超低分辨率人臉對齊與重構(gòu).pdf

1、雖然經(jīng)過幾十年的研究與發(fā)展，人臉識別問題仍然是計算機視覺中研究的熱點和難點。近年來，人臉識別系統(tǒng)在公安系統(tǒng)、軍事、醫(yī)學(xué)等領(lǐng)域得到了廣泛的應(yīng)用，超低分辨率下的人臉圖像存在著細節(jié)信息嚴重缺失、含有噪聲等因素，對識別算法的研究造成了很大的困難。本文研究的對象是超低分辨率人臉圖像，這些圖像通過檢測、對齊和重構(gòu)步驟，實現(xiàn)圖像分辨率提高，細節(jié)的增強。
　　目前現(xiàn)在已經(jīng)存在的人臉圖像重構(gòu)方法中，絕大部分方法都是將尺度為24×24像素或者24×3

2、2的人臉圖像作為輸入的低分辨率圖像。但是研究表明，24×24像素的人臉圖像識別率仍然較高，是可分辨的。而低于該尺度的圖像，本文稱為超低分辨率圖像，存在識別困難等問題。所以，超低分辨率圖像的重構(gòu)更有意義。
　　本文首先介紹了人臉重構(gòu)方面的研究現(xiàn)狀，針對超低分辨率人臉圖像的重構(gòu)問題，本文提出了包括人臉檢測、對齊、重構(gòu)三步驟的整體算法。在人臉檢測階段，本文采用的是基于Haar-like特征和AdaBoost分類器的檢測方法，其主要步驟是

3、先計算人臉圖像的Haar-like特征，再通過AdaBoost算法訓(xùn)練出若干個最優(yōu)弱分類器分類器，將弱分類器結(jié)合起來，構(gòu)成一個強分類器，可以區(qū)分出人臉和非人臉，最后采用分類器級聯(lián)把強分類器級聯(lián)到一起來提高準確率和效率。該方法具有明顯優(yōu)勢，不僅檢測精度高，運算速度也比其他方法快很多。
　　在人臉對齊階段，針對超低分辨率下的人臉對齊，本文采用了基于SIFT特征的人臉對齊算法。首先先提取圖像的SIFT特征點，根據(jù)任意兩幅圖像的SIFT特

4、征點匹配情況進行圖像聚類，將相似度高的圖像聚成一類，每類生成一個模板；對類內(nèi)的圖像，采用SIFT特征及最小熵算法生成模板，本文在最小熵函數(shù)中加入了兩個約束條件，一是為了避免變換過大偏離初始位置，二是針對人臉的垂直對稱性加入了對稱約束，提高了模板生成的準確性，并使得本算法更適用于人臉對齊。對于新檢測到的人臉圖像，先通過 SIFT特征判斷所屬的類別，然后根據(jù)相應(yīng)的類模板和訓(xùn)練階段迭代時產(chǎn)生的分布域序列來進行實現(xiàn)對齊。將SIFT特征運用到人臉

5、對齊算法中是因為SIFT特征具有尺度縮放、旋轉(zhuǎn)和仿射變換不變性，同時對微視角變化、噪聲、光線等因素有較好魯棒性，獨立性和擴展性。由于人臉圖像對齊之后，人臉的形狀更加規(guī)則，各器官的空間位置分布更加滿足垂直對稱結(jié)構(gòu)，而且人臉圖像對齊之后眼睛的中心位置容易獲得，因此，本文通過對齊的效果圖和人眼的均值線來衡量對齊的效果，并以此來確定對稱約束的參數(shù)。在重構(gòu)階段，本文采用了基于字典學(xué)習(xí)的半耦合重構(gòu)算法。該算法屬于基于學(xué)習(xí)的重構(gòu)算法，主要通過學(xué)習(xí)方法

6、訓(xùn)練出字典對和映射函數(shù)，字典對主要用來分別描述高低分辨率圖像域的結(jié)構(gòu)特征，映射函數(shù)則用來反映他們之間的內(nèi)在聯(lián)系。本文的算法主要分為訓(xùn)練階段和重構(gòu)階段，臉重構(gòu)算法由兩個階段構(gòu)成：一個是字典對和映射函數(shù)的訓(xùn)練階段，一個是高分辨率人臉預(yù)測階段。在訓(xùn)練階段放寬了字典對的約束條件，并不要求字典對是完全耦合的，以便映射函數(shù)可以表達的更加精確。該算法訓(xùn)練了多個模型，因此具有更強的魯棒性和適用性。在預(yù)測階段，利用了人臉圖像的非局部自相似性方面的先驗知識

7、，改善了圖像的重構(gòu)效果。該算法的實驗中共需要考慮三個參數(shù)——圖像塊大小，訓(xùn)練的圖像數(shù)目，訓(xùn)練模型時圖像的分辨率大小。該實驗選取來自 FERET人臉數(shù)據(jù)庫中正面人臉圖像，將尺度為12×12像素的測試集圖像重構(gòu)成尺度為24×24像素的高分辨率圖像，重構(gòu)之后，通過峰值信噪比的大小作為評價重構(gòu)效果的標(biāo)準。
　　本文實現(xiàn)了上述算法，確定了算法中的參數(shù)，并進行了對比實驗。實驗表明，本文提出的人臉對齊與重構(gòu)的整個系統(tǒng)達到了提高準確率的效果，也證