基于學習的人臉圖像超分辨率重建方法研究.pdf

1、人臉圖像超分辨率重建是提高人臉圖像分辨率、增強視覺效果的關鍵技術之一，因而在計算機視覺、視頻監(jiān)控、公共安全等領域得到了廣泛的研究與關注。本文在深入研究人臉圖像超分辨率技術相關理論知識的基礎上，主要研究了基于稀疏表示的學習型超分辨率技術在單幀人臉圖像中的應用。該技術主要包含字典訓練與高分辨率人臉圖像重構測試兩個階段，前者為后者提供一組反映高、低分辨率人臉圖像關系的字典對。在這兩個階段的研究中，本文共提出了三種方法。為降低圖像特征提取對訓練

2、字典造成的誤差問題，本文提出了兩種基于特征字典學習和稀疏表示的人臉圖像超分辨率方法；在重構測試階段，為解決重構圖像結構誤差問題，本文提出了一種基于全變分廣義加速臨近梯度（GAPG-TV）和稀疏表示的人臉圖像超分辨率方法。
　　在稀疏表示的超分辨率方法中，特征提取方式直接影響特征字典學習的質量，對于人臉圖像重建的最終效果非常重要。為降低上采樣對提取特征帶來的誤差影響，通過充分利用鄰域點像素信息，本文提出了基于高斯拉普拉斯（GASS-

3、LAP）的特征提取方式；為增強待提取特征圖像與其他人臉樣本圖像信息的關聯，提出了一種基于稀疏自編碼（SAE）的特征提取方式。進而，本文在 GASS-LAP特征字典以及SAE特征字典下提出了相應的超分辨率重建方法。結合ORL人臉庫進行的實驗結果表明，相比傳統(tǒng)方法，針對字典訓練所提的兩種方法均能更有效地提升人臉圖像的重構質量，并且GASS-LAP特征字典下圖像重構效果最佳。
　　考慮到傳統(tǒng)方法由于受稀疏逼近誤差、字典完備性、圖像塊劃分

4、\合成等因素的影響，為重構圖像估計獲取的細節(jié)信息可能與真實圖像信息之間有所偏離，導致重建圖像存在一定的全局結構誤差。為彌補該缺陷，進一步提高人臉圖像重構效果，本文在GASS-LAP特征字典的基礎上，針對重構階段，提出了從稀疏表示方法中估計獲取人臉圖像結構的退化因子并結合 GAPG-TV對重構圖像進行全局修復的超分辨辨率方法。結合ORL人臉庫進行的實驗結果表明，基于GAPG-TV和稀疏表示的超分辨率方法在恢復人臉圖像結構質量上具有良好的優(yōu)