CN102402784A - 一种基于最近特征线流形学习的人脸图像超分辨率方法 - Google Patents
一种基于最近特征线流形学习的人脸图像超分辨率方法 Download PDFInfo
- Publication number
- CN102402784A CN102402784A CN2011104218172A CN201110421817A CN102402784A CN 102402784 A CN102402784 A CN 102402784A CN 2011104218172 A CN2011104218172 A CN 2011104218172A CN 201110421817 A CN201110421817 A CN 201110421817A CN 102402784 A CN102402784 A CN 102402784A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- low resolution
- block
- image block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于最近特征线流形学习的人脸图像超分辨率方法,把人脸图像块样本空间中的样本点两两相连形成特征线,将已有样本点扩充为特征线上的无数多个样本点,从而增强人脸图像块样本空间的表达能力;在扩充之后的样本空间中,利用最近特征线准则来定义样本空间中样本点之间的近邻关系,通过保持高低分辨率图像块样本空间的这种邻域关系,从而正确揭示高低分辨率人脸图像块流形之间的局部相似结构特征;通过保持这种局部相似结构特征,重构输入的低分辨率人脸图像块对应的高分辨率块,融合所有高分辨率块得到高分辨率人脸图像。此外,本发明根据输入的低分辨率图像块,对原始样本空间进行预筛选,再利用上述方法对其分析,大大降低本方法的运算复杂度。
Description
技术领域
本发明涉及图像超分辨率领域,具体涉及一种基于最近特征线流形学习的人脸图像超分辨率方法。
背景技术
超分辨率是一种由低分辨率(Low-Resolution,LR)图像产生高分辨率(High-Resolution,HR)图像的技术,其在智能视频监控、公安刑事侦查、信息安全等领域具有广泛的应用背景。
根据输入的图像的数目,超分辨率方法可以分成基于多帧低分辨率图像进行重建的方法和基于单帧低分辨率图像进行学习的方法这两大类,其中基于单帧学习的方法能获得更高的放大倍数和更好的效果,因而更受关注。Freeman(文献1:W.Freeman, E.Pasztor, and O.Carmichael. Learning low-level vision [J]. International Journal of Computer Vision, 2000, 40(1): 25–47.)提出一种基于Markov网络的图像超分辨率方法,这也是最早提出的基于学习的超分辨率方法。Baker(文献2:S.Baker and T.Kanade. Limits on super-resolution and how to break them [J]. IEEE Trans. PAMI, 2002, 24(9): 1167-1183.)专门针对人脸图像,提出了一种人脸幻构的方法。随后,Liu(文献3:C.Liu, H.Shum, and W.Freeman. Face Hallucination: Theory and Practice [J]. International Journal of Computer Vision, 2007, 75(1): 115-134.)提出人脸重构的两步法,分别合成人脸的全局和局部信息。至此,基于学习的人脸图像超分辨率方法引起了人们的广泛关注。近年来,机器学习理论表明,人脸图像嵌入在一个具有局部线性性的低维平滑流行空间(文献4:S.Roweis and L.Saul. Nonlinear dimensionality reduction by locally linear embedding [J]. Science, 2000, 290 (5500): 2323–2326)。根据这一理论,Chang(文献5:H.Chang, D.Yeung, and Y.Xiong. Super-resolution through neighbor embedding [A]. In Proc. IEEE CVPR’04 [C]. Washington, 2004. 275–282.)提出一种邻域嵌入的图像超分辨率重构方法,首次将流形学习思想引入到图像超分辨率重构中。