CN111640064A - 一种基于局部保持典型相关分析的幻觉脸方法 - Google Patents
一种基于局部保持典型相关分析的幻觉脸方法 Download PDFInfo
- Publication number
- CN111640064A CN111640064A CN202010473403.3A CN202010473403A CN111640064A CN 111640064 A CN111640064 A CN 111640064A CN 202010473403 A CN202010473403 A CN 202010473403A CN 111640064 A CN111640064 A CN 111640064A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- face
- low
- correlation analysis
- 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.)
- Pending
Links
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 49
- 208000004547 Hallucinations Diseases 0.000 title claims description 14
- 238000004321 preservation Methods 0.000 title claims description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 238000000638 solvent extraction Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012733 comparative method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于局部保持典型相关分析的幻觉脸方法,包括利用局部保持典型相关分析计算高分辨率和低分辨率主成分特征的一致相关特征,利用逆变换将低分辨率人脸图像对应的高分辨率特征重建为全局高分辨率人脸图像;在此基础上,建立高分辨率和低分辨率人脸残差图像并将残差图像分块,利用局部保持典型相关分析抽取高分辨率和低分辨率残差图像块的一致特征,采用逆变换得到高分辨率残差图像块,通过平均重叠区域,组合所有高分辨率残差图像块形成高分辨率残差图像;组合全局高分辨率人脸和高分辨率残差图像,最终得到超分辨率人脸图像。本发明利用局部保持典型相关分析,克服了传统方法不能处理高分辨率和低分辨率图像之间非线性关系的问题。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种基于局部保持典型相关分析的幻觉脸方法。
背景技术
局部保持的典型相关分析(Locality Preserving Canonical CorrelationAnalysis,LPCCA)是一种能够解决大量非线性问题的新型算法。它通过局部线性的方法达到解决非线性问题的目的,不但能保持各样本集的局部结构信息,而且能够得到两组样本之间的最大化相关信息。在本发明中,考虑到高分辨率和低分辨率人脸图像来自相同的人,因此它们之间自然地具有相关关系,所以采用局部保持典型相关分析来增强这种关系。
监控视频中,人脸是最重要的身份特征之一。但是,由于天气、光照等复杂环境和成像设备距离目标较远等因素影响,监控视频中捕捉到的人脸图像往往呈现出较低质量和分辨率,从而导致诸如人脸识别等后续任务的学习性能急剧下降。
为了解决上述问题,近年来许多幻觉脸(人脸超分辨率)方法已被提出。流形学习理论假设高分辨率空间中的人脸图像与低分辨率空间中的人脸图像局部同胚,因此高分辨率图像可以由低分辨率人脸图像重建得到。基于这个假设,受局部邻域嵌入(LLE)方法启发,Chang等人提出了基于邻域嵌入的图像超分辨率方法。随后Ma等人发现用相同位置的图像块来重建高分辨率图像会达到更好的效果。Jung等人指出当训练图像块的数量大于训练块向量的维度时,解决最小二乘问题可能会出现多个解,因此他们提出用凸优化来解决这个问题,达到了很好的重建效果。
与基于图像块的重建方法不同,现有一些方法常采用数据降维策略来减少噪声干扰和计算消耗。但是在缩减图像维度的过程中,会不可避免地丢掉一些重要的人脸细节信息。当前,结合全局策略和图像块残差补偿的方法通常比简单的全局重建方法效果更好。Huang等人提出了一种基于典型相关分析的人脸图像超分辨率重建方法,但此方法本质上是一个线性学习方法,并不能很好地描述高分辨率和低分辨率人脸图像间的非线性关系。
发明内容
本发明的目的是克服现有技术缺陷,提供一种基于局部保持典型相关分析的幻觉脸方法,使得高分辨率和低分辨率图像之间的非线性关系可以通过加入局部信息来刻画。
本发明的目的是这样实现的:一种基于局部保持典型相关分析的幻觉脸方法,包括以下步骤:
步骤1全局人脸重构;
1-1采用主成分分析提取高分辨率和相应低分辨率人脸图像的主成分特征,得到高分辨率和低分辨率图像的两组特征;
1-2利用局部保持典型相关分析为高分辨率和低分辨率人脸特征学习一致相关子空间,并将其投影到潜在一致子空间;
