The invention discloses a non-linear extended face super-resolution method based on context information. First, context information is sampled through context blocks to enrich the priori information of face image representation, and context dictionary is dimensionally reduced by setting threshold when regularizing objective function, then original data is transformed into kernel space by using Gauss kernel function. The non-linear relationship between high and low resolution images is established by cooperative representation. Finally, the image to be measured is reconstructed by context residual learning. In this method, the non-linear mapping between high and low resolution images is established by using the Gauss kernel function, and the non-linear problem in high-dimensional feature space is expressed as a linear problem. In addition, it uses context residual learning to obtain more accurate priori information of image representation, which improves the performance of reconstruction.
【技术实现步骤摘要】
一种基于上下文信息的非线性拓展的人脸幻构方法
本专利技术涉及图像识别技术,尤其涉及一种基于上下文信息的非线性拓展的人脸幻构方法。
技术介绍
超分辨率在各种实际应用中扮演着重要的角色,例如遥感、医学成像和视频监控。人脸幻构是一种典型的超分辨率算法,它是指从单个或多个低分辨率(Low–resolution,LR)图像中恢复出一个高分辨率(High–resolution,HR)图像。从如何对映射函数进行建模,可以将人脸超分辨率算法分为两类:线性方法和非线性方法。线性方法假设每个输入图像可以通过字典原子的线性组合来表示,或者直接使用LR和HR关系的线性回归。Wang等提出了一个全局线性模型来表示特征脸空间中的LR图像。虽然线性方法简单有效,但线性假设限制了训练数据中先验信息的表达能力。非线性方法使用虚拟的非线性方法来模拟LR和HR关系,以克服线性方法的局限性。许多使用非线性方法的超分辨率算法取得了很好的效果。最近,深度学习为超分辨率任务提供了一个端到端的学习模型。深层网络结构通过非线性方法描述图像特征。Dong等人首先提出了利用非线性映射进行超分辨率的卷积神经网络。Kim等人通过深度残差网络,利用递归子网络单元来准确表示图像。Ledig等利用对抗生成网络渲染图像的逼真度。上述的人脸幻构方法达到了良好的重建效果。然而,这些方法有两个缺点:首先,以上方法在重建时优先考虑位置信息,而忽略图像中的上下文信息和成像的非线性本质。其次,基于深度学习的方法具有非线性表示能力,但训练网络是依赖硬件(GPU)并且非常耗时。基于上下文信息块的启发,我们提出了一种简单有效的上下文信息的 ...
【技术保护点】
1.一种基于上下文信息的非线性拓展的人脸幻构方法,其特征在于,包括以下步骤:S1,根据训练集中的高分辨率人脸图像获得残差字典:对训练集中的高分辨率人脸图像进行加模糊下采样得到对应的低分辨率人脸图像,再将低分辨率人脸图像插值到与原高分辨率人脸图像同样的大小后,对高分辨率人脸图像和低分辨率人脸图像通过上下文块对上下文信息进行重叠取块,形成相应的上下文HR字典
【技术特征摘要】
1.一种基于上下文信息的非线性拓展的人脸幻构方法,其特征在于,包括以下步骤:S1,根据训练集中的高分辨率人脸图像获得残差字典:对训练集中的高分辨率人脸图像进行加模糊下采样得到对应的低分辨率人脸图像,再将低分辨率人脸图像插值到与原高分辨率人脸图像同样的大小后,对高分辨率人脸图像和低分辨率人脸图像通过上下文块对上下文信息进行重叠取块,形成相应的上下文HR字典和上下文LR字典其中,N表示训练样本个数;然后将高分辨率字典减去低分辨率字典得到残差字典;S2,运用高斯核函数,将低分辨率字典转换到内核空间,得到在内核空间的低分辨率字典S3,将测试集中的低分辨率测试人脸图像插值到与高分辨率人脸图像同样的大小,然后对插值后的低分辨率测试人脸图像进行取块后,运用高斯核函数,将其转换到内核空间,使测试图像和训练样本保持在同一空间;S4,对于对插值后的低分辨率测试人脸图像,使用协作表达和设置阈值求出在低分辨率空间的最优表达系数矩阵;S5,根据流形一致性假设,将低分辨率协作表达系数保持在高分辨率空间,也即是高低分辨率空间的表达系数相同,得出重建时的权重系数矩阵;S6,利用步骤S5得到的重建系数矩阵和步骤S1得到的残差字典进行线性组合,预测出测试集中的低分辨率测试人脸图像的残差图像;S7,将插值后的低分辨率测试人脸图像与步骤S6得到的残差图像相加得到最终的重建高...
【专利技术属性】
技术研发人员:卢涛,曾康利,陈希彤,汪家明,许若波,郝晓慧,周强,陈冲,
申请(专利权)人:武汉工程大学,
类型:发明
国别省市:湖北,42
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。