Порівняльний аналіз методів суперроздільної здатності для підвищення точності розпізнавання облич

Abstract

Наведено порівняльний аналіз сучасних методів суперроздільної здатності (Super Resolution, SR), що підвищують точність розпізнавання облич у системах відеоспо- стереження. Низька якість зображень, отриманих з камер спостереження, є значною пере- шкодою для ефективної ідентифікації осіб, що робить застосування SR-методів особливо актуальним. Проаналізовано як класичні методи інтерполяції (бікубічна інтерполяція), так і методи на основі глибокого навчання, зокрема згорткові нейронні мережі (SRCNN) та генеративно-змагальні мережі (ESRGAN, Real-ESRGAN, FSRNet). Оцінка методів про- водилася за такими критеріями, як точність (PSNR, SSIM), швидкість обробки, вимоги до обчислювальних ресурсів та наявність готових реалізацій. Дослідження показало, що методи на основі глибокого навчання значно перевершують традиційні підходи за якістю реконструкції, особливо у відновленні дрібних деталей та текстур, важливих для розпізнавання облич. Встановлено, що Real-ESRGAN є одним із найбільш перспективних методів для практичного застосування завдяки його здатності ефективно обробляти реальні зобра- ження низької якості, а FSRNet пропонує оптимальний баланс між точністю та швидкістю для задач розпізнавання облич. Обґрунтовано вибір цих методів як найбільш перспективних та окреслено напрями подальших досліджень, що охоплюють оптимі- зацію існуючих алгоритмів, адаптацію до специфічних умов зйомки та розробку ком- плексних end-to-end систем розпізнавання облич на основі SR. Результати дослідження підкреслюють важливість застосування SR-методів для підвищення ефективності систем безпеки, що працюють в умовах обмеженої якості зображень.This paper presents a comparative analysis of modern super-resolution (SR) methods for improving the accuracy of face recognition in video surveillance systems. The low quality of images obtained from surveillance cameras is a significant obstacle to effective person identification, making the use of SR methods particularly relevant. Both classical interpolation methods (bicubic interpolation) and deep learning-based methods, including convolutional neural networks (SRCNN) and generative adversarial networks (ESRGAN, Real- ESRGAN, FSRNet), are analyzed. The methods were evaluated based on criteria such as accuracy (PSNR, SSIM), processing speed, computational resource requirements, and the availability of ready-made implementations. The study showed that deep learning-based methods significantly outperformtraditional approaches in terms of reconstruction quality, especially in restoring fine details and textures important for face recognition. It was determined that Real-ESRGAN is one of the most promising methods for practical application due to its ability to effectively process real-world low-quality images, while FSRNet offers an optimal balance between accuracy and speed for face recognition tasks. The choice of these methods as the most promising is justified, and directions for further research are outlined, including optimization of existing algorithms, adaptation to specific shooting conditions, and the development of comprehensive end-to-end face recognition systems based on SR. The results of the study emphasize the importance of using SR methods to improve the efficiency of security systems operating under conditions of limited image quality.