1-3在局部保持典型相关分析子空间中采用邻域重构策略由低分辨率特征重建高分辨率特征,利用逆变换,将重建的高分辨率特征恢复成全局高分辨率人脸图像;
步骤2残差补偿;
2-1建立高分辨率和低分辨率人脸残差图像并将残差图像分块;
2-2采用局部保持典型相关分析对于同一位置的高分辨率和低分辨率图像块学习局部保持典型相关分析一致子空间,将其投影到局部保持典型相关分析空间;
2-3利用邻域重构的策略重构低分辨率残差图像块特征对应的高分辨率残差图像块特征,利用逆变换得到高分辨率残差图像块,通过平均重叠区域,组合所有高分辨率残差图像块形成高分辨率残差图像;
步骤3将重建的高分辨率残差图像补偿到重建的全局高分辨率人脸图像上,得到最终的超分辨率人脸图像。
作为本发明的进一步限定,所述步骤1-1具体包括以下步骤:
作为本发明的进一步限定,所述步骤1-2具体步骤为包括:
由于目标函数与wx和wy尺度无关,(3)中的最优化问题可以等价地形式化为:
使用拉格朗日乘子法,求解问题(4)可以转化为求解广义特征值问题,取前d个最大特征值对应的特征向量构成投影矩阵Wx={wx1,wx2,…,wxd}和Wy={wy1,wy2,…,wyd};
作为本发明的进一步限定,所述步骤1-3具体包括以下步骤:
作为本发明的进一步限定,所述步骤2-1具体包括以下步骤:
(2)对G中每幅高分辨率人脸图像进行下采样,形成尺寸与L中的低分辨率人脸图像相同,记作G↓,其中↓表示下采样;
(3)计算高分辨率和低分辨率残差图像集:Rh=H-G和Rl=L-G↓;
作为本发明的进一步限定,所述步骤2-2具体包括以下步骤:
作为本发明的进一步限定,所述步骤2-3具体包括:
通过邻域重构策略重建其对应的高分辨率残差图像特征,对于相关子空间内每一个残差图像块特征其对应的高分辨率残差图像块特征可由其k近邻重建,利用逆变换得到对应的高分辨率残差图像块在得到所有高分辨率残差块后,通过平均重叠区域,组合得到残差图像R。
作为本发明的进一步限定,步骤3所述最终的超分辨率人脸图像Ih为将重建的高分辨率残差图像补偿到重建全局高分辨率人脸图像上:Ih=Ig+R。
与现有技术相比,本发明的有益效果在于:本发明利用局部保持典型相关分析,为高分辨率和低分辨率特征学习一个潜在的相关子空间,由于局部信息的加入,克服了典型相关分析不能处理高分辨率和低分辨率图像之间非线性关系的问题。
附图说明
图1是本发明的基本框架图。
图2是本发明以及对比方法在CAS-PEAL数据库上的重建视觉效果图。
图3是本发明以及对比方法在CelebA数据库上的重建视觉效果图。
具体实施方式
如图1所示的一种基于局部保持典型相关分析的幻觉脸方法,包括以下步骤:
步骤1全局人脸重构;
1-1采用主成分分析提取高分辨率和相应低分辨率人脸图像的主成分特征,得到高分辨率和低分辨率图像的两组特征;
1-2利用局部保持典型相关分析为高分辨率和低分辨率人脸特征学习一致相关子空间,并将其投影到潜在一致子空间;
由于目标函数与wx和wy尺度无关,(3)中的最优化问题可以等价地形式化为:
使用拉格朗日乘子法,求解问题(4)可以转化为求解广义特征值问题,取前d个最大特征值对应的特征向量构成投影矩阵Wx={wx1,wx2,…,wxd}和Wy={wy1,wy2,…,wyd};
1-3在局部保持典型相关分析子空间中采用邻域重构策略由低分辨率特征重建高分辨率特征,利用逆变换,将重建的高分辨率特征恢复成全局高分辨率人脸图像;
由于高分辨率重建过程中使用了数据降维方法以减少噪声和计算消耗,因此在初步重建的过程中不可避免地会丢掉一些细节信息。
步骤2残差补偿;
2-1建立高分辨率和低分辨率人脸残差图像并将残差图像分块;
(2)对G中每幅高分辨率人脸图像进行下采样,形成尺寸与L中的低分辨率人脸图像相同,记作G↓,其中↓表示下采样;;
(3)计算高分辨率和低分辨率残差图像集:Rh=H-G和Rl=L-G↓;
2-2采用局部保持典型相关分析对于同一位置的高分辨率和低分辨率图像块学习局部保持典型相关分析一致子空间,将其投影到局部保持典型相关分析空间;
2-3利用邻域重构的策略重构低分辨率残差图像块特征对应的高分辨率残差图像块特征,利用逆变换得到高分辨率残差图像块,通过平均重叠区域,组合所有高分辨率残差图像块形成高分辨率残差图像;对于相关子空间内每一个残差图像块特征其对应的高分辨率残差图像块特征可由其k近邻重建,利用逆变换得到对应的高分辨率残差图像块后,通过平均重叠区域,组合得到残差图像R。
步骤3将重建的高分辨率残差图像补偿到重建全局高分辨率人脸图像上,得到最终的超分辨率人脸图像Ih即:Ih=Ig+R。
为了验证本发明的表现,我们在多个数据集上评估了我们的方法。表1中展示了多个方法的峰值信噪比(PSNR)和图像结构相似性(SSIM)两个评估指标在CAS-PEAL数据集上的表现,可以看到本发明取得了最好的重建效果。
表1:各算法在CAS-PEAL数据集上的质量评估
图2中展示了各方法在CAS-PEAL数据集上的重建视觉效果图。可以看到,相较其它方法,我们的方法重建出的人脸图像具有更丰富的面部细节。
图3中展示了各方法在CelebA数据集上的重建效果图。从重建的视觉效果以及表2中PSNR和SSIM指数来看,本发明取得了最好的重建结果。
表2:各算法在CelebA数据集上的质量评估