Wang(文献6:X.Wang and X.Tang. Hallucinating face by eigentransformation [J]. IEEE Trans. SMC (Part C), 2005, 35(3):425–434.)提出一种特征变换法, 利用主成分分析将输入的低分辨率人脸图像投影到低分辨率训练样本的特征子空间中,再把投影系数直接映射到高分辨率图像上得到高分辨率图像。2010年Huang(文献7:H.Huang, H.He, X.Fan, and J.Zhang. Super-resolution of human face image using canonical correlation analysis [J]. Pattern Recognition, 2010, 43(7):2532–2543.)提出利用典型相关分析提取高低分辨率人脸图像的相关子空间,将典型相关分析同时运用于全局脸重构的残差脸的补偿中,最终获得了很好的重构效果。
上述流形学习的方法都是基于高低分辨率人脸图像样本所构成的流形空间具有相似局部几何结构这一假设。然而,在欠采样条件下(即小样本问题,目前,最大样本库的样本数也不过5000),样本数据只能构成高维人脸流形空间的一个稀疏空间,即使最相邻的点也难以称其为局部。因此,对欠采样的样本数据,由局部形成全局的流形学习思想从本质上并不适合。基于流形学习的人脸图像超分辨率方法要想获得好的学习效果,必须通过扩大人脸图像样本规模来解决流形空间采样不够稠密的问题。然而,人脸库的建立是一个复杂又耗时的过程,即使能获得大量样本,方法在进行求解计算时也需要巨大的存储空间,并带来很高的运算复杂度。因此,通过简单地增加样本数量来改进传统流形学习方法在实际中并不可行。
发明内容
本发明目的在于提供一种基于最近特征线流形学习的人脸超分辨率方法。它可以有效地扩充已有人脸图像样本的表达能力,从而正确揭示高低分辨率人脸图像流形之间的局部相似结构特征。
为达到上述目的,本发明采用的技术方案是一种基于最近特征线流形学习的人脸图像超分辨率方法,其特征在于,包括如下步骤:
步骤1,输入低分辨率人脸图像,对输入的低分辨率人脸图像、低分辨率训练集中的低分辨率人脸样本图像以及高分辨率训练集中的高分辨率人脸样本图像划分相互重叠的图像块;
步骤4,对于输入的低分辨率人脸图像中每个图像块,取高分辨率训练集中每个高分辨率人脸样本图像相应位置的图像块作为样本点,建立高分辨率人脸样本块空间,计算在高分辨率人脸样本块空间上与步骤2所得低分辨率人脸样本块空间上的个最近的投影点分别对应的个样本点;
步骤6,将所有加权重构出的高分辨率的图像块按照位置叠加,然后除以每个像素位置交叠的次数,重构出高分辨率人脸图像。
而且,设输入的低分辨率人脸图像、高分辨率训练集和低分辨率训练集分别划分相互重叠的图像块后,所构成的图像块集分别为、和,其中,标识表示高分辨率训练集中高分辨率人脸样本图像的序号和低分辨率训练集中低分辨率人脸样本图像的序号,标识表示每张图像上的块位置序号,N为低辨率训练集中低分辨率人脸样本图像的个数和高辨率训练集中高分辨率人脸样本图像的个数,M为每幅图像划分图像块的块数;
步骤2.6,根据步骤2.5所得图像块到特征线集合中所有特征线的距离,查找个距离最小的投影点,构成集合 ,其中,为个距离最小的投影点的下标号所构成的集合,集合为图像块在低分辨率人脸样本块空间上的个最近的投影点;
其中,为高分辨率人脸样本块空间中与低分辨率图像块相同序号的图像块,为高分辨率人脸样本块空间中与低分辨率图像块相同序号的图像块,为步骤2.4所得在,时的取值,,为步骤2.6所得低分辨率人脸样本块空间中与图像块 个最近的投影点的下标号所构成的集合,其中和为低分辨率训练图像块集合中的两个样本点;
而且,步骤3中,通过求解线性方程得到权重系数,
本发明提出的一种基于最近特征线流形学习的人脸图像超分辨率方法,利用最近特征线可以把样本空间中任意两个特征点扩充为特征线上的无数多个特征样本点这一特性,有效扩充了原始样本的表达能力;利用最近特征线准则来定义样本点之间的邻域关系,正确揭示高分辨率和低分辨率人脸流形空间内在结构相似性;先对原始样本空间进行筛选,再利用特征线方法对其分析,既增强了样本对输入查询点的表达能力,又降低了运算复杂度。通过保持相对传统基于流形学习方法更小局部内的线性关系来揭示高低分辨率人脸流形空间的非线性关系,体现了流形学习的本质。
附图说明
图1为本发明实施例的流程图。
图2 为人脸图像划分方法。
图3为本发明实施例的特征点、投影点和特征线的示意图。
图4为传统流形学习方法示意图。
图5为本发明中基于最近特征线流形学习方法示意图。
图6为本发明与现有技术方法的PSNR值对比示意图。
具体实施方式
