图约束字典和加权稀疏表示人脸超分辨率算法.pdf

《图约束字典和加权稀疏表示人脸超分辨率算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、liDlGlTA数L字Vl视DE频O鼍稳教曩id60aA⋯㈨i4【本文献信息】黄克斌，胡瑞敏，王锋，等．图约束字典和加权稀疏表示人脸超分辨率算法[J]．电视技术，2014，38(9)图约束字典和加权稀疏表示人脸超分辨率算法黄克斌，胡瑞敏，王锋，韩镇，卢涛，江俊君(1．黄冈师范学院数字媒体技术系，湖北黄冈438000；2．武汉大学国家多媒体软件工程技术研究中心，湖北武汉430072)【摘要】针对低分辨率、低质量人脸图像重建问题，提出了一种新的基于稀疏表示的人脸超分辨率算法。在训练阶段，人脸的位置特征被用于保持人脸块的全局信息，人脸块间的几何结构被用于保持高低分辨率超完备冗余字典

2、的流形结构，从而提高字典的表达能力；在重建阶段，K近邻加权稀疏表示被用于消除稀疏编码噪声，以提高高分辨率人脸图像重建系数的精度。实验结果表明，提出的方法取得了较好的主客观质量。【关键词】图约束字典；加权稀疏表示；人脸超分辨率【中图分类号】TN919．18【文献标志码】AFaceHallucinationUsingGraphRegularizedDictionaryandWeightedSparseRepresentationHUANGKebin。，HURuimin，WANGFeng，HANZhen，LUTao，JIANGJunjun(J．DepartmentofDigital

3、MediaTechnology，HuanggangNormalUniversity，HubeiHuanggang438000，China；2．NationalEngineeringResearchCenter0MultimediaSoftware，WuhanUniversity，Wuhan430072，China)【Abstract】Inthispaper，anovelsparserepresentationbasedfacehallucinationmethodisproposedtoreconstructahighresolution(HR)faceimagefromal

4、owresolution(LR)observation．Intrainingstage，itaimstogetamoreexpressiveHR—LRdictionarypairforcertaininputLRpatchseparately．Posi—tionfeatureofalignedfaceimagesisusedtokeepglobalsimilarityinformationoffaceimage．Theintrinsicgeometricstructureoftrainingsamplesisin—corporatedintothesparecodingpro

5、cedureofthedictionarylearning，whichimprovetheexpressiveofthedictionary．Inreconstructionstage，theweightedsparserepresentationisusedtofindanoptimalcoefficientforHRfaceimagepatchreconstruction．Experimentalresultsvalidatetheproposedmethod．【Keywords】graphregularizeddictionary；weightedsparserepre

6、sentation；facehalucination视频监控具有实时、可视、可记录及信息量大等特点，将压缩感知的思想应用到超分辨率领域，提出了基于稀疏在安防、交通、生产管理等各应用领域发挥重大作用。监表示的自然图像超分辨率算法。该方法充分利用稀疏控视频中的人脸图像是辨识关键人物最直接的线索。但表示符合人眼感知特性的优势，自动选取近邻个数，避免是在实际监控应用中，由于摄像头和人脸距离通常较远，了人为指定近邻块个数会导致合成信息不足或过拟合的视频监控系统的带宽和存储资源有限等原因，往往导致监弊端，取得了较好的超分辨率效果。在Yang的基础上，控视频中人脸图像的分辨率较低，难以达到

7、辨识要求。人Chang等提出基于稀疏表示和双字典学习的人脸素描图脸超分辨率技术也叫做人脸幻象技术(FaceHallucina-像合成方法，Jung等提出了基于稀疏表示和原始样本tion)⋯，它能够在不改变硬件环境的情况下，从一幅或多块字典的人脸超分辨率算法。幅低分辨率输入人脸图像中，重建出一幅高分辨率的人脸尽管基于稀疏表示的人脸超分辨率方法比其他方法图像，达到改善人脸图像的清晰度的目的。该技术在安防取得了更好的效果，但是，已有的基于稀疏表示的方法较监控、计算机视觉等领域中具有重要的应用。少考虑样本数据内