基于最近特征線的特征轉(zhuǎn)換人臉超分辨率算法.pdf

1、伴隨著機器人技術(shù)的快速發(fā)展、機場車站等公共場所人臉識別技術(shù)和監(jiān)控設備的大量使用，大家對人臉圖像質(zhì)量的要求越來越高，期望能夠得到清晰的目標人臉圖像。但是，由于種種原因，使得目標人臉圖像分辨率較低、圖像尺寸較小，給人臉的識別造成了很大的困難。為解決上述問題，有學者提出人臉超分辨率技術(shù)，該技術(shù)是在不改變硬件設施的條件下，由單幀或多幀低分辨率人臉圖像采用一定算法重建得到目標高分辨率人臉圖像的過程。
　　人臉超分辨率技術(shù)按照輸入方式不同可劃

2、分為，基于插值的、基于重建的和基于學習的人臉超分辨率方法?；趯W習的超分辨率方法可以引入大量先驗信息指導圖像的重建工作，可以得到較好的重建效果。然而，基于學習的超分辨率算法基本前提是假設高低分辨率樣本圖像具有相似的局部幾何結(jié)構(gòu)成立，想要實現(xiàn)這種假設，就必須滿足樣本數(shù)據(jù)稠密地采樣于潛在流形空間和樣本圖像不受噪聲干擾這兩個基本前提。
　　為解決這些問題，研究者提出基于最近特征線流形學習的人臉超分辨率和特征轉(zhuǎn)換超分辨率算法。然而，在這些

3、方法還存在一些問題：基于最近特征線流形學習的方法，針對噪聲圖像的重建效果并不理想，無法滿足噪聲魯棒性的要求，且在選擇投影點時有些不合理的地方，可能會引入原圖不存在的細節(jié)信息；特征轉(zhuǎn)換超分辨率算法是基于全局臉進行重建的，使得得到的目標圖像缺乏必要的高頻細節(jié)信息。
　　針對上述方法存在的問題，本文首先對基于最近特征線流形學習的人臉超分辨率算法中投影點的選擇進行了約束：對于在特征線外推線上且距離構(gòu)成該特征線的兩個樣本點中，距離最近的樣本

4、點仍較遠的投影點進行了替換處理。該部分實驗采用的是CAS-PEAL-RI人臉庫，相較于原算法，改進算法的客觀指標PSNR和SSIM分別提升了0.2640dB和0.0024。
　　為找出一種噪聲魯棒且又能夠提高樣本數(shù)據(jù)庫的表達能力的人臉超分辨率方法，滿足高低分辨率樣本圖像具有相似的局部幾何結(jié)構(gòu)假設的成立，我們將最近特征線的思想引入到基于特征轉(zhuǎn)換人臉超分辨率學習中。首先利用最近特征線技術(shù)將有限樣本數(shù)據(jù)擴展為特征線上無數(shù)個樣本點，然后選