本发明技术方案可采用软件技术实现自动流程运行。下面结合附图和实施例对本发明技术方案进一步详细说明。参见图1,本发明实施例具体步骤为:
步骤1,输入低分辨率人脸图像,对输入的低分辨率人脸图像、低分辨率训练集中的低分辨率人脸样本图像以及高分辨率训练集中的高分辨率人脸样本图像划分相互重叠的图像块。低分辨率训练集和高分辨率训练集提供预先设定的训练样本对,低分辨率训练集中包含低分辨率人脸样本图像,高分辨率训练集中包含高分辨率人脸样本图像。实施例中,所有图像的像素大小为112×100。低分辨率训练集中每个低分辨率人脸样本图像由高分辨率训练集中的一个高分辨率人脸样本图像4倍Bicubic下采样后再4倍Bicubic上采样得到。低分辨率图像也是112×100,因此本发明所说的低分辨率不是严格意义下的低分辨率,只是图像边缘相对模糊,细节特征不够丰富。
对输入的低分辨率人脸图像、低分辨率人脸样本图像以及高分辨率人脸样本图像按照同样的划分方式划分相互重叠的图像块。具体如何重叠属于现有技术,为便于实施参考起见,提供实施例进行重叠划分的具体说明:如图2所示,以待划分人脸图像左上方为起点,每次选取一个大小为s×s(单位:像素)的图像块,使图像块的上方和左方与已划分部分(图中阴影部分)有o个像素交叠(图像块位于待划分人脸图像的上边边缘或者左边边缘时除外)。当图像块超出图像的右边(下边)边缘时,以图像右边(下边)边缘为界,向左(上)移动图像块至图像块的右边(下边)边缘与待划分人脸图像的右边(下边)边缘重合。
实施例中,设输入的低分辨率人脸图像、高分辨率训练集和低分辨率训练集。即低分辨率训练集中包含低分辨率人脸样本图像,高分辨率训练集中包含高分辨率人脸样本图像,。低分辨率训练集中低分辨率人脸样本图像的个数和高分辨率训练集中高分辨率人脸样本图像的个数相同,都为N。实施例将低分辨率人脸样本图像和高分辨率人脸样本图像对应编号,即低分辨率人脸样本图像是高分辨率人脸样本图像通过4倍Bicubic下采样后再4倍Bicubic上采样得到的结果。
按照同样的划分方式,将低分辨率人脸图像、高分辨率训练集和低分辨率训练集划分相互重叠的图像块后,所构成的图像块集分别记为、和。其中,标识既用于表示高分辨率训练集中高分辨率人脸样本图像的序号,也表示低分辨率训练集中低分辨率人脸样本图像的序号。标识表示每张图像上的块位置序号。每幅图像划分图像块的块数均为M,根据图像块的大小和交叠像素的多少得到,,high和width分别为待划分人脸图像的高和宽(单位:像素),返回大于或者等于的最小整数。
步骤2.6,根据步骤2.5所得图像块到特征线集合中所有特征线的距离,查找个距离最小的投影点,构成集合 ,其中,为个距离最小的投影点的下标号所构成的集合,集合为图像块在低分辨率人脸样本块空间上个最近的投影点。
步骤3,对于输入的低分辨率人脸图像中每个图像块,使用步骤2所得低分辨率人脸样本块空间上个最近的投影点进行线性重构,得到线性重构的权重系数。
其中,是维的全1向量,为的矩阵(为块图像中像素的个数),的每一列元素由图像块的最近的投影点构成,最近的投影点即集合中的所有投影点。因此,最小化目标函数有如下形式闭解:。在实际的计算中,通常采用一个更快速的方法,即求解线性方程。
其中,为高分辨率人脸样本块空间中与低分辨率图像块相同序号(序号均为a)的图像块,为高分辨率人脸样本块空间中与低分辨率图像块相同序号(序号均为b)的图像块,为步骤2.4所得在,时的取值,,为步骤2.6所得低分辨率人脸样本块空间中与图像块 个最近的投影点的下标号所构成的集合,其中和为低分辨率训练图像块集合中的两个样本点。计算所得个样本点构成集合,即集合 为高分辨率人脸样本块空间上与步骤2所得低分辨率人脸样本块空间上的个最近的投影点分别对应的个样本点。
实施例重构出高分辨率的图像块公式如下:
步骤6,将所有加权重构出的高分辨率的图像块按照位置叠加,然后除以每个像素位置交叠的次数,重构出高分辨率人脸图像。
本发明实施例中涉及四个参数,即最近投影点数和预筛选块个数,以及高分辨率人脸图像块和低分辨率人脸图像块大小和块之间交叠的像素。实验表明,当取3~7时,重构效果最好。根据方法要求,在确定的值时,既要考虑所选出样本的表达能力,又要考虑方法的复杂度,的取值不能太大。实验表明,当=25~35时,可以获得较好的重构效果。参照文献5和文献7中参数设置的方法,将高分辨率人脸图像块和低分辨率人脸图像块的大小s设为7×7,交叠像素个数o设为4。具体实施时,可以通过调节对比方法的参数,使对比方法的重构效果达到最佳。
