[发明专利]一种基于区域深度卷积神经网络的人脸超分辨率算法

权利要求书

1.一种基于区域深度卷积神经网络的人脸超分辨率算法，其特征在于，包括以下步骤：

训练阶段：

S1、获取训练的高分辨率人脸图像，对其处理得到低分辨率人脸图像，使用滑动窗口自适应的选择相邻的图像块，将低分辨率人脸图像在像素域中划分相互重叠的图像块，得到多个局部区域；

S2、将局部区域作为输入，通过第一层卷积层和修正线性单元层提取得到局部特征；

S3、将局部特征作为输入，通过第二层卷积层和修正线性单元层，进行非线性变化得到非线性特征；

S4、将非线性特征作为输入，通过第三层卷积层和修正线性单元层，得到重建后的高分辨率图像块；

S5、根据高分辨率图像块的重叠部分，对高分辨率图像块进行拼接，输出完整的高分辨率人脸图像，将输出的高分辨率人脸图像与训练的高分辨率人脸图像进行比较，根据比较结果的相似程度，调整多层卷积层和修正线性单元层的参数；

测试阶段：

S6、根据训练阶段得到的多层卷积层和修正线性单元层组成超分辨率网络，输入低分辨率的测试人脸图像，通过超分辨率网络处理得到高分辨率的人脸图像。

2.根据权利要求1所述的基于区域深度卷积神经网络的人脸超分辨率算法，其特征在于，步骤S1中处理得到低分辨率人脸图像的方法为：

获取的高分辨率人脸图像为{Y^m|1≤m≤M}∈R^a×b，M表示训练样本的个数，低分辨率人脸图像为{X^m|1≤m≤M}∈R^(a/t)×(b/t)，其变换公式为：

X^m＝D(blur)Y^m

其中，D是下采样函数，blur系统模糊函数。

3.根据权利要求2所述的基于区域深度卷积神经网络的人脸超分辨率算法，其特征在于，步骤S1中划分相互重叠的图像块的方法为：

利用滑动窗口将低分辨率人脸图像划分为S个局部区域；

设低分辨率人脸图像X_T∈R^(a/t)×(b/t)，其中t表示超分辨率的放大倍数；将低分辨率人脸样本图像和高分辨率人脸样本图像对应编号，对于第m个低分辨率人脸图像，X^m是高分辨率人脸样本图像Y^m通过降质过程下采样而获得，低分辨率图像下采样后使用Bicubic插值到高分辨率图像大小，组成具有同样分辨率的训练样本集合{X^m，Y^m|1≤m≤M}∈R^a×b；在图像a×b像素空间划分成S个相互重叠的区域，区域设置为p×p像素大小的方块；设R_s表示在图像的第s个位置空间的取块操作，对于第s个空间块，对训练样本{X^m，Y^m|1≤m≤M}∈R^a×b按照统一的空间位置取块，组成新的S个子训练样本对：

{X[s],Y[s]|1≤s≤S|}∈R^(p×p)×M

其中：

$X\[s\]={\left\{R_s\left(X^m\right)\right\}}_{m=1}^M$

$Y\[s\]={\left\{R_s\left(Y^m\right)\right\}}_{m=1}^M$

高分辨率块减去d个像素的边缘部分，其对应的超分辨率人脸图像块大小为(p-d)×(p-d)，对于每一个子区域s，其训练样本个数任然为M。