CN111275624B - 基于多集典型相关分析的人脸图像超分辨率重建识别方法 - Google Patents
基于多集典型相关分析的人脸图像超分辨率重建识别方法 Download PDFInfo
- Publication number
- CN111275624B CN111275624B CN202010069717.7A CN202010069717A CN111275624B CN 111275624 B CN111275624 B CN 111275624B CN 202010069717 A CN202010069717 A CN 202010069717A CN 111275624 B CN111275624 B CN 111275624B
- Authority
- CN
- China
- Prior art keywords
- resolution
- face image
- image
- face
- view
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000001427 coherent effect Effects 0.000 claims abstract description 5
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 23
- 101001056160 Homo sapiens Methylcrotonoyl-CoA carboxylase subunit alpha, mitochondrial Proteins 0.000 claims description 20
- 102100026552 Methylcrotonoyl-CoA carboxylase subunit alpha, mitochondrial Human genes 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于多集典型相关分析的人脸图像超分辨率重建识别方法,包括以下步骤:1利用多集典型相关分析,可以同时为同源的各种低分辨率人脸视图学习多种特定分辨率的映射,将多视图人脸图像分成重叠的图像块,再利用多集典型相关分析提取图像块主成分的潜在相干特征;2利用邻域重建策略重建出全局人脸图像,再通过残差补偿对全局人脸图像补充细节;3最终输出的超分辨率重建结果为全局人脸图像加上残差人脸图像。本发明具有一定的理论基础,在不同数据库下测试结果表明本发明具有较强的鲁棒性,具有一定的市场实施的可行性,解决了目前绝大多数现有算法无法处理的多视图超分辨率问题,具有较大的创新性与实用性。
Description
技术领域
本发明涉及超分辨率重建和识别领域,特别涉及基于多集典型相关分析的人脸图像超分辨率重建识别方法
背景技术
多元分析方法常被运用于超分辨率重建以进行特征提取,其中较为流行的是主成分分析(Principal Component Analysis,PCA)以及典型相关分析(CanonicalCorrelation Analysis,CCA)。特征提取步骤通常用来对数据降维并减少噪声。PCA通过保留合适的维度以提取人脸的有用信息并过滤噪声。Wang等人提出一个通过PCA得到图像线性组合系数来生成高分辨率人脸的框架。Huang等人提出一种利用CCA提取高低分辨率图像关系的超分辨率方法。多集典型相关分析(Multiset Canonical Correlation Analysis,MCCA)便是CCA由两组特征数据向多组特征数据集的自然推广,通过MCCA可以实现多组数据的特征融合,用于分析多个数据集合变量间的线下关系。
在现实世界应用中,低分辨率人脸图像不仅对人类视觉感知有所影响,也使得许多人脸分析任务变得棘手,如人脸识别、人脸对齐以及人脸美化等。为了解决这一问题,许多人脸超分辨率重建方法被提出,其旨在从输入的低分辨率图像中恢复出其高分辨率图像。作为图像超分辨率领域的分支,与其相比,人脸超分辨率任务利用面部结构以及纹理并生成更加逼真的高分辨率人脸图像。
基于学习的超分辨率方法近些年来取得了巨大的成功,其利用机器学习的技术学习高低分辨率特征空间之间的映射关系。基于高低分辨率特征空间中存在着等距流形的理论,一种典型的策略是将低分辨率空间中的编码系数应用到高分辨率空间,以此恢复相应的高分辨率人脸图像,另一种策略则是直接学习高低分辨率图像对之间的映射关系。