本发明针对在欠采样(训练样本数目有限)的条件下,传统基于流形学习的人脸图像超分辨率方法无法正确揭示高分辨率人脸图像和低分辨率人脸图像流形空间之间的相似局部几何结构的问题,首次将最近特征线思想引入到人脸图像超分辨率的流形学习中,提出一种基于最近特征线流形学习的人脸图像超分辨方法。利用最近特征线来扩充原始人脸图像样本的表达能力和定义样本点之间的邻域关系,以保持人脸图像块的流形结构于很小的局部为目标,揭示高分辨率人脸图像和低分辨率人脸图像流形之间的局部相似结构特征,体现了流形学习局部邻域结构保持的本质。对基于最近特征线流形学习方法和基于传统流形学习方法的局部保持方式进行对比,图4为传统流形学习的方法,图5为本发明中基于最近特征线流形学习的方法:空心圆点表示查询点,实心圆点、、、、、、和为样本空间的个样本点。在图4中,、和为查询点的个最近样本点;在图5中,、、、和为样本空间中筛选出的个与近邻的样本点,、和为查询点的个最近投影点。基于最近特征线流形学习方法是以保持更小局部(半径)内的几何结构特征,来提示人脸流形空间的非线性关系,它更加体现了流形学习局部邻域结构保持这一思想的本质。
为了验证本发明的有效性,采用CAS-PEAL-R1大规模中国人脸数据库(文献8:W.Gao, B.Cao, S.Shan, X.Chen, et al. The CAS-PEAL Large-Scale Chinese Face Database and Baseline Evaluations [J]. IEEE Trans. SMC (Part A), 2008, 38 (1): 149-161)进行实验,选用所有1040个个体的中性表情、正常光照下的正面人脸图像。抠取人脸区域并将其裁剪成112×100像素,再手工标定人脸上的五个特征点(两眼中心、鼻尖和两个嘴角)并进行仿射变换对齐,得到原始的高分辨率人脸图像。低分辨率人脸图像由高分辨率人脸图像4倍Bicubic下采样后再4倍Bicubic上采样得到。随机选择1000张作为训练样本,将剩余40张作为测试图像。本发明得到的重构效果与经典流形学习方法(文献6方法)、目前文献报道中最好的流形学习方法(文献7方法)得到的重构效果对比可以看出,文献6方法重构的结果有很明显的人工痕迹,而且在轮廓部分存在不同程度的“鬼影”。这主要是因为文献6方法在特征空间中来寻求高低分辨率人脸图像样本的关系来合成全局脸,从而丢失了过多的细节信息。进一步观察人脸图像的细节就会发现,本发明方法重构结果具有更加清晰的人脸边缘轮廓和更多的局部特征细节,而文献7方法重构的人脸比较平滑且在轮廓部分不够清晰,原因在于文献7虽然在其方法第二步运用流形学习方法进行了残差脸补偿,但它只是在一个更大的“局部”来保持高分辨率人脸图像和低分辨率人脸图像流形的几何特征,在合成高分辨率块时会产生很大误差,主要表现为局部边缘的重影和毛刺现象。
计算所有40幅测试人脸重构效果的客观PSNR值盒图,如图6,图中从左至右分别为Bicubic算法所得PSNR值,文献6方法所得PSNR值,文献7方法所得PSNR值和本发明所得结果的PSNR值,单位为dB。可以看出,与普通插值方法(Bicubic插值)相比,文献6方法、文献7方法和本发明方法的重构结果的峰值信噪比(Peak Signal to Noise Ratio,PSNR)均有明显的提升。本发明方法重构结果的平均PSNR值比文献6和文献7的方法分别高出2.6dB和1.4dB。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种基于最近特征线流形学习的人脸图像超分辨率方法,其特征在于,包括如下步骤:
步骤1,输入低分辨率人脸图像,对输入的低分辨率人脸图像、低分辨率训练集中的低分辨率人脸样本图像以及高分辨率训练集中的高分辨率人脸样本图像划分相互重叠的图像块;
步骤2,对于输入的低分辨率人脸图像中每个图像块,取低分辨率训练集中每个低分辨率人脸样本图像相应位置的图像块作为样本点,建立低分辨率人脸样本块空间,计算在低分辨率人脸样本块空间上的 个最近的投影点;
步骤4,对于输入的低分辨率人脸图像中每个图像块,取高分辨率训练集中每个高分辨率人脸样本图像相应位置的图像块作为样本点,建立高分辨率人脸样本块空间,计算在高分辨率人脸样本块空间上与步骤2所得低分辨率人脸样本块空间上的个最近的投影点分别对应的个样本点;
步骤6,将所有加权重构出的高分辨率的图像块按照位置叠加,然后除以每个像素位置交叠的次数,重构出高分辨率人脸图像。
2. 根据权利要求1所述基于最近特征线流形学习的人脸图像超分辨率方法,其特征在于:
设输入的低分辨率人脸图像、高分辨率训练集和低分辨率训练集分别划分相互重叠的图像块后,所构成的图像块集分别为、和,其中,标识表示高分辨率训练集中高分辨率人脸样本图像的序号和低分辨率训练集中低分辨率人脸样本图像的序号,标识表示每张图像上的块位置序号,N为低辨率训练集中低分辨率人脸样本图像的个数和高辨率训练集中高分辨率人脸样本图像的个数,M为每幅图像划分图像块的块数;
