基于多輸出回歸的超低分辨率人臉重構(gòu)研究.pdf

1、人臉超分辨率重構(gòu)是將低分辨率人臉圖像重構(gòu)為高分辨率圖像的技術(shù)，該技術(shù)在公安、監(jiān)控與電子商務(wù)等系統(tǒng)中具有重要的實際意義。尺度低于24(24×24)像素的超低分辨率人臉圖像信息缺失比較嚴重，其重構(gòu)無論是對機器自動識別還是對人工判別都更有價值，而且超低分辨率人臉重構(gòu)是現(xiàn)有文獻中研究較少的問題。本文研究的核心內(nèi)容為將尺度低于24(24×24)像素的正面人臉圖像重構(gòu)為尺度24的人臉圖像。
　　 針對目前人臉重構(gòu)系統(tǒng)存在的模型大、重構(gòu)速度慢

2、的實際情況，本文提出基于貝葉斯多元自適應(yīng)回歸樣條(MARS)模型的分片多輸出回歸算法對超低分辨率人臉數(shù)據(jù)進行回歸。由于本文主要研究超低分辨率人臉圖像重構(gòu)，所涉及數(shù)據(jù)量較少，采用回歸方法實現(xiàn)重構(gòu)具有模型小、重構(gòu)速度快、結(jié)果準確的優(yōu)點，因而是最適合的方法。貝葉斯MARS方法采用MARS作為回歸判別函數(shù)，通過貝葉斯學習方法和馬爾可夫鏈蒙特卡羅方法確定MARS參數(shù)。與傳統(tǒng)的確定性學習方法相比，這種隨機性學習方法在保持了參數(shù)的準確性的基礎(chǔ)上增強了

3、參數(shù)獲取的魯棒性。準確的MARS參數(shù)保證了該方法具有較高的重構(gòu)準確率。采用分片的回歸方法，將每對低分辨率人臉圖片與其對應(yīng)的高分辨率人臉圖像進行分片，增加模型數(shù)量，減小每個模型大小，加快重構(gòu)速度。本文給出的實驗從誤差和識別率兩方面證明了本文方法的重構(gòu)準確率。
　　 同時本文研究超低分辨率人臉檢測、對齊方法，采用對低分辨率圖像也很有效的基于Haar特征和AdaBoost分類器的人臉檢測方法。本文提出一種基于梯度圖像的人臉對齊算法，使