基于学习模糊人脸图像重构算法研究.docVIP

基于学习模糊人脸图像重构算法研究 　　【摘要】人脸研究一直是计算机视觉、模式识别和计算机图形学领域中的热点研究问题之一。现今，通过监视器得到的人脸图像分辨率不高，以至于给人脸识别和跟踪等后续应用带来很大的难度。本文提出一种基于学习的超分辨率重构算法来得到清晰的人脸图像，采用对图像块搜索操作进行位置限制和检查图像分块间重叠区域水平兼容性的思想，降低了搜索的复杂度，提高了匹配相关性。 　　【关键词】人脸图像识别；超分辨率重构；学习算法 　　Abstract：The research of face image is one of hot questions in the field of the pattern recognition and computer graphics.Now adays，the human face image resolution through the monitoring device is not effective and it’s not so helpful to the human face recognition and the track and so on.We propose a novel algorithm that uses the location-restraint operation and the most compatible neighboring patches along horizontal dimension of the face to directly mosaic the high-resolution patches into the outcome.This method can reduce the complexity of search order，enhance the match relevance. 　　Key Words：Human face image recognition；Super resolution；Learning-based algorithm 　　1.前言 　　很多应用领域如医学，遥感，监视系统，常常需要高分辨率的图像，但是通常的成像系统由于受到成像条件和成像方式的限制，我们不能得到很高分辨率的图像。因此需要对得到的观测图像进行放大处理。很多传统单帧缩放算法，如最近邻域法，双线性插值法，三次卷积法等算法都可实现图像的放大效果，但是由于受到信息量的限制，这些单幅图像处理后高频细节被丢失，放大以后也不清晰。本文提出一种基于超分辨率图像重构技术（Super Resolution Image Reconstruction，SR）来获得较高分辨率图像的方法。 　　SR技术的基本思想是，以若干模糊、有噪、频谱混叠的低分辨率（Low Resolution，LR）图像为输入源，通过信号处理技术融合出一幅高分辨率（Hight Resolution，HR）图像[1][2]。由于SR技术可以克服图像系统的内在分辨率限制，同时还能够消除噪声以及由有限检测器尺寸和光学元件产生的模糊，改进图像处理中大多数图像的质量，且具有低成本的特点，现有的LR成像系统仍可以使用。 　　近年来，一种基于学习（learning-based algorithm）的SR方法正在兴起。学习算法主张，利用训练图像集中的HR图像与LR图像的对应关系来帮助定义PDF。本文利用马尔可夫网络模型来学习训练库中与低分辨率图像不同区域相对应的高分辨率图像的精细细节，然后利用学习得到的关系来预测输入低分辨率图像的细节信息。 　　2.生成低分辨率图像训练库 　　通过对原始高分辨率图像IH应用几何扭曲，模糊和子采样，得到低分辨率图像IL，然后在其中加入噪声，产生的模型可描述为： 　　（1） 　　在（1）式中，矩阵A表示一些线性降阶处理，而被认为是0域和白高斯随机矢量，其概率为： 　　（2） 　　对训练用的高分辨率图像和对应的低分辨率图像进行分块，使训练图像集由块对（patch pair）构成。分块的最小尺度是一个像素，但在本文提出的方案中，实验表明分块太小不仅会增加匹配计算量，而且会降低有限次匹配操作内找到相容邻居的概率。但是分块也不能过大，过大的分块会减少训练图像集中合适样本的数量。本文采用的分块大小是3×3和4×4。 　　一个HR图像的分块数与一个LR图像的分块数是相等的。这样，就得到训练图像的分块集合： 　　由（7）式可知，当d值为0或者很小时，表示图像完全一样或者相似度很高。但此方法只能用于图像对齐的情况。，一般情况下，人脸图像都是对齐的，所以可以采用欧几里德距离规范来解决块匹配问题。 　　算法将在整个训练集中，对每一个图像ILp的每一个分