步骤2.6,根据步骤2.5所得图像块到特征线集合中所有特征线的距离,查找个距离最小的投影点,构成集合 ,其中,为个距离最小的投影点的下标号所构成的集合,集合为图像块在低分辨率人脸样本块空间上的个最近的投影点;
,
其中,为高分辨率人脸样本块空间中与低分辨率图像块相同序号的图像块,为高分辨率人脸样本块空间中与低分辨率图像块相同序号的图像块,为步骤2.4所得在,时的取值,,为步骤2.6所得低分辨率人脸样本块空间中与图像块 个最近的投影点的下标号所构成的集合,其中和为低分辨率训练图像块集合中的两个样本点;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110421817 CN102402784B (zh) | 2011-12-16 | 2011-12-16 | 一种基于最近特征线流形学习的人脸图像超分辨率方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110421817 CN102402784B (zh) | 2011-12-16 | 2011-12-16 | 一种基于最近特征线流形学习的人脸图像超分辨率方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102402784A true CN102402784A (zh) | 2012-04-04 |
CN102402784B CN102402784B (zh) | 2013-07-24 |
Family
ID=45884962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110421817 Expired - Fee Related CN102402784B (zh) | 2011-12-16 | 2011-12-16 | 一种基于最近特征线流形学习的人脸图像超分辨率方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102402784B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708556A (zh) * | 2012-05-10 | 2012-10-03 | 武汉大学 | 一种基于反向图保持的单张图像超分辨率方法 |
CN102982520A (zh) * | 2012-12-05 | 2013-03-20 | 武汉大学 | 一种基于轮廓先验的鲁棒性人脸超分辨率处理方法 |
CN103208109A (zh) * | 2013-04-25 | 2013-07-17 | 武汉大学 | 一种基于局部约束迭代邻域嵌入的人脸幻构方法 |
CN103458154A (zh) * | 2012-05-31 | 2013-12-18 | 北京大学 | 一种视频的超分辨率方法及装置 |
CN104063715A (zh) * | 2014-06-30 | 2014-09-24 | 东南大学 | 一种基于最近邻特征线的人脸分类方法 |
CN104112147A (zh) * | 2014-07-25 | 2014-10-22 | 哈尔滨工业大学深圳研究生院 | 一种基于最近特征线的人脸特征提取方法和装置 |
CN107680037A (zh) * | 2017-09-12 | 2018-02-09 | 河南大学 | 改进的基于最近特征线流形学习的人脸超分辨率重建方法 |
CN108171124A (zh) * | 2017-12-12 | 2018-06-15 | 南京邮电大学 | 一种相似样本特征拟合的人脸图像清晰化方法 |
CN108335264A (zh) * | 2018-01-30 | 2018-07-27 | 武汉大学 | 一种基于混合分辨率稀疏字典学习的图像超分辨率方法 |
CN108550114A (zh) * | 2018-04-19 | 2018-09-18 | 福建师范大学 | 一种多尺度空间约束的人脸超分辨率处理方法及系统 |
CN111738370A (zh) * | 2020-08-25 | 2020-10-02 | 湖南大学 | 本质流形结构的图像特征融合与聚类协同表达方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872472A (zh) * | 2010-06-02 | 2010-10-27 | 中国科学院自动化研究所 | 一种基于样本学习的人脸图像超分辨率重建方法 |
