[发明专利]一种基于非负矩阵分解的人脸超分辨率处理方法

权利要求书

1.一种基于非负矩阵分解的人脸超分辨率处理方法，其特征在于，包括以下步骤：

对样本库高分辨率人脸图像进行人脸对齐，该步骤具体为：对样本图像先框取相同大小 的人脸，接着再对人脸进行特征点标注，所述特征点为具有语义的位置，最后再用仿射变换 的方法把这些特征点对齐，通过对样本库中的高分辨率人脸图像计算出平均脸，设(x_i，y_i)^T为 平均脸上第i个特征点的坐标，(x′_i，y′_i)^T为样本高分辨率图像中对应第i个点的坐标，在已知 平均脸上特征点和相对应样本库中的特征点的条件下，采用直接线性变换方式来解出仿射变 换矩阵M，接着对样本高分辨率图像来与变换矩阵M乘积得到新的图像坐标，由此得到对齐 后的样本图像库；

读入对齐后的样本图像库；

利用非负矩阵分解算法进行分解操作获得基图像W，该步骤具体包括以下子步骤：

首先将样本库中的所有图像排列成包含T个N维列向量的矩阵V，其中，T是样本图像 个数，N是每幅图像的像素个数，则N维图像样本向量V^t，t＝1，...，T，可线性近似表达成：

Vt≈Σi=1Kwihit=Wht,]]>

其中W是一个N*K的矩阵，K是该矩阵所包含的基向量w_i的个数，K个基向量W_i被认 为是数据构成块，K维系数向量h^t描述每个数据构成块对于表达向量V^t的强度；

然后将样本向量V^t排列成一个N*T的矩阵V，则有V≈WH，其中H的每一列包含了 系数向量h^t相应于向量V^t；

最后通过建立平方误差函数：

E(W,H)=||V-WH||2=Σi,j(Vij-(WH)ij)2]]>

利用最速下降法交替迭代W和H，迭代过程中用乘性递推式子以保证其非负性，最终求 解出代价函数；

将输入的低分辨率人脸图像进行对齐；

获得目标高分辨率人脸图像的非负矩阵分解表达系数，该步骤包括以下子步骤：利用基图像 矩阵和系数向量的乘积表达目标高分辨率图像；目标高分辨率图像模拟退化后与输入图像的 差值建立代价函数的重建误差项；利用马尔可夫随机场建立代价函数的正则约束项；利用最 速下降法求解代价函数项；

结合基图像和表达系数得到中间高分辨率图像Z₁；

对样本库人脸图像重要区域进行分割；

对分割得到的局部区域分别独立进行非负矩阵分解；

对对齐后的输入图像的局部区域分别进行合成；

将合成的局部区域与图像Z₁进行加权结合获得超分辨率图像Z₂。

2.根据权利要求1所述的基于非负矩阵分解的人脸超分辨率处理方法，其特征在于：

所述的对分割得到的局部区域分别独立进行非负矩阵分解，采用对于对齐后的样本库中 的每个人脸图像，分别将眉毛、眼睛、鼻子、嘴巴重要区域按照一定矩形大小分割出来，分 组成为不同类型的局部区域样本库，对与不同类型的局部区域样本库利用基于非负矩阵分解 的方法分别进行局部分解。