法：首先，改善摄像头像素质量。
提高摄像头的分辨率可以明显改善人脸图像质量，从而提高人脸识别的准确性。
高分辨率的摄像头能够捕捉更多细节，减少图像模糊程度，从而提高人脸识别系统的性能。
其次，优化光线条件。
恶劣的光线条件可能导致人脸图像的模糊问题。
为了解决这个问题，可以通过增加额外的光源或者改善环境照明来提高光线条件。
此外，还可以使用具有良好低光性能的摄像头，以确保在光线较暗的条件下也能够捕捉清晰的人脸图像。
另外，人脸识别技术还可以利用图像处理和模式识别算法来应对视频监控中的模糊问题。
例如，可以使用图像增强算法来改善模糊图像的清晰度。
同时，通过使用先进的人脸识别算法，可以对模糊图像进行分析和比对，提取出关键的人脸特征，并与数据库中的人脸数据进行匹配，从而实现准确识别。
除了以上提到的方法外，人脸识别技术还可以结合其他生物特征识别技术来提高识别的准确性。
例如，结合声纹识别、虹膜识别或指纹识别等技术，可以构建多模式融合的人脸识别系统。
这种多模式融合的方式可以从不同的角度获取个体的生物特征信息，提高整体的识别准确性。
另外，人脸识别技术在应对视频监控中的模糊问题时，还需要考虑个人隐私保护的问题。
在使用人脸识别技术的过程中，需要确保个人信息的安全和隐私的保护。
因此，人脸识别技术应注重隐私保护法律法规的依法遵守，采取相应的隐私措施，如匿名化处理、数据加密等，防止个人信息的泄露和滥用。
视频监控系统中的人脸识别技术
视频监控系统中的人脸识别技术第一章：前言随着技术的不断发展，视频监控系统越来越普遍，用于保护公共安全，企业安全和个人隐私等方面。
而视频监控系统中的人脸识别技术也随之进步，成为该系统中越来越受欢迎的功能。
本文将深入介绍视频监控系统中的人脸识别技术。
第二章：人脸识别技术概述人脸识别技术是一种针对具有人脸的图像或视频的自动识别技术，其目的是将个体特征提取出来，并与数据库中已知的个体进行比对。
目前，人脸识别技术主要包括以下几种：1. 2D人脸识别：根据图像像素点进行人脸识别。
2. 3D人脸识别：使用3D模型和纹理进行人脸识别。
3. 热成像人脸识别：根据人脸表面的热量进行人脸识别。
4. 立体摄像头人脸识别：使用立体摄像头提供的深度信息进行人脸识别。
其中，2D人脸识别是应用最广泛的一种。
第三章：视频监控系统中的人脸识别技术原理在视频监控系统中，通过采集和处理视频，在其中使用人脸识别技术实现监控区域中的人员识别和管理。
一般情况下，视频监控系统中的人脸识别技术主要包括以下几个步骤：1. 采集视频数据视频监控系统需要首先进行视频数据采集。
视频数据可以通过多个摄像头进行采集，摄像机的选取需要根据监控区域的大小、监控目标大小等多个因素进行综合判断。
2. 预处理视频数据视频数据采集之后需要进行预处理。
包括视频图像分割，去除噪声，图像增强等处理。
这些处理能够提高识别准确性和精度。
3. 面部检测在视频监控系统中，人脸识别技术需要首先从视频中检测出面部区域。
这其中主要依赖于图像处理算法来实现。
4. 提取面部特征一旦面部区域被检测到，下一步就是提取面部特征。
这些特征可以包括轮廓线、面部比例和颜色等识别特征。
5. 人脸匹配在特征提取之后，识别引擎将进行人脸匹配。
这个过程涉及到与人脸数据库中的图像进行比较，并将面部特征与已知的面部特征进行匹配。
6. 结果输出最终，人脸识别技术将提供面部区域的标记，并提供结果输出。
结果输出可能会包括显示文本或声音警报，通知安全人员和其他相关人员进行必要的行动。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
视频监控中低分辨率人脸识别