CN101950415A (zh) * | 2010-09-14 | 2011-01-19 | 武汉大学 | 一种基于形状语义模型约束的人脸超分辨率处理方法 |
-
2011
- 2011-12-16 CN CN 201110421817 patent/CN102402784B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872472A (zh) * | 2010-06-02 | 2010-10-27 | 中国科学院自动化研究所 | 一种基于样本学习的人脸图像超分辨率重建方法 |
CN101950415A (zh) * | 2010-09-14 | 2011-01-19 | 武汉大学 | 一种基于形状语义模型约束的人脸超分辨率处理方法 |
Non-Patent Citations (3)
Title |
---|
HONG CHANG, DIT-YAN YEUNG, YIMIN XIONG: "Super-Resolution Through Neighbor Embedding", 《PROCEEDINGS OF THE 2004 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
兰诚栋 等: "低质量监控图像鲁棒性人脸超分辨率算法", 《计算机辅助设计与图形学学报》 * |
兰诚栋 等: "非负特征基约束的人脸超分辨率", 《小型微型计算机系统》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708556A (zh) * | 2012-05-10 | 2012-10-03 | 武汉大学 | 一种基于反向图保持的单张图像超分辨率方法 |
CN103458154A (zh) * | 2012-05-31 | 2013-12-18 | 北京大学 | 一种视频的超分辨率方法及装置 |
CN103458154B (zh) * | 2012-05-31 | 2016-03-30 | 北京大学 | 一种视频的超分辨率方法及装置 |
CN102982520A (zh) * | 2012-12-05 | 2013-03-20 | 武汉大学 | 一种基于轮廓先验的鲁棒性人脸超分辨率处理方法 |
CN102982520B (zh) * | 2012-12-05 | 2015-07-15 | 武汉大学 | 一种基于轮廓先验的鲁棒性人脸超分辨率处理方法 |
CN103208109A (zh) * | 2013-04-25 | 2013-07-17 | 武汉大学 | 一种基于局部约束迭代邻域嵌入的人脸幻构方法 |
CN103208109B (zh) * | 2013-04-25 | 2015-09-16 | 武汉大学 | 一种基于局部约束迭代邻域嵌入的人脸幻构方法 |
CN104063715A (zh) * | 2014-06-30 | 2014-09-24 | 东南大学 | 一种基于最近邻特征线的人脸分类方法 |
CN104063715B (zh) * | 2014-06-30 | 2017-05-31 | 东南大学 | 一种基于最近邻特征线的人脸分类方法 |
CN104112147A (zh) * | 2014-07-25 | 2014-10-22 | 哈尔滨工业大学深圳研究生院 | 一种基于最近特征线的人脸特征提取方法和装置 |
CN107680037A (zh) * | 2017-09-12 | 2018-02-09 | 河南大学 | 改进的基于最近特征线流形学习的人脸超分辨率重建方法 |
CN107680037B (zh) * | 2017-09-12 | 2020-09-29 | 河南大学 | 改进的基于最近特征线流形学习的人脸超分辨率重建方法 |
CN108171124A (zh) * | 2017-12-12 | 2018-06-15 | 南京邮电大学 | 一种相似样本特征拟合的人脸图像清晰化方法 |
CN108171124B (zh) * | 2017-12-12 | 2022-04-05 | 南京邮电大学 | 一种相似样本特征拟合的人脸图像清晰化方法 |
CN108335264A (zh) * | 2018-01-30 | 2018-07-27 | 武汉大学 | 一种基于混合分辨率稀疏字典学习的图像超分辨率方法 |
CN108335264B (zh) * | 2018-01-30 | 2021-08-03 | 武汉大学 | 一种基于混合分辨率稀疏字典学习的图像超分辨率方法 |
CN108550114A (zh) * | 2018-04-19 | 2018-09-18 | 福建师范大学 | 一种多尺度空间约束的人脸超分辨率处理方法及系统 |
