最先进超分辨率算法在监控环境中的有效性
计算机视觉与模式识别
2021-07-12 v1
摘要
图像超分辨率（SR）应用于需要观察者仔细检视图像以提取增强信息的领域。一个此类聚焦应用是监控视频的离线法证分析。由于相机硬件、相机位姿、有限带宽、变化光照条件及遮挡的限制，监控视频质量时常显著退化，从而损害对场景中行为、活动及其他偶发信息的监控。在提出的研究工作中，我们考察了四种传统但有效的 SR 算法与三种基于深度学习的 SR 算法，以寻求在训练数据选项有限的监控环境中表现良好的最优方法。这些算法从单张低分辨率（LR）输入图像生成增强分辨率输出图像。为性能分析，使用了来自六个监控数据集的 220 张图像子集，包含距相机不同距离、光照条件变化及复杂背景的个体。这些算法的性能使用定性与定量指标进行了评估与比较。这些 SR 算法还基于人脸检测精度进行了比较。通过分析比较所有算法性能，一种使用外部字典的基于卷积神经网络（CNN）的 SR 技术被证明最佳，其在不同监控条件下实现了鲁棒的人脸检测精度并获得了最优定量指标结果。这是因为 CNN 层利用外部字典渐进学习更复杂的特征。
引用
@article{arxiv.2107.04133,
title = {Effectiveness of State-of-the-Art Super Resolution Algorithms in Surveillance Environment},
author = {Muhammad Ali Farooq and Ammar Ali Khan and Ansar Ahmad and Rana Hammad Raza},
journal= {arXiv preprint arXiv:2107.04133},
year = {2021}
}