发表时间：2019-01-02T16:19:32.767Z 来源：《知识-力量》2019年3月中作者：王鑫汪国强
[导读] 针对视频监控中的低分辨率识别问题，本文介绍了研究现状和存在的问题，对于传统LR人脸识别算法作了详细的介绍。
然后针对传统研究算法存在的问题与不足
（黑龙江大学，黑龙江哈尔滨 150000）
摘要：针对视频监控中的低分辨率识别问题，本文介绍了研究现状和存在的问题，对于传统LR人脸识别算法作了详细的介绍。
然后针对传统研究算法存在的问题与不足，又介绍了目前研究最火热的基于深度学习的超分辨率重建人脸识别算法并对未来的发展趋势作了简单的叙述。
关键词：深度学习；人脸识别；超分辨率；监控视频
1.前言
随着“平安城市”、“智慧城市”等国家政策的提出，安防受到全面重视。
而“雪亮工程”、“天网工程”更是偏重于以视频监控系统为基础，从人体固有特征出发，对个人身份进行认证鉴定。
人脸作为最重要的身份特征之一，具有非接触、非侵犯性等优点，与监控视频中监控对象非接触的特点相契合，因此监控视频中人脸识别获得了快速的发展。
2.存在的问题和研究现状
视频监控中的人脸识别技术，与传统的对静态图像的人脸识别不同，不是人脸迎合摄像头，而是由摄像头来捕捉人脸。
监控系统是在非约束状态进行人脸采集的，易受光照、所处人群、角度、环境、表情姿态等因素的影响，多数是模糊的、质量偏低的、低分辨率的，这造成了数据库中的正面高清图像与监控系统获取的真实画面存在较大的差异。
因此要想达到比较好的识别效果，人脸识别技术首要解决的问题就是这个问题，即低分辨率人脸识别问题。
目前业内一般把低分辨率人脸识别分为两种：一种是直接方法，即分辨率稳健特征表达方法，另一种方法是间接的方法，即对低分辨率样本进行超分辨率重建，得到含有较多特征信息的高分辨率图像，然后再使用常规人脸识别方法进行识别。
3.传统低分辨率人脸识别
LR人脸识别与SR人脸识别过程类似，分别对基准集和测试集样本提取分辨率稳健特征，对所提取特征进行比较，得出身份判定结果。
与SR图像不同之处在于维度的不匹配，所以传统的解决思路又三种：
3.1 上采样
即图像插值，如最近邻插值、双三次等。
对LR图像进行上采样操作，即在现有的人脸信息上拟合新的像素点，使其变换成与参考图像具有相同尺寸的高分辨率图像，然后再提取特征，利用传统人脸识别方法进行分类识别。
3.2 下采样
即图像缩小，将SR图像下采样到和待识别LR图像一样的尺寸大小，再提取特征，直接和LR待识别图像提取的特征进行匹配，虽然解决了维度不匹配问题，不会产生噪声，但会减少鉴别性的人脸信息。
3.3 统一特征空间
即中间分辨率空间。
对SR图像进行特征降维，LR图像进行特征扩展，映射到同一特征空间中。
统一特征空间直接解决特征维度不匹配问题，但最优的非线性耦合映射并没有较好的方法直接获取，由于是从两端的样本集同时向统一空间映射，复杂的变换会带来新的干扰。
4.超分辨率重建的低分辨率人脸识别
图像超分辨率（super resolution,SR）技术旨在提高低分辨率（low resolution,LR）图像的分辨率，同时最小化附加视觉伪影，人脸超分辨率重建，也称为“人脸幻想”。
主要有基于插值、重建、学习的三种重建算法。
4.1 基于插值的重建方法
该方法主要有最近邻插值、双线性插值以及三次插值等方法，理论依据是假设图像为连续的，那么图像新增位置的像素可以通过相邻像素值计算得出，从而实现图像的超分辨率重建。
该类方法只是增加了图像像素的个数，而没有增加额外的高频信息，因此图像的质量不是太高。
(1)最近邻插值
最近邻插值法是最简单的灰度值插值，将变换后的图像中的原像素点最邻近像素的灰度值赋给原像素点。
(2)双线性插值
