基于局部约束低秩表示的人脸超分辨率重建方法技术

本发明专利技术公开了一种基于局部约束低秩表示的人脸超分辨率重建方法，包括以下步骤：S1、获取一张待重建的低分辨率人脸图像，将它与多张高分辨率人脸图像分别进行比对，找到互相重叠的图像块；S2、分别计算其在局部约束和低秩约束条件下的表达权重系数并对其求解，得到最优权重系数；S3、用其对应的高分辨率人脸图像上的重叠图像块，结合最优权重系数以及重叠次数进行合成，得到高分辨率的人脸图像块；S4、对合成得到的多个高分辨率的人脸图像块进行位置拼合，得到一张完整的高分辨率人脸图像。本发明专利技术能够获得更高质量的高分辨率人脸图像。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种基于局部约束低秩表示的人脸超分 辨率重建方法。
技术介绍
人脸超分辨率，也称为幻觉脸，是一种利用样本库先验约束重建输入的低分辨率 人脸图像的技术，近年来得到了广泛的关注。特别是在视频监控中，感兴趣的目标常常离摄 像头很远，使得视频中所拍摄到的人脸图像的分辨率很低，为了提高低分辨率人脸图像的 识别率，人脸超分辨率技术被广泛的应用于人脸识别和鉴定的前处理阶段。 由于Baker的开创性工作，各种基于学习的人脸超分辨率重建方法开始涌现出来， 通过训练样本来推断缺少的信息。Tang等人利用主成分分析来研究低分辨率训练集和高分 辨率训练集的特征关系的先验信息。Chang等人利用局部线性嵌入将流形学习理论引入基 于稀疏表达的人脸超分辨率重建方法中。流形理论是基于一个基础线性假设，每个输入信 号可以由某些字典原子的加权总和表示。这个简单的线性假设使得计算简单，并且产生了 很好的结果。Ma提出一种基于位置图像块的人脸超分辨率方法，用所有的同一位置块作为 字典，并且用最小二乘法获得重建的权重。此外，为了解决过拟合问题，用稀疏表达约束来 自适应选择字典原子。然而，基于稀疏表达的人脸超分辨率算法(Sparse Representation SR)侧重稀疏性忽略局部信息导致重建效果不好。最近，有人中提出了基于局部约束的人脸 超分辨率重建方法(Locality-constrained Representation LCR)，来获得更好的效果。局 部距离是用来设置一个权重表示重建贡献。 虽然上述方法考虑了线性空间，但是，这些方法忽略了重要的信息，不同类的图像 块可能位于独立的线性子空间。当输入的信号受到噪声或是异常值的干扰时，没有结构约 束的情况下，最佳匹配的字典原子可能就会被漏掉。最近，基于低秩表达的人脸超分辨率重 建方法(Low-rank Representation LRR)已被用于无监督聚类，能够将数据分成不同的类。 由于先验工作，基于低秩表达的人脸超分辨率重建方法利用结构信息将测试数据分为最适 合的独立子空间，并且获得了较好的识别效果。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中人脸超分辨率重建方法存在由于 固定近邻块个数而导致过拟合或者拟合不当，过分强调稀疏性而忽略局部性的缺陷，提供 一种能够更加准确进行图像识别的。 本专利技术解决其技术问题所采用的技术方案是： 本专利技术提供一种，包括以下步 骤： S1、获取一张待重建的低分辨率人脸图像，将它与训练样品集里的多张高分辨率 人脸图像分别进行比对，找到它与每张高分辨率人脸图像互相重叠的图像块； S2、对低分辨率人脸图像上的每一个重叠图像块，分别计算其在局部约束和低秩 约束条件下的表达权重系数，并对该表达权重系数进行求解，得到最优权重系数； S3、对低分辨率人脸图像上的每一个重叠图像块，用它对应的高分辨率人脸图像 上的重叠图像块，结合最优权重系数以及重叠次数进行合成，得到高分辨率的人脸图像块； S4、对合成得到的多个高分辨率的人脸图像块进行位置拼合，得到一张完整的高 分辨率人脸图像。 进一步地，本专利技术的步骤S1中划分方法具体为： 按照从左到右、从上到下的顺序重叠的划分图像块，当划分到边缘时，不够划分为 一整个块时，就采用回退法，即当划分到图像的右边缘时，以右边缘为基准，向左取块；当划 分到图像的底边边缘时，以底边边缘为基准，向上取块。 