综上所述,本发明无论是从PSNR和SSIM指数还是重建视觉效果来看,均取得了较好的重建效果,具有较强的使用价值和落地能力。
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 (8)
1.一种基于局部保持典型相关分析的幻觉脸方法,其特征在于,包括以下步骤:
步骤1全局人脸重构;
1-1采用主成分分析提取高分辨率和相应低分辨率人脸图像的主成分特征,得到高分辨率和低分辨率图像的两组特征;
1-2利用局部保持典型相关分析为高分辨率和低分辨率人脸特征学习一致相关子空间,并将其投影到潜在一致子空间;
1-3在局部保持典型相关分析子空间中采用邻域重构策略由低分辨率特征重建高分辨率特征,利用逆变换,将重建的高分辨率特征恢复成全局高分辨率人脸图像;
步骤2残差补偿;
2-1建立高分辨率和低分辨率人脸残差图像并将残差图像分块;
2-2采用局部保持典型相关分析对于同一位置的高分辨率和低分辨率图像块学习局部保持典型相关分析一致子空间,将其投影到局部保持典型相关分析空间;
2-3利用邻域重构的策略重构低分辨率残差图像块特征对应的高分辨率残差图像块特征,利用逆变换得到高分辨率残差图像块,通过平均重叠区域,组合所有高分辨率残差图像块形成高分辨率残差图像;
步骤3将重建的高分辨率残差图像补偿到重建的全局高分辨率人脸图像上,得到最终的超分辨率人脸图像。
3.根据权利要求1所述的一种基于局部保持典型相关分析的幻觉脸方法,其特征在于,所述步骤1-2具体步骤为包括:
由于目标函数与wx和wy尺度无关,(3)中的最优化问题可以等价地形式化为:
使用拉格朗日乘子法,求解问题(4)可以转化为求解广义特征值问题,取前d个最大特征值对应的特征向量构成投影矩阵Wx={wx1,wx2,…,wxd}和Wy={wy1,wy2,…,wyd};
4.根据权利要求1所述的一种基于局部保持典型相关分析的幻觉脸方法,其特征在于,所述步骤1-3具体包括以下步骤:
8.根据权利要求4或7所述的一种基于局部保持典型相关分析的幻觉脸方法,其特征在于,步骤3所述最终的超分辨率人脸图像Ih为将重建的高分辨率残差图像补偿到重建全局高分辨率人脸图像上:Ih=Ig+R。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010473403.3A CN111640064A (zh) | 2020-05-29 | 2020-05-29 | 一种基于局部保持典型相关分析的幻觉脸方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010473403.3A CN111640064A (zh) | 2020-05-29 | 2020-05-29 | 一种基于局部保持典型相关分析的幻觉脸方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111640064A true CN111640064A (zh) | 2020-09-08 |
Family
ID=72333317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010473403.3A Pending CN111640064A (zh) | 2020-05-29 | 2020-05-29 | 一种基于局部保持典型相关分析的幻觉脸方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640064A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837293A (zh) * | 2021-02-05 | 2021-05-25 | 中国科学院西安光学精密机械研究所 | 基于高斯函数典型关联分析的高光谱图像变化检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615290A (zh) * | 2009-07-29 | 2009-12-30 | 西安交通大学 | 一种基于典型相关分析的人脸图像超分辨率重建方法 |
-
2020
- 2020-05-29 CN CN202010473403.3A patent/CN111640064A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615290A (zh) * | 2009-07-29 | 2009-12-30 | 西安交通大学 | 一种基于典型相关分析的人脸图像超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
YUNHAO YUAN: "《Face Hallucination Using Locality Preserving Canonical Correlation Analysis》" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837293A (zh) * | 2021-02-05 | 2021-05-25 | 中国科学院西安光学精密机械研究所 | 基于高斯函数典型关联分析的高光谱图像变化检测方法 |
CN112837293B (zh) * | 2021-02-05 | 2023-02-14 | 中国科学院西安光学精密机械研究所 | 基于高斯函数典型关联分析的高光谱图像变化检测方法 |
