面向视频监控人脸超分辨率重建系统

《面向视频监控人脸超分辨率重建系统》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、面向视频监控人脸超分辨率重建系统摘要随着视频监控系统在交通和安全等领域的广泛应用，人脸图像的高分辨率显示和识别问题显得日益重要。监控视频中人脸区域通常很小，辨识度很差，这给主观的人脸识别造成了一定的困难，为此本文提出一种基于样本学习的两阶段人脸超分辨率技术。分为全局脸重建阶段和残差补偿阶段。本文提出的方法能够根据低分辨率人脸图像合成效果较好的高分辨率人脸图像，消除了分辨率过低对人脸识别造成的影响。关键词视频监控；人脸识别；超分辨重建；残差补偿中图分类号：TP391文献标识码：A文章编号：1671-7597(2013)17-0054-02随着视频监控系统在交通

2、和安全等领域的广泛应用，人脸图像的高分辨率显示和识别问题显得日益重要。由于成像设备的分辨率限制、成像距离过大等条件的影响，往往只能得到分辨率较小的、质量较差的低分辨率人脸图像，这就给人脸识别及其后续应用造成一定的困难。人脸超分辨率重建技术可以在现有成像设备条件不变的前提下利用已有的低分辨率人脸图像生成对应的高分辨率人脸图像。本文利用机器学习的方法针对视频监控环境下单帧低分辨率人脸图像进行超分辨率重建，重点解决多光照、多表情情况下带来的重建难题。该项目可以为人脸识别、人脸跟踪、人脸表情分析提供有力的技术支持，在视频监控、公共安全以及门禁系统等领域具有广阔的应用

3、前景。1图像预处理由于视频监控环境下采集到的图像除人脸外还包含其他信息，且图像质量较差存在噪声点，所以需要对采集图像进行人脸检测、几何变换、归一化、平滑和增强等预处理操作，为后续处理提供可用的人脸图像。2人脸超分辨率重建框架研究结合机器学习、图像处理、概率统计等相关理论与技术,建立基于学习的人脸超分辨率重建框架。具体内容包括：如何对人脸部件进行分类？如何寻找人脸部件在训练集中的最佳匹配结果？如何利用匹配到的人脸部件进行图像融合？3重建过程的实时化考虑到实际应用中的实时化需求，我们将重建过程分为离线阶段和在线阶段两个部分。离线阶段，我们实现样本库的降采样、降维

4、处理、子空间映射以及模型学习等操作；在线阶段，我们实现输入图像的投影与重建操作。在这种模式下，图像的重建速度将会得到较大地提高。因为比较耗时的样本训练学习过程在离线阶段完成，大大减少了在线阶段的重建的时间消耗。如图1所示，系统包括输入图像预处理、样本库的重建模型学习以及超分辨率重建三个部分。4研究方案及关键技术本项目以标准样本库为基础，利用机器学习的方法实现超分辨率重建。如图2所示，整个系统的核心包括全局脸重建和残差补偿两个部分。4.1全局脸重建传统的超分辨率技术在像素级(Pixel)或分块级(Patch)进行学习和重建，由于没有考虑到人脸图像中的结构特征，

5、所以产生的重建结果不仅会出现较大的噪声，而且会增大计算的复杂度。为了解决这些问题，我们在全局脸重建利用非负矩阵分解的方法对图像进行降维并提取相关的图像特征，再对该特征进行相关性最大化处理，不仅满足人脸图像重建的全局约束、局部约束，同时极大地提高了重建速度。为实际应用提供了性能支持。4.2残差补偿由图2得到的结果只是实现了输入图像的低频与中频信息的重建，但是能够反映人脸明显细节特征的高频信息却无法重现。因此，在残差补偿阶段，我们利用图2的结果与样本库中训练集的残差进行进一步的学习推导，得到更可靠的高频信息。最后，由图2得到的结果进行融合得到所期望的高分辨率人脸

6、图像。5实验结果及分析讨论本文所设计的面向视频监控的人脸超分辨率重建系统具有重建效果好，实时性高等特点。系统采用离线阶段和在线阶段分开的模式，使得很多耗时的计算在离线阶段完成，在线阶段只需要运用残差补偿技术进行人脸的高频信息重建，计算了相对较小，从而提供了重建效率。参考文献[1]陈文•小样本训练集下人脸图像超分辨率重构算法研究[D].中南大学，2010.[2]李晓光.高动态范围图像可视化与图像超分辨率重建的初步研究[D].北京工业大学，2008.[3]沈华.基于插值和主元素分析的人脸超分辨率算法研究[D].湖南大学，2010.[4]刘良辰•基于整体到局部的分

7、离式人脸超分辨率重建方法研究[D].重庆大学，2012.[5]刘欢喜.图像人脸检测及超分辨率处理[D].上海交通大学，200&[6]张剑•基于内容的智能视频监控关键技术及在公共安防中的应用研究[D].浙江大学计算机科学与技术学院，2007.