进一步地，本专利技术的步骤S2中的表达权重系数的计算公式为： 其中，α是低秩约束系数，λ和β是控制低秩约束和局部约束的平衡因子，#表示点\ 积 表示测量输入图像块和每个字典原子之间的距离的局部参数，cU的值 、 ) 在0和1之间，Ldiag (α)表示输入图像的重建向量，矩阵的最小化表示选择的重建图像y。 进一步地，本专利技术的步骤S3中求解最优权重系数的方法具体为： 将表达权重系数的公式表示为： 将表达权重系数的公式结合拉格朗日函数表示为：其中，tr( ·)表示轨迹，I I · I If是指Frobenius范数，Δ是拉格朗日乘子，μ是惩罚 参数，λ和β是平衡不同的正则化的参数； 将表达权重系数的公式进一步表示为： 并对其进行求解，得到最优权重系数α。 进一步地，本专利技术的步骤S2中合成高分辨率图像块的公式为： X(i，j)=Hn(i，j)a(i，j) 其中，a(i，j)为第i行第j列图像块的最优权重系数，Hn(i，j)为高分辨率人脸图像 中的第i行第j列的高分辨率图像块，x(i，j)为合成后的图像中的第i行第j列的高分辨率图 像块。 进一步地，本专利技术的步骤S4中拼合高分辨率的人脸图像的公式为： X = y_sum/overlap_f lag其中，X表示重建后的高分辨率人脸图像，y_sum表示拼合后的图像，overlap_flag 表示图像拼合时重叠次数。本专利技术提供一种基于局部约束低秩表示的人脸超分辨率重建系统，包括：图像块划分单元，用于获取一张待重建的低分辨率人脸图像，将它与训练样品集 里的多张高分辨率人脸图像分别进行比对，找到它与每张高分辨率人脸图像互相重叠的图 像块； 系数计算单元，用于对低分辨率人脸图像上的每一个重叠图像块，分别计算其在 局部约束和低秩约束条件下的表达权重系数，并对该表达权重系数进行求解，得到最优权 重系数； 图像块替换单元，用于对低分辨率人脸图像上的每一个重叠图像块，用它对应的 高分辨率人脸图像上的重叠图像块，结合最优权重系数以及重叠次数进行合成，得到高分 辨率的人脸图像块；图像拼合单元，用于对合成得到的多个高分辨率的人脸图像块进行位置拼合，得 到一张完整的高分辨率人脸图像。 进一步地，本专利技术的所述系数计算单元中的表达权重系数的计算公式为： 其中，α是低秩约束系数，λ和β是控制低秩约束和局部约束的平衡因子，?表示点积， 表示测量输入图像块和每个字典原子之间的距离的局部参数，cU的值 、. ) 在0和1之间，Ldiag (α)表示输入图像的重建向量，矩阵的最小化表示选择的重建图像y。 进一步地，本专利技术的所述图像块替换单元合成高分辨率图像块的公式为： x(i，j)=Hn(i，j)a(i，j) 其中，a(i，j)为第i行第j列图像块的最优权重系数，Hn(i，j)为高分辨率人脸图像 中的第i行第j列的高分辨率图像块，X(i，j)为合成后的图像中的第i行第j列的高分辨率图 像块。 进一步地，本专利技术的所述图像拼合单元中拼合高分辨率的人脸图像的公式为： X = y_sum/当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种基于局部约束低秩表示的人脸超分辨率重建方法，其特征在于，包括以下步骤：S1、获取一张待重建的低分辨率人脸图像，将它与训练样品集里的多张高分辨率人脸图像分别进行比对，找到它与每张高分辨率人脸图像互相重叠的图像块；S2、对低分辨率人脸图像上的每一个重叠图像块，分别计算其在局部约束和低秩约束条件下的表达权重系数，并对该表达权重系数进行求解，得到最优权重系数；S3、对低分辨率人脸图像上的每一个重叠图像块，用它对应的高分辨率人脸图像上的重叠图像块，结合最优权重系数以及重叠次数进行合成，得到高分辨率的人脸图像块；S4、对合成得到的多个高分辨率的人脸图像块进行位置拼合，得到一张完整的高分辨率人脸图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：卢涛，万永静，张彦铎，李晓林，杨威，管英杰，潘兰兰，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：湖北;42