但是,在现实生活中,由于距离或者设备的限制,人们通常需要面对同一人脸具有多种不同分辨率视图的情况,对于多种不同的低分辨率视图,现有的大多数方法不能有效地处理这种问题,它们无法同时学习将多种低分辨率视图同时映射到高分辨率视图的映射关系。迄今为止,共同学习多种视图之间关系还没有得到广泛关注。
发明内容
本发明的目的是克服现有技术缺陷,提供基于多集典型相关分析的人脸图像超分辨率重建识别方法,利用多集典型相关分析,同时为同源的各种低分辨率人脸视图学习多种特定分辨率的映射,将多视图人脸图像分成重叠的图像块,再利用多集典型相关分析提取图像块主成分的潜在相干特征,利用邻域重建策略重建出全局人脸图像,再通过残差补偿对全局人脸图像补充细节,最终输出超分辨率重建图像。
本发明的目的是这样实现的:基于多集典型相关分析的人脸图像超分辨率重建识别方法,包括以下步骤:
步骤1在训练阶段利用训练集学习不同分辨率视图之间的相关关系,将不同分辨率对应的训练集中的每幅图像分成重叠的图像块,使用PCA对每块图像提取主成分特征,利用MCCA进行特征提取,计算MCCA投影矩阵,并将每个图像块的主成分特征投影到MCCA的一致相干子空间;
步骤2在测试阶段,将输入的低分辨率图像分成重叠的图像块,利用训练阶段得到的相应低分辨率视图的PCA投影矩阵得到每个图像块的主成分特征,使用相应低分辨率视图的MCCA投影矩阵将主成分特征投影到MCCA子空间,利用邻域重建策略重建出全局人脸图像,再通过残差补偿对全局人脸图像补充细节;
步骤3最终输出的超分辨率重建结果为全局人脸图像加上残差人脸图像。
作为本发明的进一步限定,步骤1中所述的训练阶段包括以下步骤:
(1)给定多个分辨率视图人脸图像训练集为其中m为分辨率视图的数量,将每幅图像/>分成n个s×s大小的重叠o像素的图像块,其中N为样本的数量,/>为位于第p(1≤p≤n)个位置的图像块的集合,/>表示第i个视图中第j张人脸图像的第p个位置的图像块向量,通过去除均值/>对/>进行中心化,利用PCA提取/>的主成分特征:
其中表示/>中心化后的图像块集,/>和/>分别为PCA变换矩阵和第i个视图第p个位置的主成分特征;
(2)去除均值得到中心化的/>MCCA目的为寻找m个投影方向/>来最大化/>之间相关系数之和,可以表示为如下优化问题:
其中为视图内的协方差矩阵,/>为视图间的协方差矩阵,μ为正则化参数,I为单位矩阵,利用拉格朗日乘子法可以得到如下等式:
其中λ1,λ2,…,λm为多元特征值,利用Horst算法迭代求解该等式,可以得到前d个特征向量并构成m个视图的投影矩阵利用/>可以将所有不同分辨率视图的高维特征投影到一致子空间:/>
作为本发明的进一步限定,步骤2中所述的测试阶段包括以下步骤:
(1)对于输入的低分辨率人脸图像xt,假设其位于第i个分辨率视图并且第h个分辨率视图为对应的高分辨率视图,首先将其分成n个重叠的图像块对于每个图像块,计算它的主成分特征:
再将其投影到一致子空间:
(2)利用邻域重建策略恢复高分辨率特征对于/>从/>中找到k个欧氏距离上的最近邻/>最小化如下重建误差:
其中‖·‖为向量的二范数,设通过得到权重系数/>将权重系数/>应用到相应的高分辨率特征/>上,得到/>通过逆运算/>计算高分辨率主成分特征,再通过/>以及块合并得到高分辨率全局人脸图像/>
(3)针对在p位置上的人脸图像块,利用残差补偿恢复其人脸细节信息,利用上述步骤生成原始低分辨率视图人脸图像块的高分辨率全局人脸/>设/>↓为将/>经过下采样处理的人脸图像矩阵,高低分辨率残差人脸图像块可以通过如下方式得到:
和/>↓,
对于上述重建出的全局人脸图像块其低分辨率人脸图像块/>的残差人脸图像为/>↓,其中/>↓为/>经过下采样后的图像,利用上述(2)中的邻域重建策略,从/>中寻找k个最近邻并获得权重系数Wp,将权重系数应用到对应的高分辨率残差块中得到/>利用块合并得到重建出的残差人脸图像/>
作为本发明的进一步限定,步骤3中所述的最终输出的超分辨率重建结果为
与现有技术相比,本发明的有益效果在于:本发明利用多集典型相关分析,可以同时为同源的各种低分辨率人脸视图学习多种特定分辨率的映射,将多视图人脸图像分成重叠的图像块,再利用多集典型相关分析提取图像块主成分嵌入的潜在相干特征,最后利用邻域重建出全局人脸图像,结合残差补偿输出最终重建结果。本发明具有一定的理论基础,在不同数据库下测试结果表明本发明具有较强的鲁棒性,具有一定的市场实施的可行性,解决了目前绝大多数现有算法无法处理的多视图超分辨率问题,具有较大的创新性与实用性。
