【技术实现步骤摘要】
一种基于局部保持典型相关分析的幻觉脸方法
本专利技术涉及图像处理领域，特别涉及一种基于局部保持典型相关分析的幻觉脸方法。
技术介绍
局部保持的典型相关分析(LocalityPreservingCanonicalCorrelationAnalysis，LPCCA)是一种能够解决大量非线性问题的新型算法。它通过局部线性的方法达到解决非线性问题的目的，不但能保持各样本集的局部结构信息，而且能够得到两组样本之间的最大化相关信息。在本专利技术中，考虑到高分辨率和低分辨率人脸图像来自相同的人，因此它们之间自然地具有相关关系，所以采用局部保持典型相关分析来增强这种关系。监控视频中，人脸是最重要的身份特征之一。但是，由于天气、光照等复杂环境和成像设备距离目标较远等因素影响，监控视频中捕捉到的人脸图像往往呈现出较低质量和分辨率，从而导致诸如人脸识别等后续任务的学习性能急剧下降。为了解决上述问题，近年来许多幻觉脸(人脸超分辨率)方法已被提出。流形学习理论假设高分辨率空间中的人脸图像与低分辨率空间中的人脸图像局部同胚，因此高分辨率...
【技术保护点】
1.一种基于局部保持典型相关分析的幻觉脸方法，其特征在于，包括以下步骤：/n步骤1全局人脸重构；/n1-1采用主成分分析提取高分辨率和相应低分辨率人脸图像的主成分特征，得到高分辨率和低分辨率图像的两组特征；/n1-2利用局部保持典型相关分析为高分辨率和低分辨率人脸特征学习一致相关子空间，并将其投影到潜在一致子空间；/n1-3在局部保持典型相关分析子空间中采用邻域重构策略由低分辨率特征重建高分辨率特征，利用逆变换，将重建的高分辨率特征恢复成全局高分辨率人脸图像；/n步骤2残差补偿；/n2-1建立高分辨率和低分辨率人脸残差图像并将残差图像分块；/n2-2采用局部保持典型相关分析...
【技术特征摘要】
1.一种基于局部保持典型相关分析的幻觉脸方法，其特征在于，包括以下步骤：
步骤1全局人脸重构；
1-1采用主成分分析提取高分辨率和相应低分辨率人脸图像的主成分特征，得到高分辨率和低分辨率图像的两组特征；
1-2利用局部保持典型相关分析为高分辨率和低分辨率人脸特征学习一致相关子空间，并将其投影到潜在一致子空间；
1-3在局部保持典型相关分析子空间中采用邻域重构策略由低分辨率特征重建高分辨率特征，利用逆变换，将重建的高分辨率特征恢复成全局高分辨率人脸图像；
步骤2残差补偿；
2-1建立高分辨率和低分辨率人脸残差图像并将残差图像分块；
2-2采用局部保持典型相关分析对于同一位置的高分辨率和低分辨率图像块学习局部保持典型相关分析一致子空间，将其投影到局部保持典型相关分析空间；
2-3利用邻域重构的策略重构低分辨率残差图像块特征对应的高分辨率残差图像块特征,利用逆变换得到高分辨率残差图像块，通过平均重叠区域，组合所有高分辨率残差图像块形成高分辨率残差图像；
步骤3将重建的高分辨率残差图像补偿到重建的全局高分辨率人脸图像上，得到最终的超分辨率人脸图像。
2.根据权利要求1所述的一种基于局部保持典型相关分析的幻觉脸方法，其特征在于，所述步骤1-1具体包括以下步骤：
(1)设高分辨率人脸图像集和相应的低分辨率人脸图像集首先移除高分辨率人脸图像的均值脸υh和低分辨率人脸图像的均值脸υl，中心化原始人脸数据集和得到和
(2)采用主成分分析提取高分辨率和低分辨率人脸图像的主成分特征，即其中Ph和Pl分别表示主成分分析的投影矩阵。
3.根据权利要求1所述的一种基于局部保持典型相关分析的幻觉脸方法，其特征在于，所述步骤1-2具体步骤为包括：
(1)使用局部保持典型相关分析为高分辨率和低分辨率特征学习投影矩阵Wx和Wy；定义的局部近邻索引集为ne(i)，即：如果是的前k个近邻之一，则j∈ne(i)。在局部近邻的定义下，定义相似度矩阵和
其中(1)和(2)中||·||代表向量的2范数，exp(·)代表高斯函数，和利用局部保持典型相关分析为高分辨率和低分辨率人脸特征学习潜在的一致相关子空间，具体优化目标如下：
其中符号代表如下算子：对于矩阵和其中Aij和Bij分别代表矩阵A和B的第i行第j列元素；和是对角矩阵，它们的第i个对角元素分别等于和的第i行元素之和；
由于目标函数与wx和wy尺度无关，(3)中的最优化问题可以等价地形式化为：
使用拉格朗日乘子法，求解问题(4)可以转化为求解广义特征值问题，取前d个最大特征值对应的特征向量构成投影矩阵Wx＝{wx1,wx2,…,wxd}和Wy＝{wy1,wy2,…,wyd}；
(2)获得...
【专利技术属性】
技术研发人员：袁运浩，杨洁，李云，强继朋，朱毅，李斌，
申请(专利权)人：扬州大学，
类型：发明
国别省市：江苏;32
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。