Superresolution techniques for face recognition from video

Abstract

Mevcut yüz tanıma algoritmalarinin başarımı düşük çözünürlüklü yüz imgelerineuygulandıklarında önemli ölçüde azaltmaktadır. Bu problemin çözmek için çözürlülükarttırma yöntemleri piksel alanında yahut yüz alt-uzayında uygulanabilmektedir. Yüzimgeleri coğu yüz tanıma işlevi açısından gereksiz yüksek boyutlu verilerden oluşur, bu daboyut düşüren öznitelik çıkarma yöntemlerini yüz analizinde standart uygulama halinegetirmiştir. Dolayısıyla çözünürlülük artırma yöntemlerini piksel alani yerine öznitelikalanında, bir başka deyişle yüz alt-uzayında, uygulamanın hesaplamalar açısından yararlarıolduğu gibi gürültüye ve hareket kestirimi hatalarına karşı gürbüzlüğü de sağlamıştır. Bunedenle, biz Bayesçi kestirim ve dışbükey kümelere izdüşüm yöntemleriyle öznitelik tabanlıçözünürlülük arttırıcı yeni algoritmalar önermekte ve önerilen yöntemleri literatürde mevcutolanlar ile karşılaştırmalı analizini sunmaktayız.

Performance of current face recognition algorithms reduces significantly when they areapplied to low-resolution face images. To handle this problem, superresolution techniques canbe applied either in the pixel domain or in the face subspace. Since face images are highdimensional data which are mostly redundant for the face recognition task, feature extractionmethods that reduce the dimension of the data are becoming standard for face analysis.Hence, applying super-resolution in this feature domain, in other words in face subspace,rather than in pixel domain, brings many advantages in computation together with robustnessagainst noise and motion estimation errors. Therefore, we propose new super-resolutionalgorithms using Bayesian estimation and projection onto convex sets methods in featuredomain and present a comparative analysis of the proposed algorithms and those already inthe literature.