附图说明
图1是本发明的实现流程图。
图2是七种方法在CAS-PEAL-R1数据库上的超分辨率重建结果对比图。
图3是七种方法在CelebA数据库上的超分辨率重建结果对比图。
具体实施方式
如图1所示的基于多集典型相关分析的人脸图像超分辨率重建识别方法,包括以下步骤:
步骤1在训练阶段利用训练集学习不同分辨率视图之间的相关关系,将不同分辨率对应的训练集中的每幅图像分成重叠的图像块,使用PCA对每块图像提取主成分特征,利用MCCA进行特征提取,计算MCCA投影矩阵,并将每个图像块的主成分特征投影到MCCA的一致相干子空间;
步骤1中的训练阶段包括以下步骤:
(1)给定多个分辨率视图人脸图像训练集为其中m为分辨率视图的数量,将每幅图像/>分成n个s×s大小的重叠o像素的图像块,其中N为样本的数量,/>为位于第p(1≤p≤n)个位置的图像块的集合,/>表示第i个视图中第j张人脸图像的第p个位置的图像块向量,通过去除均值/>对/>进行中心化,利用PCA提取/>的主成分特征:
其中表示/>中心化后的图像块集,/>和/>分别为PCA变换矩阵和第i个视图第p个位置的主成分特征;
(2)去除均值得到中心化的/>MCCA目的为寻找m个投影方向/>来最大化/>之间相关系数之和,可以表示为如下优化问题:
其中为视图内的协方差矩阵,/>为视图间的协方差矩阵,μ为正则化参数,I为单位矩阵,利用拉格朗日乘子法可以得到如下等式:
其中λ1,λ2,…,λm为多元特征值,利用Horst算法迭代求解该等式,可以得到前d个特征向量并构成m个视图的投影矩阵利用/>可以将所有不同分辨率视图的高维特征投影到一致子空间:/>
步骤2在测试阶段,将输入的低分辨率图像分成重叠的图像块,利用训练阶段得到的相应低分辨率视图的PCA投影矩阵得到每个图像块的主成分特征,使用相应低分辨率视图的MCCA投影矩阵将主成分特征投影到MCCA子空间,利用邻域重建策略重建出全局人脸图像,再通过残差补偿对全局人脸图像补充细节;
步骤2中的测试阶段包括以下步骤:
(1)对于输入的低分辨率人脸图像xt,假设其位于第i个分辨率视图并且第h个分辨率视图为对应的高分辨率视图,首先将其分成n个重叠的图像块对于每个图像块,计算它的主成分特征:
再将其投影到一致子空间:
(2)利用邻域重建策略恢复高分辨率特征对于/>从/>中找到k个欧氏距离上的最近邻/>最小化如下重建误差:
其中‖·‖为向量的二范数,设通过得到权重系数/>将权重系数/>应用到相应的高分辨率特征/>上,得到/>通过逆运算/>计算高分辨率主成分特征,再通过/>以及块合并得到高分辨率全局人脸图像/>
(3)针对在p位置上的人脸图像块,利用残差补偿恢复其人脸细节信息,利用上述步骤生成原始低分辨率视图人脸图像块的高分辨率全局人脸/>设/>↓为将/>经过下采样处理的人脸图像矩阵,高低分辨率残差人脸图像块可以通过如下方式得到:
和/>↓,
对于上述重建出的全局人脸图像块其低分辨率人脸图像块/>的残差人脸图像为/>↓,其中/>↓为/>经过下采样后的图像,利用上述(2)中的邻域重建策略,从/>中寻找k个最近邻并获得权重系数Wp,将权重系数应用到对应的高分辨率残差块中得到/>利用块合并得到重建出的残差人脸图像/>
步骤3最终输出的超分辨率重建结果为全局人脸图像加上残差人脸图像为
本发明可通过以下实验进一步说明:
为了测试本发明的有效性,分别利用CAS-PEAL-R1数据库以及CelebA数据库与其他方法进行对比测试,并在PIE数据库上测试超分辨率重建图像的人脸识别效果。在CAS-PEAL-R1数据库中选择1040幅人脸图像,每人一张,高分辨率图像为96×96,其中1000张人脸作为训练图像,剩下的作为测试图像。所有的训练图像分别下采样2倍、4倍以及8倍,其分辨率分别为48×48、24×24以及12×12。在CelebA数据库中选取1000张人脸图像作为训练集,20张图像作为测试集,原始高分辨率为80×80。所有训练集和测试集图像分别下采样2倍、4倍以及8倍,对应低分辨率为40×40、20×20以及8×8。在CMU PIE数据库中共包含68人的不同光照、姿态下的人脸图像,每人16张人脸图像用于训练,每人剩下的8张用于测试。高分辨率人脸大小为64×64,下采样倍数分别为2倍、4倍以及8倍,对应的低分辨率大小分别为32×32,16×16以及8×8。在实验中,本发明PCA阶段保留98%以上的光谱能量,将图像分成边长为16、重叠8像素的方块,对于2倍、4倍、8倍低分辨率图像分别采用420、280以及160最近邻数目。