在x,y方向上分别进行一次线性插值，对目标图像（x,y）先通过最近邻插值映射到源图的（X+u,Y+v）,u、v是小数部分，由于图像坐标都为整数，因此上述点不存在，所以取其附近四个领域点（X,Y）、（X,Y+1）、（X+1,Y）、（X+1,Y+1）的像素值，进行权值计算，得到目标图像（X,Y）处的像素值达到重建的目的。
（3）双三次插值
对周边16个点进行插值运算，具体可描述为目标图像（X,Y）坐标先映射到源图像的坐标（X+u,Y+v）,接着找到该点最近的16个像素点将每个点的像素值按照不同的权值求和即得到待插值点的像素值。
4.2 基于重建的重建方法
其原理是通过观测LR样本来实现对SR的约束。
通常用未知HR的先验知识作为正则化项来规范SR重建这个病态问题的解，确定性和随机方法是实现正则化的两种不同方式。
(1)最大后验概率算法（MAP）
该算法先给图像一个先验模型，模型由马尔可夫随机场确定，接着根据LR图像系列，实现目标SR图像达到最大后验概率。
一般分为三个步骤：一、用两个随机的过程分别表示输入的LR和SR图像；二、接着使SR图像的后验概率值最大值；三、将后验概率的最大值公式按照
贝叶斯公式进行转换然后取负对数。
(2)迭代反向投影法（IBP）
这是一个重复迭代的过程，先假设一个初始值，该值表示SR图像得到的期望，模拟SR图像的拟合过程，得到对应LR图像的集合，将该集合与待识别的LR图像集合求解误差返回到初始值，然后初始值做出相应的修正得到一个相对接近的值，重复上述过程，通过多次的迭代修正已达到误差函数值最小。
4.3 基于学习的重建方法
该算法更注重利用训练样本获得先验知识。
其原理是输入LR图像后，提取其中一块图像并在训练字典中搜索合适的训练LR图像块对应的SR图像块来估计HR图像。
利用训练集中的LR和SR图像块到SR图像块的某种映射关系，最后把估计的SR图像块结合在一起即重建的SR图像。
(1)基于稀疏学习的方法
该方法的利用了这样一种思想：一幅图像能够在非常苛刻的条件下有它的一组在超完备字典上的稀疏稀疏表示。
在超分辨率重建过程中需要两个过完备字典:SR字典DS和LR字典DL，由观测图像求解在DL下的表示稀疏，由此表示系数与DS的线性组合得到高分辨率图像。
(2)基于深度学习的方法
基本思路是用卷积神经网络在LR图像与SR图像之间学习一个端对端的映射，经过多个卷积层提取图像特征，再由激活函数修正线性单元进行修正，使得卷积神经网络具有稀疏性，通过学习得到重建的SR图像。
研究表明增加卷积网络深度可以提高重建质量。
5.总结：
LR人脸识别技术具有非常重要的理论意义和应用价值，随着视频监控系统的普及，监控视频中的人脸识别成为学者们的研究热点之一，并取得了很多成果。
深度学习的飞速发展极大的促进了人脸识别技术的进步，相信深度学习SR技术将会是以后研究的一个热潮。
参考文献
[1]蒋春利，李政林,罗文广,等.智能家居监控及安防系统设计[J]．自动化仪表，2017,38(11):13-16,21.
[2]Li B,Chang H,Shan S,et al.Low-resolution face recognitionvia couped locality preserving mappings[J].IEEE Signalprocessing letters,2010,17(1):20-23.
[3]肖哲.基于统一特征空间的低分辨率人脸识别算法[D]. 哈尔滨工业大学, 2014.
作者简介：王鑫（1995.06—），男，贵州省六盘水市人，哈尔滨市南岗区黑龙江大学信息与通信工程 2018级硕士信号与检测。
汪国强（1963.09—），男，黑龙江省哈尔滨市人，黑龙江大学电子工程学院副院长，在职教授，研究方向为智能视频监控、图像处理等。