The invention discloses a method for super-resolution secondary reconstruction of face image. Firstly, face detection and target extraction are carried out on the collected surveillance video to obtain a certain amount of target face images (20 30 frames). Based on the evaluation model, the quality of the acquired images is evaluated, and multiple frames (3 5 frames) are selected. Secondly, the above results are reconstructed with super-resolution to synthesize multi-frame images into a high-quality virtual image. Thirdly, a super-resolution reconstruction model MRES based on convolution neural network CNN is constructed to learn the mapping relationship between high-resolution sample images and corresponding low-resolution images. The model is based on inception structure which removes the pooling layer, adopts residual learning idea which reduces learning difficulty, and uses multi-scale aggregation module which can extract features comprehensively and adds deconvolution. Layers replace interpolation operations. Finally, the training model of the third step is used to train the second step to obtain high resolution face images. The invention can improve the reconstruction effect in a controllable training time.
【技术实现步骤摘要】
一种人脸图像超分辨率二次重建方法
本专利技术涉及图像处理和计算机视觉技术,具体涉及人脸图像超分辨率二次重建方法。
技术介绍
近年来,公共场所的安全问题一直是一个备受人们关注的问题,特别是在人口密集的场所。国家为了城市管理和治安防控,提出了天网工程。因此,以后的监控系统会越来越普及。由于拍摄距离和角度及监控设备本身的分辨率等问题,产生的人脸图像有时会模糊、残缺、噪声多、尺寸小,影响识别。超分辨率重建就是由一幅或多幅低分辨率图像通过软件方法处理得到高分辨率图像,以利于识别。现在常用的超分辨率重建技术可以概括为以下两种:基于重构和基于学习。其中基于重构的方法通过对图像采集的过程建模,再利用一些从图像中获取的先验知识来约束求解过程。主要的重建模型框架有以傅里叶变换为基础框架(TsaiandHuang,1984)、迭代反投影法(IraniandPeleg,1991)、凸集投影法(StarkandOskoui,1989)、最大似然法(TomandKatsaggelos,1994)、最大后验估计法(SchulltzandStevenson,1996;Yuanetal.,2010)等,当前绝大多数超分辨率重建方法都是以这些模型方法中的一个或多个为基础在不同的理论和应用方面的进一步发展。传统的思路为先求解运动位移矢量和模糊函数的参数后再进行超分辨率重建。后来,学者们提出对参数矢量和超分辨率图像进行联合求解,如沈焕锋将图像配准直接在高分辨率图像网格上进行,Segall等提出了对运动参数和超分辨率图像同时求解的方法等。这些方法利用参数与超分辨率图像之间的关系相互制约、相互促进、 ...
【技术保护点】
1.人脸图像超分辨率二次重建方法,其特征在于,包括以下步骤:步骤1,获取监控视频中过路行人的视频序列,然后进行人脸检测,提取目标个体人脸图像,并对提取的目标人脸图像进行质量评估,选择一些相对正面、清晰、光照强度较好、尺寸较大、运动变化较小的图像。步骤2,对择优选择出的多帧图像进行图像灰度化处理,并进行多帧超分辨率重建,生成一质量相对较好的虚拟人脸图像。步骤3,构建一个基于卷积神经网络CNN的人脸图像超分辨率重建MRES模型,用于高分辨率的样本图像与相应的低分辨图像之间映射关系的学习;步骤4,训练得到最终的高分辨率人脸图像。
【技术特征摘要】
1.人脸图像超分辨率二次重建方法,其特征在于,包括以下步骤:步骤1,获取监控视频中过路行人的视频序列,然后进行人脸检测,提取目标个体人脸图像,并对提取的目标人脸图像进行质量评估,选择一些相对正面、清晰、光照强度较好、尺寸较大、运动变化较小的图像。步骤2,对择优选择出的多帧图像进行图像灰度化处理,并进行多帧超分辨率重建,生成一质量相对较好的虚拟人脸图像。步骤3,构建一个基于卷积神经网络CNN的人脸图像超分辨率重建MRES模型,用于高分辨率的样本图像与相应的低分辨图像之间映射关系的学习;步骤4,训练得到最终的高分辨率人脸图像。2.根据权利要求1所述的人脸图像超分辨率二次重建方法,其特征在于,所述步骤1具体包括:首先对摆放位置不太合理的监控摄像头位置方向进行调整,获取过路行人视频,然后对一小段时间内目标人脸进行检测和提取,得到一定量的目标人脸图像;其次通过图像质量评估模型择优选择多帧。3.根据权利要求2所述的人脸图像超分辨率二次重建方法,其特征在于,所述步骤1目标人脸图像进行质量评估的具体内容为:通过矩阵的对称性来评估图像的正面性;通过矩阵的核范数来表示图像的清晰度;图像的秩可以简单理解为图像所包含信息的丰富程度,所以可以利用图像的秩来表示图像的清晰度;由于图像的秩近似为矩阵的核范数,所以使用核范数来表示图像的清晰度;利用YCbCr颜色空间中面部的亮度分量Y的平均值C来表示图像的光照强度;利用人脸在人脸检测框中所占大小D表示人脸图像尺寸的大小;通过加权和归一的方式来作为综合评价依据,选择5-8帧;将评分最高的图像作为参考图像,并从选择出的几帧图像中挑选3帧与参考图像的运动变化最小的图像。4.根据权利要求1所述的人脸图像超分辨率二次重建方法,其特征在于,所述步骤2的具体过程为:步骤2.1,先对择优选择出的多帧图像进行灰度化处理,减少色彩对图像处理的干扰,也可以降低维度,大大减少工作量;步骤2.2,使用基于重构的方法对多帧人脸图像进行超分辨率重建;多帧人脸图像超分辨率重建方法主要过程如下:步骤2.2.1,使用运动估计方法,如光流法来对多帧人脸图像进行配准;步骤2.2.2,对模糊函数进行求解,即成像系统的PSF进...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。