[发明专利]一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法

权利要求书

1.一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法，其特征在于：包含以下步骤：

1)首先，利用训练数据为每一个固定视角到识别库视角的超分辨率识别单独建立一个变换模型和识别模型，有多少个固定视角，就建立多少个变换模型和识别模型；

2)然后，估计测试低分辨率图像的视角；

3)最后，将测试低分辨率图像按步骤2)中估计的视角，输入到步骤1)中的变换和识别模型中进行识别。

2.根据权利要求1所述的基于相关特征和非线性映射的固定视角人脸超分辨率识别方法，其特征在于：所述步骤1)中单独建立一个变换和识别模型，其中单独建立一个变换模型包含以下步骤：

1)分别利用经典的主成分分析方法提取固定视角训练低分辨率图像和识别库视角训练高分辨人脸图像的识别特征：

给定一组固定视角的低分辨率训练人脸图像和另一固定视角的高分辨率训练人脸图像，为不失一般性，假设给定的低分辨率固定视角为侧面视角，假设给定的高分辨率视角为正面视角。分别用和表示，其中m表示训练样本个数，下标代表样本标号，上标nl，fh分别表示侧面低分辨率和正面高分分辨。分别计算出对应的侧面低分辨率均值μ^nl与PCA基矩阵正面高分辨率均值μ^fh与PCA基矩阵对应的侧面低分辨率PCA特征y^nl和正面高分辨率PCA特征y^fh，可以用下面的算式求出，其中上标T表示矩阵转置操作：

2)利用上述所提取两组识别特征作为训练数据，根据典型相关分析(Canonical Correlation Analysis，CCA)算法得到映射基向量，根据此映射基向量将识别特征转换为相关特征：

采用Ynl=(y1nl,y2nl,...,ymnl)T,]]>Yfh=(y1fh,y2fh,...,ymfh)T]]>分别表示侧面低分辨率PCA特征和正面高分辨率PCA特征，其中m表示训练样本的数目，用分别表示对应的去中心化数据，E(·)表示数学期望，V^fh和V^nl分别表示对应的正面高分辨率和侧面低分辨率典型相关变换矩阵，V^fh和V^nl可由典型相关分析的算法求得。计算对应的侧面低分辨率相关特征C^nl和正面高分辨率相关C^fh特征：

Cnl=(Vnl)TY^nl]]>

Cfh=(Vfh)TY^fh]]>

3)利用径向基函数(Radial Basis Function，RBF)在相关空间中建立两种不同视角不同分辨率训练人脸图像相关特征之间的映射关系，根据此映射关系得到测试低分辨率人脸图像对应的识别库视角下的高分辨率相关特征的估计：

对于输入的侧面低分辨率图像其中t表示一个测试样本的标号，其对应的PCA特征被计算出来：

把侧面低分辨率PCA特征投影到相关空间：

ctnl=(Vnl)T(ytnl-E(Ynl))]]>

采用训练得到的径向基函数将侧面低分辨率相关特征非线性映射得到正面高分辨率相关特征

其中为所用的多维二次曲面径向基函数，T为矩阵转置运算，W为训练得到的权值矩阵，W的计算表达式为：

W＝C^fh·inv(φ+τE)

其中inv表示对矩阵的求逆运算，τ为一个很小的正常数，取值范围为0.001～0.1，E为单位矩阵，φ为一个数据矩阵，可以由训练数据计算得到，计算表达式为：