[发明专利]人脸超分辨率重建方法、重建设备以及计算机系统

说明书

本发明涉及一种基于机器学习的人脸超分辨率重建方法。其中，构建高分辨率图像样本集，将输入低分辨率图像输入。该方法包括如下步骤：步骤1.1：确定所述输入低分辨率图像的边缘梯度；步骤1.2：基于高分辨率图像样本集，确定与所述输入低分辨率图像对应的高分辨率特征梯度；步骤1.3：将所述边缘梯度和所述高分辨率特征梯度融合，将融合所得的梯度信息叠加到所述输入低分辨率图像中以获得分辨率高于所述输入低分辨率图像的超分辨率图像。本发明还涉及一种相应的重建设备。

技术领域

本发明涉及一种基于机器学习的人脸超分辨率重建方法以及一种构建为执行该重建方法的相应的重建设备、计算机系统。

背景技术

人脸图像超分辨率重建技术主要可以适应于对现有IC卡中存储的照片进行放大，便于查看、打印等。在更换现有(存储。采集)设备的成本较高、重新采集可行性低等多种情况下，超分辨率重建技术尤其适用。

或者对从监控设备中获取的人脸图像进行超分辨率处理，以便于识别。由于硬件工艺、成本等限制，在监控领域可能无法采集到清晰的高分辨率图像，使用超分辨率重建技术可以降低对硬件设备的依赖和提高系统的可用性。

在常见的安全保障系统中，监控摄像机已经得到了广泛的应用。然而，在许多情况下，摄像机与感兴趣的景物(如人脸等)距离很远，使得视频中所拍摄到的人脸图像的分辨率很低，人脸所占的区域往往只有几十个像素。由于分辨率太小，感兴趣的人脸图像丢失了过多的细节信息，这使得监控摄像机所拍摄得到的人脸难以有效地被人或者机器所辨别。因此，如何提高低分辨率人脸图像的质量，有效增强监控录像中低质量人脸图像的分辨率，为下一步的人脸辨别提供足够的特征细节信息，成为当下要解决的问题。由此发展出了人脸图像超分辨率重建技术，用于从输入低分辨率人脸图像产生高分辨率人脸图像。

近年来，学者们提出了大量的基于学习的人脸超分辨率方法。这类方法根据高低分辨率图像对所构成的训练集这一先验信息，输入一张低分辨率的人脸图像，就可以超分辨率重建出一张高分辨率的人脸图像。例如，2000年Freeman等人在W.Freeman,E.Pasztor,and O.Carmichael.Learning low-level vision.In IJCV,40(1):25–47,2000中提出一种Markov网络方法，该方法是最早的基于学习的超分辨率方法。Simon和Kanade专门针对人脸图像在S.Baker and T.Kanade.Hallucinating faces.In FG,Grenoble,France,Mar.2000,83-88中提出了一种幻觉脸(face hallucination)方法。随后，Liu等人在C.Liu,H.Y.Shum,and C.S.Zhang.A two-step approach to hallucinating faces:globalparametric model and local nonparametric model.In CVPR,pp.192–198,2001中提出人脸重建的两步法，分别合成人脸的全局和局部信息。至此，基于学习的超分辨率方法引起了学者们的广泛关注。