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 | |
Lu et al. | Geometry constrained sparse coding for single image super-resolution | |
Lu et al. | Image super-resolution via double sparsity regularized manifold learning | |
CN110111256B (zh) | 基于残差蒸馏网络的图像超分辨重建方法 | |
Tang et al. | Greedy regression in sparse coding space for single-image super-resolution | |
Xu et al. | Hyperspectral computational imaging via collaborative Tucker3 tensor decomposition | |
Gastineau et al. | Generative adversarial network for pansharpening with spectral and spatial discriminators | |
CN115496928B (zh) | 基于多重特征匹配的多模态图像特征匹配方法 | |
Li et al. | Example-based image super-resolution with class-specific predictors | |
Zheng et al. | Separable-spectral convolution and inception network for hyperspectral image super-resolution | |
Zhao et al. | Image super-resolution via adaptive sparse representation | |
Liu et al. | An efficient residual learning neural network for hyperspectral image superresolution | |
Xia et al. | Knowledge distillation based degradation estimation for blind super-resolution | |
Gelvez et al. | Nonlocal low-rank abundance prior for compressive spectral image fusion | |
Xiang et al. | Embedding new data points for manifold learning via coordinate propagation | |
CN107845064B (zh) | 基于主动采样和高斯混合模型的图像超分辨重建方法 | |
Rajput | Mixed Gaussian-impulse noise robust face hallucination via noise suppressed low-and-high resolution space-based neighbor representation | |
Guo et al. | Exploiting non-local priors via self-convolution for highly-efficient image restoration | |
Gao et al. | Face image super-resolution with pose via nuclear norm regularized structural orthogonal procrustes regression | |
CN110321452B (zh) | 一种基于方向选择机制的图像检索方法 | |
CN111640064A (zh) | 一种基于局部保持典型相关分析的幻觉脸方法 | |
CN108682005B (zh) | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 | |
Potje et al. | Extracting deformation-aware local features by learning to deform | |
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 | |
Li et al. | Conformal and low-rank sparse representation for image restoration |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200908 |
|
WD01 | Invention patent application deemed withdrawn after publication |