本发明专利技术属于图像超分辨率重构领域，尤其是一种优化人脸图像超分辨率重构方法,其包括以下步骤：步骤1）、输入低分辨率人脸图像及K个低分辨率参考人脸图像；步骤2）、计算局部嵌入系数；步骤3）、将局部嵌入系统代入重构模型计算超分辨率重构图像；步骤4）、将上一步骤中求得的图像作为输入图像。该方法可以使人脸识别的精度得到提升。
【技术实现步骤摘要】
本专利技术属于图像超分辨率重构领域，尤其是。
技术介绍
专利号为201210164069. 9的专利公开了一种基于多流形判别分析超分辨率的人脸识别方法，该方法在训练阶段，通过多流形判别分析得到一个由低高辨率人脸图像多流形空间到高分辨率人脸图像多流形空间的映射矩阵。在原始高分辨率人脸图像多流形空间构建类内相似性图和类间相似性图，利用这两个近邻图构建判别约束项，最优化由重建约束项和判别约束项组成的代价函数，得到映射矩阵。在识别阶段，通过离线学习得到的映射矩阵将待识别的低分辨率人脸图像映射到高分辨率人脸图像多 流形空间，得到高分辨率人脸图像。但是现有的超分辨率重构方法重构的图像精度不够，造成人脸识别的性能严重下降。
技术实现思路
本专利技术所要解决的技术问题是为了改善图像重构的质量，本专利提出了，该方法可以使人脸识别的精度得到提升。本专利技术解决上述技术问题所采用的技术方案是，其包括以下步骤步骤I)、首先取输入低分辨率人脸图像I和K个与输入低分辨率人脸图像I的欧氏距离最近的低分辨率参考人脸图像IkOO，低分辨率参考人脸图像IkOO经仿射平移算子平移P个单位后的图像为Ik(x+P),取K = 6 ；步骤2)、对步骤I)中输入低分辨率人脸图像I和K个与输入低分辨率人脸图像I的欧氏距离最近的低分辨率参考人脸图像IkOO分别用复合重心有理插值算法进行插值放大，插值放大后的图像分别依次记为I1 ,和I1 ,，k，k=l, 2，…，K，然后，采用光流法并利用I1 ,和I1 ,，k来获得高分辨率图像光流场；令K个参考样本在X处的配准误差为Er，k(x)，k=l、2、···、Κ，它可以由下式计算得到￡r i(x) = |//t(x)-7 tj)t(x)|，式中？;τ;,代表利用光流场对Ilt,k进行配准后生成的图像JfEr，k(x)代入式(1.1) - -1-2ΣΛΑχ+^+η-bk(x) =(I I) Σ Σ 五 切) + kJBx = Ciiagtb1 (χ)b2 (χ) ."IDk(X) ] (1. 2)其中，Ueps是一个用以避免分母为O正常数，Ω是一个邻域窗口，其大小为7X7像素点，+ 0反映了参考样本在像素点χ附近平移q个单位的配准误差；求解Bx，所 qGU.求得的Bx作为平衡局部嵌入系数的权重代入式(2);配准后的高分辨率参考样本与目标图像在像素点χ处具有近似相同的嵌入系数，其嵌入系数按如下公式计算权利要求1.，其特征在于其包括以下步骤步骤I)、首先取输入低分辨率人脸图像I和K个与输入低分辨率人脸图像I的欧氏距离最近的低分辨率参考人脸图像Ik(X)，低分辨率参考人脸图像Ik(X)经仿射平移算子平移 P个单位后的图像为Ik(x+P),取K = 6 ；步骤2)、对步骤I)中输入低分辨率人脸图像I和K个与输入低分辨率人脸图像I的欧氏距离最近的低分辨率参考人脸图像IkOO分别用复合重心有理插值算法进行插值放大， 插值放大后的图像分别依次记为I1 ,和I1 ,，k，k=l, 2，…，K，然后，采用光流法并利用I1 ,和 I1 , ,k来获得高分辨率图像光流场；令K个参考样本在X处的配准误差为Er，k(x)，k=l、2、···、K，它可以由下式计算得到:Er,k(x) = |//f(x)-7/t>t(x)|，式中Jru ,代表利用光流场对I11，k进行配准后生成的图像JfEr，k(x)代入式(1.1)全文摘要本专利技术属于图像超分辨率重构领域，尤其是,其包括以下步骤步骤1)、输入低分辨率人脸图像及K个低分辨率参考人脸图像；步骤2)、计算局部嵌入系数；步骤3)、将局部嵌入系统代入重构模型计算超分辨率重构图像；步骤4)、将上一步骤中求得的图像作为输入图像。该方法可以使人脸识别的精度得到提升。文档编号G06K9/00GK102999748SQ20121053762公开日2013年3月27日 申请日期2012年12月12日 优先权日2012年12月12日专利技术者不公告专利技术人 申请人:湖北微驾技术有限公司本文档来自技高网...