实验1基于CAS-PEAL-R1数据库的超分辨率重建对比实验
如图2所示是七种方法在CAS-PEAL-R1数据库上分别以2倍、4倍、8倍缩放倍数的超分辨率重建结果对比,图中从左到右每一列分别为高分辨率原图、低分辨率图像、本发明重建结果、CLLR-SR方法重建结果、LINE方法重建结果、VDSR方法重建结果、MPLS-FH方法重建结果、TLcR方法重建结果以及Bicubic方法重建结果,从上到下每一行分别表示2倍缩放倍数、4倍、8倍缩放倍数;表1为七种方法在三种分辨率视图下人脸重建结果的平均PSNR、SSIM指标得分,可以看出本发明在每种情况下都取得了最好的指标成绩。另外,本发明在重建的视觉效果上也更加出色,尤其是在更高的缩放倍数场景下。
表1七种方法全局脸的PSNR、SSIM指标得分
实验2基于CelebA数据库的超分辨率重建对比实验
在本实验中,本发明的参数与实验1参数保持一致。如图3所示的是七种方法在CelebA数据库上分别以2倍、4倍、8倍放大倍数的超分辨率重建结果对比,图中从左到右每一列分别为高分辨率原图、低分辨率图像、本发明重建结果、CLLR-SR方法重建结果、LINE方法重建结果、VDSR方法重建结果、MPLS-FH方法重建结果、TLcR方法重建结果以及Bicubic方法重建结果,从上到下每一行分别表示2倍缩放倍数、4倍、8倍缩放倍数;表2为七种方法在三种分辨率视图下人脸超分辨率结果的平均PSNR、SSIM指标得分。可以看出本发明无论从重建视觉效果还是从数据指标方面衡量都取得了最好的成绩。
表2七种方法超分辨率结果的PSNR、SSIM指标得分
实验3基于CMU PIE数据库的人脸识别对比实验
为了验证本发明超分辨率结果对人脸识别任务的效果,在CMU PIE数据库上与七种方法进行人脸识别对比实验。表3为七种方法在三种分辨率视图下对人脸超分辨率结果进行人脸识别任务的对比情况,可以看出本发明在三种分辨率视图下都保持着优秀的识别率。
表3七种方法超分辨率结果的人脸识别率(%)对比
倍数 | 本发明 | CLLR-SR | LINE | VDSR | MPLS-FH | TLcR | Bicubic |
2× | 91.91 | 88.79 | 91.91 | 90.81 | 91.73 | 91.73 | 89.52 |
4× | 88.60 | 86.40 | 88.42 | 85.11 | 87.32 | 87.68 | 83.90 |
8× | 83.09 | 74.26 | 73.90 | 65.26 | 77.76 | 80.15 | 57.90 |
综上所述,本发明利用多集典型相关分析,可以同时为同源的各种低分辨率人脸视图学习多种分辨率的映射,将多视图人脸图像分为多个重叠的图像块,再利用多集典型相关分析提取图像块主成分的潜在相干特征,最后利用邻域重建出全局人脸图像,结合残差补偿输出最终重建结果。实验结果表明,本发明的重建效果从主观视觉效果和客观指标评价上均有较好的性能,同时重建结果对人脸识别率有显著提升。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,本领域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。
Claims (2)
1.基于多集典型相关分析的人脸图像超分辨率重建识别方法,其特征在于,包括以下步骤:
步骤1)在训练阶段利用训练集学习不同分辨率视图之间的相关关系,将不同分辨率对应的训练集中的每幅图像分成重叠的图像块,使用PCA对每块图像提取主成分特征,利用MCCA进行特征提取,计算MCCA投影矩阵,并将每个图像块的主成分特征投影到MCCA的一致相干子空间;
步骤1)中所述训练阶段包括以下步骤:
(1)给定多个分辨率视图人脸图像训练集为其中m为分辨率视图的数量,将每幅图像/>分成n个s×s大小的重叠o像素的图像块,其中N为样本的数量,/>为位于第p(1≤p≤n)个位置的图像块的集合,/>表示第i个视图中第j张人脸图像的第p个位置的图像块向量,通过去除均值/>对/>进行中心化,利用PCA提取/>的主成分特征:
其中表示/>中心化后的图像块集,/>和/>分别为PCA变换矩阵和第i个视图第p个位置的主成分特征;
(2)去除均值得到中心化的/>MCCA目的为寻找m个投影方向/>来最大化之间相关系数之和,可以表示为如下优化问题:
