【技术实现步骤摘要】
基于线性多步残差稠密网的低清小脸真实感幻构方法
本专利技术涉及一种基于线性多步残差稠密网的低清小脸真实感幻构方法，属于图像处理
技术介绍
图像超分辨率重建技术的目的是提高输入图像的分辨率，即通过增强输入图像内容的清晰度或者恢复输入图像自身并不存在的细节信息，最终输出高分辨率图像。人脸图像超分辨率又称人脸幻构，它是图像超分辨率技术在人脸图片上的应用，目的是通过超分辨率重建算法从低分辨率人脸图像估计重建出高分辨率人脸图像。人脸图像由于其特殊性，是人们工作生活中关注度最高的媒体内容之一，在机器学习、计算机视觉等领域内一直受到广泛关注。近年来互联网、智能手机产业发展迅速，人们用手机拍摄的视频、图像等多媒体数据正逐渐称为通信应用的主流，所以视频和图像通信在多媒体通信中的研究和应用越来越多，而视频中的多媒体数据多为人脸图像，故人脸图像已经成为机器学习、人工智能等领域的研究热点。在互联网应用中，受限于网络带宽和存储空间，用户往往只能传输存储低分辨率人脸；另外在视频监控中获得的人脸图像往往只有几十甚低几个像素，在遥感中，能获得高分...
【技术保护点】
1.一种低清小脸真实感幻构方法，其特征在于，包括如下步骤：/n获取低分辨率人脸图像；/n将所述低分辨率人脸图像输入至最佳人脸幻构模型，得到高分辨率人脸图像。/n
【技术特征摘要】
1.一种低清小脸真实感幻构方法，其特征在于，包括如下步骤：
获取低分辨率人脸图像；
将所述低分辨率人脸图像输入至最佳人脸幻构模型，得到高分辨率人脸图像。
2.根据权利要求1所述的一种低清小脸真实感幻构方法，其特征在于，所述最佳人脸幻构模型的建立方法包括：
获取低分辨率人脸图像的训练集；
将所述训练集输入至生成器；
由所述生成器生成低分辨率人脸图像对应的高分辨率人脸图像；
通过判别器和概率计算公式计算得到高分辨率人脸图像与真实高分辨率人脸图像之间的相对值；
根据所述相对值和损失函数计算生成器和判别器的总体损失值；
判断所述总体损失值是否收敛，若是则将所述生成器作为最佳人脸幻构模型，否则更新生成器、判别器的网络参数和训练集，重复上述步骤直到总体损失值收敛。
3.根据权利要求2所述的一种低清小脸真实感幻构方法，其特征在于，所述高分辨率人脸图像的生成方法包括：
通过生成器的特征提取模块提取低分辨率人脸图像的特征图；
通过生成器的上采样模块对特征图进行放大；
将放大后的特征图输入至生成器的特征映射模块进行特征映射得到高分辨率人脸图像。
4.根据权利要求3所述的一种低清小脸真实感幻构方法，其特征在于，所述特征提取模块包括卷积层、长连接结构和线性多步残差稠密块的叠加结构，所述特征提取模块的卷积层的后面紧跟着一个LReLU激活函数；所述上采样模块包括邻近插值层、卷积层和LReLU激活函数；所述特征映射模块包括两个卷积层，第一个卷积后面紧跟着一个LReLU激活函数。
5.根据权利要求4所述的一种低清小脸真实感幻构方法，其特征在于，所述线性多步残差稠密块的输出为：
un+1＝knun+(1-kn)un-1+fn(un)，
式中，un+1为当前线性多步残差稠密块的输出，un为前一个线性多步残差稠密块的输出，un-1为倒数第二个线性多步残差稠密块的输出，fn(...
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。