基于后验信息的鲁棒性原子库在人脸重建中的应用.docxVIP

基于后验信息的鲁棒性原子库在人脸重建中的应用 随着国内平安城市的建设，将摄像头安装在监控摄像头的区域越来越多，对监控应用的面部图像的需求也显著增加。随着大型通信系统从银行和超市的小应用延伸到公共道路的大区域网络存储系统，监控系统面临着图像的极低分异度排序问题。由于人们不靠近摄像头，面部区域通常小于16.16成像。这种低分异度排序的面部图像仅包含有限的信息，失去了许多图像细节，严重影响了公共安全、谋杀和人脸识别的应用。为了提高面象文象的分辨率和重建的质量，许多科学家提出了几种方法，并根据训练样本库建立了先验模型，主要分为基于全球图像模型的全球面部方法和基于局部块模型的局部面部方法。全球面部方法最初被广泛使用。考虑到全球面部特征的相似性，但图像局部信息的结构特征没有用于特定区域。 局部脸方法是指将样本图像的分块局部信息作为先验知识,学习推测输入低分辨率图像的高频细节信息. 2000年,Freeman等提出基于分块样本学习的超分辨率方法. 该方法以马尔可夫网络为基础体系,利用贝叶斯信任传播机制为所要处理的图像找到一个后验概率的局部最大值,从而估计出输入低分辨率图像分块对应的高分辨率分块. 该方法利用样本库信息学习高低分辨率分块之间的关系,但它针对的是所有自然图像,没有利用人脸图像的结构信息. 2002年,Baker等首次在人脸重建方法中应用样本学习策略,称为“幻觉脸”. 该算法通过建立不同分辨率图像的金字塔模型,尝试辨识低分辨率图像的局部特征,并以样本空间训练学习的方式获得该局部特征的先验信息,从而增强图像分辨率. 虽然该方法得到的人脸图像在整体质量和均方误差上获得了比传统重建方法和插值更好的效果,但在局部仍存在较大噪声. 2003年,Sun等提出了基于主基元先验的图像超分辨率方法. 它将基元作为学习的对象更能提高图像质量,并具体介绍了怎样学习得到高频的基元要素的方法. 2004年,Chang等利用局部线性嵌入(LLE)实现了一种新的单帧图像超分辨率的方法. 它利用对应图像块在不同特征空间中的局部几何相似性,通过映射低分辨率流形关系,合成高分辨率块,该方法易于实现且效果良好. 2010年,Yang等提出基于稀疏表示的图像及人脸超分辨率方法. 它假设图像的分块能被一个合适的过完备原子库的元素稀疏地线性表示. 这里原子库的含义是指由样本图像分割而成的分块集合,稀疏的含义是指使非零表示系数的个数尽量少,且远少于总的表示系数个数. 它寻求每个低分辨率输入块的稀疏表示,然后使用这种表示系数生成高分辨率块. 该方法通过联合训练高低分辨率图像块的原子库,增强高低分辨率图像块之间稀疏表示的相似性. 稀疏先验的有效性对一般的图像超分辨率和幻觉脸都适用,相比于流形学习方法具有更好的重建质量. 传统基于稀疏表示的人脸超分辨率方法利用低分辨率图像块的合成系数,直接映射获得对应的高分辨率图像块合成系数,进而重建出高分辨率图像,但监控噪声导致输入低分辨率图像块像素失真,进而含有复杂噪声的低分辨率块导致合成系数产生误差,重建质量降低. 由于稀疏性能使表示系数对应于相应的原子库收敛,利用2个合适的原子库可以使无干扰图像内容和干扰噪声内容区分开,因此,稀疏表示的原子库是该方法抗噪性的关键. 为了解决原有方法对监控噪声不鲁棒的问题,提出基于后验信息的鲁棒性原子库构建方法及基于该原子库的超分辨率方法. 该方法利用事后采集的图像集合,训练获得只对输入图像的清晰内容部分稀疏而对噪声残差内容部分不稀疏的原子集,进而利用正交匹配追踪的稀疏表示方法重建人脸图像. 1 低维原子库dl的构建 传统的局部人脸超分辨率方法认为高低分辨率的图像块的合成系数具有直接映射关系,也就是说,如果低分辨率图像块在低维空间的合成系数为w,那么其对应高分辨率的图像块在高维空间的合成系数也是w. 基于稀疏表示的超分辨率方法,首先根据样本库构建能稀疏表示库中所有图像的过完备原子集,然后在低维空间利用稀疏特性获取输入低分辨率分块的稀疏合成系数,将该系数直接映射到高维空间中作为相应高分辨率分块的合成系数,最终合成待复原的目标高分辨率块. 传统方法的输入测试图像都来自训练样本库,这使得测试图像与训练样本库图像的成像影响因素(如光学点扩散、光照条件和噪声因素等)一致,而实际监控输入图像的拍摄环境通常很复杂,这将引起传统超分辨率方法中高低分辨率空间图像块的合成系数直接映射关系不再成立,导致结果质量降低. 如图1所示,实际输入的低分辨率分块受到实际噪声影响,它在传统的低分辨率原子集空间的稀疏系数将被改变,从而导致高分辨率原子集空间的合成系数产生误差. 假设可以将输入图像分块yi分成2个部分:一部分为仅包含清晰内容的理想人脸图像分块li,另一部分为实际噪声图像分块ri,如yi=li+ri. 而对于理想人脸图像分块li,