论文部分内容阅读
人脸图像超分辨率重建是提高人脸图像分辨率、增强视觉效果的关键技术之一,因而在计算机视觉、视频监控、公共安全等领域得到了广泛的研究与关注。本文在深入研究人脸图像超分辨率技术相关理论知识的基础上,主要研究了基于稀疏表示的学习型超分辨率技术在单帧人脸图像中的应用。该技术主要包含字典训练与高分辨率人脸图像重构测试两个阶段,前者为后者提供一组反映高、低分辨率人脸图像关系的字典对。在这两个阶段的研究中,本文共提出了三种方法。为降低图像特征提取对训练字典造成的误差问题,本文提出了两种基于特征字典学习和稀疏表示的人脸图像超分辨率方法;在重构测试阶段,为解决重构图像结构误差问题,本文提出了一种基于全变分广义加速临近梯度(GAPG-TV)和稀疏表示的人脸图像超分辨率方法。在稀疏表示的超分辨率方法中,特征提取方式直接影响特征字典学习的质量,对于人脸图像重建的最终效果非常重要。为降低上采样对提取特征带来的误差影响,通过充分利用邻域点像素信息,本文提出了基于高斯拉普拉斯(GASS-LAP)的特征提取方式;为增强待提取特征图像与其他人脸样本图像信息的关联,提出了一种基于稀疏自编码(SAE)的特征提取方式。进而,本文在GASS-LAP特征字典以及SAE特征字典下提出了相应的超分辨率重建方法。结合ORL人脸库进行的实验结果表明,相比传统方法,针对字典训练所提的两种方法均能更有效地提升人脸图像的重构质量,并且GASS-LAP特征字典下图像重构效果最佳。考虑到传统方法由于受稀疏逼近误差、字典完备性、图像块划分合成等因素的影响,为重构图像估计获取的细节信息可能与真实图像信息之间有所偏离,导致重建图像存在一定的全局结构误差。为弥补该缺陷,进一步提高人脸图像重构效果,本文在GASS-LAP特征字典的基础上,针对重构阶段,提出了从稀疏表示方法中估计获取人脸图像结构的退化因子并结合GAPG-TV对重构图像进行全局修复的超分辨辨率方法。结合ORL人脸库进行的实验结果表明,基于GAPG-TV和稀疏表示的超分辨率方法在恢复人脸图像结构质量上具有良好的优势,优于其他传统方法以及本文所提的两种基于特征字典学习和稀疏表示的方法。