其中为视图内的协方差矩阵,/>为视图间的协方差矩阵,μ为正则化参数,I为单位矩阵,利用拉格朗日乘子法可以得到如下等式:
其中λ1,λ2,...,λm为多元特征值,利用Horst算法迭代求解该等式,可以得到前d个特征向量并构成m个视图的投影矩阵/>i=1,2,...,m,利用/>可以将所有不同分辨率视图的高维特征投影到一致子空间:
步骤2)在测试阶段,将输入的低分辨率图像分成重叠的图像块,利用训练阶段得到的相应低分辨率视图的PCA投影矩阵得到每个图像块的主成分特征,使用相应低分辨率视图的MCCA投影矩阵将主成分特征投影到MCCA子空间,利用邻域重建策略重建出全局人脸图像,再通过残差补偿对全局人脸图像补充细节;
步骤2)中所述测试阶段包括以下步骤:
(1)对于输入的低分辨率人脸图像xt,假设其位于第i个分辨率视图并且第h个分辨率视图为对应的高分辨率视图,首先将其分成n个重叠的图像块对于每个图像块,计算它的主成分特征:
再将其投影到一致子空间:
(2)利用邻域重建策略恢复高分辨率特征对于/>从/>中找到k个欧氏距离上的最近邻/>最小化如下重建误差:
其中‖·‖为向量的二范数,设通过得到权重系数/>将权重系数/>应用到相应的高分辨率特征/>上,得到/>通过逆运算/>计算高分辨率主成分特征,再通过/>以及块合并得到高分辨率全局人脸图像/>
(3)针对在p位置上的人脸图像块,利用残差补偿恢复其人脸细节信息,利用上述步骤生成原始低分辨率视图人脸图像块的高分辨率全局人脸/>设/>为将/>经过下采样处理的人脸图像矩阵,高低分辨率残差人脸图像块可以通过如下方式得到:
和/>
对于上述重建出的全局人脸图像块其低分辨率人脸图像块/>的残差人脸图像为其中/>为/>经过下采样后的图像,利用上述(2)中的邻域重建策略,从中寻找k个最近邻并获得权重系数Wp,将权重系数应用到对应的高分辨率残差块/>中得到/>利用块合并得到重建出的残差人脸图像/>
步骤3)最终输出的超分辨率重建结果为全局人脸图像加上残差人脸图像。
2.根据权利要求1所述的基于多集典型相关分析的人脸图像超分辨率重建识别方法,其特征在于,步骤3)中所述的最终输出的超分辨率重建结果为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069717.7A CN111275624B (zh) | 2020-01-21 | 2020-01-21 | 基于多集典型相关分析的人脸图像超分辨率重建识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069717.7A CN111275624B (zh) | 2020-01-21 | 2020-01-21 | 基于多集典型相关分析的人脸图像超分辨率重建识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275624A CN111275624A (zh) | 2020-06-12 |
CN111275624B true CN111275624B (zh) | 2023-08-08 |
Family
ID=70998996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010069717.7A Active CN111275624B (zh) | 2020-01-21 | 2020-01-21 | 基于多集典型相关分析的人脸图像超分辨率重建识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275624B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797919A (zh) * | 2020-06-30 | 2020-10-20 | 三峡大学 | 一种基于主成分分析与卷积神经网络的动态安全评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697197A (zh) * | 2009-10-20 | 2010-04-21 | 西安交通大学 | 一种基于典型相关分析空间超分辨率的人脸识别方法 |
CN106097250A (zh) * | 2016-06-22 | 2016-11-09 | 江南大学 | 一种基于鉴别典型相关的超分辨率稀疏重构方法 |
-
2020
