基于樣本學(xué)習(xí)的人臉超分辨率重建技術(shù)研究.pdf

1、人臉超分辨率圖像重建是圖像處理領(lǐng)域的一個典型的病態(tài)逆問題。與傳統(tǒng)的超分辨率不同的是，人臉超分辨率主要針對單幀圖像進行重建，在重建過程中利用圖像先驗信息補償缺失的圖像細節(jié)?；跇颖緦W(xué)習(xí)的人臉超分辨率成為近年來的研究熱點，其主要思想是利用高、低分辨率圖像對之間的對應(yīng)關(guān)系，為重建工作提供了有效的模型與數(shù)據(jù)保證。然而，依然存在兩個需要解決的問題：第一，怎樣實現(xiàn)樣本候選塊選擇的最優(yōu)化；第二，怎樣使低分辨率到高分辨率的樣本映射的準確性得到有效提高。

2、本文圍繞著如何提高樣本學(xué)習(xí)在人臉超分辨率重建過程中的有效性這一核心問題展開了相關(guān)研究。
　　基于主成分分析（PCA）的方法被廣泛應(yīng)用于人臉超分辨率重建，但它們包含兩個主要缺點：第一，整體PCA模型生成的結(jié)果趨向于中值臉，與真實的人臉圖像不太相像；第二，PCA的系數(shù)包含負值，這些負值在重建結(jié)果中的意義很難解釋。本文提出了利用非負矩陣分解（NMF）的重建方法。首先，利用NMF對高/低分辨率的樣本庫進行訓(xùn)練，得到所需的特征對。其次，為了

3、使高/低分辨率 NMF系數(shù)的相關(guān)性最大化從而提高樣本對的映射準確性，利用標準相關(guān)分析（CCA）將NMF系數(shù)映射到相關(guān)子空間，并利用該子空間對目標圖像進行重建。最后，利用HCNMF學(xué)習(xí)低分辨率殘差空間與高分辨率殘差空間之間的關(guān)系并基于這種關(guān)系推導(dǎo)高分辨率殘差，從而進一步恢復(fù)高頻信息。實驗證明，本文算法與其它方法相比，不僅重建結(jié)果具有更好的可視化效果，而且PSNR和SSIM數(shù)據(jù)也更有說服力。
　　人臉圖像的細節(jié)信息在不同分辨率下具有一

4、定的相似度，而且這種相似度在一定條件下具有可再生的能力?；跇颖緦W(xué)習(xí)的人臉超分辨率重建正是利用這一特性為重建提供所需的先驗信息。然而在實際的重建過程中存在兩個問題：第一，無法找到數(shù)據(jù)庫中存在的最優(yōu)的高分辨率候選塊，從而限制了圖像的重建質(zhì)量；第二，樣本塊大小的選取直接關(guān)系到重建的效果。鑒于此，本文提出了分類自適應(yīng)稀疏表示的重建算法。首先，根據(jù)圖像塊結(jié)構(gòu)特性的差異，對圖像塊進行分類，不僅有利于提高字典重構(gòu)的精確性，而且可以降低算法的時間復(fù)雜

5、度。其次，在同類別的圖像塊中進行樣本塊大小的自適應(yīng)訓(xùn)練，對于邊緣區(qū)域和不規(guī)則區(qū)域可以保持結(jié)構(gòu)信息以及紋理信息的完整性，對于平滑區(qū)域可以避免塊效應(yīng)及接縫效應(yīng)的產(chǎn)生。實驗證明，本文算法比其它方法能夠獲得更好的重建效果。
　　由于人臉圖像變化的高度復(fù)雜性和非線性，高/低分辨率訓(xùn)練樣本對之間的關(guān)系必然是非線性的。然而，大量的人臉超分辨率算法均假設(shè)高分辨率與低分辨率訓(xùn)練樣本對之間存在線性映射關(guān)系，這就必將導(dǎo)致錯誤結(jié)果。鑒于此，本文提出了基于

6、核方法的重建算法，由于圖像數(shù)據(jù)在高維特征空間中具有線性化的特點，所以利用非線性核映射進行圖像空間空間的轉(zhuǎn)變，有利于提高樣本映射的準確性。首先，利用核局部保持投影（KLPP）進行空間轉(zhuǎn)換，使圖像數(shù)據(jù)的映射關(guān)系線性化。其次，為了獲得不僅具備所需的高分辨率人臉細節(jié)而且忠于輸入人臉圖像，圖像降質(zhì)模型被采用以強化目標高分辨率圖像的降質(zhì)估計，也就是說，使它與實際的低分辨率觀測結(jié)果更接近。實驗證明，基于核方法的重建算法能夠產(chǎn)生可信的高分辨率人臉圖像，