论文部分内容阅读
人脸超分辨率重构是将低分辨率人脸图像重构为高分辨率图像的技术,该技术在公安、监控与电子商务等系统中具有重要的实际意义。尺度低于24(24×24)像素的超低分辨率人脸图像信息缺失比较严重,其重构无论是对机器自动识别还是对人工判别都更有价值,而且超低分辨率人脸重构是现有文献中研究较少的问题。本文研究的核心内容为将尺度低于24(24×24)像素的正面人脸图像重构为尺度24的人脸图像。针对目前人脸重构系统存在的模型大、重构速度慢的实际情况,本文提出基于贝叶斯多元自适应回归样条(MARS)模型的分片多输出回归算法对超低分辨率人脸数据进行回归。由于本文主要研究超低分辨率人脸图像重构,所涉及数据量较少,采用回归方法实现重构具有模型小、重构速度快、结果准确的优点,因而是最适合的方法。贝叶斯MARS方法采用MARS作为回归判别函数,通过贝叶斯学习方法和马尔可夫链蒙特卡罗方法确定MARS参数。与传统的确定性学习方法相比,这种随机性学习方法在保持了参数的准确性的基础上增强了参数获取的鲁棒性。准确的MARS参数保证了该方法具有较高的重构准确率。采用分片的回归方法,将每对低分辨率人脸图片与其对应的高分辨率人脸图像进行分片,增加模型数量,减小每个模型大小,加快重构速度。本文给出的实验从误差和识别率两方面证明了本文方法的重构准确率。同时本文研究超低分辨率人脸检测、对齐方法,采用对低分辨率图像也很有效的基于Haar特征和AdaBoost分类器的人脸检测方法。本文提出一种基于梯度图像的人脸对齐算法,使超低分辨率人脸对齐更准确。将对齐之后的图像再进行重构,从而增加重构准确率。实验从误差和识别率两个方面证明经过对齐之后重构准确率比未经对齐的重构准确率有明显增加。故本文实现了一个从实际图像中检测、对齐、重构人脸的实用系统,实现了人脸重构的实用化。