CN108550114B (zh) * | 2018-04-19 | 2022-03-15 | 福建师范大学 | 一种多尺度空间约束的人脸超分辨率处理方法及系统 |
CN111738370A (zh) * | 2020-08-25 | 2020-10-02 | 湖南大学 | 本质流形结构的图像特征融合与聚类协同表达方法及系统 |
CN111738370B (zh) * | 2020-08-25 | 2020-11-17 | 湖南大学 | 本质流形结构的图像特征融合与聚类协同表达方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102402784B (zh) | 2013-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102402784B (zh) | 一种基于最近特征线流形学习的人脸图像超分辨率方法 | |
WO2021098261A1 (zh) | 一种目标检测方法与装置 | |
CN107154023B (zh) | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 | |
Bashir et al. | A comprehensive review of deep learning-based single image super-resolution | |
CN110210276A (zh) | 一种移动轨迹获取方法及其设备、存储介质、终端 | |
CN102243711B (zh) | 一种基于邻域嵌套的图像超分辨率重建方法 | |
CN101697197B (zh) | 一种基于典型相关分析空间超分辨率的人脸识别方法 | |
CN102693419B (zh) | 基于多流形判别分析超分辨率的人脸识别方法 | |
CN113139479B (zh) | 一种基于光流和rgb模态对比学习的微表情识别方法及系统 | |
CN113011329B (zh) | 一种基于多尺度特征金字塔网络及密集人群计数方法 | |
CN104731964A (zh) | 基于人脸识别的人脸摘要方法、视频摘要方法及其装置 | |
CN103824272A (zh) | 基于k近邻重识别的人脸超分辨率重建方法 | |
CN103093444A (zh) | 基于自相似性和结构信息约束的图像超分辨重建方法 | |
WO2021139171A1 (zh) | 人脸增强识别方法、装置、设备及存储介质 | |
CN111626927B (zh) | 采用视差约束的双目图像超分辨率方法、系统及装置 | |
CN114219984A (zh) | 一种基于改进YOLOv3的微小病虫害检测系统及其方法 | |
CN104504672B (zh) | 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法 | |
CN102136065A (zh) | 基于凸优化的人脸超分辨率方法 | |
Zhu et al. | Towards automatic wild animal detection in low quality camera-trap images using two-channeled perceiving residual pyramid networks | |
CN103761736B (zh) | 一种基于贝叶斯和谐度的图像分割方法 | |
Wang et al. | Adversarial multi-path residual network for image super-resolution | |
CN107330381A (zh) | 一种人脸识别方法 | |
Ziwei et al. | Overview on image super resolution reconstruction | |
Cai et al. | Fcsr-gan: End-to-end learning for joint face completion and super-resolution | |
Zhou et al. | AIF-LFNet: All-in-focus light field super-resolution method considering the depth-varying defocus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130724 Termination date: 20161216 |