[发明专利]基于经验关系偏差纠正的鲁棒人脸超分辨处理方法及其系统

说明书

本发明公开基于经验关系偏差纠正的鲁棒人脸超分辨处理方法及其系统，构建包含高分辨率人脸图像库及其对应多种降质的低分辨率人脸图像库的训练库；基于原始训练库模型和输入图像构建用于补充信息的低分辨率图像；在原始训练库中分别通过高分辨率和低分辨率两种渠道建立关联度经验值和个体值两种模型；通过关联度以输入图像的近邻为桥梁，计算个体偏移量，基于个体偏差计算求得低分辨率增广库的表达系数；根据表达系数和对应高分辨率增广库的块求得重建高分辨率图像块；根据位置i拼接高分辨率人脸图像块得高分辨率人脸图像。本发明可显著提高恢复图像的视觉感受，特别适用于低质量监控环境下人脸图像的恢复。

技术领域

本发明涉及图像处理和图像恢复技术领域，尤其涉及基于经验关系偏差纠正的鲁棒人脸超分辨处理方法及其系统。

背景技术

人脸超分辨率技术是通过学习制备好的高低分辨率图像库中训练对之间的高低分辨率对应关系，为低分辨率到高分辨率的过程提供有效的约束和指导，估计出高分辨率人脸图像用以机器或人眼的辨识。该技术广泛引用于各个视觉处理技术，如人脸识别的前后处理、监控录像中的人脸图像增强等等。然而，由于成像环境复杂多变，成像的降质条件更是繁杂多样，难以统一。导致人脸图像增强难度系数大大增加，因此需采用人脸超分辨率技术提升图像有效尺寸和有效分辨率，达到从低分辨率图像恢复到高分辨率图像的目的。然而现有的算法往往针对单一降质而设计，面对复杂繁多的降质条件下生成的多种低质量人脸图像，难以有效的恢复出可供辨识的人脸图像。

为解决对多种繁杂降质的低质量人脸图像的恢复问题，传统算法往往采用各种先验信息辅助从单一种类的降质数据库中分析、挑选或者改进算法，具体做法即引入有效计算工具和数据利用形式。这种做法中，对后验知识的忽略，导致了算法有效性和普适性的缺陷，即遭遇复杂降质过程时，算法的鲁棒性较低，难以有效增强人脸图像，进而造成算法的易用性和有效性较低。一个经典的算法类别就是基于流形学习的类别。

流形学习作为人脸超分辨率的经典算法之一，核心思想在于，采用流形表达作为工具，解释低分辨率到高分辨率的质量上升过程，具体为：对高低分辨率两个样本空间，寻找出每个低分辨率图像数据点周围的局部性质，然后将低分辨率图像的流形局部性质非线性地映射到高分辨率图像的流形空间中，在高分辨率对应空间上做投影，从而合成高分辨图像。具有代表性的有以下几种方法：2004年，Chang[1]等首次将流形学习法引入图像超分辨率重构中，提出了一种邻域嵌入的图像超分辨率重构法。Sung Won Park[2]提出一种基于局部保持投影的自适应流形学习方法，从局部子流形分析人脸的内在特征，重构出低分辨率图像缺失的高频成分。2010年，Huang[4]提出基于CCA(Canonical CorrelationAnalysis，CCA)的方法，通过将PCA(Principal Component Analysis，PCA)空间延伸至CCA空间，进一步解决了这个问题。同年，Lan[5]针对监控环境下严重的模糊和噪声导致的图像像素损毁严重的问题，提出一种基于形状约束的人脸超分辨率方法，在传统PCA架构中添加形状约束作为相似度度量准则，利用人眼睛识别形状时对干扰的鲁棒性来人工添加形状特征点作为约束，优化低质量图像的重建结果。

现有的这些方法大多仅按照传统的技术思路，关注先验知识的提取，关注降质种类固定且单一的高低分辨率图像库的制备和先验知识利用，忽略了输入图像可能存在与图像库异质的复杂降质过程的事实，导致算法对于含有不同降质过程的异质图像的重建效果不理想，尤其在监控等包含多种光照、距离的复杂多样的降质环境下，由于无法严格控制真实降质条件与在库单一降质条件的统一性，导致捕获到的低质量人脸图像与样本库中的人脸图像存在着较大的降质过程差异，而且这种差异存在明显的多样性。巨大的差异和差异多样性造成的重建误差复杂多样，无法用现有的针对单一降质的先验知识和模型工具统一处理，造成鲁棒性不足，效果令人不满意的后果。

发明内容

本发明的目的在于提供基于经验关系偏差纠正的鲁棒人脸超分辨处理方法及其系统。

本发明采用的技术方案是：