【技术保护点】
一种优化人脸图像超分辨率重构方法，其特征在于：其包括以下步骤：步骤1）、首先取输入低分辨率人脸图像I和K个与输入低分辨率人脸图像I的欧氏距离最近的低分辨率参考人脸图像Ik(x)，低分辨率参考人脸图像Ik(x)经仿射平移算子平移p个单位后的图像为Ik(x+p)，取K＝6；步骤2）、对步骤1）中输入低分辨率人脸图像I和K个与输入低分辨率人脸图像I的欧氏距离最近的低分辨率参考人脸图像Ik(x)分别用复合重心有理插值算法进行插值放大，插值放大后的图像分别依次记为Il↑和Il↑,k,k=1,2,…,K，然后，采用光流法并利用Il↑和Il↑，k来获得高分辨率图像光流场；令K个参考样本在x处的配准误差为Er,k(x)，k=1、2、…、K，它可以由下式计算得到：式中代表利用光流场对Il↑,k进行配准后生成的图像；将Er,k(x)代入式(1.1)bk(x)=[Σq∈ΩEr,k(x+q)+ueps]-2Σk[Σq∈ΩEr,k(x+q)+ueps]-2---(1.1)Bx＝diag[b1(x)b2(x)…bk(x)](1.2)其中,ueps是一个用以避免分母为0正常数，Ω是一个邻域窗口,其大小为7×7像素点，反映了参考样本在像素点x附近平移q个单位的配准误差；求解Bx，所求得的Bx作为平衡局部嵌入系数的权重代入式(2)；配准后的高分辨率参考样本与目标图像在像素点x处具有近似相同的嵌入系数，其嵌入系数按如下公式计算：{wp(x)|p∈C,x∈G}=argminΣxγ2×[h(x)-Σp∈Ch(x+p)wp(x)]TBx·[h(x)-Σp∈Ch(x+p)wp(x)]+Σp∈C(Σx|▿wp(x)|)---(2)式中:G代表高分辨率图像中所有可能的像素点位置;γ用于平衡式(2)中加号前后两项的贡献度大小,γ＝0.5；前一项反映了wp(x)应当满足的局部嵌入关系；后一项是其总变差；为了求解式(2),采用基于时变偏微分方程的方法来迭代求解wp(x)：∂wp(x)∂t=▿(▿wp(x)|▿wp(x)|)-γhT(x+p)Bx×[Σq∈Ch(x+p)wp(x)-h(x)]式中为嵌入系数随时间t的变化量；离散化上式就可以求得局部嵌入系数wp(x)的数值解；所述复合重心有理插值算法具体为：Step?2.1:将低分辨率人脸图像I和K个与输入低分辨率人脸图像I的欧氏距离最近的低分辨率图像中的每一个图像分别分解为红、绿、蓝三个色彩通道，在每个通道分别以4×4像素点大小的邻域窗口中的像素值作为插值节点对应的输入图像像素f(xi,yj)；Step?2.2:由式（1）进行插值计算；每计算完一次，按照从左至右，从下到上进行扫描逐步计算所得的结果，把所计算的序列结果存入目标图像数组中，作为最后插值放大后的图像；放大后的图像分别记为Il↑和Il↑，k,k=1,2,…,K;所述复合重心有理插值的数学模型为：R(x,y)=Σi=0n-d1λi(x)ri(x,y)Σi=0n-d1λi(x)---(1)其中，ψk(x,y)=Σl=kk+d2(-1)ly-ylf(x,yl)Σl=kk+d2(-1)ly-ylk=0,1,...,m-d2λi(x)=(-1)i(x-xi)(x-xi+1)...(x-xi+d1)λi(y)=(-1)k(y-yk)(y-yk+1)...(y-yk+d2)m,n为正整数，在这里取m＝3,n＝3；xi,yj为插值节点，f(xi,yj)为节点对应的输入图像像素值，R(x,y)为输出放大后图像像素值；步骤3）、将步骤2）中求得的局部嵌入系数wp(x)的数值解代入重构模型计算超分辨率重构图像；所述重构模型的计算方法为：首先，将局部嵌入系数wp(x)的数值解代入式（3）对目标图像按下式（3）进行最大后验概率估计：I^h=argIhminQ(Ih)=argIhmin||DBIh-I1||2+λΣx||Ih(x)-Σp∈Cih(...
【技术特征摘要】
【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：湖北微驾技术有限公司，
类型：发明
国别省市：
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。