- 2020-01-21 CN CN202010069717.7A patent/CN111275624B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697197A (zh) * | 2009-10-20 | 2010-04-21 | 西安交通大学 | 一种基于典型相关分析空间超分辨率的人脸识别方法 |
CN106097250A (zh) * | 2016-06-22 | 2016-11-09 | 江南大学 | 一种基于鉴别典型相关的超分辨率稀疏重构方法 |
Non-Patent Citations (1)
Title |
---|
Learning Simultaneous face super-resolution using multiset partial least squares;Yun-hao Yuan;《IEEE》;第1528页-第1533页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111275624A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN112750082B (zh) | 基于融合注意力机制的人脸超分辨率方法及系统 | |
CN111127374B (zh) | 一种基于多尺度密集网络的Pan-sharpening方法 | |
CN110111256B (zh) | 基于残差蒸馏网络的图像超分辨重建方法 | |
CN113673590B (zh) | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 | |
CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
CN113962893A (zh) | 基于多尺度局部自注意力生成对抗网络的人脸图像修复方法 | |
Chen et al. | Convolutional neural network based dem super resolution | |
Sheng et al. | Cross-view recurrence-based self-supervised super-resolution of light field | |
CN104657962B (zh) | 基于级联线性回归的图像超分辨重建方法 | |
CN112070670A (zh) | 全局-局部分离注意力机制的人脸超分辨率方法及系统 | |
CN101609503B (zh) | 基于双流形对齐的人脸超分图像处理方法 | |
Shi et al. | Exploiting multi-scale parallel self-attention and local variation via dual-branch transformer-cnn structure for face super-resolution | |
CN116797461A (zh) | 基于多级强化注意力机制的双目图像超分辨率重建方法 | |
CN111611962A (zh) | 基于分数阶多集偏最小二乘的人脸图像超分辨率识别方法 | |
CN111275624B (zh) | 基于多集典型相关分析的人脸图像超分辨率重建识别方法 | |
CN111292237B (zh) | 基于二维多集偏最小二乘的人脸图像超分辨率重建方法 | |
CN113962905A (zh) | 基于多阶段特征互补网络的单幅图像去雨方法 | |
CN113379597A (zh) | 人脸超分辨率重构方法 | |
CN112686830A (zh) | 基于图像分解的单一深度图的超分辨率方法 | |
CN107481196B (zh) | 基于最近特征线的特征转换人脸超分辨率重建方法 | |
Dang et al. | Single image super resolution via manifold linear approximation using sparse subspace clustering | |
CN109214269B (zh) | 一种基于流形对齐和多图嵌入的人脸姿态对齐方法 | |
CN114764754B (zh) | 一种基于几何感知先验引导的遮挡人脸修复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |